Nasopharyngeal metatranscriptomics reveals host-pathogen signatures of pediatric sinusitis
Notice bibliographique
Résumé
Acute sinusitis (AS) is the fifth leading cause of antibiotic prescriptions in children. Distinguishing bacterial AS from common viral upper respiratory infections in children is crucial to prevent unnecessary antibiotic use but is challenging with current diagnostic methods. Despite its speed and cost, untargeted RNA sequencing of clinical samples from children with suspected AS has the potential to overcome several limitations of other methods. However, the utility of sequencing-based approaches in analysis of AS has not been fully explored. Here, we performed RNA-seq of nasopharyngeal samples from 221 children with clinically diagnosed AS to characterize their pathogen and host-response profiles. Results from RNA-seq were compared with those obtained using culture for three common bacterial pathogens and qRT-PCR for 12 respiratory viruses. Metatranscriptomic pathogen detection showed high concordance with culture or qRT-PCR, showing 87%/81% sensitivity (sens) / specificity (spec) for detecting bacteria, and 86%/92% (sens/spec) for viruses, respectively. We also detected an additional 22 pathogens not tested for in the clinical panel, and identified plausible pathogens in 11/19 (58%) of cases where no organism was detected by culture or qRT-PCR. We assembled genomes of 205 viruses across the samples including novel strains of coronaviruses, respiratory syncytial virus (RSV), and enterovirus D68. By analyzing host gene expression, we identified host-response signatures that distinguished bacterial and viral infections and correlated with pathogen abundance. Ultimately, our study demonstrates the potential of untargeted metatranscriptomics for in depth analysis of the etiology of AS, comprehensive host-response profiling, and using these together to work towards optimized patient care.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 ».