Melatonina reduce riscul infectarii cu covid19 -studiu

O abordare de medicină de rețea pentru investigarea și validarea populației a manifestărilor bolii și a reutilizării medicamentelor pentru COVID-19

Abstract

Pandemia globală a bolii coronavirus 2019 (COVID-19), cauzată de sindromul respirator acut sever coronavirus 2 (SARS-CoV-2), a dus la consecințe sociale și economice fără precedent. Riscul de morbiditate și mortalitate datorat COVID-19 crește dramatic în prezența condițiilor medicale coexistente, în timp ce mecanismele de bază rămân neclare. Mai mult, nu există terapii aprobate pentru COVID-19. Acest studiu își propune să identifice patogeneza SARS-CoV-2, manifestările bolii și terapiile COVID-19 utilizând metodologii de medicină de rețea, împreună cu observații clinice și multi-omice. Incorporăm interacțiunile SARS-CoV-2 virus-gazdă proteină-proteină, transcriptomică și proteomică în interacțiunea umană. Măsurarea proximității rețelei a relevat patogeneza subiacentă pentru manifestări largi ale bolii asociate COVID-19.Analizele datelor de secvențiere ARN cu o singură celulă arată că coexprimareaACE2 și TMPRSS2 sunt crescute în enterocitele absorbante din țesuturile ileale inflamate ale pacienților cu boală Crohn comparativ cu țesuturile neinflamate, dezvăluind patobiologia comună între COVID-19 și boala inflamatorie intestinală. Analizele integrative ale datelor metabolomice și transcriptomice (în vrac și monocelulare) de la pacienții cu astm indică faptul că COVID-19 are un profil molecular inflamator intermediar cu astm (inclusiv IRAK3 și ADRB2). Pentru a acorda prioritate tratamentelor potențiale, am combinat predicția bazată pe rețea și un scor de înclinație (PS) care corespunde studiului observațional a 26.779 de persoane dintr-un registru COVID-19. Am identificat că utilizarea melatoninei (odds ratio [OR] = 0,72, 95% CI 0,56-0,91) este semnificativ asociată cu o probabilitate redusă cu 28% a unui rezultat pozitiv al testului de laborator pentru SARS-CoV-2 confirmat prin transcripție inversă – test reacție în lanț a polimerazei Folosind un design comparativ activ al utilizatorului PS, am stabilit că utilizarea melatoninei a fost asociată cu o probabilitate redusă de rezultat pozitiv al testului SARS-CoV-2 comparativ cu utilizarea blocantelor receptorilor angiotensinei II (OR = 0,70, 95% CI 0,54-0,92) sau inhibitori ai enzimei de conversie a angiotensinei (OR = 0,69, IÎ 95% 0,52-0,90). Important, utilizarea melatoninei (OR = 0,48, 95% CI 0,31-0.75) este asociat cu o probabilitate redusă cu 52% a unui rezultat pozitiv al testului de laborator pentru SARS-CoV-2 la afro-americani după ajustarea în funcție de vârstă, sex, rasă, antecedente de fumat și diferite comorbidități ale bolii folosind potrivirea PS. Pe scurt, acest studiu prezintă o platformă de medicină de rețea integrativă pentru prezicerea manifestărilor bolii asociate cu COVID-19 și identificarea melatoninei pentru prevenirea și tratamentul potențial al COVID-19.

Cifre

Fig 7
Fig 8
tabelul 1
Fig 1
Fig 2
Fig 3
Fig 4
Fig 5
Fig. 6
Fig 7
Fig 8
tabelul 1
Fig 1
Fig 2
Fig 3

Citare: Zhou Y, Hou Y, Shen J, Mehra R, Kallianpur A, Culver DA și colab. (2020) O abordare medicală de rețea a investigației și validării populației a manifestărilor bolii și a reutilizării medicamentelor pentru COVID-19. PLoS Biol 18 (11): e3000970. https://doi.org/10.1371/journal.pbio.3000970

Redactor academic: Nicole Soranzo, institut de încredere de binevenit, Regatul Unit

Primit: 5 iunie 2020; Acceptat: 28 octombrie 2020; Publicat: 6 noiembrie 2020

Drepturi de autor: © 2020 Zhou și colab. Acesta este un articol cu ​​acces deschis distribuit în conformitate cu termenii licenței de atribuire Creative Commons , care permite utilizarea, distribuția și reproducerea nelimitată în orice mediu, cu condiția ca autorul și sursa originale să fie creditate.

Disponibilitatea datelor: Toate seturile de date utilizate în acest studiu și sursele lor pentru descărcare pot fi găsite în tabelul S1. Datele RNA-Seq în vrac și cu o singură celulă utilizate în acest studiu au fost descărcate din baza de date NCBI GEO cu numerele de acces GSE63142, GSE130499 și GSE134809. Datele cu celule unice epiteliale pulmonare și bronșice umane au fost descărcate de pe https://data.mendeley.com/datasets/7r2cwbw44m/1 . Codul sursă, interacțiunea proteină-proteină umană și rețeaua țintă de medicamente pot fi descărcate de pe https://github.com/ChengF-Lab/COVID-19_Map . Toate celelalte date relevante se află în hârtie și în fișierele sale de informații de suport .

Finanțare: Această lucrare a fost susținută de Institutul Național de Îmbătrânire (R01AG066707 și 3R01AG066707-01S1) și de Institutul Național al Inimii, Plămânilor și Sângelui (R00HL138272) către FC Această lucrare a fost, de asemenea, susținută parțial de Programul pilot VeloSano (Cleveland Clinic) Taussig Cancer Institute) către FC Finanțatorii nu au avut nici un rol în proiectarea studiului, colectarea și analiza datelor, decizia de publicare sau pregătirea manuscrisului.

Interese concurente: Autorii au declarat că nu există interese concurente.

Abrevieri: ACEI, inhibitor al enzimei de conversie a angiotensinei; AP-MS, purificare a afinității – spectrometrie de masă; ARB, blocant al receptorilor angiotensinei II; AT2, tip alveolar II; Co-IP + LC / MS, co-imunoprecipitare și cromatografie lichidă – spectrometrie de masă; BPOC, boală pulmonară obstructivă cronică; COVID-19, boala coronavirusului 2019; DEG, genă exprimată diferențial; DEP, proteină exprimată diferențial; dN / dSraport, rata de sinonimie la rata de substituție sinonimă; ES, scor de îmbogățire; FDA, US Food and Drug Administration; FDR, rata de descoperire falsă; GSEA, analiza de îmbogățire a setului de gene; HCoV, coronavirus uman; HGMD, baza de date a mutației genelor umane; IBD, boală inflamatorie a intestinului; KEGG, Kyoto Encyclopedia of Genes and Genomes; SAU, raportul de cote; PPI, interacțiune proteină-proteină; PS, scor de înclinație; ARN-Seq, secvențierea ARN; ARNi, interferență ARN; SARS-CoV-2, sindrom respirator acut sever coronavirus 2; viORF, cadru de citire deschis viral

Introducere

Pandemia de boală coronavirus globală în curs de desfășurare 2019 (COVID-19) a dus la 38 de milioane de cazuri confirmate și 1 milion de decese în întreaga lume începând cu 14 octombrie 2020. Numai Statele Unite au înregistrat aproape 8 milioane de cazuri confirmate, cu un număr de decese mai mare de 216.000 [ 1 ]. Mai multe studii retrospective au raportat caracteristicile clinice ale indivizilor cu COVID-19 simptomatic, iar o temă emergentă a fost riscul semnificativ mai mare de morbiditate și mortalitate în rândul persoanelor cu una sau mai multe afecțiuni de sănătate comorbide, cum ar fi hipertensiunea, astmul, diabetul zaharat, sau boli cerebrovasculare, boli renale cronice și malignitate [ 2 – 7]. Cu toate acestea, aceste studii clinice retrospective sunt limitate de mărimi mici ale eșantionului și de factori de confuzie nemăsurați, lăsând în mare parte necunoscutele mecanisme patologice de bază. Mai precis, nu este clar dacă asociațiile manifestărilor bolii și severitatea COVID-19 sunt doar o reflectare a stării de sănătate mai slabe în general sau un indiciu al mecanismelor patobiologice comune.

Sindromul respirator acut sever coronavirus 2 (SARS-CoV-2), virusul care provoacă COVID-19, este un virus învelit care poartă un genom de ARN cu un singur catenă cu sens pozitiv [ 7 , 8 ]. SARS-CoV-2 este un membru recent descoperit al familiei coronavirusului (CoV) [ 9 ]. SARS-CoV-2 intră în celulele gazdă prin legarea proteinei sale de vârf la receptorul enzimei de conversie a angiotensinei 2 (ACE2) pe suprafețele multor tipuri de celule [ 10 ]. Această legare este amorsată de protează transmembrană serină 2 (TMPRSS2) [ 10 ] și proteaza celulei gazdă furină [ 11 ] ( Fig 1A ). Studiile au arătat că ACE2 și TMPRSS2sunt foarte co-exprimate în celulele epiteliale alveolare de tip II (AT2) din plămân [ 12 ], mucoasa nazală [ 13 ], celulele secretoare bronșice [ 14 ] și enterocitele absorbante din ileon [ 15 ]. Cu toate acestea, rămân multe de învățat despre modul în care aceste proteine ​​umane critice implicate în infecția și replicarea SARS-CoV-2 sunt asociate cu diferite comorbidități și complicații ale bolii. Identificarea sistematică a factorilor gazdă implicați în interacțiunile proteină-proteină (IPP) ale SARS-CoV-2 și gazda umană va facilita identificarea țintelor medicamentoase și va înțelege în avans complicațiile și comorbiditățile rezultate din COVID-19 [ 16 – 20 ] . Studii folosind transcriptomica [21 ], proteomica [ 22 ] și metodele de interactomică (IPP) [ 8 ] au contribuit la o mai bună înțelegere a interactomului SARS-CoV-2-gazdă, ceea ce a permis investigarea complicațiilor și comorbidităților SARS-CoV-2 și o căutare facilitată pentru un tratament eficient ( Fig. 1B ).

miniatură

Descarca:

Fig 1. Fluxul general de lucru al acestui studiu.

(A) O diagramă care ilustrează patogeneza de bază a SARS-CoV-2. (B) O diagramă care ilustrează cum se construiește o hartă globală interactomă pentru SARS-CoV-2. Am compilat seturile genei / proteinelor țintă umană SARS-CoV-2 din datele multi-omice din transcriptom, proteom și interactivom uman și am validat constatările bazate pe rețea folosind datele pacienților dintr-un registru COVID-19. (C) O diagramă care ilustrează măsurarea pe rețea a manifestărilor bolii asociate cu COVID-19. Am evaluat sistematic proximitățile rețelei genelor / proteinelor țintă umane SARS-CoV-2 cu 64 de boli în 6 categorii principale: autoimune, cancer, cardiovascular, metabolic, neurologic și pulmonar. (D) Un flux de lucru care ilustrează validarea constatărilor bazate pe rețea.Am efectuat analize cu o singură celulă pentru a investiga în continuare mecanismele care stau la baza COVID-19 cu astm și boli inflamatorii intestinale. Am prioritizat aproape 3.000 de medicamente aprobate / de investigație ale Administrației SUA pentru Alimente și Medicamente pentru efectele lor potențiale anti-SARS-CoV-2 din rezultatele bazate pe rețea și rezultatele validate ale medicamentului-COVID-19 utilizând un registru de pacienți instituțional aprobat de COVID-19 .

https://doi.org/10.1371/journal.pbio.3000970.g001

Sunt în curs eforturi majore pentru a dezvolta medicamente sigure și eficiente pentru tratarea COVID-19: strategiile preventive și terapeutice care sunt explorate în prezent includ vaccinarea, anticorpii specifici SARS-CoV-2, analogii nucleozidici noi, cum ar fi remdesivir, și medicamentele reutilizate [ 23 , 24 ] . Remdesivir, un agent dezvoltat inițial pentru tratamentul virusului Ebola, a raportat că a scurtat timpul până la recuperare la adulții care au fost spitalizați cu COVID-19 [ 25 ]; totuși, un curs de remdesivir de 10 zile nu a arătat o diferență semnificativă statistic în starea clinică comparativ cu îngrijirea standard pentru pacienții cu COVID-19 moderat [ 26].]. Dexametazona, un agonist al receptorilor glucocorticoizi (GR) aprobat de FDA, s-a dovedit că reduce mortalitatea cu o treime la pacienții spitalizați cu COVID-19 care necesită ventilație și cu o cincime la persoanele care necesită oxigen [ 27 ]; totuși, dexametazona nu a redus decesul la pacienții cu COVID-19 care nu au primit suport respirator [ 27 ]. Multe medicamente existente sunt în prezent sau au fost testate în cadrul studiilor clinice, cum ar fi combinația antipaludică hidroxiclorochină și combinația inhibitor de protează lopinavir / ritonavir; rezultatele acestor studii nu au arătat încă beneficii clinice semnificative pentru pacienții cu COVID-19 [ 28 , 29]. Recent am evaluat aproape 3.000 de medicamente aprobate de FDA / de investigație folosind o metodă bazată pe rețea și am acordat prioritate 16 candidați la medicamente și 3 combinații de medicamente pentru COVID-19 [ 30 ]. Cu toate acestea, răspunsul la întrebarea cheie a motivului pentru care un medicament aprobat documentat inițial pentru alte boli ar putea fi benefic pentru COVID-19 rămâne neclar. O posibilă explicație este că COVID-19 împărtășește patobiologia comună a bolii sau căile funcționale elucidate de IPP umane [ 30 – 32 ]. Identificarea sistematică a căilor patobiologice comune ale bolii împărtășite de COVID-19 și alte boli ar oferi ținte și terapii noi pentru COVID-19.

În acest studiu, prezentăm o platformă integrată de medicină de rețea care cuantifică asocierea COVID-19 cu alte boli din 6 categorii, inclusiv cancer autoimun, malign, cardiovascular, metabolic, neurologic și pulmonar ( Fig 1C ). Rațiunea acestor analize se bazează pe noțiunile conform cărora (1) proteinele care se asociază funcțional cu o boală (cum ar fi COVID-19) sunt localizate în subrețeaua corespunzătoare din cadrul rețelei complete PPI umane [ 31 – 34] și (2) proteine ​​care sunt asociate cu o boală specifică pot fi direct vizate de virus sau se află în imediata apropiere a proteinelor gazdă țintă. Am efectuat mai întâi analiza rețelei, urmată de o secvențare de ARN cu celulă unică (RNA-Seq), pentru a identifica relațiile patobiologice care stau la baza dintre COVID-19 și comorbiditățile sale asociate. În plus, folosim rezultatele medicamentelor de rețea și datele pacienților dintr-o bază de date mare de registre de pacienți COVID-19 pentru a identifica și a stabili prioritățile medicamentelor existente aprobate de FDA ca potențiali candidați COVID-19 ( Fig 1D ).

Rezultate

O hartă globală a interactomului virus-gazdă SARS-CoV-2

Am asamblat 4 seturi de gene / proteine ​​gazdă pentru SARS-CoV-2 ( Tabelele S1 și S2 ): (1) SARS2-DEG, reprezentând genele exprimate diferențial (DEG) din datele transcriptomice ale omului primar infectat cu SARS-CoV-2 celule epiteliale bronșice; (2) SARS2-DEP, reprezentând proteinele exprimate diferențial (DEPs) din datele proteomice ale celulelor Caco-2 umane infectate cu SARS-CoV-2; (3) HCoV-PPI, reprezentând proteinele virus-gazdă bazate pe literatură în mai multe coronavirusuri umane (HCoVs), inclusiv SARS-CoV-1 (din pandemia 2002-2003) și MERS-CoV; și (4) SARS2-PPI (SARS-CoV-2 virus specific – IPP gazdă). Deoarece HCoV-PPI și SARS2-PPI implică ambele IPP-uri fizice virus-gazdă, le-am combinat în continuare ca al cincilea set de date, PanCoV-PPI.

Am efectuat mai întâi analize funcționale de îmbogățire pentru cele 5 seturi de date diferite de gene / proteine. Am constatat că aceste seturi de date împărtășesc mai multe căi comune și termeni ontologici ( Fig 2A ; Date S1 ), cum ar fi fagozom, rujeolă, apoptoză, cale de semnalizare NF-κB, imunitate legată de neutrofile, procese apoptotice, transport de viruși, replicarea genomului viral și răspuns la interferon, totuși diferă considerabil în ceea ce privește căile lor cele mai semnificativ îmbogățite ( figurile S1 – S5 ). Acest lucru este remarcabil mai ales pentru SARS2-DEP și SARS2-PPI. În timp ce SARS2-DEG ( S1 Fig ) și HCoV-PPI ( S3 Fig ) arată mai multă îmbogățire în răspunsurile imune și căile virale, SARS2-DEP ( S2 Fig) este mai legat de diferite căi metabolice celulare și de SARS2-PPI ( S4 Fig) este mai îmbogățit în replicarea ADN-ului, transcrierea ARN-ului și traducerea proteinelor. Aceste observații sugerează că aceste diferite seturi de gene / proteine ​​SARS-CoV-2 virale-gazdă captează aspecte complementare ale stărilor biologice și celulare ale ciclului de viață viral și ale imunității gazdei. Prin urmare, construirea unei hărți globale virus-gazdă (inclusiv interactom, transcriptom și proteom) care încorporează date din transcriptomică, proteomică și IPP fizice virus-gazdă sunt esențiale pentru o mai bună înțelegere a patogeniei COVID-19. Această hartă globală virus-gazdă pentru SARS-CoV-2 poate oferi o imagine mai completă a căilor funcționale interconectate implicate în patogeneza virală, facilitând astfel descoperirea țintelor terapeutice.

miniatură

Descarca:

Fig 2. Rețeaua și caracteristicile biologice ale hărții interactome SARS-CoV-2.

(A) Rezultatele analizei de îmbogățire a căii și ontologiei genice (proces biologic) ale genelor / proteinelor gazdă SARS-CoV-2 din 5 seturi de date diferite. Am asamblat 5 seturi de date genă / proteină din interacțiunile SARS-CoV-2 gazdă proteină-proteină, transcriptomică și proteomică ( tabelul S2 ). (B-D) Rețeaua și caracteristicile biologice ale genelor / proteinelor gazdă SARS-CoV-2. Proteinele din PanCoV-PPI au grade de nod mai mari (B), raporturi dN / dS mai mici (C) și rapoarte evolutive mai mici (D) comparativ cu proteinele selectate aleatoriu (gri, medie ± deviație standard de 100 de repetiții). (E) Dintre cele 460 de proteine ​​din PanCoV-PPI, 450 (98%) sunt exprimate în plămâni, iar 317 (69%) au expresie pulmonară specifică ( Z> 0). (F și G) Distribuția gradelor nodului în interacțiomul uman și raporturile dN / dS ale PanCoV-PPI și 4 seturi de proteine ​​gazdă legate de virus publicate ( tabelul S3 ). (H) Proteinele umane țintă partajate (albastru) ale SARS-CoV-2 (roșu) și ale altor virusuri (verzi). (I) proteinele țintă SARS-CoV-2 se suprapun semnificativ cu genele asociate bolii (boala Mendeliană și boala orfană), genele cancerului, genele ciclului celular și genele imune înnăscute. Datele care stau la baza acestei cifre pot fi găsite în S1 Data . Co-IP + LCMS, co-imunoprecipitare și cromatografie lichidă – spectrometrie de masă; CoV, coronavirus; dN / dSraport, rata de sinonimie la rata de substituție sinonimă; FDR, rata de descoperire falsă; KEGG, Kyoto Encyclopedia of Genes and Genomes; ARNi, interferență ARN; viORF, cadru de citire deschis viral.

https://doi.org/10.1371/journal.pbio.3000970.g002

Rețeaua și caracteristicile biologice ale interactomului virus-gazdă pentru SARS-CoV-2

În plus față de identificarea funcțiilor pe care le reprezintă aceste seturi de gene / proteine ​​virale, am caracterizat apoi modelele de rețea (gradul de nod în rețeaua PPI umană) și caracteristicile bioinformatice ale acestor seturi de date SARS-CoV-2, inclusiv raportul dN / dS , rata evoluției raportul și specificitatea expresiei pulmonare (Figurile 2B – 2G și S6). Pentru a găsi caracteristicile rețelei și bioinformatice comune, precum și unice ale SARS-CoV-2, am compilat în continuare 4 rețele suplimentare genă / proteină virus-gazdă, identificate prin diferite metode, pentru comparație ( Tabelul S3): (1) 900 de interacțiuni virus-gazdă care conectează alte 10 virusuri și 712 gene gazdă identificate prin mutageneză inserțională capcană genică, (2) 2.855 interacțiuni cunoscute virus-gazdă care leagă 2.443 de gene gazdă și 55 de agenți patogeni identificați din interferența ARN (RNAi), (3) 579 de proteine ​​gazdă care mediază traducerea a 70 de cadre de citire virale deschise imunomodulatoare (viORF) și (4) 1.292 de gene gazdă care mediază interacțiunile gripă-gazdă identificate prin co-imunoprecipitare și cromatografie lichidă-spectrometrie de masă (Co-IP + LC / MS). Aceste rețele genă / proteină virus-gazdă au fost bine caracterizate [ 35 – 37 ] și oferă seturi de date de înaltă calitate ( tabelul S3 ) pentru comparații. Am constatat că proteinele gazdă din PanCoV-PPI ( Fig. 2B) și alte 4 seturi de date (SARS2-DEG, SARS2-DEP, HCoV-PPI și SARS2-PPI) ( S6 Fig ) au fost mai probabil să fie conectate în rețeaua umană PPI. Mai multe gene hub, cum ar fi JUN , XPO1 , MOV10 , NPM1 , VCP și HNRNPA1 , au cel mai înalt grad (conectivitate) în rețeaua PanCoV-PPI ( tabelul S2 ). PanCoV-PPI are o distribuție comparabilă a gradului cu genele / proteinele gazdă identificate de viORFs și Co-IP + LC / MS, deși marginal mai mare decât cea identificată prin RNAi și testul de mutageneză inserțională a capcanei genetice ( Fig 2F ).

