The TEAIV model: Extending the standard TEIV model to account for viral budding ramp up
Notice bibliographique
Résumé
Abstract Understanding how viruses replicate and spread within a host is fundamental to predicting disease progression, timing, and dosage of effective therapeutic and prophylactic interventions. A target-cell limited approach is often used to model within-host viral kinetics to characterize disease infection dynamics. The standard target-cell limited model, the TEIV model, has been instrumental for understanding SARS-CoV-2 within-host viral kinetics, however, its core assumptions of instantaneous viral budding and exponentially distributed cell lifetimes oversimplify fundamental biological processes, potentially limiting predictive power. In this work, we consider a novel model approach, the TEAIV model: an extension to the TEIV model that considers an infected partially-productive cell state that ramps up through n stages to a fully productive state. We fit the TEAIV model to various SARS-CoV-2 viral load datasets, separated by hospitalized (severe infection) and non-hospitalized (mild infection) individual data, consider multiple different ramping functions, and compare to standard TEIV model fits. We further compare TEAIV and TEIV model fits with and without infected cell death incorporated in the eclipse (E) and partially infected (A) compartments and investigate best-fit frameworks up to 10 A states. We find that linear budding ramp-up dynamics minimizes the BIC (with ΔBIC > 2) across all model formulations when the total number of eclipse and budding compartments exceeds three. Furthermore, we find that the inclusion or exclusion of cell death applied to eclipse or ramping compartments does not substantially affect this result. Finally, we analytically consider the most general TEAIV model and discuss future modelling considerations. Our results demonstrate that accounting for non-instantaneous viral budding provides a better fit to SARS-CoV-2 viral load data and establishes a foundation for more mechanistically informed within-host models.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».