Relative Ratios of Human Seasonal Coronavirus Antibodies Predict the Efficiency of Cross-Neutralization of SARS-CoV-2 Spike Binding to ACE2
Notice bibliographique
Résumé
BACKGROUND: Antibodies raised against human seasonal coronaviruses (sCoVs), which are responsible for the common cold, are known to cross-react with SARS-CoV-2 antigens. This prompts questions about their protective role against SARS-CoV-2 infections and COVID-19 severity. However, the relationship between sCoVs exposure and SARS-CoV-2 correlates of protection are not clearly identified. METHODS: We performed a cross-sectional analysis of cross-reactivity and cross-neutralization to SARS-CoV-2 antigens (S-RBD, S-trimer, N) using pre-pandemic sera from four different groups: pediatrics and adolescents, individuals 21 to 70 years of age, older than 70 years of age, and individuals living with HCV or HIV. Data was then further analysed using machine learning to identify predictive patterns of neutralization based on sCoVs serology. FINDINGS: Antibody cross-reactivity to SARS-CoV-2 antigens varied between 1.6% and 15.3% depending on the cohort and the isotype-antigen pair analyzed. We also show a range of neutralizing activity (0-45%) with median inhibition ranging from 17.6 % to 23.3 % in serum that interferes with SARS-CoV-2 spike attachment to ACE2 independently of age group. While the abundance of sCoV antibodies did not directly correlate with neutralization, we show that neutralizing activity is rather dependent on relative ratios of IgGs in sera directed to all four sCoV spike proteins. More specifically, we identified antibodies to NL63 and OC43 as being the most important predictors of neutralization. INTERPRETATION: Our data support the concept that exposure to sCoVs triggers antibody responses that influence the efficiency of SARS-CoV-2 spike binding to ACE2, which may potentially impact COVID-19 disease severity through other latent variables. FUNDING: This study was supported by a grant by the CIHR (VR2 -172722) and by a grant supplement by the CITF, and by a NRC Collaborative R&D Initiative Grant (PR031-1).
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 | 0,001 | 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».