A Meta-Analysis of Rhesus Macaques (<i>Macaca mulatta</i>), Cynomolgus Macaques (<i>Macaca fascicularis</i>), African green monkeys (<i>Chlorocebus aethiops</i>), and Ferrets (<i>Mustela putorius furo</i>) as Large Animal Models for COVID-19
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
Animal models are at the forefront of biomedical research for studies of viral transmission, vaccines, and pathogenesis, yet the need for an ideal large animal model for COVID-19 remains. We used a meta-analysis to evaluate published data relevant to this need. Our literature survey contained 22 studies with data relevant to the incidence of common COVID-19 symptoms in rhesus macaques ( Macaca mulatta ), cynomolgus macaques ( Macaca fascicularis ), African green monkeys ( Chlorocebus aethiops ), and ferrets ( Mustela putorius furo ). Rhesus macaques had leukocytosis on Day 1 after inoculation and pneumonia on Days 7 and 14 after inoculation, in frequencies that were similar enough to humans to reject the null hypothesis of a Fisher exact test. However, the differences in overall presentation of disease were too different from that of humans to successfully identify any of these 4 species as an ideal large animal of COVID-19. The greatest limitation to the current study is a lack of standardization in experimentation and reporting. To expand our understanding of the pathology of COVID-19 and evalu- ate vaccine immunogenicity, we must extend the unprecedented collaboration that has arisen in the study of COVID-19 to include standardization of animal-based research in an effort to find the optimal animal model.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,024 | 0,007 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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