Metabolomic Insights into COVID-19 Severity: A Scoping Review
Notice bibliographique
Résumé
BACKGROUND: In 2019, SARS-CoV-2, the novel coronavirus, entered the world scene, presenting a global health crisis with a broad spectrum of clinical manifestations. Recognizing the significance of metabolomics as the omics closest to symptomatology, it has become a useful tool for predicting clinical outcomes. Several metabolomic studies have indicated variations in the metabolome corresponding to different disease severities, highlighting the potential of metabolomics to unravel crucial insights into the pathophysiology of SARS-CoV-2 infection. METHODS: The PRISMA guidelines were followed for this scoping review. Three major scientific databases were searched: PubMed, the Directory of Open Access Journals (DOAJ), and BioMed Central, from 2020 to 2024. Initially, 2938 articles were identified and vetted with specific inclusion and exclusion criteria. Of these, 42 articles were retrieved for analysis and summary. RESULTS: Metabolites were identified that were repeatedly noted to change with COVID-19 and its severity. Phenylalanine, glucose, and glutamic acid increased with severity, while tryptophan, proline, and glutamine decreased, highlighting their association with COVID-19 severity. Additionally, pathway analysis revealed that phenylalanine, tyrosine and tryptophan biosynthesis, and arginine biosynthesis were the most significantly impacted pathways in COVID-19 severity. CONCLUSIONS: COVID-19 severity is intricately linked to significant metabolic alterations that span amino acid metabolism, energy production, immune response modulation, and redox balance.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».