Ақпарат

Вакцинация және эпидемияның популяция динамикасы

Вакцинация және эпидемияның популяция динамикасы


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Мен популяцияның тығыздығымен байланыстыру үшін вакцинация моделін қалай құру керектігін анықтауға тырысамын және маған берілген нақты деректер бойынша теорияны қолданған кезде алған нәтижелердің мағынасын түсінуде қиындықтар туындады.

Теория(i):

Аурудың өршуінің бастапқы кезеңін экспоненциалды өсу үлгісімен сипаттауға болады. Сәйкес теңдеу:

$(1)frac{dI}{dt}=eta n(1-q)I-mu I$ мұнда:

$ n $ = халықтың тығыздығы. Оны $ km^{-2} $ бірліктерімен өлшейік.

$ I $ = популяциядағы жұқтырған адамдардың тығыздығы; $ n $ бірліктерімен өлшенеді.

$ q $ = ауруға қарсы иммунитеті бар халықтың бөлігі, табиғи түрде вакцинацияға байланысты. Демек, $ 1-q $-бұл халықтың сезімтал, яғни жұқтыру қаупі бар бөлігі. $ q $ - бұл $ 0 $ мен $ 1 арасындағы таза сан және бірліктері жоқ.

$ beta $ = - бұл аурудың таралу жылдамдығы. Ол аурудың жұқтырған адамнан жұқпалы сезімтал адамға қаншалықты оңай және тез берілетінін өлшейді. $ бета $ оның ішінде жұқтырған және жұқтырмаған адамдар арасындағы кездесудің жылдамдығын да, мұндай кездесудің аурудың нақты таралуына әкелу ықтималдығын да қамтиды. $eta$ $frac{1}{time imes density^{2}}$ өлшемдері бар, сондықтан оны $апта^{-1}км^{4}$ бірліктерімен өлшейік.

$mu$ = жұқтырған адамдар сауығып кеткендіктен немесе өлгендіктен жұқтырған адамдар тобынан жойылу жылдамдығы. $ frac {1} { mu} $ - бұл инфекцияның орташа ұзақтығы, яғни жеке адамның сауығып немесе өлмес бұрын жұқтырған күйінде қалатын орташа уақыты. $ Mu $ -ды $ апталық бірлікпен өлшейік^{-1} $.

Бұл теңдеу $(2) frac{dN}{dt}=rN$ дифференциалдық теңдеуінен алынған, мұнда $r$ лездік өсу жылдамдығы деп аталады. $(1)$ теңдеуіндегі $I$ $(2)$ теңдеуіндегі $N$ эквиваленті екенін байқау қиын емес, сондықтан $(1)$ теңдеуі үшін $r$ $(3) r= болады. eta n(1-q)-mu$. $ (3) $ теңдеуін қарастырғанда, екі факторды көреміз:

$ бета n (1 -q) $ - Оң фактор (ii) $ mu $ - Теріс фактор

Жоғарыда айтылғандарды ескере отырып, $r=0$ болғанда, халық санының өсуі байқалмайды(iii). Осыдан біз аурудың таралуын болдырмау үшін вакцинацияланған/иммунитеті бар адамдардың ең аз үлесі болып табылатын $ q_ {0} $ есептей аламыз. $ (3) $ теңдеуінен $ q_ {0} = 1- frac { mu} { beta n} $ екенін анықтай аламыз. $ Q $ сияқты, $ q_ {0} $ - $ 0 $ мен $ 1 $ арасындағы таза сан.

Нағыз шөлге қош келдіңіз (менің сұрағым):

Келесі деректермен екі елді салыстырамыз делік:

  1. Израиль: $ n = 347км^{-2} $, $ бета = 0.0015 апта^{-1} км^{4} $, $ mu = 0.25 апта^{-1} $
  2. Финляндия: $ n = 16км^{-2} $, $ бета = 0.0015 апта^{-1} км^{4} $, $ mu = 0.25 апта^{-1} $

$ Израиль үшін $ q_ {0} $ іздегенде, $ q_ {0} (Израиль) = 1- фрак {0.25} {0.0015 times347} = 0.52 = 52 $% екенін көреміз, ал Финляндияда $ q_ екенін көреміз. {0} (Финляндия) = 1- frac {0.25} {0.0015 times16} =-9.42 = -942 $%. Бізде бірінші кезекте дұрыс деректер бар деп есептесек, $ q_ {0} $ - бұл $ 0 $ мен $ 1 $ аралығында болмайтын теріс таза сандар.

  1. Мұндай және ұқсас нәтижелердің мағынасы бар ма? Әсіресе олар айнымалының анықталған шекаралары арасында болмаған кезде.

  2. Егер олар мағынасы бар болса, теріс нәтиже алу нені білдіреді? Бұл менің вакцинация саясатыма қалай әсер етуі керек?

Сілтемелер:

(і) Менің популяцияларым экологиядан алынған дәріс слайдтары

(ii) эпидемиялық тұрғыдан алғанда оң

(ііі) жұқтырған адамдар туралы


Менің ойымша, бұл мағынасы бар - Финляндия үшін халықтың тығыздығы соншалықты төмен болғандықтан, бета деңгейі төмен ауру таралу үшін жеткілікті адамдармен байланыса алмайды.

Бұл аурумен ауыратындардың саны апта сайын азаяды. Менің ойымша, бұл мағынасы бар, себебі 16 / км^2 -де сіз ешқашан бір -біріңізді көре алмайсыз деп күтуге болады.

Бұл кемшілік модель, бірақ ол орташа тығыздық біркелкі деп есептейді. Хельсинки сияқты қалада (2,800 / км^2) сіз ауруды бір апта ішінде барлығы дерлік жұқтырады деп күте аласыз.

Хельсинки: n = 94,5%

Лапландияда (халық тығыздығы 2/км^2-ден аз) таралу жылдамдығы (бета) 0,0015 аптасына 0,003 оқиғаны білдіреді. Бұл қорқынышты ауру емес, оны алу үшін біреуді сүйіп, киімін кию немесе оның табағынан тамақ ішу керек шығар. Бір км2 үшін 2 адам ғана болса, мұндай жағдайдың мүмкіндігі нашар болып көрінеді, дегенмен мұнда да отбасылар ауруға шалдығады және модель бұзылады.

