Modeling within-Host SARS-CoV-2 Infection Dynamics and Potential Treatments
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».