Altered microRNA Transcriptome in Cultured Human Airway Cells upon Infection with SARS-CoV-2
Notice bibliographique
Résumé
Numerous proteomic and transcriptomic studies have been carried out to better understand the current multi-variant SARS-CoV-2 virus mechanisms of action and effects. However, they are mostly centered on mRNAs and proteins. The effect of the virus on human post-transcriptional regulatory agents such as microRNAs (miRNAs), which are involved in the regulation of 60% of human gene activity, remains poorly explored. Similar to research we have previously undertaken with other viruses such as Ebola and HIV, in this study we investigated the miRNA profile of lung epithelial cells following infection with SARS-CoV-2. At the 24 and 72 h post-infection time points, SARS-CoV-2 did not drastically alter the miRNome. About 90% of the miRNAs remained non-differentially expressed. The results revealed that miR-1246, miR-1290 and miR-4728-5p were the most upregulated over time. miR-196b-5p and miR-196a-5p were the most downregulated at 24 h, whereas at 72 h, miR-3924, miR-30e-5p and miR-145-3p showed the highest level of downregulation. In the top significantly enriched KEGG pathways of genes targeted by differentially expressed miRNAs we found, among others, MAPK, RAS, P13K-Akt and renin secretion signaling pathways. Using RT-qPCR, we also showed that SARS-CoV-2 may regulate several predicted host mRNA targets involved in the entry of the virus into host cells (ACE2, TMPRSS2, ADAM17, FURIN), renin-angiotensin system (RAS) (Renin, Angiotensinogen, ACE), innate immune response (IL-6, IFN1β, CXCL10, SOCS4) and fundamental cellular processes (AKT, NOTCH, WNT). Finally, we demonstrated by dual-luciferase assay a direct interaction between miR-1246 and ACE-2 mRNA. This study highlights the modulatory role of miRNAs in the pathogenesis of SARS-CoV-2.
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 ».