Deciphering the molecular mechanism of post-acute sequelae of COVID-19 through comorbidity network analysis
Notice bibliographique
Résumé
The post-acute sequelae of COVID-19 (PASC) poses a significant health challenge in the post-pandemic world. However, the underlying biological mechanisms of PASC remain intricate and elusive. Network-based methods can leverage electronic health record data and biological knowledge to investigate the impact of COVID-19 on PASC and uncover the underlying biological mechanisms. This study analyzed territory-wide longitudinal electronic health records (from January 1, 2020 to August 31, 2022) of 50 296 COVID-19 patients and a healthy non-exposed group of 100 592 individuals to determine the impact of COVID-19 on disease progression, provide molecular insights, and identify associated biomarkers. We constructed a comorbidity network and performed disease-protein mapping and protein-protein interaction network analysis to reveal the impact of COVID-19 on disease trajectories. Results showed disparities in prevalent disease comorbidity patterns, with certain patterns exhibiting a more pronounced influence by COVID-19. Overlapping proteins elucidate the biological mechanisms of COVID-19's impact on each comorbidity pattern, and essential proteins can be identified based on their weights. Our findings can help clarify the biological mechanisms of COVID-19, discover intervention methods, and decode the molecular basis of comorbidity associations, while also yielding potential biomarkers and corresponding treatments for specific disease progression patterns.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».