Қорытындылай келе, модель өзіне сәйкес келеді, БІРАҚ ол нәресте үлгісі және аурудың динамикасын ұлттық ауқымда немесе өте егжей-тегжейлі сипаттауға көмектеспейтін кейбір кең болжамдар жасайды. Бұл шарлардың қорапта соғылу мүмкіндігін және аурудың таралуын сипаттайтын шығар.


Кросс-қорғаныш вакциналардың тұмаудың эпидемиологиялық және эволюциялық динамикасына әсері

Кең ауқымды иммундау қызылша және шешек сияқты көптеген жұқпалы ауруларды бақылауға қатты әсер етті, өйткені вакцинация науқандары ұзақ мерзімді табын иммунитетін сақтауға және, демек, вакцинацияланбағандарды жанама қорғауға қабілетті. Адам тұмауы жағдайында жаппай вакцинацияның мұндай әлеуетті пайдасы әлі күнге дейін түсініксіз болып шықты. Негізгі қиындық - жаңа пандемиялық нұсқалардан, сондай -ақ маусымдық тұмау кезіндегі вирустық қашу мутанттарынан болатын вирустық қабілеттілік, табиғи инфекциядан немесе қазіргі вакциналарды қолданудан табын иммунитетін қалыптастыруды төмендетеді. Демек, қазіргі тұмауға қарсы вакцинациялау бағдарламаларының көпшілігі жаппай профилактикалық қорғауға емес, негізінен нақты қауіп топтарын қорғауға бағытталған. Мұнда біз кең ауқымды қорғауға бағытталған вакциналардың жаңа технологиялары бұл суретті сапалы түрде өзгерте алатынын көрсету үшін эпидемиологиялық модельдерді қолданамыз. Біз мұндай вакциналармен тұрақты иммунизация тұмаудың пандемиясын да, маусымдық эпидемияны да айтарлықтай төмендете алатынын көрсетеміз. Филодинамикалық модельдер кеңінен таралған қорғаныс иммунизациясы маусымдық тұмаудың антигендік эволюциясын бәсеңдетуі мүмкін екенін көрсетеді, бұл әсерлер адам тұмауына қарсы жаппай вакцинациялау стратегиясына көшуге және жалпы антигендік ауыспалы вирустарды басқаруға үлкен әсер етеді.

Тұмау - адамдар мен жануарлардың негізгі ауруы (1). Қолданыстағы тұмауға қарсы вакциналар, ең алдымен, өзгермелі вирустық беттік антиген гемагглютининіне (HA) қарсы иммунитетті тудырады. Халық деңгейінде антигендік «дрейф» (2) ретінде көрінетін ГА -ның үздіксіз эволюциясына байланысты, ағымдағы вакциналар солтүстік және оңтүстік жарты шарларда қысқы тұмау маусымының келуіне орай жарты жылда бір рет қайта қаралуы тиіс (3). Қолданыстағы вакциналар үйір иммунитетінің дәрежесін (4 ⇓ ⇓ –7) тудыруы мүмкін екендігі туралы дәлелдер бар, тіпті сәйкес келмеген жағдайда да (8), дегенмен антигендік дрейфтің тұрақты болуы бұл әсерді кез келген тұрақты эпидемиологиялық әсер үшін тым қысқа етеді. Дәл осылай пандемияға қарсы вакцинация тек реактивті функциямен шектеледі, оны пандемиялық вирус пайда болғаннан кейін ғана толық бастауға болады (9).

Қазіргі кездегі HA эпитоптарынан гөрі сақталған вирустық ақуыздарға бағытталған вакциналарды жасауға қызығушылық артып келеді (10 ⇓ ⇓ ⇓ –14). Тұмаудың әртүрлі қосалқы түрлеріне және бір түрдегі әртүрлі штаммдарға қарсы иммунитетті тудыра отырып, мұндай вакциналар қандай штамның пайда болатынын білуді қажет етпейді, осылайша олар вирусқа қарсы препараттарға немесе әлеуметтік қашықтыққа (15) қарағанда, пандемия мен эпидемияны жеңілдетуді қамтамасыз ете алады. -берілудің мерзімді басылуы. Осылайша, бұл вакциналар тұмаудың эпидемиологиясы мен эволюциясына қатысты сапалы бірегей мүмкіндіктер бере алады, біз оны осында зерттейміз.

Зерттелетін көптеген түрлі кросс-қорғаныс вакциналарына үміткерлер бар (10 шілде ⇓ –14). Мұндай вакциналар міндетті түрде инфекцияны болдырмайды, бірақ вирустың таралуын азайтуда тиімді болуы мүмкін және жануарлар үлгілерінде ауру мен өлімді айтарлықтай төмендетуі мүмкін (10, 11). 1 -суретA H1N1 штаммынан алынған M2 матрицалық протеин мен нуклеопротеиннің екі консервацияланған вирустық компоненттеріне негізделген вакцинаның соңғы тәжірибелік нәтижелерін көрсетеді (11). H5N1-ге қарсы вакцинацияланған паромдар инфекция кезінде мұрыннан вирустық ағудың төмендеуін көрсетті. Салыстырмалы нәтижелерді көрсететін қосымша зерттеулер S1 суретте көрсетілген SI материалдары мен әдістері. Егер вирустың бөлінуін азайту жұқпалылықты да төмендетсе (S1-кесте), онда мұндай зерттеулер кросс-қорғаныш вакциналардың әрі қарай берілуін шектеуге ықтимал әсерін көрсетеді.

