Longitudinal gene expression analysis in COVID-19 sepsis highlights dynamic immune, cellular, and metabolic dysfunction in high severity patients
Notice bibliographique
Résumé
COVID-19 patients experience dynamic changes in immune and cellular function over time, similar to that in sepsis. However, there is insufficient research investigating, at the gene expression level, the mechanisms that become activated or suppressed over time as patients deteriorate or recover. This has potential prognostic and therapeutic implications. In this longitudinal study, 300 whole blood samples were analyzed from 128 adult patients throughout their COVID-19 hospitalization. Transcriptome sequencing (RNA-Seq), differential gene expression analysis, pathway enrichment, and drug-gene set enrichment analysis were performed to elucidate key mechanisms for therapeutic targeting during six distinct disease phases through the COVID-19 trajectory. Adaptive immune dysfunction, inflammation, and metabolic dysregulation were most pronounced during phases with higher disease severity. Hemostatic dysregulation was present early and persisted throughout the disease course, in contrast to an early antiviral response and late heme metabolism activity. Drug-gene set enrichment analysis predicted repurposed medications for potential use, including platelet inhibitors, antidiabetic medications, and dasatinib. Disease phases had distinct transcriptional signatures and were highly correlated to previously developed sepsis endotypes, indicating that severity and disease timing were significant contributors to heterogeneity observed in COVID-19 sepsis. These findings provide an opportunity for better prognostication of patients and potential time-dependent personalized treatments.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».