Un nombre alarmant de personnes signalent une maladie persistante appelée COVID longue après leur infection par le virus SRAS-CoV-2. Il y a 650 million de cas de COVID-19 dans le monde, dont 10% de ces personnes développent des symptômes persistants. Parmi les symptômes observés, on remarque une fatigue profonde, de la myalgie, des troubles cognitifs, etc. Ces symptômes sont étonnamment similaires à ceux de l'encéphalomyélite myalgique (EM), une maladie chronique débilitante. L’EM est une maladie complexe souvent caractérisée par une fatigue profonde et le malaise après-effort. Environ 70% des patients atteints d'EM décrivent des épisodes d'infections virales comme élément déclencheur. Une autre maladie qui partage des symptômes similaires à l’EM est la fibromyalgie (FM). La FM est une autre maladie chronique et débilitante qui se caractérise par une douleur musculosquelettique et une sensibilisation centrale. Il n’existe toujours pas de traitement ni de test diagnostic à ce jour. Auparavant, nous avons découvert et validé onze microARN en tant que premier panel diagnostic pour l'EM et la FM. La majorité de ces petits ARN non codants participent à la régulation de gène, l'immunité et l'inflammation. Ce projet consiste à déterminer les trajectoires cliniques des personnes atteintes de la COVID longue à l’aide d’un nouveau test pronostic constitué de 11 miARN circulants permettant de différencier les diverses séquelles de la COVID longue. Par la suite, une recherche pan-génomique a permis d’établir une signature moléculaire plus précise pour chacun des six sous-groupes COVID longue.
Nous proposons que les effets du virus SRAS-CoV-2 sur les microARN de l'hôte pourraient déclencher la persistance des symptômes de la COVID longue et que l’expression différentielle de certains microARN puissent contribuer au développement de différentes séquelles à long terme. Nous avons recruté des participants âgés de plus de 18 ans ayant été infectés par le virus SRAS- CoV-2, non-hospitalisés et présentant une COVID longue de plus de six mois et des sujets sains (groupe pré-pandemie) n’ayant pas reportés d’infection. L’analyse des symptômes a été réalisée à l’aide de trois questionnaires (SF-36, MFI-20, DSQ) complétés par tous les participants. Les niveaux d’expression de 11 microARN, précédemment identifiée dans l’EM, ont été mesurés par RT-qPCR dans des échantillons de plasma et la détermination des différentes trajectoires associées à des séquelles à long terme a été réalisée par analyse des composantes principales et validée par Random Forest Model (RFM). En stratifiant les patients selon leur signature de 11 miARN, nous avons évalué l’expression globale des 2549 miARN pour chaque séquelle et identifié de nouveaux miRNA spécifiques pour chacun des groupes à l’aide de la technologie microRNA array Agilent, une biopuce de la société Agilent.
Nos données préliminaires nous ont permis d’identifier une signature moléculaire spécifique à chacune des séquelles de la COVID longue. Ces résultats nous permettrons de développer un nouveau test diagnostic basé sur les miRNA afin de prédire les conséquences à la suite de l’infection par le virus SRAS-CoV-2. / An alarming number of people are reporting a persistent illness called long COVID after their infection with the SARS-CoV-2 virus. There are an estimated 650 million cases of COVID-19 worldwide, with 10% of these people developing persistent symptoms. Among the symptoms observed, we notice profound fatigue, myalgia, cognitive disorders, etc. These symptoms are strikingly similar to those of myalgic encephalomyelitis (ME), a debilitating chronic disease. ME is a complex disease often characterized by profound fatigue and post-exertional malaise. Approximately 70% of ME patients describe episodes of viral infections as a trigger. Another disease that shares similar symptoms to ME is fibromyalgia (FM). FM is another chronic and debilitating disease that is characterized by musculoskeletal pain and central sensitization. There is still no treatment or diagnostic test to date. Previously, we discovered and validated eleven microRNAs as the first diagnostic panel for ME. Most of these small non-coding RNAs participate in gene regulation, immunity and inflammation. The objective of this project was to build a new diagnostic test to differentiate the various after-effects of long COVID using miRNAs. This project consists of determining the clinical trajectories of people with long COVID using a new prognostic test made up of 11 circulating miRNAs making it possible to differentiate the various after-effects of long COVID. Subsequently, a pan-genomic search made it possible to establish a more precise molecular signature for each of the six long COVID subgroups.
We recruited participants aged over 18 years who had been infected with the SARS-CoV-2 virus, who were not hospitalized and had symptoms of long COVID for more than six months and healthy subjects (pre-pandemic group) who had not reported infection. The analysis of symptoms was carried out using three questionnaires (SF-36, MFI-20, DSQ) completed by all participants. The expression levels of 11 microRNAs previously identified in EM, from plasma samples were measured by RT-qPCR and the determination of the different trajectories associated with long-term sequelae was carried out by principal component analysis (PCA) and validated by Random Forest Model (RFM). By stratifying patients according to their signature of 11 miRNAs, we evaluated the overall expression of the 2549 miRNAs for each sequelae and identified new miRNAs specific for each of the groups using the Agilent microRNA array technology, a biochip from the company Agilent.
Our preliminary data allowed us to identify a molecular signature specific to each of the after-effects of long COVID. These results will allow us to develop a new diagnostic test based on miRNAs in order to predict the consequences following infection by SARS-CoV-2 viruses.
| Identifer | oai:union.ndltd.org:umontreal.ca/oai:papyrus.bib.umontreal.ca:1866/33469 |
| Date | 12 1900 |
| Creators | Petre, Diana |
| Contributors | Moreau, Alain |
| Source Sets | Université de Montréal |
| Language | fra |
| Detected Language | French |
| Type | thesis, thèse |
| Format | application/pdf |
Page generated in 0.0017 seconds