Вирустық бөлінудің төмендеуі және берілу мен эпидемиологияға ықтимал әсерлері. (A) Кросс-қорғаныс вакцинациясының және күзендердегі өлімге әкелетін H5N1 шақыруының нәтижелері. Ересек күзендер, әр топқа 6 дана, А матрицасы 2 және нуклеопротеин (NP+M2) немесе В тұмауы нуклеопротеині (B/NP) кодтайтын ДНҚ вакцинасының үш дозасы 2 апта аралықпен бұлшықет ішіне енгізілді, содан кейін мұрын ішілік күшейткішпен иммунизацияланды. аденовирус векторлары (rAd) 1 айдан кейін бірдей антиген(дер)ді экспрессиялайды. Жануарларға 5 LD жарысты50 A/Vietnam/1203/04 (H5N1) 6 апталық күшейтуден кейін және жұмыртқаның 50% жұқпалы дозасымен (EID) анықталған сынақтан кейін 1, 3, 5, 7 және 9 күндердегі мұрын жуу үлгілеріндегі вирус титрлері50) талдау. Орташа вирус титрлері ±SEM көрсетілген. NP+M2 тобы барлық уақытта B/NP тобынан айтарлықтай ерекшеленеді, (П & lt 0.05 бір жақты ANOVA арқылы). Феррет үлгісі тұмау инфекциясына бейімділікті, адамдарға ұқсас белгілерді көрсететінін және берілуге ​​жарамды екенін ескеріңіз. Қосымша мәліметтер алу үшін сілтемені қараңыз. 11. (11 -басылымнан қайта басылған, Авторлық құқық 2009, Elsevier рұқсатымен.). (Б) Вакцинацияланған популяцияда пандемияның пайда болуының модельденген нәтижесі Р0 = 2, алдыңғы пандемияларға сәйкес және вакцинацияланған адамдарда таралу потенциалы пропорцияға төмендейді деп есептей отырып в.

Тиісінше, біз «кросс-қорғанысқа» жатамыз, оның ішінде:мен) вирустық ағызуды және/немесе аурушаңдық пен өлімді азайту арқылы вакцинацияланған адамдарды қорғау, бірақ міндетті түрде инфекцияның алдын алу жәнеіі) әр түрлі қосалқы түрлерден (мысалы, H3N2 және H5N1) және сол түрдегі дивергентті штаммдардан (мысалы, H3N2 дрейфтік нұсқалары) осы қорғауды ұсынады. Біздің контекстіміздегі ең маңыздысы - вакцинациядан туындауы мүмкін жұқтырудың төмендеуі.


Табын иммунитетінің қарапайым математикасы

Жаңа инфекция толық сезімтал халыққа енген кезде, SARS-CoV-2 инфекциясы 2020 жылдың басында болған сияқты, әрбір жұқпалы жағдай орташа есеппен жұқтырады Р0 басқа жағдайлар. Ауру таралған кезде ол сауығып кеткендердің барлығында немесе барлығында инфекцияға қарсы иммунитетті қалдырады. Сонымен қатар, қоғам қауіпті мойындағаннан кейін, одан әрі таралуына кедергі келтіруі мүмкін шараларды (маскалар, қашықтықты сақтау, қол жуу, қозғалысты шектеу және т.б.) енгізуге болады. Ауру біраз уақыт таралған кезде, популяцияның орташа жағдайы жұқтырады Р(т) әдетте сол популяциядағы басқалар Р(т) & lt R0, жинақталған инфекцияға қарсы иммунитеттің бірлескен әсері мен бақылау шаралары арқасында. Бұл пандемияның үйрететін сәттерінің арқасында жалпыға мәлім болғандай, әр адам орташа есеппен бір -бірінен көп жұқтырса, аурудың саны артады, ал әр адам орташа есеппен бір -бірінен аз жұқтырса, аурудың саны азаяды .

Вакциналар азайтуға көмектеседі Р(т). Біз вакцинаның маңызды қамтуына жиі жүгінеміз f*, бұл жету үшін вакцинациялануы тиіс популяциядағы кездейсоқ таңдалған тұлғалардың үлесі Р(т) & lt 1. Егер бізде трансмиссияны төмендететін вакцина болса x, онда біз жағдайды жасағымыз келеді Рвакуум(т) = (1 – xf*) Рunvac(т) = 1 —, яғни, вакцинацияланған популяциядағы орташа жағдай бір адамнан аз жұқтырады (біз теңдік белгісін қолданамыз, себебі біз оның мәнін алуға тырысамыз. f* бұл шекті мәнге әрең жетеді f & gt f* жасайды Рвакуум(т) & lt 1. Егер біз бұл өрнекті қайта реттесек, біз /> аламыз: вакцинациялауды қажет ететін пропорция үлкен мәндер үшін үлкен болады. Рunvac(т) және кіші мәндері үшін x. Оқулықтар жиі /> деп жазады, бұл мағынасы бар, өйткені алдыңғы абзацта атап өткеніміздей, Р(т) < Р0 көп жағдайда иммунитет пен бақылау шараларына байланысты. Сондықтан, егер біз басқа иммунитетсіз немесе бақылау шараларынсыз таралуды басқара алсақ, сол заттардың көмегімен оны одан да жақсы басқара аламыз. Біз «қалыпты жағдайға оралу» туралы ойлана отырып, біз ауруды біз енгізген бақылау шаралары емес, тек вакцинация арқылы бақылауды ойлаймыз.


Сілтемелер

Электронды қосымша материал https://doi.org/10.6084/m9.figshare.c.4862262 сайтында онлайн режимінде қол жетімді.

Корольдік қоғам шығарды. Барлық құқықтар сақталған.

Анықтамалар

. 2004 тұмауға қарсы вакцина - антигенді ығысудан және дрейфтен асып түседі. N. Engl. Дж.мед. 350, 218-220. (doi: 10.1056/NEJMp038238) Crossref, PubMed, ISI, Google Scholar

. 2007 Тұмауға қарсы вакцина: антигендік дрейф мәселесі. Вакцина 25, 6852-6862. (doi:10.1016/j.vaccine.2007.07.027) Crossref, PubMed, ISI, Google Scholar

. 2003 Пандемиялық тұмау және жаһандық вакциналармен қамтамасыз ету. Клин. Жұқтыру. Дис. 36, 1552-1561 жж. (doi:10.1086/375056) Crossref, PubMed, ISI, Google Scholar

Osterholm MT, Kelley NS, Sommer A, Belongia EA

. 2012 Тұмауға қарсы вакциналардың тиімділігі мен тиімділігі: жүйелі шолу және мета-талдау. Лансет инфекциясы. Дис. 12, 36-44. (doi: 10.1016/S1473-3099 (11) 70295-X) Crossref, PubMed, ISI, Google Scholar

