Multivariate analyses and machine learning link sex and age with antibody responses to SARS-CoV-2 and vaccination
Notice bibliographique
Résumé
<h2>Summary</h2> Prevention of negative COVID-19 infection outcomes is associated with the quality of antibody responses, whose variance by age and sex is poorly understood. Network approaches identified sex and age effects in antibody responses and neutralization potential of <i>de novo</i> infection and vaccination throughout the COVID-19 pandemic. Neutralization values followed severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2)-specific receptor binding immunoglobulin G (RIgG), spike immunoglobulin G (SIgG) and spike and receptor immunoglobulin G (S, and RIgA) levels based on COVID-19 status. Serum immunoglobulin A (IgA) antibody titers correlated with neutralization only in females 40–60 years old (y.o.). Network analysis found males could improve IgA responses after vaccination dose 2. Complex correlation analyses found vaccination induced less antibody isotype switching and neutralization in older persons, especially in females. Sex-dependent antibody and neutralization decayed the fastest in older males. Shown sex and age characterization can direct studies integrating cell-mediated responses to define yet elusive correlates of protection and inform age and sex precision-focused vaccine design.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».