Modelele de expresie ale genelor dintr-un țesut specific bolii joacă un rol crucial pentru elucidarea patogeniei bolii și a descoperirii medicamentelor [ 31 , 32 ]. Având în vedere impactul major al SARS-CoV-2 asupra funcției pulmonare și a leziunilor pulmonare [ 2 ], am inspectat expresia pulmonară specifică a genelor în PanCoV-PPI folosind o măsurătoare a scorului Z (vezi Materiale și metode – Analiza specificității țesuturilor) comparativ cu expresie în alte țesuturi din baza de date GTEx [ 38 ]. Am constatat că majoritatea genelor gazdă pentru SARS-CoV-2 au o expresie ridicată în plămâni ( Fig 2E ; Tabel S2 ) comparativ cu alte țesuturi; totuși, ACE2are o expresie scăzută în plămâni în comparație cu alte țesuturi. Un studiu recent a arătat că ACE2 a fost exprimat în principal în celulele epiteliale din plămâni și doar 3,8% din pneumocitele AT2 au exprimat atât ACE2, cât și TMPRSS2 , dar ACE2 este semnificativ reglat în sus la fumători și 24-48 de ore după infecția cu SARS-CoV-2 [ 12]. , 39 ]. Un alt studiu a mai arătat că, în ciuda expresiei relativ scăzute a ACE2 în plămâni, ACE2 a fost exprimată în mai multe tipuri de celule epiteliale de-a lungul căilor respiratorii [ 13 ]. Prin urmare, este important să înțelegem patogeneza SARS-CoV-2 specifică tipului de celulă la nivel unicelular.

Pentru a inspecta factorii evolutivi care stau la baza IPS-urilor SARS-CoV-2 – umane, am investigat presiunea selectivă și ratele evolutive cuantificate de raportul dN / dS folosind perechi de gene ortologe om-șoarece. Am constatat că PanCoV-PPI prezintă o selecție de purificare mai puternică ( raportul dN / dS mai scăzut [ Fig. 2C ] și raportul ratei evolutive [ Fig. 2D ]) comparativ cu același număr de gene aleatorii. PanCoV-PPI este, de asemenea, comparabil cu alte 4 seturi de date de gene / proteine ​​virus-gazdă identificate prin diferite teste ( Fig. 2F și 2G ) în termeni de grade ale nodului și dN / dSrapoarte. În total, aceste observații sugerează că IPP-urile virus-gazdă asamblate în acest studiu oferă o hartă interactomică de înaltă calitate pentru SARS-CoV-2 pentru identificarea patogenezei și a tratamentelor potențiale pentru COVID-19.

Pentru a inspecta căile virale partajate între diferiți viruși și SARS-CoV-2, am efectuat în continuare o analiză de suprapunere în rețea a PanCoV-PPI cu 712 gene gazdă în 10 tipuri de alți viruși identificați prin teste de mutageneză inserțională prin capcane genetice [ 35 ]. Am găsit o suprapunere semnificativă a proteinelor gazdă SARS-CoV-2 cu non-coronavirusuri ( P <0,002, testul exact al lui Fisher; Fig. 2H ). De exemplu, BRD2, un regulator transcripțional care aparține familiei de motive Bromodomain și Extra-Terminal, este conectat la SARS-CoV-2 și la alți 2 viruși, virusul herpes simplex 2 (HSV-2) și reovirus. RHOA, codificând o mică proteină GTPază din familia Rho a GTPazelor, este conectată la SARS-CoV-2, cowpox și HSV-2. S-a raportat că RHOA este implicat în mai multe boli umane, inclusiv boli cardiovasculare [ 40 ] și cancer [ 41 ]. Aceste observații indică posibile manifestări ale bolii asociate cu SARS-CoV-2.

SARS-CoV-2 perturbări ale rețelei celulare ale manifestărilor bolii

Investigarea relațiilor dintre proteinele gazdă umane vizate de SARS-CoV-2 și genele susceptibilității bolii poate oferi informații cruciale pentru identificarea manifestărilor bolii asociate COVID-19. Am inspectat astfel suprapunerea dintre genele / proteinele gazdă SARS-CoV-2 și seturile de gene susceptibile implicate în diferite boli și evenimente biologice ( Fig. 2I ). Am constatat că genele / proteinele gazdă vizate de SARS-CoV-2 sunt îmbogățite semnificativ în boala Mendeliană ( P = 0,002, testul exact al lui Fisher), boala orfană ( P = 0,044) și cancerul ( P <0,001). Din punct de vedere mecanic, genele gazdă țintă SARS-CoV-2 sunt îmbogățite semnificativ în genele ciclului celular ( P <0,001) și genele imune înnăscute ( P <0,001).

Folosind cele 5 seturi de gene / proteine ​​gazdă SARS-CoV-2, am încercat apoi să identificăm potențiale comorbidități COVID-19. Pentru a realiza acest lucru, am asamblat rețeaua boală-proteină din categoriile de boală COVID-19 și 6 ( tabelul S4 ). Pentru analiza pan-cancerului, genele conducătorului somatic au fost preluate din tabelul genelor de nivel 1 al recensământului genului cancerului [ 42 , 43 ]. Genele supuse puterii somatice pentru tipurile individuale de cancer au fost identificate din proiectele Atlasul genomului cancerului și au fost descărcate dintr-un studiu anterior [ 44 ]. Pentru categoriile autoimune, pulmonare, neurologice, cardiovasculare și metabolice, le-am extras genele / proteinele asociate din baza de date a mutației genelor umane (HGMD) [ 45 , 46]. Fiecare genă din HGMD are cel puțin o mutație raportată asociată cu boala. Aceste informații despre gene, pe lângă sursele, numărul și termenii utilizați în HGMD pentru a identifica bolile, pot fi găsite în tabelul S4 . Folosind rețeaua boală-proteină împreună cu seturile SARS2-PPI (virusul SARS-CoV-2-gazdă interactom) și HCoV-PPI (interactivul gazdă HCoV), am examinat conectivitatea generală a proteinelor asociate bolii și a SARS- CoV-2 vizează proteinele gazdă din rețeaua umană PPI ( Fig 3A ; Fișier S1 ; Date S2). Pentru a construi rețeaua globală pentru comorbiditățile bolii, am extras IPP din interactomul uman pentru proteinele țintă ale virusului și proteinele asociate bolii. Fiecare nod indică un virus țintă proteină gazdă (albastru) sau o proteină asociată bolii (verde). Unele proteine ​​asociate bolii pot fi direct vizate de viruși, așa cum se arată în portocaliu. Marginile dintre aceste noduri proteice indică IPP. Pentru SARS-CoV-2, obiectivele proteinelor sale virale individuale sunt prezentate pe baza setului de date SARS2-PPI. Datorită tendinței lor de a avea proteine ​​comune asociate bolii, unele categorii de boli tind să se grupeze îndeaproape, de exemplu, cancerul și neurologice. Bolile din alte categorii, cum ar fi autoimune și pulmonare, sunt împrăștiate. Majoritatea proteinelor țintă ale virusului sunt legate de proteinele asociate bolii,ceea ce sugerează căi patobiologice comune ale COVID-19 și ale acestor boli. Diferite tipuri de cancer au format un modul relativ îndepărtat de țintele virusului, comparativ cu alte categorii de boli.

miniatură

Descarca:

Fig 3. O rețea globală care ilustrează manifestările bolii asociate cu coronavirusul uman.

(A) Proteinele umane țintă ale SARS-CoV-2 sunt conectate la proteinele asociate bolii. Legăturile albastre (margini) indică interacțiuni fizice proteină-proteină. Pentru SARS-CoV-2, proteinele sale virale sunt prezentate de noduri roșii deschise. Proteinele umane țintă (albastre) ale virusurilor sunt legate complex de proteinele asociate bolii (verzi). Nodurile bolii umane sunt colorate în diferite categorii de boli: autoimune, cancer, cardiovasculare, metabolice, neurologice și pulmonare. (B) Estimarea raportului de risc cumulat utilizând metanaliza efectelor aleatorii pentru 10 comorbidități între pacienții cu COVID-19 sever versus non-sever. Statisticile tau 2 și 2 au fost calculate pentru a cuantifica eterogenitatea dintre studii. Eu 2≤ 50% a fost considerat heterogenitate scăzută între studii, 50% < 2 ≤ 75% a fost considerat heterogenitate moderată, iar 2 > 75% a fost considerat heterogenitate ridicată. Datele care stau la baza acestei cifre pot fi găsite în S2 Data . BPOC, boală pulmonară obstructivă cronică; PPI, interacțiune proteină-proteină.

https://doi.org/10.1371/journal.pbio.3000970.g003

Prezentate în Fig. 3A , genele bolii pot interacționa cu proteinele virale SARS-CoV-2 fie direct, fie indirect în interacțiunea proteină-proteină umană. De exemplu, printre cele 4 proteine ​​asociate bolii pulmonare obstructive cronice (BPOC) prezentate în rețea, TGFB1 este ținta directă a HCoV-229E și toate cele 4 proteine ​​(TGFB1, DEFB1, SNAI1 și ADAM33) interacționează cu cel puțin 1 SARS-CoV-2 proteină țintă. S-a constatat că riscul diferitelor boli cardiovasculare a fost crescut la pacienții cu COVID-19, incluzând blocul cardiac, boala coronariană, insuficiența cardiacă congestivă și aritmia, care este în concordanță cu leziunile miocardice raportate clinic [ 47 ] și stopul cardiac [ 48]]. Aceste observații relevă o relație comună de rețea între COVID-19 și bolile umane ( Fig. 3A ). Apoi am efectuat meta-analiză a 34 de studii clinice COVID-19 ( tabelul S5 ) pentru a evalua raporturile de risc combinate de 10 comorbidități la 4.973 pacienți COVID-19 pozitivi (inclusiv 2.268 cu pacienți ușori și 731 cu COVID-19 severe). Modelul de efecte aleatorii a fost utilizat pentru a estima raportul de risc combinat al severității bolii. Tau 2 și 2au fost utilizate statistici pentru a evalua eterogenitatea dintre studii (vezi Materiale și metode – Analiza raportului de risc pentru pacienții cu COVID-19). Am constatat că pacienții cu mai multe comorbidități ale bolii sau factori de risc – inclusiv BPOC, boli cardiovasculare, accident vascular cerebral, diabet zaharat, boli renale cronice, hipertensiune arterială, cancer și antecedente de fumat – prezintă riscuri semnificativ mai mari de COVID-19 sever ( fig. 3B ). Raportul global de risc combinat pentru pacienții cu BPOC a fost de 4,33 (IÎ 95% 2,42-7,74, P = 0,001) în 12 studii clinice eterogene scăzute ( 2 = 0,0%, P = 0,6). Pacienții cu COVID-19 cu boli cardiovasculare au avut un raport de risc de 3,87 (IÎ 95% 1,97-7,59, P= 0,001) și a existat o eterogenitate ușor mai mare în cele 13 studii ( 2 = 57,6%, P = 0,005). Apoi ne-am orientat spre cuantificarea relațiilor bazate pe rețea dintre COVID-19 și bolile umane în modelul interactomului uman folosind analiza de proximitate a rețelei de ultimă generație [ 32 , 33 , 49 ].

Măsurarea în rețea a manifestărilor bolii asociate COVID-19

Am evaluat sistematic relațiile bazate pe rețea ale celor 64 de boli din cele 6 categorii la COVID-19 ( Fig 4A ; Date S3 ). Am folosit măsura de proximitate a rețelei de ultimă generație pentru a evalua conectivitatea și apropierea proteinelor bolii și a proteinelor gazdă SARS-CoV-2, luând în considerare topologia rețelei interacomului uman. Pentru a testa semnificația proximității, scorurile Z și valorile P au fost calculate pe baza testelor de permutare (a se vedea Materiale și metode – Măsura proximității rețelei) și sunt prezentate în Fig.. Am constatat că fiecare pereche boală-boală are o amprentă bine definită bazată pe rețea. Dacă amprenta dintre modulul COVID-19 și un alt modul de boală este semnificativ apropiată ( scor scăzut Z și P <0,05), magnitudinea apropierii este indicativă a relației lor biologice: apropierea rețelei mai apropiată ( Fig 4A) a genelor / proteinelor gazdă SARS-CoV-2 cu un modul de boală indică un potențial mai mare de manifestare între COVID-19 și o boală specifică. Am observat mai întâi că bolile imunologice, pulmonare și neurologice au prezentat o apropiere semnificativă a rețelei de diferite hărți SARS-CoV-2 mai frecvent decât bolile cancerului, cardiovascular și metabolic. Mai multe boli au proximități semnificative ale rețelei la mai mult de 1 set de date SARS-CoV-2, în special boala inflamatorie intestinală (IBD), tulburarea de deficit de atenție / hiperactivitate și accidentul vascular cerebral, care au atins un P semnificativvalori pentru toate cele 5 seturi de proteine ​​SARS-CoV-2. Bolile pulmonare, inclusiv BPOC, leziuni pulmonare, fibroză pulmonară și insuficiență respiratorie, au atins 4 proximități semnificative. Unele boli au proximități semnificative față de anumite seturi de date SARS-CoV-2, indicând asocieri la anumite niveluri, de exemplu, astm (transcriptomic), sindrom de detresă respiratorie (proteomic) și hipertensiune (HCoV-PPI și PanCoV-PPI).

miniatură

Descarca:

Fig 4. Un peisaj al manifestărilor bolii asociate cu COVID-19 cuantificat prin măsura de proximitate a rețelei.

(A) Hărți termice care arată proximitățile rețelei COVID-19 cu 64 de boli în 6 categorii. Proximitățile de rețea ale modulelor de boală și cele 5 seturi de date SARS-CoV-2 au fost evaluate utilizând „cea mai apropiată” măsură de proximitate a rețelei (vezi Materiale și metode – Măsura de proximitate a rețelei). Amplitudinea apropierii este indicativă a relației lor biologice: apropierea de rețea mai strânsă a genelor / proteinelor gazdă SARS-CoV-2 și o boală indică un potențial mai mare de manifestare între COVID-19 și boală. P<0,05 calculat prin testul de permutare a fost considerat semnificativ (indicat prin dreptunghiuri orizontale). Trei categorii, autoimune, pulmonare și neurologice, prezintă frecvent apropieri semnificative de COVID-19. Boala inflamatorie a intestinului, tulburarea de deficit de atenție / hiperactivitate și accidentul vascular cerebral au atins semnificație cu toate cele 5 seturi de date SARS-CoV-2. Bolile subliniate sunt cele evidențiate în rezultate. (B și C) Subrețele evidențiate între genele / proteinele gazdei SARS-CoV-2 și proteinele asociate bolii sindromului de detresă respiratorie (B) și sepsis (C). (D) Analizele datelor clinice au arătat o asociere a severității COVID-19 cu nivelurile de expresie IL-6 la pacienți. Meta-analiza modelului de efecte aleatorii a fost efectuată utilizând diferența medie în IL-6 (pg / ml). A existat o eterogenitate ridicată între aceste studii ( I2 = 94%, P <0,001). Datele care stau la baza acestei cifre pot fi găsite în S3 Data .

https://doi.org/10.1371/journal.pbio.3000970.g004

Vizualizarea rețelei poate arăta în continuare conexiunile dintre SARS-CoV-2 și alte boli, de exemplu, sindromul de detresă respiratorie ( Fig 4B ), sepsis ( Fig 4C ) și BPOC ( S7 Fig ). Sindromul de detresă respiratorie și sepsisul sunt cele două cauze principale de mortalitate la pacienții cu COVID-19 sever [ 50 , 51 ]. Am constatat că mai multe proteine ​​gazdă SARS-CoV-2 sunt direct legate de proteinele asociate bolii ( Fig. 4B ). ABCA3 este un transportor de lipide situat în membrana exterioară a corpurilor lamelare din celulele AT2; mutațiile genei ABCA3 pot perturba homeostazia surfactantului pulmonar și pot duce la boli pulmonare moștenite [ 52]. O altă proteină de suprafață a membranei, proteina surfactantă pulmonară asociată codificată de SFTPC , poate provoca leziuni pulmonare atunci când este pliată greșit [ 53 ]. Pentru sepsis, am observat mai multe proteine ​​inflamatorii și imune, cum ar fi IRAK1, IRAK3, IKBKB și STAT3, în rețea, sugerând suprapunerea răspunsului inflamator activat în COVID-19 și sepsis ( Fig 4C ). S-a raportat că o producție exagerată de anumite citokine, cum ar fi IL-6, cauzată de dereglarea răspunsurilor imune înnăscute la infecția cu SARS-CoV-2, poate duce la o „furtună de citokine”, mai bine cunoscută sub numele de sindrom de eliberare a citokinelor (CRS) ) [ 54]. S-au stabilit, de asemenea, potențialele prognoze ale sindromului de detresă respiratorie acută și sepsisului utilizând niveluri de expresie IL-6 [ 55 – 57 ]. IL-6 are, de asemenea, un nivel de expresie semnificativ crescut în celulele epiteliale bronșice umane infectate cu SARS-CoV-2 din setul de date SARS2-DEG [ 21 ]. În plus, este, de asemenea, potențial afectat de SARS-CoV-2 prin mai multe IPP ( Fig 4B și 4C , vecini IL-6), cum ar fi IL-6R, endofilina A1 (codificată de SH3GL2 ) și hormonul paratiroidian ca hormonul de către PTHLH). Metaanaliza efectelor aleatorii a 5 studii clinice ale COVID-19 a arătat că a existat o creștere a nivelurilor IL-6 la pacienții cu COVID-19 sever comparativ cu cei cu COVID-19 non-sever ( Fig. 4D ). Diferența medie a fost de 33,0 pg / ml (IÎ 95% 0,58-65,3; Fig 4D ), cu eterogenitate ridicată în literatură ( 2 = 94%, P <0,001). Aceste rezultate indică faptul că IL-6 joacă un rol critic în sindromul de detresă respiratorie asociată COVID-19 și sepsis. Datorită importanței IL-6 în infecția cu SARS-CoV-2, antagoniștii IL-6, inclusiv tocilizumab [ 58 ] (NCT04315480) și sarilumab (NCT04327388), sunt investigați în studiile clinice pentru tratamentul pacienților cu COVID-19 sever.

Ca o ilustrare a patobiologiei comune și a căilor inflamatorii ale COVID-19 cu diferite manifestări ale bolii ( Fig 4 ), ne-am îndreptat apoi spre a ne concentra pe 2 boli determinate de inflamație, astmul și IBD.

Profil molecular inflamator împărtășit de COVID-19 și astm

Pacienții cu simptome COVID-19 severe au prezentat o prevalență mai mare a dispneei ( S8A Fig ; P<0,001). Pentru a înțelege asocierile dintre COVID-19 și bolile respiratorii (inclusiv astmul bronșic), am adoptat o analiză multimodală utilizând date de transcriptomică în vrac și monocelulară și date metabolomice sub modelul rețelei interacomului uman. Pentru a fi specifici, am identificat enzimele din rețea care sunt asociate cu metaboliții modificați la pacienții cu COVID-19. Comparând DEG-urile de la pacienții cu astm și DEG-urile de la pacienții cu COVID-19, ne-am propus să găsim genele / proteinele comune sau proteinele care interacționează în aceste grupuri de pacienți. Folosind analize de rețea (îmbogățirea gradului și centralitatea vectorului propriu), putem clasifica importanța acestor gene. În cele din urmă, am examinat expresia lor în tipurile de celule care sunt mai susceptibile la SARS-CoV-2 (adică, celule care exprimă mai mult ACE2 și TMPRSS2).

Fig. 5A prezintă subrețeaua conexiunilor dintre SARS-CoV-2 țintă proteine ​​gazdă și proteine ​​asociate astmului. Cele mai multe dintre aceste proteine ​​au conexiuni îmbogățite în cadrul subrețelei ( Fig. 5B ; îmbogățirea gradului), adică mai multe conexiuni în subrețea decât într-o rețea aleatorie de aceeași dimensiune în interactomul uman. Pentru a evalua influența potențială a nodurilor din rețea, am calculat și centralitatea vectorului propriu a acestor proteine. O centralitate a vectorului propriu mai mare sugerează o influență mai mare a rețelei unui nod proteic specific. Au fost identificate șase proteine ​​suprapuse (portocalii) din ambele grupuri: NFKBIA, IRAK3, TNC, IL-6, ADRB2 și CD86. Un studiu recent a arătat că metabolismul glucozei joacă un rol cheie în furtuna de citokine reglată de gripa A [ 59]. Metabolomul plasmatic al pacienților cu astm față de controalele sănătoase sugerează, de asemenea, căi inflamatorii și imune activate [ 60 ]. Prin urmare, pe lângă IPP, am integrat și datele metabolomice generate într-o cohortă de astm asamblată anterior [ 61 ]. Prin potrivirea enzimelor metaboliților diferențiali și proteinelor din rețeaua PPI, am găsit 3 metaboliți cheie: arahidonat, L-arginină și L-citrulină. L-arginina și L-citrulina au fost scăzute în serurile pacienților cu COVID-19 [ 62 ]. Acești metaboliți au scăzut și la pacienții cu astm [ 61 ]. Arahidonatul, precursorul unei varietăți de produse care reglează căile inflamatorii [ 63], sa dovedit a avea un nivel crescut în căile respiratorii inflamate ale pacienților cu astm [ 64 ]. Arahidonatul poate fi transformat de 5-lipoxigenaza codificată de ALOX5 în leucotrienă, care este eliberată în timpul unui atac de astm și este responsabilă de bronhoconstricție [ 65 ].

miniatură

Descarca:

Fig 5. Profil molecular partajat între astm și COVID-19.