Belongia EA, Simpson MD, King JP, Sundaram ME, Kelley NS, Osterholm MT, McLean HQ

. 2016 ж. Лансет инфекциясы. Дис. 16, 942-951. (doi:10.1016/S1473-3099(16)00129-8) Crossref, PubMed, ISI, Google Scholar

. 2018 Тұмауға қарсы вакцинаның мақсаты ретінде шектеулі өзгермелі табиғи қорғаныш эпитопы. Нат. Коммун. 9, 1-10. (doi: 10.1038/s41467-018-06228-8) Crossref, PubMed, ISI, Google Scholar

. 2016 H1N1 тұмау вирустары үшін есептік оңтайландырылған кең реактивті гемагглютинин вакцинасының дизайны және сипаттамасы. Дж.Вирол. 90, 4720-4734. (doi: 10.1128/jvi.03152-15) Crossref, PubMed, ISI, Google Scholar

. 2015 Тұрақты тримерлі тұмау гемагглютинині кең қорғаныш иммуноген ретінде. Ғылым 349, 1301-1306. (doi:10.1126/science.aac7263) Crossref, PubMed, ISI, Google Scholar

. 2013 гемагглютининнің сабағына негізделген әмбебап вакцинаның конструкциялары А тұмауының 2 тобының вирустарынан қорғайды. Дж.Вирол. 87, 10 435-10 446. (doi: 10.1128/JVI.01715-13) Crossref, ISI, Google Scholar

. 2013 Тұмау вирусы гемагглютинин сабағына негізделген антиденелер мен вакциналар. Curr. Пікір. Вирол. 3, 521-530. (doi: 10.1016/j.coviro.2013.07.007) Crossref, PubMed, ISI, Google Scholar

. 2015 Консервацияланған NP, PB1 және M1 протеиндерінің ДНҚ және вакцина вирусына негізделген тышқандардағы А тұмауы вирусына қарсы әмбебап вакциналардағы иммуноген ретіндегі қорғаныс тиімділігі. Клин. Иммунол вакцинасы. 22, 618-630. (doi: 10.1128/CVI.00091-15) Crossref, PubMed, Google Scholar

Бағасы GE, Lo C-Y, Misplon JA, Epstein SL

. 2014 Тұмауға қарсы әмбебап вакцинасы бар шырышты қабыққа қарсы иммундау тінтуір моделінде вирустың таралуын азайтады. Дж.Вирол. 88, 6019-6030. (doi: 10.1128/JVI.03101-13) Crossref, PubMed, ISI, Google Scholar

. 2012 ж. Т-жасушалы индукциялы вакциналар-болашақ. Иммунология 135, 19-26. (doi: 10.1111/j.1365-2567.2011.03517.x) Crossref, PubMed, ISI, Google Scholar

Erbelding EJ, Post DJ, Stemmy EJ, Roberts PC, Augustine AD, Ferguson S, Paules CI, Graham BS, Fauci AS

. 2018 Тұмауға қарсы әмбебап вакцина: Ұлттық аллергия және жұқпалы аурулар институтының стратегиялық жоспары. J. Инфекциялық. Дис. 218, 347-354. (doi:10.1093/infdis/jiy103) Crossref, PubMed, ISI, Google Scholar

Arinaminpathy N, Ratmann O, Koelle K, Epstein SL, Price GE, Viboud C, Miller MA, Grenfell BT

. 2012 Тұмаудың эпидемиологиялық және эволюциялық динамикасына қарсы қорғаныс вакциналарының әсері. Проц. Natl Acad. Ғылыми. АҚШ 109, 3173-3177. (doi:10.1073/pnas.1113342109) Crossref, PubMed, ISI, Google Scholar

Subramanian R, Graham AL, Grenfell BT, Arinaminpathy N

. 2016 әмбебап немесе нақты? Үлкен спектрлі тұмауға қарсы вакциналарды қарапайым, штаммға сәйкес вакциналарға модельдеуге негізделген салыстыру. PLoS есептеуі. Биол. 12, e1005204. (doi:10.1371/journal.pcbi.1005204) Crossref, PubMed, ISI, Google Scholar

Аринаминпатия Н, Ким И.К., Гарджулло П, Хабер М, Фоппа IM, Гамбхир М, Бреси Дж.

. 2017 Америка Құрама Штаттарында тұмауға қарсы вакцинацияның тікелей және жанама қорғаныс әсерін бағалау. Ам. J. Эпидемиол. 186, 92-100. (doi: 10.1093/aje/kwx037) Crossref, PubMed, ISI, Google Scholar

. 2010 А тұмауының вирустарына қарсы қорғаныс иммунитеті. Сарапшы вакциналар 9, 1325-1341. (doi: 10.1586/erv.10.123) Crossref, PubMed, ISI, Google Scholar

Ekiert DC, Bhabha G, Elsliger M-A, Friesen RHE, Jongeneelen M, Throsby M, Goudsmit J, Wilson IA

. 2009 Жоғары консервіленген тұмау вирусының эпитопының антиденелерді тану. Ғылым 324, 246-251. (doi: 10.1126/science.1171491) Crossref, PubMed, ISI, Google Scholar

Дрейфус С, Экиерт DC, Уилсон И.А

. 2013 Пандемиялық H2 тұмау вирусы гемагглютининімен кешенді бейтараптандыратын классикалық антидененің құрылымы. Дж.Вирол. 87, 7149-7154. (doi: 10.1128/JVI.02975-12) Crossref, PubMed, ISI, Google Scholar

. 2011 ж. Тұмауға қарсы жыл сайынғы вакцинация балаларда CD8 + T жасушалық иммунитетінің дамуына кедергі келтіреді. Дж.Вирол. 85, 11 995-12 000. (doi:10.1128/JVI.05213-11) Crossref, ISI, Google Scholar

Berkhoff EGM, de Wit E, Geelhoed-Mieras MM, Boon ACM, Symons J, Fouchier RAM, Osterhaus ADME, Rimmelzwaan GF.

