Serological Markers of SARS-CoV-2 Reinfection
Notice bibliographique
Résumé
As public health and social distancing guidelines loosen in the setting of waning global natural and vaccine immunity, a deeper understanding of the immunological response to reexposure and reinfection to this highly contagious pathogen is necessary to maintain public health. Viral sequencing analysis provides a robust but unrealistic means to monitor reinfection globally. The identification of scalable pathogen-specific biomarkers of reexposure and reinfection, however, could significantly accelerate our capacity to monitor the spread of the virus through naive and experienced hosts, providing key insights into mechanisms of disease attenuation. Using a nonhuman primate model of controlled SARS-CoV-2 reexposure, we deeply probed the humoral immune response following rechallenge with various doses of viral inocula. We identified virus-specific humoral biomarkers of reinfection, with significant increases in antibody titer and function upon rechallenge across a range of humoral features, including IgG1 to the receptor binding domain of the spike protein of SARS-CoV-2 (RBD), IgG3 to the nucleocapsid protein (N), and FcγR2A receptor binding to anti-RBD antibodies. These features not only differentiated primary infection from reexposure and reinfection in monkeys but also were recapitulated in a sequencing-confirmed reinfection patient and in a cohort of putatively reinfected humans that evolved a PCR-positive test in spite of preexisting seropositivity. As such, this cross-species analysis using a controlled primate model and human cohorts reveals increases in antibody titers as promising cross-validated serological markers of reinfection and reexposure.
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 | 0,000 |
| 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) | 0,000 | 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 ».