La nécessité d’une surveillance génomique liée du SRAS-CoV-2
Bibliographic record
Abstract
La surveillance génomique au cours de la pandémie de maladie à coronavirus 2019 (COVID-19) a été essentielle pour repérer en temps utile les variants du virus ayant des conséquences importantes pour la santé publique, telles que les variants qui peuvent se transmettre et provoquer une maladie grave chez les personnes vaccinées ou guéries. L’émergence rapide du variant Omicron a mis en évidence la rapidité avec laquelle l’étendue d’une menace doit être évaluée. Le séquençage rapide et l’ouverture des institutions de santé publique au partage international des données de séquençage offrent une occasion sans précédent de le faire. Toutefois, l’évaluation des propriétés épidémiologiques et cliniques de tout nouveau variant reste un défi. Nous mettons ici en évidence un « groupe de quatre » sources de données clés qui peuvent aider à détecter les variants viraux qui menacent la gestion de la COVID-19 : 1) des données génétiques (séquence du virus), 2) des données épidémiologiques et géographiques, 3) des données cliniques et démographiques, et 4) des données sur la vaccination. Nous soulignons les avantages qui peuvent être obtenus en reliant les données de ces sources et en combinant les données de ces sources avec les données de séquences virales. Les défis considérables que représente la mise à disposition des données génomiques et les coupler avec les caractéristiques des virus et des patients doivent être comparés aux conséquences majeures de ne pas le faire, notamment si de nouveaux variants préoccupants apparaissent et se propagent sans être détectés et traités à temps.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".