2005 А тұмауының эпитоптарының функционалдық шектеулері цитотоксикалық Т -лимфоциттерден қашуды шектейді. Дж.Вирол. 79, 11 239-11 246. (doi:10.1128/JVI.79.17.11239-11246.2005) Crossref, ISI, Google Scholar

. 2017 Иммунды болдырмаудың құрылымдық және функционалдық шектеулеріне перспектива: тұмау вирусынан түсініктер. Ж.Мол. Биол. 429, 2694-2709. (doi: 10.1016/j.jmb.2017.06.015) Crossref, PubMed, ISI, Google Scholar

. 2018 Жалғыз мутациялар гемагглютинин H1 тұмауына кең және тар антиденелерден вирустық кетуге қалай әсер етеді. Нат. Коммун. 9, 1386. (doi: 10.1038/s41467-018-03665-3) Crossref, PubMed, ISI, Google Scholar

Жақсы P, Eames K, Heymann DL

. 2011 «Табын иммунитеті»: дөрекі нұсқаулық. Клин. Жұқтыру. Дис. 52, 911-916. (doi:10.1093/cid/cir007) Crossref, PubMed, ISI, Google Scholar

Генри С, Палм AKE, Краммер Ф, Уилсон ДК

. 2018 Бастапқы антигендік күнәдан тұмау вирусына қарсы әмбебап вакцинаға дейін. Иммунол трендтері. 39, 70-79. (doi: 10.1016/j.it.2017.08.003) Crossref, PubMed, ISI, Google Scholar

Lessler J, Riley S, Read JM, Wang S, Zhu H, Smith GJD, Guan Y, Jiang CQ, Cummings DAT


Биология ғылымдары және COVID-19 пандемиясы

The Scientist жаңа вебинар: SARS-CoV-2, COVID-19 пандемиясының артындағы коронавирус, жүздеген мың адамды жұқтырды. Бұған жауап ретінде ғылыми қауымдастық оның дәйектілігін, құрылымын және потенциалды биологиялық механизмдерін ашу үшін әрекет етті. Бұл ақпарат денсаулық сақтау саясатын, сондай-ақ дәрі-дәрмек, вакцина және диагностикалық сынақтарды әзірлеуге көмектеседі. Бұл вебинарда биология ғылымдарының профессоры Эмили Троемел мен Сент-Луистегі Вашингтон университетінің Медицина мектебінің Дэвид Ванг SARS-CoV-2 пайда болуын, диагностикалық сынақтар мен емдеу мүмкіндіктерін талқылайды.

Ассистент Мэтт Догерти San Diego Union-Tribune журналына жануарлардан адамдарға секіру туралы әңгімеге сұхбат берді. “Біз адам популяциясында таралуына бір-екі қадам қалғанда тоннадаған вирустарды таптық. Біз олардың бәріне алдын ала терапевтика жасай алмаймыз. ”

Санкт -Диего канцлерінің арнайы презентациясында, иммунология зерттеулерінің жетекшісі, биология ғылымдарының құрметті профессоры Стивен Хедрик көрермендерді эпидемиология, пандемия негізіндегі теория және біз не бастан өткергенімізге сүйене отырып, күтуге болады. өткен. Профессор Хедрик COVID-19 жойылып кете ме, не үшін бізге вакцина қажет және тарихқа негізделген вакцина алмасақ не болатынын бүгінгі күннің өзекті мәселелері талқылайды. Ғылымның келесі індеттің алдын алуға және дайындалуға қалай көмектесетінін біліңіз.

Бізге тиісті вакцина мен ем болмайынша, кем дегенде, біраз уақыт COVID-19-мен өмір сүруді үйренуге тура келеді. Суреш Субрамани, UC Сан-Диего биология ғылымдарының құрметті профессоры және Тата генетика және қоғам институты (TIGS) жаһандық директоры, Аканки Шармамен COVID-19 емдеуге болатын ықтимал емдер мен онымен бірге адамдардың бірге өмір сүруі туралы сөйлеседі.

«COVID-19-ға терең көзқарас» сериясының екіншісінде UC Сан-Диего жұқпалы ауруларды зерттеушілер бүкіл әлемді шарлап жатқан COVID-19 ауруының себебі SARS-CoV-2 вирусын емдеу мен вакциналардың әлеуетіне шолу жасайды. пандемияда. Олар SARS-CoV-2 қоздырғышы-патогенді өзара әрекеттесу динамикасы, эпидемиялық және пандемиялық циклдар мен вакциналардың осы жаһандық сынаққа жауап беру жолдары бойынша өз тәжірибелерімен бөліседі.

Сан-Диего университетінің зерттеушілері COVID-19 ауруының себебі болып табылатын SARS-CoV-2 вирусының биологиясы мен эволюциясына шолу жасайды. Суреш Субрамани, Эмили Троемел, Мэтт Даугерти және Джастин Мейер хост-патогендік өзара әрекеттесу динамикасы және вирустық өмір циклдері және олардың осы жаһандық пандемия проблемасына қалай қатысты екендігі туралы тәжірибесімен бөліседі.

Сан-Диего университетінің биология профессоры, жұқпалы ауруларды зерттеуге маманданған Джастин Мейерге қосылыңыз, ол 2020 жылдың көктемінде “Жұқпалы аурулардың эволюциясы” курсын ұсынып жатыр. Мейер өз сабағын соңғы COVID-19 талдауына бейімдеп жатыр. даму барысында олар ашылады. Ол әр дәрісті COVID-19 таралуын жаңартудан бастайды және эволюциялық биология ұғымдарының жалғасып жатқан пандемиямен байланысын талқылайды.

UC Сан-Диего биологиялық ғылымдары Құрметті профессор Стивен Хедрик 10News-те COVID-19 таралуы мен антиденелерге тестілеу неліктен маңызды екенін талқылау үшін шығады. «Ауруға әлі де сезімтал адамдар бар болса және бізде вакцинациямен иммунитет кең таралмаса немесе ауруға шалдыққандардың барлығында аурудың қайтып оралуы ықтималдығы әрқашан бар.»

