Lung organoid simulations for modelling and predicting the effect of mutations on SARS-CoV-2 infectivity
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The global pandemic caused by the SARS-CoV-2 virus continues to spread. Infection with SARS- CoV-2 causes COVID-19, a disease of variable severity. Mutation has already altered the SARS-CoV-2 genome from its original reported sequence and continued mutation is highly probable. These mutations can: (i) have no significant impact (they are silent), (ii) result in a complete loss or reduction of infectivity, or (iii) induce increase in infectivity. Physical generation, for research purposes, of viral mutations that could enhance infectivity are controversial and highly regulated. The primary purpose of this project was to evaluate the ability of the DeepNEU machine learning stem-cell simulation platform to enable rapid and efficient assessment of the potential impact of viral loss-of-function (LOF) and gain-of-function (GOF) mutations on SARS-CoV-2 infectivity. Our data suggest that SARS-CoV-2 infection can be simulated in human alveolar type lung cells. Simulation of infection in these lung cells can be used to model and assess the impact of LOF and GOF mutations in the SARS-CoV2 genome. We have also created a four- factor infectivity measure: the DeepNEU Case Fatality Rate (dnCFR). dnCFR can be used to assess infectivity based on the presence or absence of the key viral proteins (NSP3, Spike-RDB, N protein, and M protein). dnCFR was used in this study, not to only assess the impact of different mutations on SARS-CoV2 infectivity, but also to categorize the effects of mutations as loss of infectivity or gain of infectivity events.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle