T4 apoptosis in the acute phase of SARS-CoV-2 infection predicts long COVID
Notice bibliographique
Résumé
Background: As about 10% of patients with COVID-19 present sequelae, it is important to better understand the physiopathology of so-called long COVID. Method: , quantified 19 soluble factors in their plasma and in the supernatant of their peripheral blood mononuclear cells, including inflammatory and anti-inflammatory cytokines and chemokines, Th1/Th2/Th17 cytokines, and endothelium activation markers. We also measured their T4, T8 and NK differentiation, activation, exhaustion and senescence, T cell apoptosis, and monocyte subpopulations by flow cytometry. We compared these markers between participants who developed long COVID or not one year later. Results: None of these markers was predictive for sequelae, except programmed T4 cell death. T4 lymphocytes from participants who later presented long COVID were more apoptotic in culture than those of sequelae-free participants at Month 12 (36.9 ± 14.7 vs. 24.2 ± 9.0%, p = 0.016). Conclusions: Our observation raises the hypothesis that T4 cell death during the acute phase of SARS-CoV-2 infection might pave the way for long COVID. Mechanistically, T4 lymphopenia might favor phenomena that could cause sequelae, including SARS-CoV-2 persistence, reactivation of other viruses, autoimmunity and immune dysregulation. In this scenario, inhibiting T cell apoptosis, for instance, by caspase inhibitors, could prevent long COVID.
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 | 0,001 | 0,002 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».