Қызық па, студент немесе профессор болу, COVID-19 пандемиясы кезінде үйден оқып, сабақ беру. Психолог студент Зоë Сиддалл және биология ғылымдарының профессоры Джеймс Ни YouTube апта сайынғы күнделіктер сериясында өз тәжірибесімен бөліседі. Зоë және профессор Ние гаражда сабақ алудан бастап, мысыққа фотобомба салуға дейін бізге қашықтан оқыту мен оқытудың жоғары және төменгі жақтарын көзбен көреді.

YouTube-тің жаңа ресурстық беті әртүрлі көзқарастардан COVID-19 пандемиясы туралы түсінік беретін биологиялық ғылымдар мамандарын жинайды.

Коронавирус дегеніміз не? N95 маскасы ауаны қалай сүзеді? Вакцина жасау үшін не қажет? Saltman Quarterly журналының “Вирусты виртуалды жаңартулар” сериясындағы COVID-19 дағдарысы туралы хабарын қараңыз, онда олар фактологиялық ғылымды көздің жауын алатын және ақпараттық графика түрінде бейнелейді.

UC Сан-Диего 9500 Гилман доктор Ла Жолла, CA 92093 (858) 534-2230
Авторлық құқық © 2021 Калифорния Университетінің Регенттері. Барлық құқықтар сақталған.


Қорытынды

Осы мақалада біз вирустық динамикалық модельді және жас құрылымы бар желілік модельді қолдана отырып, практикалық және қызықты сұрақтарды зерттеу мүмкіндіктерін көрсеттік. Тәжірибелік деректердің қолжетімділігі, трансмиссия параметрлерін сипаттау үшін эксперименттер жүргізу мүмкіндігі және инфекцияға жоғары ажыратымдылықтағы субъектіге тән реакцияларды қамтамасыз ету мүмкіндігі айқын хост ішіндегі динамикасын пайдаланудың артықшылықтары болып табылады. Жастық құрылымдық желілік модельді қолданудың артықшылығы-оның қарапайым енгізілуі, аурудың берілу репрезентативтілігі және жас құрылымы бойынша мәліметтердің болуы. Сондықтан жұқпалы қоздырғыштардың иммунологиялық зерттеулері дәлелді денсаулық сақтау тәжірибесін ілгерілете отырып, хосттар арасында берілуді зерттеуге үздіксіз біріктірілуі мүмкін.


Ұзақ уақытқа созылатын COVID-19 вакцинацияланған табиғи иммунитеттің күші мен ұзақтығына байланысты болады

Жаңа зерттеулер табиғи және вакцинадан туындаған иммунитеттің әсері COVID-19 деп аталатын жаһандық коронавирустық пандемияның болашақ траекториясын қалыптастырудың негізгі факторлары болады деп болжайды. Принстон зерттеушілері Science журналында 21 қыркүйекте жарияланған зерттеулерге сәйкес, атап айтқанда, күшті иммундық реакция тудыратын вакцина болашақ инфекция ауыртпалығын айтарлықтай төмендетуі мүмкін.

Принстондық зерттеушілер жүргізген жаңа зерттеу табиғи және вакцинадан туындаған иммунитеттің әсері COVID-19 деп аталатын жаһандық коронавирустық пандемияның болашақ траекториясын қалыптастырудың негізгі факторлары болады деп болжайды. Атап айтқанда, күшті иммундық жауап тудыратын вакцина болашақ инфекцияның ауыртпалығын едәуір төмендетуі мүмкін.

«Ковид-19 болашақ траекториясына қатысты пікірталастардың көпшілігі маусымдық әсерге және маска тағу мен физикалық алыстату сияқты фармацевтикалық емес араласуларға қатысты болды»,-деді авторлардың бірі Чади. Саад-Рой, Ph.D. Принстондағы Льюис-Сиглер интегративті геномика институтының кандидаты. «Қысқа мерзімде және пандемия кезеңінде NPI жағдайдың ауыртпалығын анықтайтын негізгі фактор болып табылады. Алайда, болашаққа қараған сайын иммунитеттің рөлі арта түседі. »

«Түптеп келгенде, біз SARS-CoV-2-ге немесе ықтимал вакцинаға табиғи иммунитеттің күші немесе ұзақтығы қандай болатынын білмейміз», - деп түсіндірді бірінші автор Кэролайн Вагнер, МакГилл университетінің биоинженерия профессорының ассистенті. Принстон экологиялық институтында (PEI) докторлықтан кейінгі ғылыми қызметкер ретінде зерттеуде жұмыс істеді.

«Мысалы, егер қайта инфекция мүмкін болса, адамның бұрынғы инфекциясына иммундық реакциясы не істейді?» - деп сұрады Вагнер. «Бұл иммундық жауап сізді инфекцияны басқаларға беруді тоқтата алады ма? Мұның бәрі болашақтағы індеттің динамикасына әсер етеді ».

Ағымдағы зерттеу ғылымның 18 мамырында жарияланған Принстон зерттеулеріне негізделген, онда климаттың жергілікті вариациялары COVID-19 пандемиясының бірінші толқынында басымдыққа ие болмайтынын және климаттың өзгеруіне қатысы бар көптеген авторларды қосқанын хабарлады. PEI және Принстон халықаралық және аймақтық зерттеулер институты (PIIRS) қаржыландыратын жұқпалы аурулар бастамасы.

Ең соңғы мақалада зерттеушілер COVID-19 жағдайының болашақтағы таралуын және адам популяциясының иммунитет дәрежесін жобалау үшін қарапайым модельді қолданды, бұл вирустың әр түрлі адамдарда қалай таралу ықтималдығына байланысты. контексттер. Мысалы, модель инфекциядан кейін иммунитеттің әр түрлі ұзақтығына, сондай -ақ қайта инфекциядан қорғаудың әр түрлі көлеміне мүмкіндік береді. Зерттеушілер интернеттегі интерактивті нұсқаны осы болжамдардың әр түрлі жиынтығында жариялады.

Күтілгендей, модель алғашқы пандемия шыңы негізінен иммунитетке тәуелсіз екенін анықтады, өйткені адамдардың көпшілігі сезімтал. Дегенмен, SARS-CoV-2 инфекциясы, демек, иммунитет - популяцияда жоғарылаған сайын эпидемиялық үлгілердің айтарлықтай ауқымы мүмкін.

