Autoantibodies are highly prevalent in non–SARS-CoV-2 respiratory infections and critical illness
Notice bibliographique
Résumé
The widespread presence of autoantibodies in acute infection with SARS-CoV-2 is increasingly recognized, but the prevalence of autoantibodies in non-SARS-CoV-2 infections and critical illness has not yet been reported. We profiled IgG autoantibodies in 267 patients from 5 independent cohorts with non-SARS-CoV-2 viral, bacterial, and noninfectious critical illness. Serum samples were screened using Luminex arrays that included 58 cytokines and 55 autoantigens, many of which are associated with connective tissue diseases (CTDs). Samples positive for anti-cytokine antibodies were tested for receptor blocking activity using cell-based functional assays. Anti-cytokine antibodies were identified in > 50% of patients across all 5 acutely ill cohorts. In critically ill patients, anti-cytokine antibodies were far more common in infected versus uninfected patients. In cell-based functional assays, 11 of 39 samples positive for select anti-cytokine antibodies displayed receptor blocking activity against surface receptors for Type I IFN, GM-CSF, and IL-6. Autoantibodies against CTD-associated autoantigens were also commonly observed, including newly detected antibodies that emerged in longitudinal samples. These findings demonstrate that anti-cytokine and autoantibodies are common across different viral and nonviral infections and range in severity of illness.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».