Integrative single-cell transcriptome analysis reveals new insights into post-COVID-19 pulmonary fibrosis and potential therapeutic targets
Notice bibliographique
Résumé
Abstract The global COVID-19 pandemic caused by the SARS-CoV-2 virus has resulted in a significant number of patients experiencing persistent symptoms, including post-COVID pulmonary fibrosis (PCPF). This study aimed to identify novel therapeutic targets for PCPF using single-cell RNA-Sequencing data from lung tissues of COVID-19 patients, idiopathic pulmonary fibrosis (IPF) patients, and a rat TGF-β1-induced fibrosis model treated with antifibrotic drugs. Patients with COVID-19 had lower alveolar macrophage counts than healthy controls, whereas patients with COVID-19 and IPF presented with elevated monocyte-derived macrophage counts. A differential gene expression analysis showed that macrophages play a crucial role in IPF and COVID-19 development and progression, and fibrosis- and inflammation-associated genes were upregulated in both conditions. Pathway analysis revealed upregulation of inflammation and proteolysis and downregulation of ribosome biogenesis and respiratory gas exchange. Cholesterol efflux and glycolysis were augmented in both macrophage types. The study suggests that antifibrotic drugs may reverse critical lung fibrosis mediators in COVID-19. The results help clarify the molecular mechanisms underlying pulmonary fibrosis in patients with severe COVID-19 and IPF and highlight the potential efficacy of antifibrotic drugs in COVID-19 therapy. Thus, the study's results may have significant implications for the development of new treatment strategies for PCPF.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».