(A) O subrețea evidențiată între genele asociate astmului, metaboliții diferențiali în astm și genele gazdă SARS-CoV-2, sub modelul rețelei de interacțiune umană. (B) O hartă de căldură care evidențiază analiza diferențială a expresiei genelor pentru genele identificate în astmul și analiza subrețelor COVID-19 (A) Am efectuat analize de expresie diferențială a genei folosind 2 cohorte de astm existente (GSE63142 și GSE130499). Barele albastre arată îmbogățirea gradului de nod în subrețea (A) în comparație cu o rețea aleatorie de aceeași dimensiune (stânga) și centralitatea vectorului propriu (dreapta). IRAK3 și ADRB2(indicate cu asteriscuri) sunt asociate cu astmul bronșic și sunt țintele SARS-CoV-2. Au avut o expresie semnificativ crescută la pacienții cu astm și celulele epiteliale bronșice umane infectate cu SARS-CoV-2. (C) Vizualizare UMAP pentru celulele epiteliale bronșice umane. (D) Niveluri de expresie specifice ACE2 și TMPRSS2 de tip celular în 14 tipuri de celule din celulele epiteliale bronșice umane. (E) Nivelurile de expresie specifice tipului de celulă a 7 gene inflamatorii evidențiate (A și B) prezintă niveluri crescute de expresie în 3 celule secretoare comparativ cu alte tipuri de celule. (F) Vizualizare UMAP pentru celulele pulmonare. (G) Niveluri de expresie specifice tipului de celulă ale ACE2 și TMPRSS2peste 9 tipuri de celule din celulele pulmonare. (H) Nivelurile de expresie specifice tipului de celulă din 4 gene inflamatorii evidențiate (A și B) prezintă niveluri crescute de expresie în celulele alveolare de tip II (AT2) comparativ cu alte tipuri de celule. Datele care stau la baza acestei cifre pot fi găsite în S4 Data . Datele cu o singură celulă au fost preluate de pe https://data.mendeley.com/datasets/7r2cwbw44m/1 . Consultați Tabelul S1 pentru mai multe detalii despre seturile de date. FDR, rata de descoperire falsă; MvsC, ușor versus control; SvsC, sever versus control; SvsM, sever versus ușor.

https://doi.org/10.1371/journal.pbio.3000970.g005

Am examinat în continuare datele privind expresia genelor din 2 cohorte de astm din Programul de cercetare a astmului sever [ 66 , 67 ]. Utilizând 2 seturi de date în vrac RNA-Seq (GSE63142 și GSE130499) ale pacienților cu astm comparativ cu controalele sănătoase, am identificat că IRAK3 și ADRB2 au avut expresie semnificativ crescută (rata de descoperire falsă [FDR] <0,05) la pacienții cu astm. Ambele gene au, de asemenea, o expresie semnificativ crescută în celulele epiteliale bronșice umane infectate cu SARS-CoV-2 ( Fig. 5B ). IRAK-M, codificat de IRAK3 , reglează calea receptorului de tip toll / receptorul interleukinei-1 și calea NF-κB, iar IRAK3 a fost identificat ca o genă de susceptibilitate la astm [ 68]. ADRB2 codifică receptorul beta2-adrenergic. Polimorfismele ADRB2 (p.Arg16Gly și p.Gln27Glu) cresc riscul apariției astmului, iar p.Gln27Glu este asociat cu severitatea astmului [ 69 ]. IRAK3 și ADRB2 au, de asemenea, scoruri mari de centralitate a vectorului propriu (top 5 și top 2 dintre aceste gene, respectiv; Fig 5B , centralitatea vectorului propriu). În total, exprimarea modificată a IRAK3 și ADRB2 poate explica relațiile dintre COVID-19 și astm, deși aceste constatări necesită validare experimentală și clinică la pacienții cu aceste tulburări.

Pentru a înțelege expresiile proteinelor din rețeaua astm-COVID-19 din diferite tipuri de celule, în special celule care exprimă ACE2 , am analizat datele ARN-Seq unicelulare din epiteliul bronșic ( Fig 5C ) și pulmonar ( Fig 5F ) [ 14 ]. În concordanță cu studiile anterioare, ACE2 și TMPRSS2 au o expresie mai mare într-un subtip de celule secretoare (celule secretoare 3) comparativ cu alte tipuri de celule epiteliale bronșice (figurile 5D și S8B-S8F ). În plămâni, ACE2 și TMPRSS2 au o expresie relativ mai mare în celulele AT2 ( Fig. 5G și S8G-S8K). Am examinat în continuare expresia genelor din rețeaua astm-COVID-19 ( Fig 5A ) în aceste tipuri de celule ( S9 Fig ). Mai multe gene au fost, de asemenea, mai puternic exprimate în celulele secretoare 3 ( Fig 5E ; ALOX5 , IRAK3 , ADRB2 , TNIP1 , BID , CXCL5 și NFKBIZ ) și în celulele AT2 ( Fig 5H ; CFTR , NFKBIA , NFKBIZ și TNC ), decât în alte tipuri de celule. IRAK3 și ADRB2sunt printre cele 6 gene suprapuse, implicând potențial rolurile IRAK3 și ADRB2 în astmul asociat COVID-19 și la nivelul unei singure celule.

Patobiologie imună împărtășită de COVID-19 și IBD

S-a demonstrat, folosind microscopia confocală și electronică, că intestinul subțire uman este un organ țintă SARS-CoV-2 suplimentar [ 70 ]. Diareea este acum bine descrisă ca un simptom ocazional prezent al COVID-19 [ 71 ]. Analiza noastră de proximitate a rețelei a arătat o asociere semnificativă a COVID-19 și IBD pentru toate cele 5 seturi de date SARS-CoV-2 ( Fig 4A ). În plus, pacienții cu COVID-19 sever au prezentat riscuri mai mari de durere abdominală și diaree (figurile 6A și S10). Pentru a înțelege aceste asocieri la nivel celular, am integrat analiza rețelei și analiza ARN-Seq unicelulară utilizând date disponibile publicului [ 72 ]. Așa cum se arată în Fig 6B ( S5 Date), deși numai o proteină asociată IBD, HEATR3, s-a dovedit a fi ținta proteinei SARS-CoV-2 Orf7a, alte proteine ​​asociate IBD au prezentat un număr îmbogățit de conexiuni cu proteinele țintă SARS-CoV-2 ( Fig. 6I , grad de îmbogățire).

miniatură

Descarca:

Fig 6. Profil molecular inflamator între boala inflamatorie intestinală (IBD) și COVID-19.

(A) Pacienții cu COVID-19 sever prezintă riscuri mai mari de durere abdominală și diaree prin meta-analiză. (B) O subrețea evidențiată între genele asociate IBD, proteinele virusului SARS-CoV-2 și proteinele țintă ale virusului în cadrul modelului de rețea interactiv uman. (C) Vizualizarea UMAP a celulelor neepiteliale din țesuturile ileale ale pacienților cu boala Crohn. (D) Vizualizarea UMAP a celulelor epiteliale din țesuturile ileale ale pacienților cu boala Crohn. (E) Expresie specifică de tip celular a ACE2 și TMPRSS2 în celule non-epiteliale (C). (F) Expresia specifică de tip celular a ACE2 și TMPRSS2 în celulele epiteliale (D). (G) Coexpresia ACE2 și TMPRSS2este crescut în enterocitele absorbante ale țesuturilor ileale inflamate comparativ cu țesuturile neinflamate la pacienții cu boala Crohn. (H) Grafic de cutie care arată expresia ACE2 și TMPRSS2 în enterocite absorbante care exprimă ACE2 și , respectiv, TMPRSS2 . (I) Analiza coexpresiei pentru genele din subrețea cu ACE2 și TMPRSS2 . Heatmap arată coeficienții de corelație Pearson (PCC) ai ACE2 și TMPRSS2cu alte gene (etichetate în [B]) în enterocitele absorbante. Barele albastre arată gradul de îmbogățire a genelor din subrețea în comparație cu o rețea aleatorie de aceeași dimensiune (stânga) și centralitatea vectorului propriu (dreapta). Asteriscurile indică faptul că aceste gene pot juca roluri importante în IBD asociat COVID-19. Datele care stau la baza acestei cifre pot fi găsite în S5 Data . Datele cu o singură celulă au fost preluate din baza de date NCBI GEO utilizând numărul de acces GSE134809. Consultați Tabelul S1 pentru mai multe detalii despre seturile de date.

https://doi.org/10.1371/journal.pbio.3000970.g006

Folosind date cu o singură celulă din ileon (intestinul subțire distal) la pacienții cu boala Crohn [ 72 ], am constatat că ACE2 și TMPRSS2 aveau o expresie scăzută până la nedetectabilă în celulele neepiteliale (figurile 6C , 6E și S11A-S11E ). Cu toate acestea, au prezentat niveluri mai mari de expresie în celulele epiteliale, în special enterocitele absorbante (figurile 6D , 6F și S11F-S11J ). Am constatat în continuare că atât ACE2, cât și TMPRSS2 au avut niveluri crescute de expresie în celulele inflamate, comparativ cu celulele neinflamate din enterocitele absorbante (figurile 6G ,S11K și S11L ). Coeficientul de corelație Pearson (PCC) al ACE2 și TMPRSS2 a fost, de asemenea, crescut în celulele inflamate comparativ cu celulele neinflamate (PCC = 0,165 față de PCC = -0,006) în enterocitele absorbante. În enterocitele absorbante care exprimă ACE2 , expresia ACE2 a fost semnificativ crescută ( Fig 6H ; P = 0,016) în țesuturile ileale inflamate ale pacienților cu boală Crohn comparativ cu țesuturile neinflamate. Aceste observații ne-au determinat să investigăm coexprimarea genelor rețelei în enterocitele absorbante ( Fig. 6I ). Mai multe gene au prezentat o coexpresie crescută cu ACE2 în celulele inflamate, cum ar fiXIAP , SMAD3 , DLG5 , SLC15A1 , RAC1 , STOM , RAB18 și AKAP8 .

Apoi ne-am îndreptat spre a evidenția 2 asociații potențiale între COVID-19 și IBD. În primul rând, proteina SARS-CoV-2 Orf7a poate interacționa direct cu HEATR3 (centralitatea superioară a vectorului propriu; Fig. 6I ), a cărei variantă s-a dovedit a fi asociată cu un risc crescut de IBD prin studiul de asociere la nivelul genomului [ 73 ]. În al doilea rând, infecția cu SARS-CoV-2 poate avea impact asupra căilor de transducție a semnalului RAC1 (top 4 centralitatea vectorului propriu; Fig. 6I ). Proteinele RAC joacă roluri importante în multe căi inflamatorii, iar dereglarea lor poate fi patogenă. Creșterea expresiei RAC1 prin polimorfisme cu nucleotide unice promovează un răspuns inflamator în colon [ 74]. S-a constatat că mercaptopurina, un tratament eficient pentru IBD, scade expresia RAC1 la pacienții cu IBD [ 75 ]. Deoarece rezultatele noastre arată că RAC1 și ACE2 au avut o coexpresie mai mare în enterocitele inflamate ( Fig 6I ), este foarte posibil ca aceste celule inflamate să fie mai susceptibile la infecția cu SARS-CoV-2 și că infecția ar putea duce la modificarea RAC1 nivel de expresie prin IPP cu proteine ​​țintă virus STOM, HDAC2, POLA2, CIT și RAP1GDS1 ( Fig 6B ). În special STOM (top 12 centralitatea vectorului propriu) a fost, de asemenea, mai co-exprimat cu ACE2 în celulele inflamate comparativ cu celulele neinflamate ( Fig 6I ).

Reutilizarea medicamentelor bazate pe rețea pentru COVID-19

Cunoașterea interacțiunilor complexe dintre țintele SARS-CoV-2 și bolile umane indică posibilități de reutilizare a medicamentelor, deoarece medicamentele care vizează alte boli ar putea viza SARS-CoV-2 prin intermediul rețelelor comune IPP funcționale [ 23 ]. În plus, eforturile de reutilizare a medicamentelor pot dezvălui, de asemenea, conexiuni biologice nerecunoscute între indicațiile / bolile aprobate inițial și COVID-19. De exemplu, medicamentele antiinflamatoare menționate mai sus tocilizumab și sarilumab care sunt acum testate pentru COVID-19 au fost inițial utilizate pentru artrita reumatoidă. Deși nu sunt semnificative, rezultatele noastre de proximitate ale rețelei arată că artrita reumatoidă are proximități mici ale rețelei ( scoruri Z negative ) în toate cele 5 seturi de date SARS-CoV-2 ( Fig 4A). Un alt medicament, tiopurina mercaptopurina, care a fost utilizată pentru tratamentul IBD [ 76 ], a fost unul dintre medicamentele de top pentru COVID-19, propuse în lucrările noastre anterioare [ 30 ].

Prin urmare, am efectuat apoi modelarea reutilizării medicamentelor bazate pe rețea, folosind cunoștințele existente despre rețeaua medicament-țintă și harta globală a interactomului SARS-CoV-2 construit în acest studiu. Baza metodologiilor de reutilizare a medicamentelor bazate pe rețea este observația că, pentru ca un medicament cu mai multe ținte să fie eficient împotriva unei boli, proteinele sale țintă ar trebui să se afle în sau în imediata vecinătate a subrețele corespunzătoare a bolii în interactivomul uman, după cum am demonstrat anterior în mai multe boli [ 31 , 32 ]. Folosind cadrul nostru de proximitate de rețea de ultimă generație, am măsurat proximitățile „cele mai apropiate” de aproape 3.000 de medicamente și cele 4 profiluri genă / proteină gazdă SARS-CoV-2 (SARS2-DEG, SARS2-DEP, HCoV-PPI și SARS2-PPI; Tabel S6). În plus, am efectuat analiza de îmbogățire a setului de gene (GSEA) folosind 5 seturi de date de exprimare a genei / proteinelor: 1 set de date transcriptomice SARS-CoV-2, 1 set de date proteomică SARS-CoV-2, 1 set de date MERS-CoV și 2 SARS-CoV-1 seturi de date transcriptomice. GSEA a fost utilizat pentru a evalua medicamentele individuale pentru potențialul lor de a inversa expresia la nivelul transcriptomului sau proteomului modificat de viruși [ 35 ].

În continuare, am acordat prioritate candidaților la medicamente folosind expertiza subiectului pe baza unei combinații de factori: (1) puterea predicțiilor bazate pe rețea și bazate pe bioinformatică (un scor mai mare de proximitate în rețea și un scor GSEA semnificativ; Fig. 7 ; Date S6 ), ( 2) activități antivirale raportate în literatură sau informații clinice în curs de desfășurare, (3) disponibilitatea datelor suficiente despre pacienți pentru o evaluare semnificativă (excluderea medicamentelor utilizate rar) din baza de date a registrului COVID-19 și (4) mecanisme de acțiune antivirale bine definite (cum ar fi modulatorii antiinflamatori sau imuni).

miniatură

Descarca:

Fig 7. Predicția bazată pe rețea a reutilizării medicamentelor pentru COVID-19.

Treizeci și patru de medicamente din lista de top previzionate sunt evidențiate, cu categoria de boală pentru care sunt aprobate de Administrația SUA pentru Alimente și Medicamente. Evidențiem 3 tipuri de dovezi: (1) proximitatea rețelei țintelor medicamentelor în cele 4 seturi de date SARS-CoV-2 (SARS2-DEG, SARS2-DEP, HCoV-PPI și SARS2-PPI) în interacțiunea umană, (2) ) scoruri de analiză a îmbogățirii setului de gene (GSEA) pe 5 seturi de date transcriptomice și proteomice ale coronavirusului și (3) profiluri antivirus raportate de literatură Scorurile GSEA arătate în gri indică faptul că aceste medicamente nu pot fi evaluate din cauza lipsei de date. Sunt evidențiate opt medicamente care sunt în prezent sau au fost testate în studiile clinice COVID-19. Barele orizontale din casete indică P <0,05. Datele care stau la baza acestei cifre pot fi găsite în S6 Data. ANDV, virusul Andilor; CHIKV, virusul chikungunya; CMV, citomegalovirus; DENV, virusul dengue; EBOV, Zaire ebolavirus; EMCV, virusul encefalomiocarditei; ES, scor de îmbogățire; HAV, virusul hepatitei A; VHB, virusul hepatitei B; HCoV-229E, coronavirus uman 229E; VHC, virusul hepatitei C; HDV, virusul hepatitei D; HIV, virusul imunodeficienței umane; IAV, virusul gripei A; IBV, virusul gripal B; MERS-CoV, sindromul respirator din Orientul Mijlociu coronavirus; MHV, virusul hepatitei de șoarece; VM, virusul rujeolei; RSV, virus sincițial respirator; RV, rinovirus; SARS-CoV, coronavirus sindrom respirator acut sever; SARS-CoV-2, sindrom respirator acut sever coronavirus 2; SVCV, viremia de primăvară a virusului crapului; WNV, virusul West Nile; ZIKV, virusul Zika.

https://doi.org/10.1371/journal.pbio.3000970.g007

În total, am identificat pe bază de calcul 34 de medicamente care au fost asociate ( Z <-1,5 și P <0,05, test de permutare) cu seturile de date SARS-CoV-2 (SARS2-DEG, SARS2-DEP, HCoV-PPI și SARS2-PPI) folosind criteriile de mai sus. Aceste medicamente au fost semnificativ proximale cu 2 sau mai multe seturi de proteine ​​gazdă SARS-CoV-2 ( Fig 7 ; Date S6 ). Le-am curatat manual profilurile antivirale raportate. Categoriile de boală pe care aceste medicamente au fost utilizate pentru a le trata sunt prezentate și în Fig. Zece medicamente au fost utilizate pentru tratarea bolilor respiratorii, iar cele mai frecvente categorii pentru aceste medicamente sunt antibioticele și β2 agonistul. Următoarea categorie de boală cea mai frecventă este boli cardiovasculare, pentru care au fost prezise 7 medicamente. Dintre cele 34 de medicamente, 3 medicamente au atins o apropiere semnificativă a rețelei cu toate cele 4 seturi de date SARS-CoV-2 investigate aici. Aceste medicamente sunt (1) antibioticul cefdinir, care este o cefalosporină pentru tratamentul infecțiilor bacteriene [ 77 ]; (2) medicamentul antineoplazic toremifen, un modulator selectiv al receptorilor de estrogen care prezintă activități izbitoare în blocarea diferitelor infecții virale la niveluri micromolare scăzute, inclusiv virusul Ebola [ 78 ] (50% concentrație inhibitivă [IC 50 ] = aproximativ 1 μM), MERS- CoV [79 ] (50% concentrație efectivă [EC 50 ] = 12,9 μM), SARS-CoV-1 [ 80 ] (EC 50 = 11,97 μM) și SARS-CoV-2 [ 81 ] (IC 50 = 3,58 μM); și (3) medicamentul antihipertensiv irbesartan, un blocant al receptorilor angiotensinei II (ARB) care poate inhiba intrarea virală prin inhibarea cotransportatorilor de sodiu / acid biliar [ 82 ].

Dovezi din datele de registru COVID-19 care sprijină strategiile prezente de reutilizare a medicamentelor

În continuare am evaluat relațiile medicament-rezultat utilizând un set de date de pacienți la scară largă din registrul de pacienți din Cleveland Clinic COVID-19 (a se vedea Materiale și metode – validarea datelor pacientului medicamentelor identificate în rețea utilizând un registru COVID-19). Aplicarea expertizei subiectului la cele 34 de medicamente reutilizate a dus la identificarea melatoninei, un hormon fiziologic comun multor organisme vii și a carvedilolului, aprobat atât pentru hipertensiune, cât și pentru insuficiența cardiacă. O analiză retrospectivă a cohortei COVID-19 a fost efectuată pentru a valida efectul potențial de prevenire a melatoninei și carvedilolului ( Fig 8A și 8B). Dintre un total de 26.779 de pacienți testați pentru COVID-19 în Cleveland Clinic Health System din Ohio și Florida, 8.274 de pacienți au fost diagnosticați cu SARS-CoV-2 pozitiv confirmat prin transcripție inversă – reacție în lanț a polimerazei (RT-PCR) între 8 martie și 27 iulie 2020 ( Tabelul 1 ).

miniatură

Descarca:

Fig 8. Validarea bazată pe pacient a reutilizării medicamentului pentru COVID-19.

Validare pentru (A) melatonină și (B) carvedilol folosind întregul registru COVID-19 (toată populația combinată). Validare pentru melatonină (C) în subgrupul negru american (afro-american) și (D) în subgrupul alb american. Grupurile de pacienți au fost potrivite folosind potrivirea scorului de înclinație. Au fost evaluate patru modele: (1) modelul 1 a fost asortat folosind vârsta, sexul, rasa și fumatul fără ajustare pentru raportul de probabilitate; (2) modelul 2 a fost asortat utilizând vârsta, sexul, rasa și fumatul, iar raportul de probabilități al COVID-19 a fost ajustat în funcție de vârstă, sex, rasă și fumat; (3) modelul 3 a fost asortat folosind vârsta, sexul, rasa, fumatul, boala coronariană, diabetul, hipertensiunea și BPOC fără ajustarea raportului de probabilitate; și (4) modelul 4 a fost asortat folosind vârsta, sexul, rasa, fumatul, boala coronariană, diabetul, hipertensiunea și BPOC,iar raportul de probabilități al COVID-19 a fost ajustat în funcție de vârstă, sex, rasă, fumat, boala coronariană, diabet, hipertensiune și BPOC. Aceste modele au fost ajustate pentru diferite variabile folosind abordarea de potrivire a scorului de înclinație (a se vedea Materiale și metode – validarea datelor pacientului medicamentelor identificate în rețea utilizând un registru COVID-19). ACEI, inhibitor al enzimei de conversie a angiotensinei; ARB, blocant al receptorilor angiotensinei II; BPOC, boală pulmonară obstructivă cronică; SAU, raportul de cote.blocant al receptorilor angiotensinei II; BPOC, boală pulmonară obstructivă cronică; SAU, raportul de cote.blocant al receptorilor angiotensinei II; BPOC, boală pulmonară obstructivă cronică; SAU, raportul de cote.

https://doi.org/10.1371/journal.pbio.3000970.g008

miniatură

Descarca:

Tabelul 1. Caracteristicile de bază ale grupurilor de utilizare a melatoninei și carvedilolului din registrul COVID-19.

https://doi.org/10.1371/journal.pbio.3000970.t001

Am constatat că utilizarea melatoninei a fost asociată cu o probabilitate redusă cu 28% a unui rezultat pozitiv al testului de laborator pentru SARS-CoV-2 (raportul cotei [OR] = 0,72, 95% CI 0,56-0,91; Fig 8A ) după ajustarea în funcție de vârstă, sex , rasă, antecedente de fumat și diferite comorbidități ale bolii (diabet, hipertensiune arterială, boala coronariană și BPOC) utilizând o metodă de potrivire a scorului de înclinație (PS). Inhibitorii enzimei de conversie a angiotensinei (IECA) și ARB sunt 2 tipuri comune de medicamente pentru tratamentul hipertensiunii. Un studiu recent a arătat că utilizarea ACEI / ARB la pacienții internați a fost asociată cu un risc mai scăzut de mortalitate din toate cauzele, comparativ cu neutilizarea ACEI / ARB la pacienții spitalizați cu COVID-19 cu hipertensiune arterială [ 83].]. Mai multe studii recente au arătat, de asemenea, că nu a existat nicio asociere a ARBs și ACEI cu riscul de infecție cu SARS-CoV-2 [ 84 – 86 ]. Am efectuat în continuare un studiu observațional pentru 3 cohorte folosind designul comparator activ al utilizatorului cu ARBs și ACEIs utilizate ca comparatoare și ajustarea PS pentru factorii de confuzie, așa cum este descris în studiul nostru anterior [ 32 ]. Am constatat că utilizarea melatoninei a fost semnificativ asociată cu o probabilitate redusă de rezultat pozitiv al testului de laborator pentru SARS-CoV-2 comparativ cu utilizarea ARB (OR = 0,70, 95% CI 0,54-0,92) și ACEI (OR = 0,69, 95% CI 0,52-0,90) după ajustarea în funcție de vârstă, sex, rasă, antecedente de fumat și diferite comorbidități ale bolii ( Fig 8A ). În total, predicție bazată pe rețea ( Fig. 7) și analize observaționale multiple ( Fig. 8A ) sugerează că utilizarea melatoninei oferă o strategie potențială de prevenire și tratament pentru COVID-19; totuși, sunt necesare urgent studii clinice randomizate controlate pentru a testa în mod semnificativ efectul melatoninei pentru COVID-19.

