Antibodies to Commonly Circulating Viral Pathogens Modulate Serological Response to Severe Acute Respiratory Syndrome Coronavirus 2 Infection
Notice bibliographique
Résumé
The purpose of this study was to determine the seropositivity of circulating viral pathogens and their association with severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) seropositivity. In a cross-sectional design, inhabitants (aged 10–60 years) of the slum and surrounding non-slum areas of Dhaka and Chattogram Metropolitan cities in Bangladesh were enrolled from October 2020 to February 2021. Antibodies to SARS-CoV-2, influenza B, parainfluenza, respiratory syncytial virus (RSV), human coronavirus HKU1 (HCoV-HKU1), dengue and chikungunya viruses were determined in plasma. The association of SARS-CoV-2 seropositivity with seropositivity to other viruses was assessed using the multi-variate logistic regression model. Seroprevalence of SARS-CoV-2, influenza B, RSV, dengue, chikungunya, HCoV-HKU1 and the parainfluenza virus were 68.3%, 98%, 50.0%, 16.5%, 15.5%, 3.36% and 0.0%, respectively. Individuals seropositive for RSV had lower odds (OR = 0.60; 95% CI= 0.49, 0.73) of SARS-CoV-2 seropositivity compared to RSV-seronegative individuals. Conversely, higher odds of SARS-CoV-2 seropositivity were observed in participants seropositive for dengue (OR= 1.73; 95% CI = 1.14, 2.66, only in slum) or chikungunya (OR = 1.48; 95% CI = 1.11, 1.95) compared to their seronegative counterparts. The study findings indicated that exposure to vector-borne virus dengue or chikungunya enhance, while antibodies to respiratory virus RSV decrease, the serological response to SARS-CoV-2.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».