Transfer of IgG from Long COVID patients induces symptomology in mice
Notice bibliographique
Résumé
Abstract SARS-CoV-2 infections worldwide led to a surge in cases of Long COVID, a post-infectious syndrome. It has been hypothesized that autoantibodies play a crucial role in the development of Long COVID and other syndromes, such as fibromyalgia and myalgic encephalomyelitis/chronic fatigue syndrome (ME/CFS). In this study, we tested this hypothesis by passively transferring total IgG from Long COVID patients to mice. Using Glial Fibrillary Acidic Protein (GFAP) and type-I interferon expression, we stratified patients into three Long COVID subgroups, each with unique plasma proteome signatures. Remarkably, IgG transfer from the two subgroups, which are characterized by higher plasma levels of neuronal proteins and leukocyte activation markers, induced pronounced and persistent sensory hypersensitivity with distinct kinetics. Conversely, IgG transfer from the third subgroup, which are characterized by enriched skeletal and cardiac muscle proteome profiles, reduced locomotor activity in mice without affecting their motor coordination. These findings demonstrate that transfer of IgG from Long COVID patients to mice replicates disease symptoms, underscoring IgG’s causative role in Long COVID pathogenesis. This work proposes a murine model that mirrors Long COVID’s pathophysiological mechanisms, which may be used as a tool for screening and developing targeted therapeutics.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».