Am constatat că utilizarea carvedilolului a fost semnificativ asociată cu o probabilitate redusă de rezultat pozitiv al testului de laborator pentru SARS-CoV-2 (OR = 0,74, 95% CI 0,56-0,97) după ajustarea în funcție de vârstă, sex, rasă, istoricul fumatului și diferite comorbidități ale bolii. Cu toate acestea, carvedilolul nu a prezentat un avantaj semnificativ în comparație cu ARB (OR = 0,90, 95% CI 0,65-1,25) sau ACEI (OR = 0,73, 95% CI 0,53-1,01).

Prin urmare, am testat dacă un efect clinic semnificativ al melatoninei și carvedilolului poate fi observat la diferite subgrupuri de pacienți. Pentru a fi specifici, am generat 5 subgrupe diferite: pacienți cu astm, pacienți cu hipertensiune, pacienți cu diabet, americani negri (afro-americani) și americani albi. Am constatat că melatonina a fost asociată semnificativ cu o probabilitate redusă de 52% a unui rezultat pozitiv al testului de laborator pentru SARS-CoV-2 la negrii americani (OR = 0,48, 95% CI 0,31-0,75; Fig 8C ) după ajustarea în funcție de vârstă, sex, rasă, fumat și diferite comorbidități ale bolii, care este mai puternică decât asocierea la americanii albi (OR = 0,77, 95% CI 0,57-1,04; Fig 8D). În plus, la americanii de culoare, utilizarea melatoninei a fost semnificativ asociată cu o probabilitate redusă de rezultat pozitiv al testului de laborator pentru SARS-CoV-2 comparativ cu utilizarea ARB (OR = 0,57, 95% CI 0,34-0,96; Fig 8C ), în timp ce există nu a existat nicio diferență semnificativă în comparație cu utilizarea ACEI (OR = 0,65, 95% CI 0,39-1,11; Fig 8C ). Cu toate acestea, utilizarea melatoninei nu a fost asociată semnificativ cu o probabilitate redusă de rezultat pozitiv al testului de laborator pentru SARS-CoV-2 comparativ cu utilizarea ARB (OR = 0,80, 95% CI 0,57-1,13; Fig 8D ) și ACEI (OR = 0,85 , IC 95% 0,60-1,20; Fig 8D) la americanii albi. Dintre cele 3 analize ale subgrupului de boală comorbidă, utilizarea melatoninei a fost asociată semnificativ cu un risc redus de test pozitiv SARS-CoV-2 la pacienții cu diabet zaharat (OR = 0,52, 95% CI 0,36-0,75; S12B Fig ); nu a existat nicio asociere semnificativă pentru pacienții cu astm (OR = 0,61, 95% CI 0,36-1,06; S12A Fig ) sau hipertensiune arterială (OR = 0,80, 95% CI 0,61-1,05; S12C Fig ). Utilizarea carvedilolului nu a fost asociată în mod semnificativ cu o probabilitate redusă a unui rezultat pozitiv al testului de laborator pentru SARS-CoV-2 în cadrul celor 5 subgrupuri după ajustarea în funcție de vârstă, sex, rasă, fumat și diferite comorbidități ale bolii ( S12 și S13Smochine). Astfel, sunt foarte necesare alte observații care utilizează cohorte independente la scară largă pentru a testa efectul semnificativ al carvedilolului în reducerea riscului de COVID-19.

Discuţie

Studii recente au indicat că infecția cu SARS-CoV-2 a fost detectată în mai multe organe, pe lângă plămâni, inclusiv inima, faringele, ficatul, rinichii, creierul și intestinul [ 70 , 87 ]. SARS-CoV-2 ARN a fost de asemenea găsit în scaunul pacientului [ 88]. Prin urmare, investigarea modului în care SARS-CoV-2 se asociază cu alte boli ar putea ajuta la dezvăluirea și înțelegerea impactului său asupra sistemelor și organelor, în plus față de plămâni. În acest studiu, am evaluat sistematic 64 de boli din 6 categorii pentru manifestările lor potențiale cu COVID-19. Am început cu asamblarea și caracterizarea a 5 seturi de date SARS-CoV-2 reprezentând diferite niveluri de evenimente celulare, inclusiv transcriptom, proteom și interactom. Folosind măsurarea de proximitate a rețelei de ultimă generație, am identificat manifestări largi ale bolii (cum ar fi autoimune, neurologice și pulmonare; Fig. 4A ) asociate cu COVID-19. Deși numărul de gene asociate fiecărei boli este diferit ( tabelul S4 ), nu am observat nicio prejudecată semnificativă în apropierea rețeleiScorurile Z în funcție de numărul diferit de gene ( S14 Fig ). Metaanalize retrospective folosind datele clinice ale 4.973 pacienți din 34 de studii au confirmat constatările noastre bazate pe rețea.

Am investigat în continuare determinanții moleculari ai asocierii COVID-19 și comorbiditățile prin analize multimodale ale profilelor transcriptomice în vrac și monocelulare pe scară largă, date metabolomice și rețelele PPI. Am identificat tipurile de celule care au cele mai mari niveluri de expresie ale ACE2 și TMPRSS2 : celulele pulmonare AT2, celulele epiteliale bronșice secretoare și enterocitele absorbante din ileon. Am examinat expresia genelor asociate astmului și IBD în tipurile lor de celule relevante. Combinând aceste constatări cu rezultatele analizei expresiei diferențiale, analizei de rețea și metaboliților diferențiali, am identificat mai multe căi patogene cheie pentru astm (inclusiv IRAK3 și ADRB2) care poate fi modificat de infecția virală.

Pentru astm, descoperirile noastre bazate pe rețea sugerează mai multe căi patobiologice comune asociate cu COVID-19. În primul rând, infecția cu SARS-CoV-2 ar putea modifica expresia mai multor gene inflamatorii cheie: IRAK3 , care este asociat cu astm [ 68 , 89 , 90 ]; ADRB2 , care este un factor genetic esențial pentru astm [ 69 , 91 ]; și NFKBIA , care prezintă răspunsuri transcripționale critice în astmul copilariei [ 92 ]. Aceste gene prezintă o expresie ridicată în tipurile de celule secretoare 3 și AT2, sugerând o susceptibilitate mai mare de a fi afectată de infecția cu SARS-CoV-2 prin ACE2. SARS-CoV-2 a crescut expresiaIRAK3 și ADRB2 , care conduc la un risc mai mare de astm ( Fig 5B ). În al doilea rând, nivelurile scăzute de L-arginină și L-citrulină au fost găsite la pacienții infectați cu SARS-CoV-2 [ 62 ], în timp ce s-a demonstrat că niveluri mai ridicate ale acestor metaboliți sunt de protecție împotriva astmului [ 61 ]. L-arginina poate fi transformată în oxid nitric prin oxidul nitric sintazat și s-a demonstrat că oxidul nitric protejează împotriva infecției virale prin multiple mecanisme potențiale [ 93 ].

Rezultatele noastre de proximitate ale rețelei arată o conexiune puternică între IBD și COVID-19 ( Fig. 4A ). Am arătat, de asemenea, că căile legate de IBD pot fi afectate potențial de infecția cu SARS-CoV-2 ( Fig. 6B ). Cu toate acestea, ar trebui să reținem, de asemenea, că meta-analiza nu arată un raport de risc semnificativ al bolii sistemului digestiv la pacienții cu COVID-19 ( Fig 3B ), în timp ce 2 simptome specifice, durerea abdominală și diareea, au prezentat riscuri crescute la pacienții cu COVID sever -19 ( Fig 6A ). Boala sistemului digestiv acoperă o gamă largă de boli gastro-intestinale. Sunt necesare studii viitoare pentru a dezvălui și valida asocierile COVID-19 și a bolilor gastrointestinale individuale.

În cele din urmă, am acordat prioritate computerizată aproape 3.000 de medicamente aprobate de FDA / de investigație pentru efectele lor potențiale anti-SARS-CoV-2 folosind măsurarea proximității rețelei și analiza GSEA. Este evidențiată o listă de 34 de medicamente refolosibile cu profilurile antivirale raportate, dintre care 8 medicamente sunt în prezent în curs de desfășurare a studiilor clinice COVID-19 ( Fig. 7 ). Am explorat în continuare relațiile medicamentoase-rezultate ale bolii pentru melatonină utilizând o bază de date pe scară largă a registrului de pacienți COVID-19. Am constatat că printre persoanele care au primit teste pentru SARS-CoV-2, utilizarea melatoninei a fost asociată cu o probabilitate redusă de 28% și 52% a unui rezultat pozitiv al testului de laborator pentru SARS-CoV-2 în populația combinată ( Fig 8A ) și americani negri ( Fig. 8C), respectiv, după ajustarea în funcție de vârstă, sex, rasă, fumat și diferite comorbidități ale bolii. Folosind designul comparator activ al utilizatorului, am constatat în plus că utilizarea melatoninei a fost asociată cu o probabilitate redusă de rezultat pozitiv al testului de laborator pentru SARS-CoV-2, comparativ cu utilizarea ARB și ACEI. Melatonina exogenă poate fi benefică la pacienții vârstnici cu COVID-19, dată fiind reducerea legată de îmbătrânire a melatoninei endogene și vulnerabilitatea mai mare a persoanelor în vârstă la mortalitatea de la SARS-CoV-2 [ 94 ], aceasta din urmă potențial datorată scăderii imunității, adică imunosenescență [ 95 ]. Mai mult, melatonina suprimă activarea inflammasomului NLRP3 indusă de fumatul țigării și atenuează inflamația pulmonară [ 96], nu numai prin reducerea expresiei NF-κB p65 și a factorului de necroză tumorală-α (TNF-α), ci și prin creșterea citokinelor antiinflamatorii precum IL-10 sau IL-6, care pot avea și antiinflamatoare efecte [ 97 , 98]. Astfel, sunt necesare studii observaționale la scară largă și studii controlate randomizate pentru a valida beneficiul clinic al melatoninei la pacienții cu COVID-19. Ar fi important, totuși, ca studiile să fie concepute cu înțelegerea mecanismului medicamentului care urmează să fie refăcut. De exemplu, ar fi evident că medicamentele care scad intrarea virală, de exemplu, o parte a acțiunii melatoninei, ar fi benefice în prevenirea infecției sau foarte devreme în cursul COVID-19, dar ar putea fi neimportante atunci când sunt utilizate în infecții severe sau în stadiul final . Mai multe studii randomizate controlate sunt efectuate pentru a testa beneficiile clinice ale melatoninei la pacienții cu COVID-19 (ClinicalTrials.gov NCT04409522 și NCT04353128). În plus,Modularea selectivă a estrogenului și melatonina în studiul timpuriu COVID-19 (SENTINEL) este în curs pentru a testa terapia combinată [99 ] de melatonină cu toremifen (un modulator selectiv al receptorului de estrogen [ 100 ]) pentru pacienții cu COVID-19 precoce și ușoară (ClinicalTrials.gov NCT04531748).

Recunoaștem câteva limitări potențiale. În primul rând, deși am integrat date din mai multe surse pentru a construi interacțiunea umană și rețeaua țintă de droguri, acestea sunt încă incomplete. În al doilea rând, acest studiu s-a bazat pe seturile de date genă / proteină țintă gazdă SARS-CoV-2, iar calitatea și prejudecățile lor din literatură pot influența performanța analizei rețelei noastre. Genele din aceste seturi de date pot diferi semnificativ. DEG-urile identificate din profilurile transcriptomice pot fi foarte diferite de DEP-urile din datele proteomice prin mai mulți factori, care pot influența și rezultatele analizei de proximitate a rețelei. Aceste seturi de date provin din diferite tipuri de celule, iar tipurile de celule relevante pentru COVID-19 s-ar putea să nu fie reprezentative. IPP-urile și DEG-urile / proteinele din diferite linii celulare sau țesuturi pot conține, de asemenea, falsuri pozitive.Două studii recente au sugerat că clorochina sau hidroxiclorochina au arătat activități antivirale ideale în celulele renale din maimuța verde africană (VeroE6), dar nu într-un model de epiteliu al căilor respiratorii umane reconstituit [101 ] sau linia celulară pulmonară TMPRSS2-pozitivă Calu-3 [ 102 ]. Aceste studii au arătat că liniile celulare care imită aspecte importante ale celulelor epiteliale respiratorii ar trebui utilizate atunci când se analizează activitatea antivirală a medicamentelor care vizează funcțiile celulelor gazdă. În setul de date SARS2-PPI original bazat pe linia celulară VeroE6, un PPI cheie pentru proteina ACE2-spike a fost absentă. Am susținut că combinarea profilelor transcriptomice și a datelor proteomice derivate din diverse linii celulare sau țesuturi relevante pentru COVID-19 poate furniza informații moleculare complementare pentru a depăși eterogenitățile ridicate ale bolii COVID-19 [ 103].]. În plus, prin crearea unei rețele pan-coronavirus PPI prin combinarea HCoV-PPI și SARS2-PPI, ne-am propus să identificăm medicamente antivirale cu spectru larg pentru SARS-CoV-2 – și alte coronavirusuri emergente, dacă sunt aplicate pe scară largă – cu medicamentul nostru din rețea. cadru.

În al treilea rând, metoda noastră se poate aplica numai bolilor cu informații genetice bine caracterizate și poate să nu fie aplicabilă bolilor care nu au astfel de informații, cum ar fi bolile rare (de exemplu, paralizia cerebrală sau afecțiunile mentale). Potențialul prejudecată din literatură a genelor asociate bolii și a interactomului uman poate influența, de asemenea, constatările noastre. De exemplu, genele bine studiate asociate atât cu COVID-19, cât și cu alte boli pot explica asemănarea COVID-19 cu alte boli, în timp ce genele sub studiate asociate cu ambele boli pot să nu fie descoperite. În al patrulea rând, analiza datelor pacientului este retrospectivă, poate avea o prejudecată de selecție și este limitată pentru medicamentele utilizate în mod obișnuit, datorită disponibilității datelor pacientului. Doza și perioada medicamentelor lipseau, de asemenea, în baza noastră de date actuală a registrului pacientului COVID-19.Deși am efectuat mai multe tipuri de potrivire PS, confuzia reziduală este posibilă în ciuda ajustării covariabile de înaltă dimensiune. Utilizarea carvedilolului nu a prezentat un avantaj semnificativ în comparație cu utilizarea ARBs (OR = 0,90, 95% CI 0,65-1,25) sau ACEI (OR = 0,73, 95% CI 0,53-1,01) după ajustarea în funcție de vârstă, sex, rasă, antecedente de fumat și mai multe comorbidități ale bolii (Fig 8B ). În plus, carvedilolul nu a fost asociat în mod semnificativ cu o probabilitate redusă a unui rezultat pozitiv al testului de laborator pentru SARS-CoV-2 în cadrul a 5 analize de subgrup ( figurile S12 și S13 ). Există 2 explicații posibile: (1) numărul mic de pacienți care utilizează carvedilol ( Tabelul 1) poate produce o putere statistică insuficientă pentru studiul observațional actual sau (2) carvedilolul poate reduce probabilitatea unui rezultat pozitiv al testului de laborator pentru SARS-CoV-2 pentru pacienții cu afecțiuni de sănătate existente, cum ar fi hipertensiunea. Replicarea asociațiilor și inferența cauzală folosind cohorte independente la scară largă pot exclude eterogenitatea efectului tratamentului și posibila confuzie în continuare. În cele din urmă, deși am făcut observația interesantă că utilizarea melatoninei a fost mult mai puțin răspândită la persoanele care au testat pozitiv pentru SARS-CoV-2, recunoaștem că multe persoane asimptomatice sau minim simptomatice cu virusul nu au fost testate și, prin urmare, utilizarea lor de melatonina nu a putut fi evaluată; utilizarea melatoninei în acest ultim grup ar fi putut fi, de asemenea, ridicată.Prin urmare, trebuie remarcat faptul că toate medicamentele pe care le-am identificat ca candidați terapeutici în acest studiu trebuie validate folosind teste experimentale și studii clinice randomizate înainte de a putea fi recomandate pentru utilizare la pacienții cu COVID-19.

Studii recente au sugerat că COVID-19 este o boală sistemică care are impact asupra mai multor tipuri de celule, țesuturi și organe [ 104 ]. Metodologia noastră de rețea ar putea fi potențial îmbunătățită prin utilizarea genelor specifice țesuturilor pentru boli și încorporarea direcționalității efectelor biologice ale genei / proteinelor. Am recalculat proximitatea rețelei folosind doar gene care au o specificitate tisulară ≥ 0 în boala asociată: am găsit rezultate globale consistente ( S15 Fig ) comparativ cu analiza rețelei pulmonare specifice ( Fig 4A ). De exemplu, IBD a obținut proximități semnificative în toate cele 5 seturi de date genă / proteină SARS-CoV-2 din Fig . 4A . Când se utilizează gene cu specificitate tisulară ≥ 0, IBD a prezentat aceleași rezultate în intestinul subțire, dar nu și în colon (S15 și S16 Fig.). Diabetul de tip 2 a arătat proximități semnificative ale rețelei în toate cele 5 seturi de date genă / proteină SARS-CoV-2 folosind gene specifice pancreasului ( S15 Fig ), ceea ce este în concordanță cu observațiile clinice recente [ 105 ]. Cu toate acestea, baza de date GTEx utilizată în acest studiu provine din țesuturi sănătoase, care ar putea să nu reprezinte starea de expresie genică în starea bolii. În plus, genele asociate bolii utilizate în acest studiu s-au bazat pe dovezi genetice somatice sau germinale. De exemplu, nu am observat asocierea semnificativă a COVID-19 cu cancerul. O posibilă explicație este că cancerul este o boală cronică mai mult determinată de mutații somatice decât COVID-19, care implică un răspuns imun acut și o boală eterogenă determinată de inflamație.

De asemenea, am experimentat cu încorporarea direcționalității expresiei genelor folosind 2 seturi de date privind expresia astmului și SARS2-DEG, deoarece direcția DEG-urilor este disponibilă în aceste 2 seturi de date. Am găsit proximități de rețea mai semnificative și scoruri Z mai mici între astm și COVID-19 atunci când se utilizează gene exprimate în sus sau în jos separat ( fig. S17 ), sugerând că încorporarea direcționalităților genelor / proteinelor poate îmbunătăți performanța analizei rețelei. Un studiu anterior a arătat că integrarea direcționalității interactomului uman nu a schimbat rezultatele măsurării proximității rețelei [ 49]. Datorită lipsei unui interactom uman sistematic cu direcționalități bine documentate și fără informații complete despre dacă o proteină virală activează sau inhibă o proteină gazdă, nu am testat influența direcționalității proteinelor și a interactomilor umani asupra descoperirilor noastre într-un mod sistematic. Prin urmare, este necesară o lucrare viitoare pentru a explora direcționalități bine documentate în analiza rețelei interactivomului uman care integrează efectele precise de perturbare ale variantelor cauzatoare de boli și ale proteinelor virale.

În concluzie, studiul nostru oferă o strategie puternică, integrativă de medicină de rețea, pentru avansarea înțelegerii comorbidităților asociate COVID-19 și facilitarea identificării candidaților la medicamente pentru COVID-19. Această abordare promite, de asemenea, să abordeze decalajul translațional dintre studiile genomice și rezultatele clinice, care pune o problemă semnificativă atunci când dezvoltarea rapidă a intervențiilor terapeutice eficiente este critică în timpul unei pandemii. Dintr-o perspectivă translațională, dacă sunt aplicate pe scară largă, instrumentele de medicină din rețea aplicate aici s-ar putea dovedi utile în dezvoltarea unor strategii eficiente de tratament și pentru alte boli complexe ale omului, inclusiv alte boli infecțioase emergente.

materiale si metode

O listă a surselor tuturor seturilor de date utilizate în acest studiu poate fi găsită în tabelul S1 .

Construirea seturilor de date ale genelor / proteinelor țintă gazdă SARS-CoV-2

Am asamblat 4 seturi de date SARS-CoV-2 de gene / proteine ​​țintă gazdă: (1) 246 DEG în celulele epiteliale bronșice umane infectate cu SARS-CoV-2 [ 21 ] (GSE147507), denumite SARS2-DEG; (2) 293 DEP în celulele Caco-2 umane infectate cu SARS-CoV-2 [ 22 ], denumite SARS2-DEP; (3) 134 coronavirus pan-uman puternic bazat pe dovezi din literatura de specialitate vizează proteinele gazdă din studiul nostru recent [ 30 ] cu 15 proteine ​​nou curate, denumite HCoV-PPI; și (4) 332 de proteine ​​implicate în IPP cu 26 de proteine ​​virale SARS-CoV-2 identificate prin purificare a afinității – spectrometrie de masă (AP-MS) [ 8]], denumit SARS2-PPI. În cele din urmă, datorită naturii interactome a HCoV-PPI și SARS2-PPI, am combinat aceste seturi de date ca al cincilea set de date SARS-CoV-2, care are 460 de proteine ​​și este denumit PanCoV-PPI. Detaliile acestor seturi de date pot fi găsite în tabelul S2 .

