Modeling within-Host SARS-CoV-2 Infection Dynamics and Potential Treatments
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 goal of this study was to develop a mathematical model to simulate the actions of drugs that target SARS-CoV-2 virus infection. To accomplish that goal, we have developed a mathematical model that describes the control of a SARS-CoV-2 infection by the innate and adaptive immune components. Invasion of the virus triggers the innate immunity, whereby interferon renders some of the target cells resistant to infection, and infected cells are removed by effector cells. The adaptive immune response is represented by plasma cells and virus-specific antibodies. The model is parameterized and then validated against viral load measurements collected in COVID-19 patients. We apply the model to simulate three potential anti-SARS-CoV-2 therapies: (1) Remdesivir, a repurposed drug that has been shown to inhibit the transcription of SARS-CoV-2, (2) an alternative (hypothetical) therapy that inhibits the virus' entry into host cells, and (3) convalescent plasma transfusion therapy. Simulation results point to the importance of early intervention, i.e., for any of the three therapies to be effective, it must be administered sufficiently early, not more than a day or two after the onset of symptoms. The model can serve as a key component in integrative platforms for rapid in silico testing of potential COVID-19 therapies and vaccines.
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