Sex bias determines MERS-CoV infection outcomes in a mouse model of differential pathogenicity
Notice bibliographique
Résumé
Middle East respiratory syndrome coronavirus (MERS-CoV) causes a spectrum of disease outcomes in infected humans, ranging from asymptomatic or tolerant to lethal. While the virus itself contributes to pathogenesis, disease severity is primarily influenced by the host's response to infection. One factor observed to impact the host response is sex, as epidemiological data indicates that male persons have a higher case fatality rate than females infected with MERS-CoV. However, the mechanism underlying this sex bias is unknown and disease course remains difficult to predict. This study investigates how male and female transgenic mice expressing humanized dipeptidyl peptidase-4 (hDPP4) respond to MERS-CoV infection following exposure to either a tolerance-inducing low dose or lethal high dose. We observed that female hDPP4 mice display dose-dependent tolerance to infection and males experienced uniformly lethal disease in both dosing groups. Longitudinal transcriptomic analysis revealed that males suppress innate and inflammatory responses early after infection, causing delayed induction of the host antiviral response. In contrast, high dose females mount an immediate and sustained interferon and inflammatory response, activating antiviral effectors and interferon-stimulated genes. Tolerant females displayed the greatest transcriptional control, showing no pathway enrichment and minimal changes in weight throughout infection. Our results suggest that the magnitude of the response is driven by dose while the nature of the response in shaped by sex. Females mount a more robust response to MERS-CoV infection, allowing females to tolerate low-dose infection but causing uncontrolled inflammation after high dose infection. In contrast, males experienced lethal outcomes regardless of dose. By examining the dynamics of sex-biased host transcriptional responses in determining disease severity, this study highlights the importance of sex as a biological variable in coronavirus pathogenesis research.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».