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 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 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».