Immune mechanisms underlying COVID-19 pathology and post-acute sequelae of SARS-CoV-2 infection (PASC)
Notice bibliographique
Résumé
With a global tally of more than 500 million cases of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infections to date, there are growing concerns about the post-acute sequelae of SARS-CoV-2 infection (PASC), also known as long COVID. Recent studies suggest that exaggerated immune responses are key determinants of the severity and outcomes of the initial SARS-CoV-2 infection as well as subsequent PASC. The complexity of the innate and adaptive immune responses in the acute and post-acute period requires in-depth mechanistic analyses to identify specific molecular signals as well as specific immune cell populations which promote PASC pathogenesis. In this review, we examine the current literature on mechanisms of immune dysregulation in severe COVID-19 and the limited emerging data on the immunopathology of PASC. While the acute and post-acute phases may share some parallel mechanisms of immunopathology, it is likely that PASC immunopathology is quite distinct and heterogeneous, thus requiring large-scale longitudinal analyses in patients with and without PASC after an acute SARS-CoV-2 infection. By outlining the knowledge gaps in the immunopathology of PASC, we hope to provide avenues for novel research directions that will ultimately lead to precision therapies which restore healthy immune function in PASC patients.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».