SARS2-DEG.

În studiul original, celulele epiteliale bronșice umane primare au fost infectate cu SARS-CoV-2 timp de 24 de ore. Profilele transcriptomice ale celulelor infectate (3 replici) și neinfectate (3 replici) au fost caracterizate, iar modificarea pliului (FC) și FDR pentru fiecare genă au fost calculate de DESeq2 și furnizate în studiul original. Am aplicat o limită de | log 2 FC | > 0,5 și FDR <0,05 pentru a identifica DEG-urile.

SARS2-DEP.

Așa cum a fost descris în studiul anterior [ 22 ], celulele Caco-2 umane au fost infectate cu SARS-CoV-2 timp de până la 24 de ore. Testele de proteomică ale celulelor infectate și neinfectate au fost măsurate la 24 de ore în triplicate. Am folosit rezultatele la 24 de ore, deoarece studiul original a arătat majoritatea DEP la 24 de ore. Valorile P au fost calculate utilizând teste Student t nepereche pe două fețe cu varianță egală presupusă în acest studiu. Am convertit valoarea P în FDR folosind funcția „fdrcorrection” din pachetul Python statsmodels v0.11.1 și am folosit o limită de FDR <0,05 pentru a identifica DEP-urile.

Colectarea a 4 rețele suplimentare genă-proteină virus-gazdă

Pentru a caracteriza seturile de date SARS-CoV-2, am descărcat 4 rețele genă / proteină virus-gazdă din studii anterioare pentru comparație: (1) 900 de interacțiuni virus-gazdă identificate prin mutageneză inserțională capcană genică care conectează alte 10 viruși și 712 gene gazdă [ 35 ]; (2) 2.855 interacțiuni virus-gazdă identificate din ARNi care leagă 2.443 de gene gazdă și 55 de agenți patogeni [ 35 ]; (3) 579 proteine ​​gazdă care mediază traducerea a 70 viORF-uri imunomodulatoare înnăscute [ 36 ]; și (4) 1.292 de gene gazdă identificate prin Co-IP + LC / MS care mediază interacțiunile gripă-gazdă [ 37 ]. Toate detaliile pentru aceste 4 rețele genă / proteină virus-gazdă sunt furnizate în tabelul S3 .

Construirea profilelor genetice ale bolii

Am compilat seturile de gene asociate bolii din diverse surse. Toate bazele de date au fost accesate pe 26 martie 2020.

Cancer.

Am definit o genă conducător auto ca o genă care a îmbogățit în mod semnificativ mutațiile conducătorului auto pe baza datelor de secvențiere a genomului întreg sau a întregului exom sau a raportat date experimentale din Recensământul genei cancerului [ 42 , 43 ] sau publicațiile originale din Atlasul genomului cancerului (TCGA , https://portal.gdc.cancer.gov/ ). Genele conducătoare pan-cancer au fost recuperate din recensământul genei cancerului [ 42 , 43 ]. Genele conducătoare pentru tipurile individuale de cancer provin dintr-un studiu anterior [ 44 ].

Genele bolii mendeliene (ODM).

Un set de 2.272 ODM au fost preluate din baza de date Online Mendelian Inheritance in Man (OMIM) [ 106 ].

Gene mutante cauzatoare de boli orfane (ODMG).

Un set de 2.124 ODMG au fost preluate dintr-un studiu anterior [ 107 ].

Genele ciclului celular.

Un set de 910 gene ale ciclului celulei umane au fost descărcate dintr-un studiu anterior în care au fost identificate printr-un screening RNAi la nivelul genomului [ 108 ].

Gene imune înnăscute.

Un set de 1.031 gene imune înnăscute umane au fost colectate de la InnateDB [ 109 ].

Gene asociate cu boli autoimune, pulmonare, neurologice, cardiovasculare și metabolice.

Genele / proteinele asociate bolii au fost extrase din HGMD [ 45 ]. HGMD este o bază de date bine documentată și am descărcat întreaga bază de date pentru analiza și extragerea datelor folosind termeni bine documentați ai ontologiei bolii [ 46 ]. Am definit o genă asociată bolii ca o genă care are cel puțin o mutație asociată bolii în publicațiile originale furnizate în HGMD. Detaliile, inclusiv sursele, numărul de gene, mutațiile asociate bolii și termenii utilizați pentru identificarea bolilor în HGMD, sunt furnizate în tabelul S4 .

Analiza îmbogățirii funcționale

Am efectuat analize de îmbogățire a proceselor biologice ale Enciclopediei Kyoto a genelor și genomelor (KEGG) și a genologiei ontologiei (GO) pentru a releva relevanța biologică și căile funcționale ale celor 5 seturi de date SARS-CoV-2. Toate analizele funcționale de îmbogățire au fost efectuate folosind Enrichr [ 110 ]. O privire de ansamblu asupra căilor și a termenilor ontologiei legate de infecția cu virusul partajată de 1 sau mai multe seturi de date a fost generată prin căutarea căilor sau termenilor semnificativi (FDR <0,05). Rezultatele analizei de îmbogățire pentru cele 5 seturi de gene / proteine ​​SARS-CoV-2 pot fi găsite în figurile S1 – S5 .

Presiunea selectivă și caracterizarea ratei evolutive

Am calculat raportul dN / dS [ 111 ] și raportul ratei evolutive [ 112 ] așa cum este descris în studiul nostru anterior [ 113 ]. Un raport dN / dS sub, egal sau peste 1 sugerează selecție purificatoare, evoluție neutră sau selecție darwiniană pozitivă, respectiv [ 114 ]. Raportul ratei evolutive a fost calculat folosind criteriul că un raport> 1 indică o rată rapidă și un raport <1 indică o rată lentă [ 112 ]. Rapoartele dN / dS și ale ratei evolutive ale genelor din cele 5 seturi de date SARS-CoV-2 și 4 seturi suplimentare de gene / proteine ​​de virus pot fi găsite în tabelele S2 și S3 .

Analiza specificității țesuturilor

Datele RNA-Seq (transcrieri pe milion [TPM]) ale 33 de țesuturi din versiunea GTEx V8 (accesată la 31 martie 2020; https://www.gtexportal.org/home/ ) au fost descărcate. Genele cu număr pe milion (CPM) ≥ 0,5 în peste 90% din eșantioane dintr-un țesut au fost considerate gene exprimate în țesut și altfel țesut neexprimat. Pentru a cuantifica specificitatea expresiei genei i în țesutul t , am calculat expresia medie i deviația standard σ i a expresiei unei gene în toate țesuturile considerate. Semnificația specificității expresiei genice într-un țesut este definită ca(1)

Analiza raportului de risc pentru pacienții cu COVID-19

Bazele de date PubMed, Embase și medRxiv au fost căutate pentru publicații începând cu 25 aprilie 2020 ( S18 Fig). Căutarea a fost limitată la articole în limba engleză care descriu caracteristicile demografice și clinice ale cazurilor SARS-CoV-2. Am folosit termenul de căutare („SARS-COV-2” SAU „COVID-19” SAU „nCoV 19” SAU „2019 coronavirus nou” SAU „boala coronavirusului 2019”) ȘI („caracteristici clinice” SAU „rezultat clinic” SAU „ comorbidități ”). Au fost incluse doar articole de cercetare; au fost excluse recenziile, rapoartele de caz, comentariile, editoriale și opiniile experților. Au fost utilizate trei criterii pentru a selecta studii dintr-un total de 1.054 de rezultate inițiale: (1) studii care au avut ≥20 pacienți cu COVID-19; (2) studii care au grupat rezultatele în funcție de gradul de severitate al COVID-19 (de exemplu, sever versus non-sever) în conformitate cu liniile directoare ale Societății Toracice Americane pentru pneumonia dobândită în comunitate; și (3) studii provenite de la diferite instituții. Două criterii au fost utilizate pentru excludere:(1) studii care s-au concentrat pe populații specifice (de exemplu, numai cazuri de deces, femei însărcinate, copii sau grupuri familiale) și (2) cercetări de bază în biologie moleculară. În cele din urmă, 34 de studii care îndeplinesc aceste criterii au fost utilizate pentru analize ulterioare.

Am efectuat meta-analiză a efectelor aleatorii pentru a estima raportul de risc cumulat cu IC 95% din 10 comorbidități la pacienții cu COVID-19 sever versus non-sever. Metoda Mantel – Haenszel a fost utilizată pentru a estima efectele cumulate ale rezultatelor [ 115 ]. Metoda DerSimonian – Laird a fost utilizată pentru a estima varianța dintre studii [ 116 ]. Datele continue, cum ar fi nivelurile IL-6, au fost transformate în deviație medie și standard mai întâi folosind abordarea lui Wan bazată pe dimensiunea eșantionului, mediană și intervalul intercuartil [ 117]]. Apoi, am folosit metoda varianței inverse pentru a estima diferența medie cumulată și am estimat varianța între studii folosind metoda DerSimonian-Laird. Am estimat prevalența combinată a 3 simptome COVID-19 (dureri abdominale, diaree și dispnee) și 1 comorbiditate (BPOC) în 3 grupuri de pacienți COVID-19 (severă, non-severă și toate). Un model de regresie logistică de interceptare aleatorie a fost utilizat pentru a estima prevalența cumulată și a fost utilizat un estimator de maximă probabilitate pentru a cuantifica eterogenitatea studiilor [ 118 ]. Statisticile tau 2 și 2 au fost calculate pentru eterogenitatea dintre studii. Am considerat 2 ≤ 50% ca eterogenitate scăzută între studii, 50% < 2≤ 75% ca heterogenitate moderată, iar 2 > 75% ca heterogenitate ridicată. Toate metaanalizele au fost realizate folosind pachetele meta și dmetar din platforma R v3.6.3.

Construirea interactomului proteină-proteină umană

Un total de 18 baze de date de bioinformatică și biologie a sistemelor au fost asamblate pentru a construi o listă cuprinzătoare de IPP umane cu 5 tipuri de dovezi experimentale: (1) date despre complexele proteice identificate printr-o metodologie robustă AP-MS colectată din BioPlex V2.016 [ 119 ]; (2) IPP-uri binare testate de sisteme de drojdie cu două hibrizi (Y2H) de mare randament din 2 seturi de date Y2H de înaltă calitate disponibile public [ 120 , 121 ] și 1 set de date intern [ 32 ]; (3) interacțiunile kinază-substrat identificate prin experimente derivate din literatură cu randament redus sau cu randament ridicat din Kinome NetworkX [ 122 ], Baza de date a resurselor de proteine ​​umane (HPRD) [ 123 ], PhosphoNetworks [ 124 ], PhosphoSitePlus [125 ], DbPTM 3.0 [ 126 ] și Phospho.ELM [ 127 ]; (4) rețele de semnalizare identificate prin experimente cu randament redus derivate din literatură de la SignaLink 2.0 [ 128 ]; și (5) IPP curate în literatură identificate prin AP-MS, Y2H, experimente cu randament redus derivate din literatură sau structuri 3D proteice din BioGRID [ 129 ], PINA [ 130 ], INstruct [ 131 ], MINT [ 132 ], IntAct [ 133 ] și InnateDB [ 109 ]. IPP deduse pe baza datelor de expresie genică, analize evolutive și asociații metabolice au fost excluse. Genele au fost mapate la ID-ul lor Entrez pe baza bazei de date NCBI [ 134]. Simbolurile genetice oficiale s-au bazat pe GeneCards ( https://www.genecards.org/ ). Interactomul final proteină-proteină umană utilizat în acest studiu a inclus 351.444 IPP unice (margini sau legături) care leagă 17.706 proteine ​​(noduri). Descrieri detaliate pentru construirea interacetomului proteină-proteină umană sunt furnizate în studiile noastre anterioare [ 31 – 33 , 135 ]. O prezentare generală a interacetomului proteină-proteină umană poate fi găsită în S19 Fig .

Măsură de proximitate a rețelei

Am folosit cea mai apropiată măsură de proximitate a rețelei pe tot parcursul acestui studiu. Pentru 2 seturi de gene / proteine A și B , distanța lor cea mai apropiată AB a fost calculată ca(2)unde d ( a , b ) este cea mai mică distanță dintre a și b în interacțiunea umană. Pentru a evalua semnificația, am efectuat un test de permutare folosind proteine ​​selectate aleatoriu din întregul interactom, care au fost reprezentative pentru cele 2 seturi de proteine ​​evaluate în ceea ce privește distribuția gradului lor. Apoi am calculat scorul Z ca(3)Unde și σ r au fost media și deviația standard a testului de permutare. Toate testele de permutare a proximității rețelei din acest studiu au fost repetate de 1.000 de ori.

Analiza comorbidității bazată pe rețea

Pentru a dezvălui potențialele comorbidități COVID-19, am calculat apropierea de rețea a proteinelor asociate bolii pentru fiecare boală și a 5 seturi de date SARS-CoV-2. SARS-CoV-2 țintă proteine ​​cu o specificitate tisulară non-negativă în plămâni au fost utilizate în calcul. Gradul de îmbogățire pentru proteina i într-o subrețea a fost calculat ca(4)unde i este gradul de i din subrețea, n este numărul de noduri din subrețea, i este gradul în interacțiunea completă a proteinei umane și N este numărul total de noduri din interacea. Se raportează valoarea jurnalului 10 i .

De asemenea, am calculat centralitatea vectorului propriu [ 136 ] a nodurilor pentru a evalua influența lor în topologia rețelei, luând în considerare, de asemenea, importanța vecinilor lor. O valoare ridicată a centralității vectorului propriu sugerează că nodul este conectat la multe alte noduri cu scoruri mari de centralitate a vectorului propriu. Calculul a fost efectuat folosind Gephi 0.9.2 ( https://gephi.org/ ).

Analiza datelor în vrac și cu o singură celulă RNA-Seq

O listă a seturilor de date utilizate în acest studiu poate fi găsită în tabelul S1 .

Seturile de date în vrac RNA-Seq pentru pacienții cu astm au fost preluate din baza de date NCBI GEO ( https://www.ncbi.nlm.nih.gov/geo/ ) folosind numerele de acces GSE63142 [ 66 ] și GSE130499 [ 67 ]. Expresia diferențială a 3 comparații – severă față de control, ușoară față de control și severă față de ușoară – au fost efectuate utilizând funcția GEO2R ( https://www.ncbi.nlm.nih.gov/geo/geo2r/ ) [ 137 ]. În GSE63142 [ 66 ], celulele epiteliale bronșice din 27 de probe martor, 72 de probe de astm ușor și 56 de probe de astm sever au fost obținute prin bronhoscopie cu periaj epitelial endobronșic. În GSE130499 [ 67], celule epiteliale bronșice din 38 de probe martor, 72 de probe de astm ușor și 44 de probe de astm sever au fost disponibile și prin bronhoscopie cu periaj epitelial endobronșic. Analiza expresiei diferențiale a fost efectuată prin definirea grupurilor în GEO2R mai întâi, apoi prin selectarea celor 2 grupuri de comparat. Gene cu | log 2 FC | > 0,5 și FDR <0,05 au fost considerate semnificativ exprimate diferențial.

Datele cu o singură celulă ale celulelor epiteliale bronșice pulmonare și primare umane normale au fost descărcate de pe https://data.mendeley.com/datasets/7r2cwbw44m/1 [ 14 ]. Aceste seturi de date conțin 39.778 celule pulmonare și 17.451 celule epiteliale bronșice cu tip celular adnotat. GSE134809 [ 72 ] a fost descărcat din baza de date NCBI GEO. Acest set de date conține 67.050 de celule inflamate și neinflamate din probele ileale a 8 pacienți cu boală Crohn. Celulele calificate pe baza criteriilor din lucrarea originală au fost utilizate pentru analiza cu o singură celulă. Am folosit markeri genici de tip celular dintr-un studiu anterior [ 72 ] ( CD3D , CD2 , CD7 , TNFRSF17 ,MZB1 , BANK1 , CD79B , CD22 , MS4A1 , HLA-DRB1 , HLA-DQA1 , LYZ , IL3RA , IRF7 , GZMB , LILRA4 , CLEC4C , TPSAB1 , CMA1 , KIT , PLVAP , VWF , LYVE1 , CCL21 , COL3A1 , COL1A1 , ACTA2 , GPM6B , S100B) pentru celulele neepiteliale. Am folosit markeri de la Zhang și colab. [ 15 ] ( DEFA5 , REG3A , DEFA6 , SOX4 , CDCA7 , KIAA0101 , TOP2A , MKI67 , HMGB2 , STMN1 , SPINK4 , ITLN1 , REG4 , CLCA1 , FCGBP , HMGA1 , EIF3F , ETHE1 , ADH1C , C1QBP , RBP2 , APOB , APOC3APOA1 , APOA4 ) pentru celulele epiteliale. Expresia acestor markeri în celule poate fi găsită în figurile S20 și S21 . Toate analizele și vizualizările datelor cu o singură celulă au fost efectuate cu pachetul R Seurat v3.1.4 [ 138 ]. „NormalizeData” a fost folosit pentru a normaliza datele. Funcțiile „FindIntegrationAnchors” și „IntegrateData” au fost utilizate pentru a integra celule din diferite eșantioane. UMAP a fost utilizat ca metodă de reducere a dimensiunii pentru vizualizare.

Construirea rețelei metabolit-enzimă

Am construit o rețea cuprinzătoare de metaboliți-enzime prin asamblarea datelor din 4 baze de date de metabolism utilizate în mod obișnuit: KEGG [ 139 ], Recon3D [ 140 ], Atlasul Metabolic Uman (HMA) [ 141 ] și Baza de Date a Metabolomului Uman (HMDB) [ 142 ] . Rețeaua metabolit-enzimă conține 60.822 înregistrări de 6.725 de reacții între 3.808 metaboliți și 3.446 gene. Patru tipuri de funcții enzimatice au fost incluse în rețea: biosinteză, degradare, transformare și transport.

Construirea rețelei țintă de droguri

Pentru a evalua dacă un medicament este strâns asociat cu proteinele țintă SARS-CoV-2 din interactomul uman, am adunat informațiile despre interacțiunea medicament-țintă din mai multe baze de date: baza de date DrugBank (v4.3) [ 143 ], baza de date țintă terapeutică (TTD) [ 144 ], baza de date PharmGKB, ChEMBL (v20) [ 145 ], BindingDB [ 146 ] și Ghidul IUPHAR / BPS de farmacologie [ 147 ]. Am inclus interacțiunile care au afinități de legare i , d , IC 50 sau EC 50≤ 10 μM și un număr unic de acces UniProt cu starea „revizuită”. Detaliile pentru construirea rețelei medicament-țintă validate experimental pot fi găsite în studiile noastre recente [ 31 – 33 ].

Reutilizarea medicamentelor bazate pe rețea

Am calculat cea mai apropiată apropiere a rețelei, așa cum s-a descris anterior pentru 2.938 medicamente aprobate de FDA sau de investigație și pentru 5 seturi de date SARS-CoV-2. Pentru prioritizare, am clasat drogurile în funcție de distanța lor față de seturile de date ( D <2, distanța de rețea folosind cea mai apropiată de măsură) și Z scor ( Z <-1.5) din analiza de proximitate a rețelei. Profilele antivirale ale medicamentelor evidențiate au fost curate manual. Studiile clinice legate de COVID-19 au fost recuperate pe 28 august 2020.

Analiza de îmbogățire a setului de gene (GSEA)

GSEA a fost efectuat așa cum este descris în lucrarea noastră recentă [ 30 ], ca o sursă suplimentară de dovezi pentru reutilizarea medicamentelor. Pe scurt, pentru fiecare set de gene țintă pentru medicament și coronavirus, am calculat un scor de îmbogățire (ES) pentru a indica dacă medicamentul poate inversa efectul SARS-CoV-2 la nivel de transcriptom sau proteom. Profilurile de expresie genică pentru medicamente au fost preluate din baza de date Connectivity Map (CMAP) [ 148 ]. Au fost evaluate cinci seturi de gene: (1) DEG-urile din celulele epiteliale bronșice umane infectate cu SARS-CoV-2 [ 21 ] (GSE147507); (2) DEP în celulele Caco-2 umane infectate cu SARS-CoV-2 [ 22 ]; (3 și 4) 2 seturi de date transcriptomice ale probelor infectate cu SARS-CoV-1 din sângele periferic al pacientului [ 149] (GSE1739) și celule Calu-3 [ 150 ] (GSE33267), respectiv; și (5) DEG-urile din celulele Calu-3 infectate cu MERS-CoV [ 151 ] (GSE122876).

ES a fost calculat pentru gene în sus și în jos reglementate separat mai întâi. ES total a fost calculat ca(5)unde ES în sus și ES în jos au fost calculate folosind un sus / jos și sus / jos ca(6)(7)j = 1,2, ⋯, s au fost genele din seturile de gene sortate în ordine crescătoare după rangul lor în profilurile medicamentelor. V ( j ) indică rangul genei j , unde 1≤ V ( j ) ≤ r , r reprezentând numărul de gene din profilul medicamentului. Apoi, ES sus / jos a fost setat la sus / jos dacă sus / jos > sus / jos și a fost setat la – sus / jos dacă sus / jos > sus / jos. A fost efectuat un test de permutare pentru a evalua semnificația. Medicamentele au fost prioritizate și selectate dacă ES> 0 și P <0,05.

