Transcriptomic profiling of severe and critical COVID-19 patients reveals alterations in expression, splicing and polyadenylation
Notice bibliographique
Résumé
Coronavirus disease 2019 (COVID-19) is a multi-systemic illness that became a pandemic in March 2020. Although environmental factors and comorbidities can influence disease progression, there is a lack of prognostic markers to predict the severity of COVID-19 illness. Identifying these markers is crucial for improving patient outcomes and appropriately allocating scarce resources. Here, an RNA-sequencing study was conducted on blood samples from unvaccinated, hospitalized patients divided by disease severity; 367 moderate, 173 severe, and 199 critical. Using a bioinformatics approach, we identified differentially expressed genes (DEGs), alternative splicing (AS) and alternative polyadenylation (APA) events that were severity-dependent. In the severe group, we observed a higher expression of kappa immunoglobulins compared to the moderate group. In the critical cohort, a majority of AS events were mutually exclusive exons and APA genes mostly had longer 3'UTRs. Interestingly, multiple genes associated with cytoskeleton, TUBA4A, NRGN, BSG, and CD300A, were differentially expressed, alternatively spliced and polyadenylated in the critical group. Furthermore, several inflammation-related pathways were observed predominantly in critical vs. moderate. We demonstrate that integrating multiple downstream analyses of transcriptomics, from moderate, severe, and critical patients confers a significant advantage in identifying relevant dysregulated genes and pathways.
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 | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».