Integrated analyses of single-cell RNA-seq public data reveal the gene regulatory network landscape of respiratory epithelial and peripheral immune cells in COVID-19 patients
Notice bibliographique
Résumé
Abstract Introduction Infection with SARS-CoV-2 leads to coronavirus disease 2019 (COVID-19), which can result in acute respiratory distress syndrome and multiple organ failure. However, its comprehensive influence on pathological immune responses in the respiratory epithelium and peripheral immune cells is not yet fully understood. Methods In this study, we integrated multiple public scRNA-seq datasets of nasopharyngeal swab and peripheral blood results to investigate the gene regulatory networks (GRNs) of healthy individuals and COVID-19 patients with mild/moderate and severe disease, respectively. Similar and dissimilar regulons were identified within or between epithelial and immune cells during COVID-19 severity progression. The relative transcription factors (TFs) and their targets were used to construct GRNs among different infection sites and conditions. Results Between respiratory epithelial and peripheral immune cells, different TFs tended to be used to regulate the activity of a cell between healthy individuals and COVID-19 patients, although they had some TFs in common. For example, XBP1, FOS, STAT1, and STAT2 were activated in both the epithelial and immune cells of virus-infected individuals. In contrast, severe COVID-19 cases exhibited activation of CEBPD in peripheral immune cells, while CEBPB was exclusively activated in respiratory epithelial cells. Moreover, in patients with severe COVID-19, CEBPD upregulated S100A8 and S100A9 in CD14 and CD16 monocytes, while S100A9 genes were co-upregulated by different regulators (SPEDEF and ELF3) in goblet and squamous cells. The cell-cell communication analysis suggested that epidermal growth factor receptor signaling among epithelial cells contributes to mild/moderate disease, and chemokine signaling among immune cells contributes to severe disease. Conclusions This study identified cell type- and condition-specific regulons in a wide range of cell types from the initial infection site to the peripheral blood, and clarified the diverse mechanisms of maladaptive responses to SARS-CoV-2 infection.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».