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 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 | 0,000 | 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) | 0,001 | 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 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 ».