MétaCan
Menu
Retour à la cohorte
Enregistrement W3116963731 · doi:10.1128/mbio.02616-20

Designing the Next Generation of Vaccines: Relevance for Future Pandemics

2020· review· en· W3116963731 sur OpenAlexaff
Jorge Domínguez‐Andrés, Reinout van Crevel, Maziar Divangahi, Mihai G. Netea

Notice bibliographique

RevuemBio · 2020
Typereview
Langueen
DomaineImmunology and Microbiology
ThématiqueImmune responses and vaccinations
Établissements canadiensChristie (Canada)McGill University Health Centre
Organismes subventionnairesNederlandse Organisatie voor Wetenschappelijk OnderzoekEuropean Commission
Mots-clésPandemicRelevance (law)Coronavirus disease 2019 (COVID-19)Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2)2019-20 coronavirus outbreakComputer scienceData scienceVirologyMedicinePolitical scienceInfectious disease (medical specialty)DiseaseOutbreak

Résumé

récupéré en direct d'OpenAlex

The development of vaccines is one of the greatest medical interventions in the history of global infectious diseases and has contributed to the annual saving of at least 2 to 3 million lives worldwide. However, many diseases are not preventable through currently available vaccines, and the potential of modulating the immune response during vaccination has not been fully exploited. The first golden age of vaccines was based on the germ theory and the use of live, attenuated, inactivated pathogens or toxins. New strategies and formulations (e.g., adjuvants) with an immunomodulatory capacity to enhance the protective qualities and duration of vaccines have been incompletely exploited. These strategies can prevent disease and improve protection against infectious diseases, modulate the course of some noncommunicable diseases, and increase the immune responses of patients at a high risk of infection, such as the elderly or immunocompromised patients. In this minireview, we focus on how metabolic and epigenetic modulators can amplify and enhance the function of immunity in a given vaccine. We propose the term "amplifier" for such additives, and we pose that future vaccines will have three components: antigen, adjuvant, and amplifier.

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)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,003
Science ouverte0,0010,001
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0050,003

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 Opus0,113
Tête enseignante GPT0,330
Écart entre enseignants0,217 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations33
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuemBioMême sujetImmune responses and vaccinationsTravaux en français237 207