«Егер иммундық жауаптар тек әлсіз немесе қайта жұқтырудан уақытша қорғайтын болса, онда орта мерзімді перспективада үлкенірек және жиірек індет күтуге болады», - деді бірлескен автор Андреа Грэм, Принстондағы экология және эволюциялық биология профессоры және онымен байланысты. PEI оқытушысы.

Зерттеушілер иммундық жауаптардың табиғаты клиникалық нәтижелерге және ауруханаға жатқызуды қажет ететін ауыр жағдайлардың ауырлығына әсер етуі мүмкін екенін анықтады. Негізгі сұрақ - бастапқы инфекциямен салыстырғанда кейінгі инфекциялардың ауырлығы.

Маңыздысы, зерттеу барлық сценарийлерде күшті иммундық реакция тудыратын вакцина болашақ жүктемені айтарлықтай төмендететінін анықтады. Тіпті қайталама жұқтырудан ішінара қорғауды ұсынатын вакцина да кеңінен қолданылса, үлкен пайда әкелуі мүмкін, деп хабарлады зерттеушілер.

Жасы және өте таралған оқиғалары сияқты F факторлары SARS-CoV-2 таралуына әсер ететіні белгілі, бұл популяциядағы адамдарға әртүрлі иммундық реакцияларды тудыруы немесе вирусты әртүрлі жылдамдықпен беруі. «Біздің модельдер бұл факторлардың болашақ індет динамикасы туралы сапалы болжамдарымызға әсер етпейтінін көрсетеді», - деді Брайан Гренфелл, Кэтрин Бригер және Сара Фентон, экология және эволюциялық биология және қоғаммен байланыс профессоры және PEI-нің қауымдастырылған оқытушысы. Гренфелл - экология және эволюциялық биология және қоғаммен байланыс кафедрасының доценті, сонымен қатар PEI факультетінің мүшесі, С. Джессика Меткалфпен бірге мақаланың аға авторы.

«Вакцинаға үміткерлер пайда болған кезде және вакцинациямен болашақ жүктемелерді егжей -тегжейлі болжау қажет болғандықтан, бұл қосымша мәліметтерді күрделі модельдерге енгізу қажет болады», - деді Гренфелл.

Зерттеушілер табиғи инфекциядан немесе вакцинациядан кейінгі қожайынның иммундық жауаптары туралы бірқатар болжамдар бойынша COVID-19 жағдайларының болашақтағы жиілігін және адам популяциясындағы иммунитет дәрежесін болжау үшін қарапайым модельді пайдаланды. Орташа блок-схема (жоғарыда) зерттеушілер қолданатын қарапайым үлгіге сәйкес келеді және осы әртүрлі иммундық болжамдарды енгізуге мүмкіндік береді. Модель пандемиялық шыңнан кейін SARS-CoV-2 инфекциясы, демек, иммунитеттің популяциясының жоғарылауы сияқты эпидемиялық заңдылықтардың айтарлықтай ауқымы мүмкін екенін анықтады. Барлық сценарийлерде күшті иммундық жауап тудыратын вакцина болашақ жүктемені айтарлықтай төмендетуі мүмкін.

Зерттеу авторлары сонымен қатар «вакцинаның тартынуы» инфекцияның болашақ динамикасына әсерін зерттеді. Олардың моделі коронавирусты емдеуге арналған фармацевтикалық және фармацевтикалық емес шаралардан бас тартатын адамдар, егер вакцина болса да, вирустың таралуын баяулатуы мүмкін екенін анықтады.

«Біздің модель көрсеткендей, егер вакцинадан бас тарту жоғары болса және маскадан бас тарту сияқты қауіпті мінез-құлықпен байланысты болса, онда үйір иммунитетіне жету үшін қажетті вакцинация деңгейі әлдеқайда жоғары болуы мүмкін»,-дейді авторлардың бірі Саймон Левин. Джеймс С. Макдоннелл университетінің экология және эволюциялық биология бойынша құрметті профессоры және PEI -де ілеспе оқытушы. «Бұл жағдайда инфекциядан немесе вакцинациядан кейінгі иммундық жауаптың сипаты вакцинаның қаншалықты тиімді болатынын анықтайтын маңызды факторлар болады».

Гренфелл: «Егер негізгі процестерде белгісіздік болса, болашақ туралы нақты болжам жасау қиын болуы мүмкін», - деді. «Біз бұл зерттеуде, ақыр соңында, қарапайым және күрделі модельдердің отбасы - бұл жағдайда жүрудің ең жақсы әдісі. Бұл модельдердің болжамдарын мұқият салыстыру, содан кейін ауа райын болжау сияқты болашақтың мұқият орташа суретін жасау өте пайдалы болуы мүмкін ».

Зерттеудің негізгі бағыттарының бірі - белсенді инфекциялардан басқа, SARS-CoV-2-ге популяция деңгейіндегі иммунитетті бақылау болашақ ауруды дәл болжау үшін маңызды болады.

“This is not an easy thing to do accurately, particularly when the nature of this immune response is not well understood,” said co-author Michael Mina, an assistant professor at the Harvard School of Public Health and Harvard Medical School. “Even if we can measure a clinical quantity like an antibody titer against this virus, we don’t necessarily know what that means in terms of protection.”

“Studying the effects of T-cell immunity and cross-protection from other coronaviruses are important avenues for future work,” Metcalf said.

Additional authors on the paper include Rachel Baker , a PEI postdoctoral research associate Sinead Morris, a postdoctoral research scientist at Columbia University who received her Ph.D. in ecology and evolutionary biology from Princeton and Jeremy Farrar, director of the Wellcome Trust.

The paper, “Immune life-history, vaccination, and the dynamics of SARS-CoV-2 over the next five years,” was published online by Science Sept. 21. This work was supported by funds from the Natural Sciences and Engineering Research Council of Canada, the Life Sciences Research Foundation, the Cooperative Institute for Modelling the Earth System (CIMES) at Princeton University, the James S. McDonnell Foundation, the C3.ai Digital Transformation Institute, the National Science Foundation, the US Centers for Disease Control and Prevention, and Flu Lab.


