MétaCan
Menu
← Retour à la cohorte
Enregistrement W2747539919 · doi:10.1371/journal.pone.0183621

Exploring virus release as a bottleneck for the spread of influenza A virus infection in vitro and the implications for antiviral therapy with neuraminidase inhibitors

2017· article· en· W2747539919 sur OpenAlexafffund
Laura E. Liao, Szymon Kowal, Daniel Cardenas, Catherine A. A. Beauchemin

Notice bibliographique

RevuePLoS ONE · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueInfluenza Virus Research Studies
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesDivision of Mathematical SciencesRIKENNatural Sciences and Engineering Research Council of CanadaOntario Ministry of Research, Innovation and ScienceGovernment of Ontario
Mots-clésNeuraminidaseVirusVirologyInfluenza A virusNeuraminidase inhibitorBiologyViral replicationOrthomyxoviridaeSialic acidZanamivirIn vitroInfectious disease (medical specialty)MedicineCoronavirus disease 2019 (COVID-19)Biochemistry

Résumé

récupéré en direct d'OpenAlex

Mathematical models (MMs) have been used to study the kinetics of influenza A virus infections under antiviral therapy, and to characterize the efficacy of antivirals such as neuraminidase inhibitors (NAIs). NAIs prevent viral neuraminidase from cleaving sialic acid receptors that bind virus progeny to the surface of infected cells, thereby inhibiting their release, suppressing infection spread. When used to study treatment with NAIs, MMs represent viral release implicitly as part of viral replication. Consequently, NAIs in such MMs do not act specifically and exclusively on virus release. We compared a MM with an explicit representation of viral release (i.e., distinct from virus production) to a simple MM without explicit release, and investigated whether parameter estimation and the estimation of NAI efficacy were affected by the use of a simple MM. Since the release rate of influenza A virus is not well-known, a broad range of release rates were considered. If the virus release rate is greater than ∼0.1 h-1, the simple MM provides accurate estimates of infection parameters, but underestimates NAI efficacy, which could lead to underdosing and the emergence of NAI resistance. In contrast, when release is slower than ∼0.1 h-1, the simple MM accurately estimates NAI efficacy, but it can significantly overestimate the infectious lifespan (i.e., the time a cell remains infectious and producing free virus), and it will significantly underestimate the total virus yield and thus the likelihood of resistance emergence. We discuss the properties of, and a possible lower bound for, the influenza A virus release rate.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,281
Tête enseignante GPT0,380
Écart entre enseignants0,099 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePLoS ONE→Même sujetInfluenza Virus Research Studies→Travaux en français237 207→