Predicting age-related determinants of heterogeneous outcomes to COVID-19 mRNA vaccines through mathematical modelling
Notice bibliographique
Résumé
ABSTRACT Older adults tend to exhibit weaker vaccine-elicited responses to mRNA COVID-19 immunization than younger people. This is a public health concern, as older individuals are more likely to experience severe COVID-19. To better understand the mechanisms of this age-related disparity, we developed a mathematical model of the post-vaccination humoral immune response. Through calibration to clinical data from 32 healthcare workers (HCWs) and 27 seniors who received the primary vaccine series (two priming doses and one booster), our model predicted that repeated vaccinations consistently enhanced antibody responses in both groups. While seniors were estimated to experience an accelerated decay in T follicular helper cells compared to HCWs, a larger booster dose effectively compensated for this weakened antibody response. Furthermore, we linked antibody and neutralization levels and used this relationship to predict post-vaccination neutralization, thus serving as a proxy for vaccine efficacy. By studying various combinations of mixed doses sizes in the primary vaccination series, our model predicted that administering a full-dose booster significantly enhances immunization outcomes, irrespective of the initial vaccine dose size. Further, a biannual half booster strategy was found to be more effective than one with an annual full booster, especially for seniors. Overall, our findings highlight the importance of tailoring vaccination strategies to different age groups to provide robust and long-lasting immunity against SARS-CoV-2 infections.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».