The landscape of differential splicing and transcript alternations in severe <scp>COVID</scp>‐19 infection
Notice bibliographique
Résumé
Viral infections can modulate the widespread alternations of cellular splicing, favouring viral replication within the host cells by overcoming host immune responses. However, how SARS-CoV-2 induces host cell differential splicing and affects the landscape of transcript alternation in severe COVID-19 infection remains elusive. Understanding the differential splicing and transcript alternations in severe COVID-19 infection may improve our molecular insights into the SARS-CoV-2 pathogenesis. In this study, we analysed the publicly available blood and lung transcriptome data of severe COVID-19 patients, blood transcriptome data of recovered COVID-19 patients at 12-, 16- and 24-week postinfection and healthy controls. We identified a significant transcript isoform switching in the individual blood and lung RNA-seq data of severe COVID-19-infected patients and 25 common genes that alter their transcript isoform in both blood and lung samples. Altered transcripts show significant loss of the open reading frame, functional domains and switch from coding to noncoding transcript, impacting normal cellular functions. Furthermore, we identified the expression of several novel recurrent chimeric transcripts in the blood samples from severe COVID-19 patients. Moreover, the analysis of the isoform switching into blood samples from recovered COVID-19 patients highlights that there is no significant isoform switching in 16- and 24-week postinfection, and the levels of expressed chimeric transcripts are reduced. This finding emphasizes that SARS-CoV-2 severe infection induces widespread splicing in the host cells, which could help the virus alter the host immune responses and facilitate the viral replication within the host and the efficient translation of viral proteins.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».