Proportion of Ugandans with pre-pandemic SARS-CoV-2 cross-reactive CD4+ and CD8+ T-cell responses: A pilot study
Notice bibliographique
Résumé
The estimated mortality rate of the SARS-CoV-2 pandemic varied greatly around the world. In particular, multiple countries in East, Central, and West Africa had significantly lower rates of COVID-19 related fatalities than many resource-rich nations with significantly earlier wide-spread access to life-saving vaccines. One possible reason for this lower mortality could be the presence of pre-existing cross-reactive immunological responses in these areas of the world. To explore this hypothesis, an exploratory study of stored peripheral blood mononuclear cells (PBMC) from Ugandans collected from 2015-2017 prior to the COVID-19 pandemic (n = 29) and from hospitalized Ugandan COVID-19 patients (n = 3) were examined using flow-cytometry for the presence of pre-existing SARS-CoV-2 cross-reactive CD4+ and CD8+ T-cell populations using four T-cell epitope mega pools. Of pre-pandemic participants, 89.7% (26/29) had either CD4+ or CD8+, or both, SARS-CoV-2 specific T-cell responses. Specifically, CD4+ T-cell reactivity (72.4%) and CD8+ T-cell reactivity (65.5%) were relatively similar, and 13 participants (44.8%) had both types of cross-reactive types of T-cells present. There were no significant differences in response by sex in the population, however this may be in part due to the limited sample size examined. The rates of cross-reactive T-cell populations in this exploratory Ugandan population appears higher than previous estimates from resource-rich countries like the United States (20-50% reactivity). It is unclear what role, if any, this cross-reactivity played in decreasing COVID-19 related mortality in Uganda and other African countries, but does suggest that a better understanding of global pre-existing immunological cross-reactivity could be an informative data of epidemiological intelligence moving forward.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».