Dengue and Zika RNA-RNA interactomes reveal pro- and anti-viral RNA in human cells
Notice bibliographique
Résumé
BACKGROUND: Identifying host factors is key to understanding RNA virus pathogenicity. Besides proteins, RNAs can interact with virus genomes to impact replication. RESULTS: Here, we use proximity ligation sequencing to identify virus-host RNA interactions for four strains of Zika virus (ZIKV) and one strain of dengue virus (DENV-1) in human cells. We find hundreds of coding and non-coding RNAs that bind to DENV and ZIKV viruses. Host RNAs tend to bind to single-stranded regions along the virus genomes according to hybridization energetics. Compared to SARS-CoV-2 interactors, ZIKV-interacting host RNAs tend to be downregulated upon virus infection. Knockdown of several short non-coding RNAs, including miR19a-3p, and 7SK RNA results in a decrease in viral replication, suggesting that they act as virus-permissive factors. In addition, the 3'UTR of DYNLT1 mRNA acts as a virus-restrictive factor by binding to the conserved dumbbell region on DENV and ZIKV 3'UTR to decrease virus replication. We also identify a conserved set of host RNAs that interacts with DENV, ZIKV, and SARS-CoV-2, suggesting that these RNAs are broadly important for RNA virus infection. CONCLUSIONS: This study demonstrates that host RNAs can impact virus replication in permissive and restrictive ways, expanding our understanding of host factors and RNA-based gene regulation during viral pathogenesis.
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) | 0,000 | 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) | 0,006 | 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 ».