Validarea datelor pacienților despre medicamentele identificate în rețea utilizând un registru COVID-19

Am folosit datele de registru COVID-19 aprobate de către instituțiile de revizuire, incluzând 26.779 de persoane (8.274 SARS-CoV-2 pozitive) testate în perioada 8 martie – 27 iulie 2020, de la Cleveland Clinic Health System din Ohio și Florida. Au fost testate probele de tampon nazofaringian și orofaringian. Pozitivitatea SARS-CoV-2 a fost confirmată prin testul de reacție în lanț cu transcripție inversă-polimerază în Cleveland Clinic Robert J. Tomsich Pathology and Laboratory Medicine Institute. Toate testele SARS-CoV-2 au fost autorizate de FDA în baza unei autorizații de utilizare de urgență și au respectat orientările stabilite de Centrele pentru Controlul și Prevenirea Bolilor. Datele includ rezultatele testelor COVID-19, informații demografice inițiale, medicamente și toate condițiile de boală înregistrate.Am efectuat o serie de studii retrospective de caz-control, cu un nou design comparator activ pentru utilizatori, pentru a testa relațiile medicament-rezultat pentru COVID-19. Pacienții luau activ medicamentele evaluate (carvedilol și melatonină) în momentul testării. Datele au fost extrase din fișele medicale electronice (sistemele EPIC) și au fost verificate manual de către o echipă de studiu instruită pe surse uniforme pentru variabilele de studiu. Am colectat și gestionat toate datele pacienților folosind instrumentele electronice de captare a datelor REDCap. Expunerile la medicamente (inclusiv carvedilol și melatonină) au fost utilizate așa cum s-a înregistrat în lista medicamentelor din dosarele medicale electronice la momentul testării SARS-CoV-2. Un rezultat pozitiv al testului de laborator pentru SARS-CoV-2 a fost utilizat ca rezultat primar. PS a fost folosit pentru a se potrivi pacienților pentru a reduce diferiți factori de confuzie. Patru modele,de la mai puțin la mai stricte în ceea ce privește potrivirea pacientului și ajustarea SAU, au fost efectuate: (1) modelul 1 a fost asortat folosind vârsta, sexul, rasa și fumatul fără ajustare pentru SAU; (2) modelul 2 a fost asortat folosind vârsta, sexul, rasa și fumatul, iar OR al COVID-19 a fost ajustat în funcție de vârstă, sex, rasă și fumat; (3) modelul 3 a fost asortat folosind vârsta, sexul, rasa, fumatul, boala coronariană, diabetul, hipertensiunea și BPOC fără ajustare pentru OR; și (4) modelul 4 a fost asociat cu vârsta, sexul, rasa, fumatul, boala coronariană, diabetul, hipertensiunea și BPOC, iar OR al COVID-19 a fost ajustat în funcție de vârstă, sex, rasă, fumat, boala coronariană, diabet, hipertensiune și BPOC. Toate analizele au fost efectuate folosind pachetul matchit din platforma R v3.6.3.(1) modelul 1 a fost asortat folosind vârsta, sexul, rasa și fumatul fără ajustare pentru RUP; (2) modelul 2 a fost asortat folosind vârsta, sexul, rasa și fumatul, iar OR al COVID-19 a fost ajustat în funcție de vârstă, sex, rasă și fumat; (3) modelul 3 a fost asortat utilizând vârsta, sexul, rasa, fumatul, boala coronariană, diabetul, hipertensiunea și BPOC fără ajustare pentru OR; și (4) modelul 4 a fost asociat cu vârsta, sexul, rasa, fumatul, boala coronariană, diabetul, hipertensiunea și BPOC, iar OR al COVID-19 a fost ajustat în funcție de vârstă, sex, rasă, fumat, boala coronariană, diabet, hipertensiune și BPOC. Toate analizele au fost efectuate folosind pachetul matchit din platforma R v3.6.3.(1) modelul 1 a fost asortat folosind vârsta, sexul, rasa și fumatul fără ajustare pentru RUP; (2) modelul 2 a fost asortat folosind vârsta, sexul, rasa și fumatul, iar OR al COVID-19 a fost ajustat în funcție de vârstă, sex, rasă și fumat; (3) modelul 3 a fost asortat utilizând vârsta, sexul, rasa, fumatul, boala coronariană, diabetul, hipertensiunea și BPOC fără ajustare pentru OR; și (4) modelul 4 a fost asociat cu vârsta, sexul, rasa, fumatul, boala coronariană, diabetul, hipertensiunea și BPOC, iar OR al COVID-19 a fost ajustat în funcție de vârstă, sex, rasă, fumat, boala coronariană, diabet, hipertensiune și BPOC. Toate analizele au fost efectuate folosind pachetul matchit din platforma R v3.6.3.iar OR al COVID-19 a fost ajustat în funcție de vârstă, sex, rasă și fumat; (3) modelul 3 a fost asortat utilizând vârsta, sexul, rasa, fumatul, boala coronariană, diabetul, hipertensiunea și BPOC fără ajustare pentru OR; și (4) modelul 4 a fost asociat cu vârsta, sexul, rasa, fumatul, boala coronariană, diabetul, hipertensiunea și BPOC, iar OR al COVID-19 a fost ajustat în funcție de vârstă, sex, rasă, fumat, boala coronariană, diabet, hipertensiune și BPOC. Toate analizele au fost efectuate folosind pachetul matchit din platforma R v3.6.3.iar OR al COVID-19 a fost ajustat în funcție de vârstă, sex, rasă și fumat; (3) modelul 3 a fost asortat utilizând vârsta, sexul, rasa, fumatul, boala coronariană, diabetul, hipertensiunea și BPOC fără ajustare pentru OR; și (4) modelul 4 a fost asociat cu vârsta, sexul, rasa, fumatul, boala coronariană, diabetul, hipertensiunea și BPOC, iar OR al COVID-19 a fost ajustat în funcție de vârstă, sex, rasă, fumat, boala coronariană, diabet, hipertensiune și BPOC. Toate analizele au fost efectuate folosind pachetul matchit din platforma R v3.6.3.iar OR al COVID-19 a fost ajustat în funcție de vârstă, sex, rasă, fumat, boală coronariană, diabet, hipertensiune și BPOC. Toate analizele au fost efectuate folosind pachetul matchit din platforma R v3.6.3.iar OR al COVID-19 a fost ajustat în funcție de vârstă, sex, rasă, fumat, boală coronariană, diabet, hipertensiune și BPOC. Toate analizele au fost efectuate folosind pachetul matchit din platforma R v3.6.3.

Analiza statistică și vizualizarea rețelei

Testele statistice au fost efectuate cu pachetul Python SciPy v1.3.0 ( https://www.scipy.org/ ). P <0,05 a fost considerat semnificativ statistic pe tot parcursul acestui studiu. Rețelele au fost vizualizate folosind Gephi 0.9.2 ( https://gephi.org/ ).

Declarație de etică

Procedurile respectă orientările instituționale pentru cercetarea bazei de date a registrului COVID-19 și au fost aprobate de Consiliul de revizuire instituțională al Cleveland Clinic Foundation

Informatii justificative

Fig 2 date.

Se afișează de 1 / 39 : pbio.3000970.s001.xlsxTreceți la navigarea de partajare afigurilor

ABCDEF
1-log10FDR
2SARS2-DEGSARS2-DEPHCoV-PPISARS2-PPIPanCoV-PPI
3Fagosom2.265597540921242.00744597744075.714880654188220,1717469500328854.89174797753807
4Pojar7.2335711988126505.3204928190911602.94356820665213
5Apoptoza1.867301097581970.39775246480125.3490981081326901.83040120110577
6Gripa A7.772636857291760,01745125558502284.7428115508188202.72116949111427
7Transport ARN0.2925934010167633.97496062665692.49082909765895.56190183168392
8Infecția cu virusul Epstein-Barr6.898134014148860.2127228976589853.4201201711236901.68562260286601
9Calea de semnalizare NF-kappa B.10.162713343532502.831135080353690,0595323647298392.59316562187709
10Prelucrarea proteinelor în reticulul endoplasmatic2.333551740288350.5011554817436482.912155572129673.84382165553441
11Hepatita B3.397582294035750.2950167783536663.2589608185310601.10850995080303
12Diferențierea celulei Th171.853459068711160.1260105161584232.666591873287510.657480479308396
13Necroptosis2.109392182208840.2979001488713942.5782674720877200.850532339791952
14Inflammatory bowel disease (IBD)2.025589454628361.875846039917950.514801793793023
15Tuberculosis2.416944757070261.211426447127911.8065163460176200.989879064622964
16Gap junction1.562372645193211.077355177983181.5528622830717200.556196340388086
17Rheumatoid arthritis8.345190528637480.4025470910122711.5266385175456900.748992964911753
18Hepatitis C4.261938507843210.5679938845437721.485651011594700.700602812788722
19
20neutrophil mediated immunity4.893090342623982.602020704536711.61286026188052.14931417094134.53161477558507
21negative regulation of apoptotic process2.242320431730782.169945591617013.5302608960990801.8079901352795
22viral life cycle007.437286181773253.3687772383277711.8274561331789
23viral process00.1006206073171086.466422517392482.595780053357589.26004510907007
24extrinsic apoptotic signaling pathway1.400255499531610.03876171130303816.2652754474747604.19125148094585
25cytokine-mediated signaling pathway17.36168421019630.04928546822128895.9825948649915802.0884154828331
26response to cytokine6.8517500771273203.7084140889536102.32453215129061
27mRNA splicing, via spliceosome5.612533545820033.3430399345090401.81483932458688
28transport of virus3.3659156435993.18177184401527.76897347814735
29regulation of viral genome replication6.758787518928350.137910378338373.0107156746190301.70710844176532
30RNA metabolic process03.443875735682142.896706877773360.0109039963396872.14371025238485
31positive regulation of apoptotic signaling pathway3.36759713995521.925855645556350.0008518540050288381.84063526015888
32regulation of cell cycle G2/M phase transition00.1059938450233911.786550996379813.385252051823586.12392564437174
33reglarea semnalizării kinazei I-kappaB / NF-kappaB3.7252648438622500,1593159591914931.905662228055122.32291664820381
34răspuns la interferon-gamma3.663451755344642.063670275056030,678748155741286
35răspuns la interferon-alfa1.493704728228791.878398164436760,961597792049383
36răspuns la interferon-beta4.682755311504160.3174428366391371.779994593288720.903639945429918
37calea de semnalizare a interferonului de tip I6.702665494835261.450869074420360.358317771820691

AFIF, GH1 / 39Descarcacota de smochine

Date S1. Fig 2 date.

https://doi.org/10.1371/journal.pbio.3000970.s001

(XLSX)

Date S2. Fig. 3 date.

https://doi.org/10.1371/journal.pbio.3000970.s002

(XLSX)

Date S3. Fig. 4 date.

https://doi.org/10.1371/journal.pbio.3000970.s003

(XLSX)

Date S4. Fig. 5 date.

https://doi.org/10.1371/journal.pbio.3000970.s004

(XLSX)

Date S5. Fig. 6 date.

https://doi.org/10.1371/journal.pbio.3000970.s005

(XLSX)

Date S6. Fig. 7 date.

https://doi.org/10.1371/journal.pbio.3000970.s006

(XLSX)

Date S7. S1 – S5 Date fig.

https://doi.org/10.1371/journal.pbio.3000970.s007

(XLSX)

Date S8. S6 Date Fig .

https://doi.org/10.1371/journal.pbio.3000970.s008

(XLSX)

Date S9. S7 Date Fig .

https://doi.org/10.1371/journal.pbio.3000970.s009

(XLSX)

Date S10. S14 Date fig .

https://doi.org/10.1371/journal.pbio.3000970.s010

(XLSX)

Date S11. S15 Date fig .

https://doi.org/10.1371/journal.pbio.3000970.s011

(XLSX)

S1 Fig. Analiza funcțională de îmbogățire pentru SARS2-DEG.

În total, 246 de gene exprimate diferențial (DEG) în celulele epiteliale bronșice umane infectate cu SARS-CoV-2 au fost obținute din baza de date NCBI GEO cu numărul de acces GSE147507, denumit SARS2-DEG. Datele care stau la baza acestei cifre pot fi găsite în S7 Data .

https://doi.org/10.1371/journal.pbio.3000970.s012

(PDF)

S2 Fig. Analiza funcțională de îmbogățire pentru SARS2-DEP.

În total, 293 proteine ​​exprimate diferențial (DEP) în celulele Caco-2 umane infectate cu SARS-CoV-2 au fost obținute de la Bojkova și colab. [ 22 ], denumit SARS2-DEP. Datele care stau la baza acestei cifre pot fi găsite în S7 Data .

https://doi.org/10.1371/journal.pbio.3000970.s013

(PDF)

S3 Fig. Analiza funcțională de îmbogățire pentru HCoV-PPI.

Acest set de date conține 134 de coravirus pan-uman puternic bazat pe dovezi de literatură, proteine ​​gazdă țintă de la Zhou și colab. [ 30 ] cu 15 proteine ​​nou curate, denumite HCoV-PPI. Datele care stau la baza acestei cifre pot fi găsite în S7 Data .

https://doi.org/10.1371/journal.pbio.3000970.s014

(PDF)

S4 Fig. Analiza funcțională de îmbogățire pentru SARS2-PPI.

Acest set de date conține 332 de proteine ​​implicate în interacțiunile proteină-proteină cu 26 de proteine ​​virale SARS-CoV-2 identificate prin purificare de afinitate-spectrometrie de masă de la Gordon și colab. [ 8 ], denumit SARS2-PPI. Datele care stau la baza acestei cifre pot fi găsite în S7 Data .

https://doi.org/10.1371/journal.pbio.3000970.s015

(PDF)

S5 Fig. Analiza funcțională de îmbogățire pentru PanCoV-PPI.

Datorită naturii interactome a HCoV-PPI și SARS2-PPI, am combinat aceste seturi de date ca al cincilea set de date SARS-CoV-2, care are 460 de proteine ​​și este denumit PanCoV-PPI. Datele care stau la baza acestei cifre pot fi găsite în S7 Data .

https://doi.org/10.1371/journal.pbio.3000970.s016

(PDF)

S6 Fig. Caracteristicile celor 4 seturi de date țintă SARS-CoV-2.

Gradul nodului (albastru), raportul dN / dS (portocaliu), raportul evolutiv (verde) și specificitatea expresiei pulmonare (violet) sunt afișate pentru fiecare set de date. Zonele gri indică media ± deviația standard de 100 de repetări folosind gene selectate aleatoriu. Datele care stau la baza acestei cifre pot fi găsite în S8 Data .

https://doi.org/10.1371/journal.pbio.3000970.s017

(PDF)

S7 Fig. Boală pulmonară obstructivă cronică și COVID-19.

(A) Riscul de boală pulmonară obstructivă cronică (BPOC) este crescut la pacienții cu COVID-19 severe. (B) Subrețeaua arată proteinele potențial implicate în interacțiunea dintre BPOC și COVID-19. Datele care stau la baza acestei cifre pot fi găsite în S9 Data .

https://doi.org/10.1371/journal.pbio.3000970.s018

(PDF)

S8 Fig. Astm și COVID-19.

(A) Riscul de dispnee este crescut la pacienții cu COVID-19 sever. (B) Vizualizare UMAP pentru celulele epiteliale bronșice umane. (C și D) Niveluri de expresie ale ACE2 în 14 tipuri de celule. (E și F) Niveluri de expresie ale TMPRSS2 în 14 tipuri de celule. (G) Vizualizare UMAP pentru celulele pulmonare. (H și I) Niveluri de expresie ale ACE2 pe 9 tipuri de celule. (J și K) Niveluri de expresie ale TMPRSS2 pe 9 tipuri de celule. Datele cu o singură celulă cu adnotare de tip celular au fost preluate de la Lukassen și colab. [ 14 ], care conține 39.778 celule pulmonare și 17.451 celule epiteliale bronșice.

https://doi.org/10.1371/journal.pbio.3000970.s019

(PDF)

S9 Fig. Expresia genelor de astm și a țintelor SARS-CoV-2.

Sunt prezentate nivelurile de expresie ale genelor din subrețeaua de astm-COVID-19 în celulele epiteliale bronșice (A) și celulele pulmonare (B).

https://doi.org/10.1371/journal.pbio.3000970.s020

(PDF)

S10 Fig. Rapoarte de risc pentru dureri abdominale și diaree la pacienții cu COVID-19.

Durerea abdominală (A) și diareea (B) prezintă riscuri crescute la pacienții cu COVID-19 sever.

https://doi.org/10.1371/journal.pbio.3000970.s021

(PDF)

S11 Fig. Boală inflamatorie intestinală și COVID-19.

(A) Vizualizarea UMAP a celulelor neepiteliale din țesuturile ileale ale pacienților cu boala Crohn. (B și D) Expresia ACE2 în celulele neepiteliale din (A). (C și E) Expresia TMPRSS2 în celulele non-epiteliale din (A). (F) Vizualizarea UMAP a celulelor epiteliale din țesuturile ileale ale pacienților cu boala Crohn. (G și I) Expresia ACE2 în celulele epiteliale din (F). (H și J) Expresia TMPRSS2 în celulele epiteliale din (F). (K și L) Nivelurile de expresie ale ACE2 și TMPRSS2 la enterocitele absorbante ileale inflamate versus neinflamate la pacienții cu boala Crohn. Datele cu o singură celulă au fost preluate de la Martin et al. [ 72], care conține 67.050 celule inflamate și neinflamate din probele ileale a 8 pacienți cu boală Crohn.

https://doi.org/10.1371/journal.pbio.3000970.s022

(PDF)

S12 Fig. Validarea pe bază de pacienți a reutilizării medicamentului pentru COVID-19 utilizând 3 subgrupuri diferite de boală.

Subgrupurile de boală sunt (A) astm, (B) diabet și (C) hipertensiune. Au fost evaluate patru modele. Aceste modele au fost potrivite și ajustate folosind diferite variabile, așa cum se arată în tabel. Variabila care a fost utilizată pentru extragerea fiecărui subgrup de pacienți nu a fost utilizată pentru potrivirea scorului de înclinație sau ajustarea raportului de șanse. ACEI, inhibitor al enzimei de conversie a angiotensinei; ARB, blocant al receptorilor angiotensinei II.

https://doi.org/10.1371/journal.pbio.3000970.s023

(PDF)

S13 Fig. Comparația rezultatelor validării pacientului cu utilizarea carvedilolului la americanii negri și americanii albi.

La americanii negri, utilizarea carvedilolului a arătat un risc redus al unui test SARS-CoV-2 pozitiv atunci când scorul de înclinație a fost asociat cu variabilele de bază (vârstă, sex și fumat).

https://doi.org/10.1371/journal.pbio.3000970.s024

(PDF)

S14 Fig. Analiza efectului numărului de gene asociate bolilor asupra scorurilor Z de proximitate a rețelei .

Fiecare punct reprezintă o boală ( scor Z comparativ cu numărul de gene). Nu a fost observată nicio prejudecată semnificativă pentru numărul de gene. Maxima 2 este 0.1468 din setul de date SARS2-IPP. Datele care stau la baza acestei cifre pot fi găsite în S10 Data .

https://doi.org/10.1371/journal.pbio.3000970.s025

(PDF)

S15 Fig. Manifestările bolii asociate cu COVID-19 cuantificate prin măsurarea proximității rețelei utilizând gene specifice țesuturilor pentru fiecare boală.

Genele asociate bolii au fost filtrate după specificitatea țesutului lor. Țesuturile luate în considerare sunt prezentate după numele bolii. Doar genele cu specificitate pozitivă au fost reținute pentru analiza rețelei. După filtrare, bolile cu mai puțin de 5 gene au fost eliminate din evaluare. Datele care stau la baza acestei cifre pot fi găsite în S11 Data .

https://doi.org/10.1371/journal.pbio.3000970.s026

(PDF)

S16 Fig. Subrețeaua dintre genele asociate IBD, proteinele virusului SARS-CoV-2 și proteinele țintă ale virusului.

Dimensiunile nodurilor arată specificitatea țesutului în colon.

https://doi.org/10.1371/journal.pbio.3000970.s027

(PDF)

S17 Fig. Analiza proximității rețelei astmului și COVID-19 luând în considerare direcționalitățile expresiei genetice diferențiale.

Genele exprimate în sus și în jos în cele 2 seturi de date de astm (GSE63142 și GSE130499, severe versus martori) au fost calculate împotriva genelor exprimate în sus și în jos din setul de date SARS2-DEG. În general, rezultatele arată proximități de rețea mai semnificative și scoruri Z mai mici decât atunci când direcția nu este luată în considerare, ca în Fig 4 .

https://doi.org/10.1371/journal.pbio.3000970.s028

(PDF)

S18 Fig. Fluxul de lucru al căutării studiului clinic.

Am căutat în bazele de date PubMed, Embase și medRxiv pentru publicații începând cu 25 aprilie 2020, folosind termenul de căutare („SARS-COV-2” SAU „COVID-19” SAU „nCoV 19” SAU „2019 coronavirus roman” SAU „coronavirus boala 2019 ”) ȘI („ caracteristici clinice ”SAU„ rezultat clinic ”SAU„ comorbidități ”). Au fost incluse doar articole de cercetare. Au fost utilizate mai multe criterii pentru a filtra primele 1.054 de articole la un eșantion final de 34 de studii pentru meta-analize.

https://doi.org/10.1371/journal.pbio.3000970.s029

(PDF)

S19 Fig. Prezentare generală a interactomului proteinei umane.

Cytoscape 3.7.1 a fost utilizat pentru vizualizare și pentru generarea statisticilor. Coeficientul de grupare (variază de la 0 la 1) măsoară măsura în care nodurile din rețea tind să se grupeze împreună. Centralizarea rețelei (variază de la 0 la 1) măsoară măsura în care topologia seamănă cu o stea. Densitatea rețelei (variază de la 0 la 1) arată cât de dens sunt conectate nodurile în rețea. Eterogenitatea rețelei arată tendința rețelei de a conține noduri hub.

https://doi.org/10.1371/journal.pbio.3000970.s030

(PDF)

S20 Fig. Markeri de tip celular și expresiile lor în graficul punctelor utilizate pentru identificarea celulelor ileale neepiteliale.

https://doi.org/10.1371/journal.pbio.3000970.s031

(PDF)

S21 Fig. Markeri de tip celular și expresiile lor în graficul punctelor utilizate pentru identificarea celulelor epiteliale ileale.

https://doi.org/10.1371/journal.pbio.3000970.s032

(PDF)

Fișier S1. Fișier de rețea pentru rețeaua globală de manifestări ale bolii asociate cu coronavirusul uman.

https://doi.org/10.1371/journal.pbio.3000970.s033

(ZIP)

S1 Tabel. Rezumatul seturilor de date utilizate în acest studiu.

https://doi.org/10.1371/journal.pbio.3000970.s034

(PDF)

S2 Tabel. Cinci seturi de date țintă SARS-CoV-2 utilizate în acest studiu.

https://doi.org/10.1371/journal.pbio.3000970.s035

(XLSX)

S3 Tabel. Liste de ținte de virus suplimentare pentru comparații cu țintele SARS-CoV-2.

https://doi.org/10.1371/journal.pbio.3000970.s036

(XLSX)

S4 Tabel. Gene asociate bolii.

https://doi.org/10.1371/journal.pbio.3000970.s037

(XLSX)

S5 Tabel. Studiile clinice COVID-19 utilizate în meta-analiză.

https://doi.org/10.1371/journal.pbio.3000970.s038

(XLSX)

S6 Tabel. Rezultatele apropierii rețelei pentru 2.938 medicamente împotriva seturilor de date SARS-CoV-2.

https://doi.org/10.1371/journal.pbio.3000970.s039

(XLSX)

Mulțumiri

Mulțumim tuturor discuțiilor utile și comentariilor critice referitoare la acest manuscris de la membrii Comitetului consultativ pentru cercetare COVID-19 de la Cleveland Clinic.

