Divergent responses to SARS-CoV-2 infection in bronchial epithelium with pre-existing respiratory diseases
Notice bibliographique
Résumé
<h2>Summary</h2> Pre-existing respiratory diseases may influence coronavirus disease (COVID-19) susceptibility and severity. However, the molecular mechanisms underlying the airway epithelial response to severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infection severity in patients with chronic respiratory diseases remain unelucidated. Using an <i>in vitro</i> model of differentiated primary bronchial epithelial cells, we aimed to investigate the molecular mechanisms of SARS-CoV-2 infection in pre-existing cystic fibrosis (CF) and chronic obstructive pulmonary disease (COPD). Our study revealed reduced susceptibility of CF and COPD airway epithelia to SARS-CoV-2, relative to that in healthy controls. Mechanistically, reduced transmembrane serine protease 2 (TMPRSS2) activity potentially contributed to this resistance of CF epithelium. Upregulated complement and inflammatory pathways in CF and COPD epithelia potentially primed the antiviral state prior to infection. Analysis of a COVID-19 patient cohort validated our findings, correlating specific inflammatory markers (IP-10, SERPINA1, and CFB) with COVID-19 severity. This study elucidates SARS-CoV-2 pathogenesis and identifies potential biomarkers for clinical monitoring.
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 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».