The Landscape of Expressed Chimeric Transcripts in the Blood of Severe COVID-19 Infected Patients
Notice bibliographique
Résumé
The ongoing COVID-19 pandemic caused by SARS-CoV-2 infections has quickly developed into a global public health threat. COVID-19 patients show distinct clinical features, and in some cases, during the severe stage of the condition, the disease severity leads to an acute respiratory disorder. In spite of several pieces of research in this area, the molecular mechanisms behind the development of disease severity are still not clearly understood. Recent studies demonstrated that SARS-CoV-2 alters the host cell splicing and transcriptional response to overcome the host immune response that provides the virus with favorable conditions to replicate efficiently within the host cells. In several disease conditions, aberrant splicing could lead to the development of novel chimeric transcripts that could promote the functional alternations of the cell. As severe SARS-CoV-2 infection was reported to cause abnormal splicing in the infected cells, we could expect the generation and expression of novel chimeric transcripts. However, no study so far has attempted to check whether novel chimeric transcripts are expressed in severe SARS-CoV-2 infections. In this study, we analyzed several publicly available blood transcriptome datasets of severe COVID-19, mild COVID-19, other severe respiratory viral infected patients, and healthy individuals. We identified 424 severe COVID-19 -specific chimeric transcripts, 42 of which were recurrent. Further, we detected 189 chimeric transcripts common to severe COVID-19 and multiple severe respiratory viral infections. Pathway and gene enrichment analysis of the parental genes of these two subsets of chimeric transcripts reveals that these are potentially involved in immune-related processes, interferon signaling, and inflammatory responses, which signify their potential association with immune dysfunction leading to the development of disease severity. Our study provides the first detailed expression landscape of chimeric transcripts in severe COVID-19 and other severe respiratory viral infections.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».