Human genetic and immunological determinants of SARS-CoV-2 infection and multisystem inflammatory syndrome in children
Notice bibliographique
Résumé
Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) induces pneumonia and acute respiratory failure in coronavirus disease 2019 (COVID-19) patients with inborn errors of immunity to type I interferon (IFN-I). The impact of SARS-CoV-2 infection varies widely, ranging from mild respiratory symptoms to life-threatening illness and organ failure, with a higher incidence in men than in women. Approximately 3-5% of critical COVID-19 patients under 60 and a smaller percentage of elderly patients exhibit genetic defects in IFN-I production, including X-chromosome-linked TLR7 and autosomal TLR3 deficiencies. Around 15-20% of cases over 70 years old, and a smaller percentage of younger patients, present with preexisting autoantibodies neutralizing type I interferons. Additionally, innate errors affecting the control of the response to type I interferon have been associated with pediatric multisystem inflammatory syndrome (MIS-C). Several studies have described rare errors of immunity, such as XIAP deficiency, CYBB, SOCS1, OAS1/2, and RNASEL, as underlying factors in MIS-C susceptibility. However, further investigations in expanded patient cohorts are needed to validate these findings and pave the way for new genetic approaches to MIS-C. This review aims to present recent evidence from the scientific literature on genetic and immunological abnormalities predisposing individuals to critical SARS-CoV-2 infection through IFN-I. We will also discuss multisystem inflammatory syndrome in children (MIS-C). Understanding the immunological mechanisms and pathogenesis of severe COVID-19 may inform personalized patient care and population protection strategies against future serious viral infections.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».