Emergence of dysfunctional neutrophils with a defect in arginase-1 release in severe COVID-19
Notice bibliographique
Résumé
Neutrophilia occurs in patients infected with SARS-CoV-2 (COVID-19) and is predictive of poor outcomes. Here, we link heterogenous neutrophil populations to disease severity in COVID-19. We identified neutrophils with features of cellular aging and immunosuppressive capacity in mild COVID-19 and features of neutrophil immaturity and activation in severe disease. The low-density neutrophil (LDN) number in circulating blood correlated with COVID-19 severity. Many of the divergent neutrophil phenotypes in COVID-19 were overrepresented in the LDN fraction and were less detectable in normal-density neutrophils. Functionally, neutrophils from patients with severe COVID-19 displayed defects in neutrophil extracellular trap formation and reactive oxygen species production. Soluble factors secreted by neutrophils from these patients inhibited T cell proliferation. Neutrophils from patients with severe COVID-19 had increased expression of arginase-1 protein, a feature that was retained in convalescent patients. Despite this increase in intracellular expression, there was a reduction in arginase-1 release by neutrophils into serum and culture supernatants. Furthermore, neutrophil-mediated T cell suppression was independent of arginase-1. Our results indicate the presence of dysfunctional, activated, and immature neutrophils in severe 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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».