In Silico Variant Analysis Identifies Mutations in TP53 Gene Increasing The Risk of Cancer in COVID-19 Patients
Notice bibliographique
Résumé
Introduction: The Coronavirus 2019 (COVID-19) disease caused by SARS-CoV-2 emerged as a global pandemic due to its lethal nature and great potential to spread rapidly. It is predicted that the coronavirus infection can leave detrimental consequences in infected patients even after recovery. Therefore considering the ability of the virus to induce lethal mutations in the host genome, we aimed to identify variants in COVID-19 patients irrespective of their origin. Methods: For the present study, transcriptomic data of patients were retrieved from the GEO dataset of the National Center for Biotechnology Information (NCBI) (GSE216811 and GSE197976 (India), GSE174786 (Germany), GSE171052 (Canada), GSE 206264 (Spain) and GSE206677 (Japan)). Each dataset was assessed independently for Single nucleotide polymorphisms (SNPs). After quality check and removing low-quality reads the samples were normalized using Bcf-tools norms. Further, SnpEff eff and SIFT4g annotator was used to identify and annotate variants occurring in each sample. The common variants occurring in all the patients of COVID-19. Were identified through a Venn diagram. The systems biology approach was used to identify hub genes out of common mutated genes. Results and Discussion: CytoHUBBA plug-in of Cytoscape identified TP53 as the hub gene mutated due to COVID- 19 infection. TP53 is a tumor suppressor gene that plays an important role in DNA damage repair, cell cycle regulation, and inducing apoptosis. Conclusion: Therefore, we conclude that mutation in TP53 causes loss of suppression potential of the gene increasing the risk of cancer in such individuals.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».