Causal relationships between interleukins, interferons and COVID-19 risk: a Mendelian randomization study
Notice bibliographique
Résumé
Observational studies have shown close associations between COVID-19 risk and cytokines, especially interleukins (ILs) and interferons (IFNs). However, the causal relationships between ILs, IFNs and COVID-19 were still unclear. To resolve the problem, we conducted a Mendelian randomization analysis between COVID-19 and 47 cytokines, including 35 ILs and 12 IFNs. First, three methods were applied to estimate causal effects by using single nucleotide polymorphisms as instrumental variables (IVs). Subsequently, the MR–Egger method was used to estimate the horizontal pleiotropy of IVs. Finally, sensitivity analyses were applied to assess the robustness of results. As a result, one IFN (IFN-W1) and five ILs (IL-5, IL-6, IL-13, IL-16 and IL-37) were identified to significantly decrease the COVID-19 risk. In contrast, one IFN (IFNG) and five ILs (IL-3, IL-8, IL-27, IL-31 and IL-36β) were found to be significantly associated with an increased risk of COVID-19. In summary, the findings of this study provide insights into potential therapeutic interventions for COVID-19.
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 | 0,005 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,004 |
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 ».