Multiscale Model of Antiviral Timing, Potency, and Heterogeneity Effects on an Epithelial Tissue Patch Infected by SARS-CoV-2
Notice bibliographique
Résumé
We extend our established agent-based multiscale computational model of infection of lung tissue by SARS-CoV-2 to include pharmacokinetic and pharmacodynamic models of remdesivir. We model remdesivir treatment for COVID-19; however, our methods are general to other viral infections and antiviral therapies. We investigate the effects of drug potency, drug dosing frequency, treatment initiation delay, antiviral half-life, and variability in cellular uptake and metabolism of remdesivir and its active metabolite on treatment outcomes in a simulated patch of infected epithelial tissue. Non-spatial deterministic population models which treat all cells of a given class as identical can clarify how treatment dosage and timing influence treatment efficacy. However, they do not reveal how cell-to-cell variability affects treatment outcomes. Our simulations suggest that for a given treatment regime, including cell-to-cell variation in drug uptake, permeability and metabolism increase the likelihood of uncontrolled infection as the cells with the lowest internal levels of antiviral act as super-spreaders within the tissue. The model predicts substantial variability in infection outcomes between similar tissue patches for different treatment options. In models with cellular metabolic variability, antiviral doses have to be increased significantly (>50% depending on simulation parameters) to achieve the same treatment results as with the homogeneous cellular metabolism.
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 ».