Referințe

  1. 1.Dong E, Du H, Gardner L. Un tablou de bord interactiv bazat pe web pentru a urmări COVID-19 în timp real. Lancet Infect Dis. 2020; 20 (5): 533-4. pmid: 32087114
  2. 2.Bhatraju PK, Ghassemieh BJ, Nichols M, Kim R, Jerome KR, Nalla AK, și colab. Covid-19 la pacienții cu boală critică din regiunea Seattle – seria de cazuri. N Engl J Med. 2020; 382 (21): 2012–22. pmid: 32227758
  3. 3.Guan WJ, Ni ZY, Hu Y, Liang WH, Ou CQ, He JX și colab. Caracteristicile clinice ale bolii Coronavirus 2019 în China. N Engl J Med. 2020; 382 (18): 1708-20. pmid: 32109013
  4. 4.Wang D, Hu B, Hu C, Zhu F, Liu X, Zhang J și colab. Caracteristici clinice ale a 138 de pacienți spitalizați cu pneumonie romană infectată cu Coronavirus din 2019 în Wuhan, China. JAMA. 2020; 323 (11): 1061-9. pmid: 32031570
  5. 5.Yang X, Yu Y, Xu J, Shu H, Xia J, Liu H și colab. Curs clinic și rezultatele pacienților cu afecțiuni critice cu pneumonie SARS-CoV-2 în Wuhan, China: un studiu observațional retrospectiv unic centrat. Lancet Respir Med. 2020; 8 (5): 475–81. pmid: 32105632
  6. 6.Zhou F, Yu T, Du R, Fan G, Liu Y, Liu Z și colab. Curs clinic și factori de risc pentru mortalitatea pacienților adulți internați cu COVID-19 în Wuhan, China: un studiu retrospectiv de cohortă. Lancet. 2020; 395 (10229): 1054-62. pmid: 32171076
  7. 7.Chen N, Zhou M, Dong X, Qu J, Gong F, Han Y și colab. Caracteristicile epidemiologice și clinice ale a 99 de cazuri de pneumonie coronavirusă nouă din 2019 în Wuhan, China: un studiu descriptiv. Lancet. 2020; 395 (10223): 507-13. pmid: 32007143
  8. 8.Gordon DE, Jang GM, Bouhaddou M, Xu J, Obernier K, White KM și colab. O hartă de interacțiune cu proteina SARS-CoV-2 dezvăluie ținte pentru refacerea medicamentelor. Natură. 2020; 583 (7816): 459-68. pmid: 32353859
  9. 9.Zhu N, Zhang D, Wang W, Li X, Yang B, Song J și colab. Un nou coronavirus de la pacienții cu pneumonie din China, 2019. N Engl J Med. 2020; 382 (8): 727–33. pmid: 31978945
  10. 10.Hoffmann M, Kleine-Weber H, Schroeder S, Kruger N, Herrler T, Erichsen S și colab. Intrarea celulelor SARS-CoV-2 depinde de ACE2 și TMPRSS2 și este blocată de un inhibitor de protează demonstrat clinic. Celula. 2020; 181 (2): 271-80.e8. pmid: 32142651
  11. 11.Hoffmann M, Kleine-Weber H, Pohlmann S. Un site de clivaj multibazic în proteina Spike a SARS-CoV-2 este esențial pentru infecția celulelor pulmonare umane. Mol Cell. 2020; 78 (4): 779-84.e5. pmid: 32362314
  12. 12.Ziegler CGK, Allon SJ, Nyquist SK, Mbano IM, Miao VN, Tzouanas CN, și colab. Receptorul SARS-CoV-2 ACE2 este o genă stimulată de interferon în celulele epiteliale ale căilor respiratorii umane și este detectată în subseturi de celule specifice din țesuturi. Celula. 2020; 181 (5): 1016–35.e19. pmid: 32413319
  13. 13.Sungnak W, Huang N, Becavin C, Berg M, Queen R, Litvinukova M, și colab. Factorii de intrare SARS-CoV-2 sunt foarte exprimați în celulele epiteliale nazale împreună cu genele imune înnăscute. Nat Med. 2020; 26 (5): 681-7. pmid: 32327758
  14. 14.Lukassen S, Chua RL, Trefzer T, Kahn NC, Schneider MA, Muley T și colab. Receptorul SARS-CoV-2 ACE2 și TMPRSS2 sunt exprimate în principal în celulele secretoare tranzitorii bronșice. EMBO J. 2020; 39 (10): e105114. pmid: 32246845
  15. 15.Zhang H, Kang Z, Gong H, Xu D, Wang J, Li Z și colab. Sistemul digestiv este o cale potențială a COVID-19: o analiză a modelului de coexpresie unicelulară a proteinelor cheie în procesul de intrare virală. Intestin. 2020; 69 (6): 1010-8.
  16. 16.Yang S, Fu C, Lian X, Dong X, Zhang Z. Înțelegerea interacțiunilor om-virus proteină-proteină utilizând un cadru de analiză bazat pe complex de proteine ​​umane. mSystems. 2019; 4 (2): e00303-18. pmid: 30984872
  17. 17.Liu C, Ma Y, Zhao J, Nussinov R, Zhang Y, Cheng F și colab. Biologie de rețea computațională: date, modele și aplicații. Phys Phys. 2020; 846: 1-66.
  18. 18.Zumla A, Chan JF, Azhar EI, Hui DS, Yuen KY. Coronavirusuri – descoperirea medicamentelor și opțiuni terapeutice. Nat Rev Drug Discov. 2016; 15 (5): 327-47. pmid: 26868298
  19. 19.Pfefferle S, Schopf J, Kogl M, Friedel CC, Muller MA, Carbajo-Lozoya J, și colab. Interactomul SARS-coronavirus-gazdă: identificarea ciclofilinelor ca țintă pentru inhibitorii pan-coronavirusului. PLoS Pathog. 2011; 7 (10): e1002331. pmid: 22046132
  20. 20.Fung TS, Liu DX. Coronavirus uman: interacțiunea gazdă-agent patogen. Annu Rev Microbiol. 2019; 73: 529-57. pmid: 31226023
  21. 21.Blanco-Melo D, Nilsson-Payant BE, Liu WC, Uhl S, Hoagland D, Moller R, și colab. Răspunsul dezechilibrat al gazdei la SARS-CoV-2 determină dezvoltarea COVID-19. Celula. 2020; 181 (5): 1036–45.e9. pmid: 32416070
  22. 22.Bojkova D, Klann K, Koch B, Widera M, Krause D, Ciesek S și colab. Proteomica celulelor gazdă infectate cu SARS-CoV-2 dezvăluie ținte de terapie. Natură. 2020; 583 (7816): 469-72. pmid: 32408336
  23. 23.Zhou Y, Wang F, Tang J, Nussinov R, Cheng F. Inteligența artificială în reutilizarea COVID-19 a medicamentelor. Lancet Digit Health. 2020 Sep 18. pmid: 32984792
  24. 24.Vaccinurile Krammer F. SARS-CoV-2 în curs de dezvoltare. Natură. 2020; 586 (7830): 516-27. pmid: 32967006
  25. 25.Beigel JH, Tomashek KM, Dodd LE, Mehta AK, Zingman BS, Kalil AC, și colab. Remdesivir pentru tratamentul Covid-19 – Raport final. N Engl J Med. 2020 Octombrie 8 pmid: 32445440
  26. 26.Spinner CD, Gottlieb RL, Criner GJ, Arribas Lopez JR, Cattelan AM, Soriano Viladomiu A și colab. Efectul remdesivirului comparativ cu îngrijirea standard asupra stării clinice la 11 zile la pacienții cu COVID-19 moderat: un studiu clinic randomizat. JAMA. 2020; 324 (11): 1048–57. pmid: 32821939
  27. 27.Horby P, Lim WS, Emberson JR, Mafham M, Bell JL, Linsell L și colab. Dexametazonă la pacienții spitalizați cu COVID-19 – raport preliminar. N Engl J Med. 2020 iulie 17. pmid: 32678530
  28. 28.Cao B, Wang Y, Wen D, Liu W, Wang J, Fan G și colab. Un studiu cu lopinavir-ritonavir la adulți spitalizați cu COVID-19 sever. N Engl J Med. 2020; 382 (19): 1787–99. pmid: 32187464
  29. 29.Yan L, Zhang H, Goncalves J, Xiao Y, Wang M, Guo Y și colab. Un model interpretabil de predicție a mortalității pentru pacienții cu COVID-19. Nat Mach Intell. 2020; 2: 283-8.
  30. 30.Zhou Y, Hou Y, Shen J, Huang Y, Martin W, Cheng F. Reutilizarea medicamentelor bazate pe rețea pentru coronavirusul nou 2019-nCoV / SARS-CoV-2. Cell Discov. 2020; 6:14. pmid: 32194980
  31. 31.Cheng F, Lu W, Liu C, Fang J, Hou Y, Handy DE, și colab. Un algoritm de rețea de sisteme de poziționare la nivel de genom pentru reutilizarea medicamentelor in silico. Nat Commun. 2019; 10 (1): 3476. pmid: 31375661
  32. 32.Cheng F, Desai RJ, Handy DE, Wang R, Schneeweiss S, Barabasi AL, și colab. Abordare bazată pe rețea de predicție și validare bazată pe populație a reutilizării medicamentelor in silico. Nat Commun. 2018; 9 (1): 2691. pmid: 30002366
  33. 33.Cheng F, Kovacs IA, Barabasi AL. Predicția bazată pe rețea a combinațiilor de medicamente. Nat Commun. 2019; 10 (1): 1197. pmid: 30867426
  34. 34.Gysi DM, Do Valle I, Zitnik M, Ameli A, Gan X, Varol O și colab. Cadrul de medicină în rețea pentru identificarea oportunităților de reutilizare a medicamentelor pentru COVID-19. arXiv: 2004.07229v2. 2020 Aug 9. pmid: 32550253
  35. 35.Cheng F, Murray JL, Zhao J, Sheng J, Zhao Z, Rubin DH. Investigarea bazată pe biologia sistemelor a țintelor medicamentelor antivirale celulare identificate prin mutageneză inserțională prin capcana genică PLoS Comput Biol. 2016; 12 (9): e1005074. pmid: 27632082
  36. 36.Pichlmair A, Kandasamy K, Alvisi G, Mulhern O, Sacco R, Habjan M, și colab. Modulatorii imuni virali perturbă rețeaua moleculară umană prin strategii comune și unice. Natură. 2012; 487 (7408): 486-90. pmid: 22810585
  37. 37.Watanabe T, Kawakami E, Shoemaker JE, Lopes TJ, Matsuoka Y, Tomita Y și colab. Ecran interactiv al virusului gripal-gazdă ca platformă pentru dezvoltarea medicamentelor antivirale. Microbi gazdă celulară. 2014; 16 (6): 795-805. pmid: 25464832
  38. 38.Consorțiul GTEx. Proiectul Genotype-Tissue Expression (GTEx). Nat Genet. 2013; 45 (6): 580-5. pmid: 23715323
  39. 39.Li G, He X, Zhang L, Ran Q, Wang J, Xiong A și colab. Evaluarea tiparelor de expresie ACE2 în țesuturile pulmonare în patogeneza COVID-19. J Autoimun. 2020; 112: 102463. pmid: 32303424
  40. 40.Shimokawa H, Sunamura S, Satoh K. RhoA / Rho-kinaza în sistemul cardiovascular. Circ Res. 2016; 118 (2): 352-66. pmid: 26838319
  41. 41.Zaoui K, Boudhraa Z, Khalife P, Carmona E, Provencher D, Mes-Masson AM. Ran promovează direcționarea membranelor și stabilizarea RhoA pentru a orchestra invazia celulelor cancerului ovarian. Nat Commun. 2019; 10 (1): 2666. pmid: 31209254
  42. 42.Forbes SA, Bindal N, Bamford S, Cole C, Kok CY, Beare D și colab. COSMIC: extragerea genomelor complete ale cancerului în Catalogul mutațiilor somatice în cancer. Acizi nucleici Res. 2011; 39 (ediția bazei de date): D945–50. pmid: 20952405
  43. 43.Sondka Z, Bamford S, Cole CG, Ward SA, Dunham I, Forbes SA. Recensământul genei cancerului COSMIC: descrierea disfuncției genetice în toate cancerele umane. Nat Rev Cancer. 2018; 18 (11): 696-705. pmid: 30293088
  44. 44.Liu C, Zhao J, Lu W, Dai Y, Hockings J, Zhou Y și colab. Analiza individualizată a rețelei genetice relevă noi vulnerabilități terapeutice la 6.700 de genomi de cancer. PLoS Comput Biol. 2020; 16 (2): e1007701. pmid: 32101536
  45. 45.Stenson PD, Ball EV, Mort M, Phillips AD, Shiel JA, Thomas NS, și colab. Baza de date a mutației genelor umane (HGMD): actualizare 2003. Hum Mutat. 2003; 21 (6): 577–81. pmid: 12754702
  46. 46.Bello SM, Shimoyama M, Mitraka E, Laulederkind SJF, Smith CL, Eppig JT și colab. Ontologie a bolilor: îmbunătățirea și unificarea adnotărilor bolii între specii. Dis Model Mech. 2018; 11 (3): dmm032839. pmid: 29590633
  47. 47.Clerkin KJ, Fried JA, Raikhelkar J, Sayer G, Griffin JM, Masoumi A și colab. COVID-19 și boli cardiovasculare. Circulaţie. 2020; 141 (20): 1648–55. pmid: 32200663
  48. 48.Baldi E, Sechi GM, Mare C, Canevari F, Brancaglione A, Primi R, și colab. Stop cardiac în afara spitalului în timpul focarului COVID-19 din Italia. N Engl J Med. 2020; 383 (5): 496-8. pmid: 32348640
  49. 49.Menche J, Sharma A, Kitsak M, Ghiassian SD, Vidal M, Loscalzo J, și colab. Rețele de boli. Descoperirea relațiilor boală-boală prin interactomul incomplet. Ştiinţă. 2015; 347 (6224): 1257601. pmid: 25700523
  50. 50.Fan E, Beitler JR, Brochard L, Calfee CS, Ferguson ND, Slutsky AS și colab. Sindromul de detresă respiratorie acută asociat COVID-19: este justificată o abordare diferită a managementului? Lancet Respir Med. 2020; 8 (8): 816-21. pmid: 32645311
  51. 51.Prescott HC, Girard TD. Recuperarea după COVID-19 sever: valorificarea lecțiilor de supraviețuire din septicemie. JAMA. 2020; 324 (8): 739-40. pmid: 32777028
  52. 52.Beers MF, Mulugeta S. Biologia transportorului de lipide ABCA3 în sănătatea și bolile pulmonare. Rez. Țesutului celular 2017; 367 (3): 481-93. pmid: 28025703
  53. 53.Nogee LM. Exprimarea anormală a proteinei surfactant C și a bolilor pulmonare. Am J Respir Cell Mol Biol. 2002; 26 (6): 641-4. pmid: 12034561
  54. 54.Tay MZ, Poh CM, Renia L, MacAry PA, Ng LFP. Trinitatea COVID-19: imunitate, inflamație și intervenție. Nat Rev Immunol. 2020; 20 (6): 363-74. pmid: 32346093
  55. 55.Swaroopa D, Bhaskar K, Mahathi T, Katkam S, Raju YS, Chandra N și colab. Asocierea scorului seric interleukină-6, interleukină-8 și fiziologie acută și evaluarea cronică a sănătății II cu rezultatul clinic la pacienții cu sindrom de detresă respiratorie acută. Indian J Crit Care Med. 2016; 20 (9): 518-25. pmid: 27688627
  56. 56.Hou T, Huang D, Zeng R, Ye Z, Zhang Y. Precizia interleukinei serice (IL) -6 în diagnosticul sepsisului: o revizuire sistematică și meta-analiză. Int J Clin Exp Med. 2015; 8 (9): 15238–45. pmid: 26629009
  57. 57.Song J, Park DW, Moon S, Cho HJ, Park JH, Seok H și colab. Valoarea diagnostică și prognostică a nivelurilor de interleukină-6, pentraxină 3 și procalcitonină la pacienții cu sepsis și șoc septic: un studiu controlat prospectiv conform definițiilor Sepsis-3. BMC Infect Dis. 2019; 19 (1): 968. pmid: 31718563
  58. 58.Xu X, Han M, Li T, Sun W, Wang D, Fu B și colab. Tratamentul eficient al pacienților cu COVID-19 severe cu tocilizumab. Proc Natl Acad Sci SUA 2020; 117 (20): 10970–5. pmid: 32350134
  59. 59.Wang Q, Fang P, He R, Li M, Yu H, Zhou L și colab. O-GlcNAc transferaza promovează furtuna de citokine indusă de virusul gripei A, vizând factorul-5 de reglare a interferonului. Sci Adv. 2020; 6 (16): eaaz7086. pmid: 32494619
  60. 60.Comhair SA, McDunn J, Bennett C, Fettig J, Erzurum SC, Kalhan SC. Endotipul metabolomic al astmului. J Immunol. 2015; 195 (2): 643-50. pmid: 26048149
  61. 61.Holguin F, Grasemann H, Sharma S, Winnica D, Wasil K, Smith V, și colab. L-citrulina crește oxidul azotic și îmbunătățește controlul la astmaticii obezi. JCI Insight. 2019; 4 (24): e131733. pmid: 31714895
  62. 62.Shen B, Yi X, Sun Y, Bi X, Du J, Zhang C și colab. Caracterizarea proteomică și metabolomică a serurilor pacientului COVID-19. Celula. 2020; 182 (1): 59-72.e15. pmid: 32492406
  63. 63.Samuelsson B. Metabolismul acidului arahidonic: rol în inflamație. Z Reumatol. 1991; 50 (Supliment 1): 3-6. pmid: 1907059
  64. 64.Calabrese C, Triggiani M, Marone G, Mazzarella G. Metabolismul acidului arahidonic în celulele inflamatorii ale pacienților cu astm bronșic. Alergie. 2000; 55 (Supliment 61): 27-30. pmid: 10919502
  65. 65.Berger A. Ce sunt leucotrienele și cum funcționează acestea în astm? BMJ. 1999; 319 (7202): 90. pmid: 10398630
  66. 66.Modena BD, Tedrow JR, Milosevic J, Bleecker ER, Meyers DA, Wu W, și colab. Expresia genelor în raport cu oxidul nitric expirat identifică noi fenotipuri de astm cu căi biomoleculare unice. Am J Respir Crit Care Med. 2014; 190 (12): 1363–72. pmid: 25338189
  67. 67.Weathington N, O’Brien ME, Radder J, Whisenant TC, Bleecker ER, Busse WW și colab. Expresia genei celulelor BAL în astmul sever dezvăluie mecanisme ale bolii severe și influențele medicamentelor. Am J Respir Crit Care Med. 2019; 200 (7): 837–56. pmid: 31161938
  68. 68.Balaci L, Spada MC, Olla N, Sole G, Loddo L, Anedda F, și colab. IRAK-M este implicat în patogeneza astmului persistent cu debut precoce. Sunt J Hum Genet. 2007; 80 (6): 1103-14. pmid: 17503328
  69. 69.de Paiva AC, Marson FA, Ribeiro JD, Bertuzzo CS. Astm: Polimorfisme Gln27Glu și Arg16Gly ale genei receptorului beta2-adrenergic ca factori de risc. Alergie Astm Clin Immunol. 2014; 10 (1): 8. pmid: 24499171
  70. 70.Lamers MM, Beumer J, van der Vaart J, Knoops K, Puschhof J, Breugem TI și colab. SARS-CoV-2 infectează productiv enterocitele intestinului uman. Ştiinţă. 2020; 369 (6499): 50-4. pmid: 32358202
  71. 71.D’Amico F, Baumgart DC, Danese S, Peyrin-Biroulet L. Diaree în timpul infecției COVID-19: patogenie, epidemiologie, prevenire și management. Clin Gastroenterol Hepatol. 2020; 18 (8): 1663-72. pmid: 32278065
  72. 72.Martin JC, Chang C, Boschetti G, Ungaro R, Giri M, Grout JA și colab. Analiza monocelulară a leziunilor bolii Crohn identifică un modul celular patogen asociat cu rezistența la terapia anti-TNF. Celula. 2019; 178 (6): 1493–508.e20. pmid: 31474370
  73. 73.Zhang W, Hui KY, Gusev A, Warner N, Ng SM, Ferguson J, și colab. Studiul de asociere a haplotipului extins în boala Crohn identifică o mutație romană, evreiască Ashkenazi specifică, în gena căii NF-kappaB, HEATR3. Gene imune. 2013; 14 (5): 310-6. pmid: 23615072
  74. 74.Muise AM, Walters T, Xu W, Shen-Tu G, Guo CH, Fattouh R și colab. Polimorfismele nucleotidice unice care cresc expresia guanozin trifosfatazei RAC1 sunt asociate cu colita ulcerativă. Gastroenterologie. 2011; 141 (2): 633-41. pmid: 21684284
  75. 75.Seinen ML, van Nieuw Amerongen GP, ​​de Boer NK, Mulder CJ, van Bezu J, van Bodegraven AA. Rac1 ca potențial biomarker farmacodinamic pentru terapia cu tiopurină în boala inflamatorie intestinală. Mon Drog Monit. 2016; 38 (5): 621-7. pmid: 27465973
  76. 76.Korelitz BI. Avizul experților: experiență cu 6-mercaptopurină în tratamentul bolilor inflamatorii intestinale. World J Gastroenterol. 2013; 19 (20): 2979-84. pmid: 23716977
  77. 77.Perry CM, Scott LJ. Cefdinir: o revizuire a utilizării sale în gestionarea infecțiilor bacteriene ușoare până la moderate. Droguri. 2004; 64 (13): 1433–64. pmid: 15212560
  78. 78.Johansen LM, Brannan JM, Delos SE, Shoemaker CJ, Stossel A, Lear C, și colab. Modulatorii selectivi ai receptorilor de estrogeni aprobați de FDA inhibă infecția cu virusul Ebola. Sci Transl Med. 2013; 5 (190): 190ra79. pmid: 23785035
