Seven-month kinetics of SARS-CoV-2 antibodies and role of pre-existing antibodies to human coronaviruses
Notice bibliographique
Résumé
Unraveling the long-term kinetics of antibodies to SARS-CoV-2 and the individual characteristics influencing it, including the impact of pre-existing antibodies to human coronaviruses causing common cold (HCoVs), is essential to understand protective immunity to COVID-19 and devise effective surveillance strategies. IgM, IgA and IgG levels against six SARS-CoV-2 antigens and the nucleocapsid antigen of the four HCoV (229E, NL63, OC43 and HKU1) were quantified by Luminex, and antibody neutralization capacity was assessed by flow cytometry, in a cohort of health care workers followed up to 7 months (N = 578). Seroprevalence increases over time from 13.5% (month 0) and 15.6% (month 1) to 16.4% (month 6). Levels of antibodies, including those with neutralizing capacity, are stable over time, except IgG to nucleocapsid antigen and IgM levels that wane. After the peak response, anti-spike antibody levels increase from ~150 days post-symptom onset in all individuals (73% for IgG), in the absence of any evidence of re-exposure. IgG and IgA to HCoV are significantly higher in asymptomatic than symptomatic seropositive individuals. Thus, pre-existing cross-reactive HCoVs antibodies could have a protective effect against SARS-CoV-2 infection and COVID-19 disease.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».