Immune Cell Profiling in Clinical Sepsis: Insights from scRNA-seq Meta-Analysis of publicly available datasets 4438
Notice bibliographique
Résumé
Abstract Description Sepsis is a life-threatening condition caused by an extreme immune response to infection, often resulting in organ dysfunction and death. Clinical variability, influenced by pathogens, infection sites, and genetic differences in immune responses, complicates the identification of universal biomarkers and treatments. Additionally, the availability and quality of single-cell RNA sequencing (scRNA-seq) datasets for sepsis are limited, often lacking appropriate control groups. To address these gaps, this study analyzed publicly available scRNA-seq data from peripheral blood mononuclear cells of septic (S) patients and patients with cardiogenic shock (SC) as controls. A robust pipeline was developed, combining quality control in R with large-scale data integration in Python using Scanpy and Scanorama. Nine immune cell clusters (macrophages, monocytes, dendritic cells, B cells, NK cells, mucosa-associated T, naïve T, CD4+ T, and CD8+ T cells) were present in both groups. However, reduced proportions of T cells expressing CD4, ADRB2, CD8A, EOMES, CD28, CD69, and GATA3 were found in the S compared to CS, suggesting their role in immune paralysis. Pathway enrichment analysis identified unique pathways implicated in sepsis pathology, including macrophage migration inhibitory factor, CD99, annexins, resistin, and selectin P ligand. Targeting these pathways could provide a means to refine inflammatory responses and restore immune balance in sepsis. Funding Sources Author Marina Ninkov was supported by The American Association of Immunologists through an Intersect Fellowship for Computational Scientists and Immunologists. Topic Categories Computational and Systems Immunology (COMP)
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».