Long-term predictions of humoral immunity after two doses of BNT162b2 and mRNA-1273 vaccines based on dosage, age and sex
Notice bibliographique
Résumé
Abstract Summary Background The lipid nanoparticle (LNP)-formulated mRNA vaccines are a widely adopted two-dose vaccination public health strategy to manage the COVID-19 pandemic. Clinical trial data has described the immunogeneicity of the vaccine, albeit within a limited study time frame. Our aims were to use a within-host mathematical model for LNP-formulated mRNA vaccines, informed by available clinical trial data, to project a longer term understanding of humoral immunity as a function of vaccine type, dosage amount, age, and sex. Methods We developed a mathematical model describing the immunization process of LNP-formulated mRNA vaccines, and fit our model to twenty-two clinical humoral and cytokine BNT162b2 or mRNA-1273 human two-dose vaccination data sets. We incorporated multi-dose effects in our model to specify whether the dosage is standard or low-dose. We further specify the age groups 18-55, 56-70, and 70+ in our fits for two-standard doses of mRNA-1273, and sex in our fits for two-standard doses of BNT162b2. We used non-linear mixed effect models to fit to all similar data types (e.g. standard two-dose BNT162b2 or mRNA-1273, or two low-dose mRNA-1273). Therefore, in our fits all estimated parameters are statistically correlated, which allowed us to determine the underlying ‘population-dynamics’ structure common to a data type. We therefore made accurate long-term predictions informed by all clinical data used in this study. Findings We estimate that two standard doses of either mRNA-1273 or BNT162b2, with dosage times separated by the company-mandated intervals, results in individuals loosing more than 99% humoral immunity relative to peak immunity by eight months following the second dose. We predict that within an eight month period following dose two (corresponding to the CDC time-frame for administration of a third dose), there exists a period of time longer than one month where an individual has less then 99% humoral immunity relative to peak immunity, regardless of which vaccine was administered. We further find that age has a strong influence in maintaining humoral immunity; by eight months following dose two we predict that individuals aged 18-55 have a four-fold humoral advantage compared to aged 56-70 and 70+ individuals. We find that sex has little effect on the vaccine uptake and long-term IgG counts. Finally, we find that humoral immunity generated from two low doses of mRNA-1273 decays substantially slower relative to peak immunity gained than compared to two standard doses of either mRNA-1273 or BNT162b2. Interpretation For the two dose mRNA vaccines, our predictions highlight the importance of the recommended third booster dose in order to maintain elevated levels of antibodies. We further show that age plays a critical role in determining the antibody levels. Hence, a third booster dose may confer an immuno-protective advantage in older individuals. Funding This research is supported by NSERC Discovery Grant (RGPIN-2018-04546), NSERC COVID-19 Alliance Grant ALLRP 554923-20, CIHR-Fields COVID Immunity Task Force, NRC Pandemic Response Challenge Program Grant No. PR016-1.
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 | 0,003 | 0,005 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».