Single-cell sequencing reveals cellular landscape alterations in the airway mucosa of patients with pulmonary long COVID
Notice bibliographique
Résumé
AIM: To elucidate the important cellular and molecular drivers of pulmonary long COVID, we generated a single-cell transcriptomic map of the airway mucosa using bronchial brushings from patients with long COVID who reported persistent pulmonary symptoms. METHOD: Adults with and without long COVID were recruited from the general community in Greater Vancouver, Canada. The cohort was divided into those with pulmonary long COVID, which was defined as persons with new or worsening respiratory symptoms following ≥12 weeks from their initial acute severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infection (n=9); and control subjects defined as SARS-CoV-2 infected persons whose acute respiratory symptoms had fully resolved or individuals who had no history of acute coronavirus disease 2019 (COVID-19) (n=9). These participants underwent bronchoscopy from which a single cell suspension was created from bronchial brush samples and then sequenced. RESULTS: A total of 56 906 cells were recovered for the downstream analysis, with 34 840 cells belonging to the pulmonary long COVID group, which strikingly showed a unique cluster of neutrophils in the pulmonary long COVID group (p<0.05). Ingenuity Pathway Analysis revealed that the neutrophil degranulation pathway was enriched across epithelial cell clusters. Differential gene expression analysis between the pulmonary long COVID and control groups demonstrated upregulation of inflammatory chemokines and epithelial barrier dysfunction across epithelial cell clusters, as well as over-expression of mucin genes across secretory cell clusters. CONCLUSION: A single-cell transcriptomic landscape of the small airways suggest that neutrophils may play a significant role in mediating the chronic small airway inflammation driving pulmonary symptoms of long COVID.
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 | 0,002 | 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 | 0,001 |
| 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 ».