  79. 79.Cong Y, Hart BJ, Gross R, Zhou H, Frieman M, Bollinger L, și colab. Patogenia MERS-CoV și eficacitatea antivirală a medicamentelor autorizate în celulele prezentatoare de antigen derivate din monocite umane. Plus unu. 2018; 13 (3): e0194868. pmid: 29566060
  80. 80.Dyall J, Coleman CM, Hart BJ, Venkataraman T, Holbrook MR, Kindrachuk J, și colab. Reutilizarea medicamentelor dezvoltate clinic pentru tratamentul infecției cu coronavirus a sindromului respirator din Orientul Mijlociu. Agenți antimicrobieni Chemother. 2014; 58 (8): 4885-93. pmid: 24841273
  81. 81.Jeon S, Ko M, Lee J, Choi I, Byun SY, Park S și colab. Identificarea candidaților la medicamente antivirale împotriva SARS-CoV-2 din medicamentele aprobate de FDA. Agenți antimicrobieni Chemother. 2020; 64 (7): e00819-20. pmid: 32366720
  82. 82.Wang XJ, Hu W, Zhang TY, Mao YY, Liu NN, Wang SQ. Irbesartanul, un medicament aprobat de FDA pentru hipertensiune și nefropatie diabetică, este un inhibitor puternic pentru intrarea virusului hepatitei B prin perturbarea activității polipeptidice cotransportate de taurocolat dependent de Na (+). Antivirale Res. 2015; 120: 140-6. pmid: 26086883
  83. 83.Zhang P, Zhu L, Cai J, Lei F, Qin JJ, Xie J și colab. Asocierea utilizării în spital a inhibitorilor enzimei de conversie a angiotensinei și a blocanților receptorilor angiotensinei II cu mortalitate la pacienții cu hipertensiune spitalizați cu COVID-19. Circ Res. 2020; 126 (12): 1671–81. pmid: 32302265
  84. 84.Vaduganathan M, Vardeny O, Michel T, McMurray JJV, Pfeffer MA, Solomon SD. Inhibitori ai sistemului renină-angiotensină-aldosteron la pacienții cu COVID-19. N Engl J Med. 2020; 382 (17): 1653-9. pmid: 32227760
  85. 85.Jarcho JA, Ingelfinger JR, Hamel MB, D’Agostino RB Sr, Harrington DP. Inhibitori ai sistemului renină-angiotensină-aldosteron și COVID-19. N Engl J Med. 2020; 382 (25): 2462–4. pmid: 32356625
  86. 86.Mehta N, Kalra A, Nowacki AS, Anjewierden S, Han Z, Bhat P și colab. Asocierea utilizării inhibitorilor enzimei de conversie a angiotensinei și a blocanților receptorilor angiotensinei II cu teste pozitive pentru boala Coronavirus 2019 (COVID-19). JAMA Cardiol. 2020; 5 (9): 1020-6. pmid: 32936273
  87. 87.Puelles VG, Lutgehetmann M, Lindenmeyer MT, Sperhake JP, Wong MN, Allweiss L, și colab. Tropismul multiorgan și renal al SARS-CoV-2. N Engl J Med. 2020; 383 (6): 590-2. pmid: 32402155
  88. 88.Xiao F, Tang M, Zheng X, Liu Y, Li X, Shan H. Dovezi pentru infecția gastro-intestinală a SARS-CoV-2. Gastroenterologie. 2020; 158 (6): 1831–3.e3. pmid: 32142773
  89. 89.Nakashima K, Hirota T, Obara K, Shimizu M, Jodo A, Kameda M, și colab. Un studiu de asociere a astmului și a fenotipurilor înrudite cu polimorfisme în moleculele de reglare negative ale căii de semnalizare TLR. J Hum Genet. 2006; 51 (4): 284-91. pmid: 16432636
  90. 90.Pino-Yanes M, Sanchez-Machin I, Cumplido J, Figueroa J, Torres-Galvan MJ, Gonzalez R, și colab. Variantele genei kinazei 3 asociate receptorului IL-1 (IRAK3) se asociază cu astmul bronșic într-un studiu de replicare în populația spaniolă. J Allergy Clin Immunol. 2012; 129 (2): 573-5, 575.e1-10. pmid: 22070913
  91. 91.Reihsaus E, Innis M, MacIntyre N, Liggett SB. Mutații ale genei care codifică receptorul beta 2-adrenergic la subiecți normali și astmatici. Am J Respir Cell Mol Biol. 1993; 8 (3): 334-9. pmid: 8383511
  92. 92.Ali S, Hirschfeld AF, Mayer ML, Fortuno ES 3rd, Corbett N, Kaplan M, și colab. Variația genetică funcțională în NFKBIA și susceptibilitatea la astmul copilariei, bronșiolita și displazia bronhopulmonară. J Immunol. 2013; 190 (8): 3949-58. pmid: 23487427
  93. 93.Akaike T, Maeda H. Infecția cu oxid nitric și virus. Imunologie. 2000; 101 (3): 300-8. pmid: 11106932
  94. 94.Verity R, Okell LC, Dorigatti I, Winskill P, Whittaker C, Imai N și colab. Estimări ale severității bolii coronavirus 2019: o analiză bazată pe model. Lancet Infect Dis. 2020; 20 (6): 669-77. pmid: 32240634
  95. 95.Aw D, Silva AB, Palmer DB. Imunosenescență: provocări emergente pentru o populație îmbătrânită. Imunologie. 2007; 120 (4): 435-46. pmid: 17313487
  96. 96.Wang X, Bian Y, Zhang R, Liu X, Ni L, Ma B, și colab. Melatonina ameliorează piroptoza celulelor endoteliale indusă de fumul de țigară prin inhibarea axei ROS / NLRP3. Biochem Biophys Res Commun. 2019; 519 (2): 402-8. pmid: 31521245
  97. 97.Shang Y, Xu SP, Wu Y, Jiang YX, Wu ZY, Yuan SY și colab. Melatonina reduce leziunile pulmonare acute la șobolanii endotoxemici. Chin Med J (Engl). 2009; 122 (12): 1388–93. pmid: 19567158
  98. 98.Zhang J, Wang L, Xie W, Hu S, Zhou H, Zhu P și colab. Melatonina atenuează stresul ER și leziunile mitocondriale în cardiomiopatia septică: un nou mecanism care implică reglarea în sus a BAP31 și calea MAPK-ERK. J Cell Physiol. 2020; 235 (3): 2847-56. pmid: 31535369
  99. 99.Cheng F, Rao S, Mehra R. Tratamentul COVID-19: combinarea terapiilor antiinflamatorii și antivirale utilizând o abordare bazată pe rețea. Cleve Clin J Med. 2020 30 iunie. Pmid: 32606050
  100. 100.Martin WR, Cheng F. Reutilizarea toremifenului aprobat de FDA pentru tratarea COVID-19 prin blocarea glicoproteinei Spike și a NSP14 a SARS-CoV-2. J Proteome Res. 2020 27 sept. Pmid: 32907334
  101. 101.Maisonnasse P, Guedj J, Contreras V, Behillil S, Solas C, Marlin R și colab. Utilizarea hidroxiclorochinei împotriva infecției cu SARS-CoV-2 la primatele neumane. Natură. 2020; 585 (7826): 584-7. pmid: 32698191
  102. 102.Hoffmann M, Mosbauer K, Hofmann-Winkler H, Kaul A, Kleine-Weber H, Kruger N, și colab. Clorochina nu inhibă infecția celulelor pulmonare umane cu SARS-CoV-2. Natură. 2020; 585 (7826): 588-90. pmid: 32698190
  103. 103.Behzad S, Aghaghazvini L, Radmard AR, Gholamrezanezhad A. Manifestări extra-pulmonare ale COVID-19: prezentare radiologică și clinică. Imagistica clinică. 2020; 66: 35-41. pmid: 32425338
  104. 104.Gupta A, Madhavan MV, Sehgal K, Nair N, Mahajan S, Sehrawat TS și colab. Manifestări extrapulmonare ale COVID-19. Nat Med. 2020; 26 (7): 1017-32. pmid: 32651579
  105. 105.Rubino F, Amiel SA, Zimmet P, Alberti G, Bornstein S, Eckel RH, și colab. Diabetul cu debut nou în COVID-19. N Engl J Med. 2020; 383 (8): 789-90. pmid: 32530585
  106. 106.Hamosh A, Scott AF, Amberger JS, Bocchini CA, McKusick VA. Online Mendelian Inheritance in Man (OMIM), o bază de cunoștințe a genelor umane și a tulburărilor genetice. Acizi nucleici Res. 2005; 33 (ediția bazei de date): D514-7. pmid: 15608251
  107. 107.Zhang M, Zhu C, Jacomy A, Lu LJ, Jegga AG. Rețelele de boli orfane. Sunt J Hum Genet. 2011; 88 (6): 755-66. pmid: 21664998
  108. 108.Kittler R, Pelletier L, Heninger AK, Slabicki M, Theis M, Miroslaw L și colab. Profilarea ARNi la scară genomică a diviziunii celulare în celulele culturii de țesut uman. Nat Cell Biol. 2007; 9 (12): 1401-12. pmid: 17994010
  109. 109.Breuer K, Foroushani AK, Laird MR, Chen C, Sribnaia A, Lo R, și colab. InnateDB: biologia sistemelor imunității înnăscute și nu numai – actualizări recente și curățare continuă. Acizi nucleici Res. 2013; 41 (Ediția bazei de date): D1228–33. pmid: 23180781
  110. 110.Kuleshov MV, Jones MR, Rouillard AD, Fernandez NF, Duan Q, Wang Z și colab. Enrichr: o actualizare completă a serverului web pentru analiza îmbogățirii setului de gene. Acizi nucleici Res. 2016; 44 (W1): W90-7. pmid: 27141961
  111. 111.Hirsh AE, Fraser HB, Wall DP. Ajustarea pentru selecție pe site-uri sinonime în estimări ale distanței evolutive. Mol Biol Evol. 2005; 22 (1): 174-7. pmid: 15371530
  112. 112.Bezginov A, Clark GW, Charlebois RL, Dar VU, Tillier ER. Coevoluția dezvăluie o rețea de proteine ​​umane originare cu multicelularitate. Mol Biol Evol. 2013; 30 (2): 332-46. pmid: 22977115
  113. 113.Cheng F, Jia P, Wang Q, Lin CC, Li WH, Zhao Z. Studierea tumorigenezei prin evoluția rețelei și perturbări mutaționale somatice în interactomul cancerului. Mol Biol Evol. 2014; 31 (8): 2156-69. pmid: 24881052
  114. 114.Yang Z, Bielawski JP. Metode statistice pentru detectarea adaptării moleculare. Tendințe Ecol Evol. 2000; 15 (12): 496-503. pmid: 11114436
  115. 115.Mantel N, Haenszel W. Aspecte statistice ale analizei datelor din studiile retrospective ale bolii. J Natl Cancer Inst. 1959; 22 (4): 719-48. pmid: 13655060
  116. 116.DerSimonian R, Laird N. Metaanaliza în studiile clinice. Studii clinice de control. 1986; 7 (3): 177–88. pmid: 3802833
  117. 117.Wan X, Wang W, Liu J, Tong T. Estimarea eșantionului mediu și deviația standard de la dimensiunea eșantionului, mediană, interval și / sau interval intercuartil. BMC Med Res Methodol. 2014; 14 (1): 135. pmid: 25524443
  118. 118.Stijnen T, Hamza TH, Ozdemir P. Efecte aleatorii meta-analiză a rezultatului evenimentului în cadrul modelului mixt liniar generalizat cu aplicații în date rare. Stat Med. 2010; 29 (29): 3046-67. pmid: 20827667
  119. 119.Huttlin EL, Ting L, Bruckner RJ, Gebreab F, Gygi MP, Szpyt J, și colab. Rețeaua BioPlex: o explorare sistematică a interactomului uman. Celula. 2015; 162 (2): 425-40. pmid: 26186194
  120. 120.Rolland T, Tasan M, Charloteaux B, Pevzner SJ, Zhong Q, Sahni N și colab. O hartă la scară proteomică a rețelei de interacțiune umană. Celula. 2014; 159 (5): 1212-26. pmid: 25416956
  121. 121.Rual JF, Venkatesan K, Hao T, Hirozane-Kishikawa T, Dricot A, Li N, și colab. Către o hartă la scară proteomică a rețelei de interacțiune proteină-om umană. Natură. 2005; 437 (7062): 1173-8. pmid: 16189514
  122. 122.Cheng F, Jia P, Wang Q, Zhao Z. Cartografierea cantitativă a rețelei a interacțiunii kinomului uman dezvăluie noi indicii pentru descoperirea rațională a inhibitorului kinazei și terapia individualizată a cancerului. Oncotarget. 2014; 5 (11): 3697-710. pmid: 25003367
  123. 123.Keshava Prasad TS, Goel R, Kandasamy K, Keerthikumar S, Kumar S, Mathivanan S și colab. Baza de date de referință a proteinelor umane – actualizare 2009. Acizi nucleici Res. 2009; 37 (problema bazei de date): D767–72. pmid: 18988627
  124. 124.Hu J, Rho HS, Newman RH, Zhang J, Zhu H, Qian J. PhosphoNetworks: o bază de date pentru rețelele de fosforilare umană. Bioinformatică. 2014; 30 (1): 141-2. pmid: 24227675
  125. 125.PV Hornbeck, Zhang B, Murray B, Kornhauser JM, Latham V, Skrzypek E. PhosphoSitePlus, 2014: mutații, PTM și recalibrări. Acizi nucleici Res. 2015; 43 (ediția bazei de date): D512–20. pmid: 25514926
  126. 126.Lu CT, Huang KY, Su MG, Lee TY, Bretana NA, Chang WC, și colab. DbPTM 3.0: o resursă informativă pentru investigarea specificității site-ului substratului și asocierea funcțională a modificărilor post-translaționale ale proteinelor. Acizi nucleici Res. 2013; 41 (ediția bazei de date): D295–305. pmid: 23193290
  127. 127.Dinkel H, Chica C, Via A, Gould CM, Jensen LJ, Gibson TJ și colab. Phospho.ELM: o bază de date a siturilor de fosforilare – actualizare 2011. Nucleic Acids Res. 2011; 39 (ediția bazei de date): D261-7. pmid: 21062810
  128. 128.Csabai L, Olbei M, Budd A, Korcsmaros T, Fazekas D. SignaLink: rețele de reglementare multistrat. Metode Mol Biol. 2018; 1819: 53–73. pmid: 30421399
  129. 129.Oughtred R, Stark C, Breitkreutz BJ, Rust J, Boucher L, Chang C, și colab. Baza de date de interacțiuni BioGRID: actualizare 2019. Acizi nucleici Res. 2019; 47 (D1): D529–41. pmid: 30476227
  130. 130.Cowley MJ, Pinese M, Kassahn KS, Waddell N, Pearson JV, Grimmond SM și colab. PINA v2.0: minerirea modulelor interactome. Acizi nucleici Res. 2012; 40 (ediția bazei de date): D862–5. pmid: 22067443
  131. 131.Meyer MJ, Das J, Wang X, Yu H. INstruct: o bază de date a rețelelor de interacțiune proteică rezolvate structural 3D de înaltă calitate. Bioinformatică. 2013; 29 (12): 1577-9. pmid: 23599502
  132. 132.Licata L, Briganti L, Peluso D, Perfetto L, Iannuccelli M, Galeota E, și colab. MINT, baza de date a interacțiunii moleculare: actualizare 2012. Acizi nucleici Res. 2012; 40 (ediția bazei de date): D857–61. pmid: 22096227
  133. 133.Orchard S, Ammari M, Aranda B, Breuza L, Briganti L, Broackes-Carter F și colab. Proiectul MIntAct – IntAct ca o platformă comună de curare pentru 11 baze de date de interacțiune moleculară. Acizi nucleici Res. 2014; 42 (Ediția bazei de date): D358–63. pmid: 24234451
  134. 134.Coordonatori resurse NCBI. Resurse de baze de date ale Centrului Național pentru Informații Biotehnologice Acizi nucleici Res. 2016; 44 (D1): D7-19. pmid: 26615191
  135. 135.Smith IN, Thacker S, Seyfi M, Cheng F, Eng C. Peisaje dinamice conformaționale și de reglare alosterică ale mutațiilor PTEN ale liniei germinale asociate cu autismul comparativ cu cele asociate cu cancerul. Sunt J Hum Genet. 2019; 104 (5): 861-78. pmid: 31006514
  136. 136.Golbeck J. Analizând rețeaua socială. Boston: Morgan Kaufmann; 2013.
  137. 137.Barrett T, Wilhite SE, Ledoux P, Evangelista C, Kim IF, Tomashevsky M, și colab. NCBI GEO: arhivă pentru seturi de date de genomică funcțională – actualizare. Acizi nucleici Res. 2013; 41 (ediția bazei de date): D991–5. pmid: 23193258
  138. 138.Butler A, Hoffman P, Smibert P, Papalexi E, Satija R. Integrarea datelor transcriptomice cu o singură celulă în diferite condiții, tehnologii și specii. Nat Biotechnol. 2018; 36 (5): 411-20. pmid: 29608179
  139. 139.Kanehisa M, Sato Y, Kawashima M, Furumichi M, Tanabe M. KEGG ca resursă de referință pentru adnotarea genelor și proteinelor. Acizi nucleici Res. 2016; 44 (D1): D457-62. pmid: 26476454
  140. 140.Brunk E, Sahoo S, Zielinski DC, Altunkaya A, Drager A, Mih N și colab. Recon3D permite o vedere tridimensională a variației genelor în metabolismul uman. Nat Biotechnol. 2018; 36 (3): 272–81. pmid: 29457794
  141. 141.Pornputtapong N, Nookaew I, Nielsen J. Atlasul uman metabolic: o resursă online pentru metabolismul uman. Baza de date (Oxford). 2015; 2015: bav068. pmid: 26209309
  142. 142.Wishart DS, Feunang YD, Marcu A, Guo AC, Liang K, Vazquez-Fresno R, și colab. HMDB 4.0: baza de date a metabolomului uman pentru 2018. Nucleic Acids Res. 2018; 46 (D1): D608-17. pmid: 29140435
  143. 143.Law V, Knox C, Djoumbou Y, Jewison T, Guo AC, Liu Y și colab. DrugBank 4.0: aruncând o nouă lumină asupra metabolismului medicamentelor. Acizi nucleici Res. 2014; 42 (ediția bazei de date): D1091–7. pmid: 24203711
  144. 144.Yang H, Qin C, Li YH, Tao L, Zhou J, Yu CY și colab. Actualizare bază de date țintă terapeutică 2016: resursă îmbogățită pentru informații referitoare la ținte medicamentoase clinice și țintă. Acizi nucleici Res. 2016; 44 (D1): D1069-74. pmid: 26578601
  145. 145.Gaulton A, Bellis LJ, Bento AP, Chambers J, Davies M, Hersey A și colab. ChEMBL: o bază de date de bioactivitate pe scară largă pentru descoperirea medicamentelor. Acizi nucleici Res. 2012; 40 (ediția bazei de date): D1100-7. pmid: 21948594
  146. 146.Liu T, Lin Y, Wen X, Jorissen RN, Gilson MK. BindingDB: o bază de date accesibilă pe web a afinităților de legare proteine-ligand determinate experimental. Acizi nucleici Res. 2007; 35 (ediția bazei de date): D198-201. pmid: 17145705
  147. 147.Pawson AJ, Sharman JL, Benson HE, Faccenda E, Alexander SP, Buneman OP și colab. Ghidul IUPHAR / BPS pentru FARMACOLOGIE: o bază de cunoștințe bazată pe experți a țintelor de droguri și a liganzilor acestora. Acizi nucleici Res. 2014; 42 (ediția bazei de date): D1098–106. pmid: 24234439
  148. 148.Lamb J, Crawford ED, Peck D, Modell JW, Blat IC, Wrobel MJ și colab. Harta de conectivitate: folosirea semnăturilor de expresie genică pentru a conecta molecule mici, gene și boli. Ştiinţă. 2006; 313 (5795): 1929–35. pmid: 17008526
  149. 149.Reghunathan R, Jayapal M, Hsu LY, Chng HH, Tai D, Leung BP și colab. Profilul de exprimare a genelor de răspuns imun la pacienții cu sindrom respirator acut sever. BMC Immunol. 2005; 6 (1): 2. pmid: 15655079
  150. 150.Josset L, Menachery VD, Gralinski LE, Agnihothram S, Sova P, Carter VS și colab. Răspunsul gazdei celulare la infecția cu coronavirus uman nou EMC prezice potențiale antivirale și diferențe importante cu coronavirusul SARS. mBio. 2013; 4 (3): e00165-13. pmid: 23631916
  151. 151.Yuan S, Chu H, Chan JF, Ye ZW, Wen L, Yan B și colab. Reprogramarea lipidomică dependentă de SREBP ca țintă antivirală cu spectru larg. Nat Commun. 2019; 10 (1): 120. pmid: 30631056
PLOS

https://journals.plos.org/plosbiology/article?id=10.1371%2Fjournal.pbio.3000970

Exprimati-va pararea!

Completează mai jos detaliile tale sau dă clic pe un icon pentru a te autentifica:

Logo WordPress.com

Comentezi folosind contul tău WordPress.com. Dezautentificare /  Schimbă )

Fotografie Google

Comentezi folosind contul tău Google. Dezautentificare /  Schimbă )

Poză Twitter

Comentezi folosind contul tău Twitter. Dezautentificare /  Schimbă )

Fotografie Facebook

Comentezi folosind contul tău Facebook. Dezautentificare /  Schimbă )

Conectare la %s

Acest site folosește Akismet pentru a reduce spamul. Află cum sunt procesate datele comentariilor tale.