Study Data And Methods

Study Design

We used a simple mathematical model to estimate the population benefits of a vaccine against COVID-19. We considered vaccines with varying degrees of preventive benefit (transmission effect) and disease-modifying benefit (progression and mortality effect). We considered different assumptions regarding the speed of manufacturing/distribution (pace) and the extent of vaccine delivery (coverage)—two implementation parameters that are independent of vaccine clinical trial results. We also considered different background epidemic severities, as measured by the reproduction number ( R t ). Outcomes of interest—including total infections, deaths, and peak hospital or intensive care unit (ICU) use—were reported both on an absolute basis and as a percentage reduction from a “no vaccination” scenario during a six-month planning horizon. We initialized the simulation with a population size of 100,000 people, of whom 100 (0.1 percent) were exposed and 9,000 (9 percent) were recovered cases. 15 The model was implemented as a spreadsheet and parameterized and validated using population-average data inputs (see online appendix exhibit 1). 16

Compartmental Model

The SEIR (susceptible-exposed-infectious-recovered) model is one of the simplest deterministic, mathematical frameworks for portraying the trajectory of an infectious disease through an at-risk population. Briefly stated, the SEIR framework treats the process of viral transmission and disease progression as a sequence of transitions among a finite number of health states (or “compartments”). Transitions are governed by mathematical equations that capture both the transmission dynamics of the virus and what is known about the natural history of disease.

We adapted the classic SEIR framework in two important ways (appendix exhibit 4). 16 First, we divided the “infected” compartment into four distinct subcompartments to capture the increasing severity and resource use associated with more advanced COVID-19 disease: “asymptomatic,” “mild” (outpatient), “severe” (hospitalized), and “critical” (hospitalized in an ICU). Second, we introduced the possibility of vaccination by creating a parallel set of compartments to the ones described above. People receiving the vaccine moved from the “susceptible unvaccinated” state to the “susceptible vaccinated” state. From there, their progress to exposure, infection, recovery, and death was adjusted to reflect the transmission and disease-modifying benefits of the vaccine. This modeling device also permitted us to adjust the infectiousness of people who received an imperfect vaccine but who nevertheless became infected (that is, breakthrough infections).

Vaccine Efficacy

To capture the broad definition of vaccine efficacy in the FDA’s June 2020 guidance, we considered three different vaccine types (appendix exhibit 2) 16 : a preventive vaccine that decreases susceptibility to infection in uninfected people a disease-modifying vaccine that improves the course of disease in infected people, slowing progression, speeding recovery, reducing mortality, and decreasing infectiousness and finally, a composite vaccine that combines the attributes of both the preventive and disease-modifying vaccines. We set the efficacy for each of these attributes at 50 percent in the base case and examined ranges of 25–75 percent in sensitivity analysis. (For the recovery rate increase, the base-case value was 100 percent [that is, cutting recovery time in half] with a range of 75–150 percent.) We considered lag times between vaccine administration and when effects take hold ranging from fourteen days (representing a fast-acting, single-dose vaccine) to thirty days in the base case (representing a two-dose vaccine with administration thirty days apart and partial efficacy after the first dose) and forty-two days (representing a two-dose vaccine with no efficacy after the first dose). 17, 18

Implementation Effectiveness

The challenges of vaccine development do not end once an effective vaccine is identified.

The challenges of vaccine development do not end once an effective vaccine is identified. The model includes two implementation measures: pace and coverage. Pace, the percentage of the population that could be vaccinated on a given day, is a measure of manufacturing and logistical preparedness. We assumed a base-case value of 0.5 percent for the pace parameter to approximate the daily rate of influenza vaccination in the US during the peak period of vaccination efforts each fall. 19 This reflects our assumption that although a COVID-19 vaccine may need to be administered in two doses, the urgency of the pandemic may prompt sponsors to bring production and distribution to scale at twice the rate of the influenza vaccine. Given the uncertainty surrounding these assumptions, we considered alternative values ranging from 0.1 percent to 2 percent in sensitivity analysis. We defined coverage as the percentage of the population ultimately vaccinated—a measure of public acceptance and the success of public health efforts to make vaccines available to all who desire them. We used a base-case value of 50 percent (range, 25–75 percent), reflecting recent US polling data on vaccine acceptability. 20 At a daily pace of 0.5 percent, it would take 0.5/0.005 = 100 days to achieve a 50 percent coverage goal.

Epidemiology And Natural History

We defined three epidemic severity scenarios: a base case with a reproduction number ( R t ) of 1.8, a best case ( R t = 1.5) representing strict adherence to social distancing and other preventive best practices, and a worst case ( R t = 2.1) reflecting the higher risks associated with winter weather and greater indoor activity. We also report results for R t = 1.2 in the appendix. 16

Input data on the development and natural history of COVID-19 (including incubation times likelihood of symptoms and rates of progression, recovery, and fatality) were obtained primarily from modeling guidance issued by the Centers for Disease Control and Prevention (CDC) and the Office of the Assistant Secretary for Preparedness and Response in the Department of Health and Human Services, supplemented by published literature. 21 We attempted to use the most current input data available. However, as clinical care and outcomes improve, as testing services magnify, and as the COVID-19 pandemic expands its demographic reach, our analysis will require adjustment and updating. Specifically, hospitalization and mortality rates are improving as the pandemic is controlled among the elderly and extends its reach to younger populations. Recognizing how quickly these statistics are evolving, we deliberately focused our attention in this analysis on infections, not deaths.

Appendix exhibit 1 documents all inputs and sources. 16

Шектеулер

Similar to any model-based analysis, our evaluation has important methodological limitations. First, we assumed a model of homogenous mixing. Although this simplified the underlying mathematics, recent evidence suggests that spikes in local positivity—and the resultant protective immunity—may be attributable to spatially correlated, small group gatherings. Vaccine hesitancy may also vary by setting and other demographics. Future refinements might consider more complex geospatial or age-based mixing assumptions.

Second, we did not stratify vaccine deployment or coverage scenarios across different at-risk and vulnerable populations, as suggested recently by the National Academies of Sciences, Engineering, and Medicine’s Framework for Equitable Allocation of COVID-19 Vaccine. 22 To some extent, sensitivity analyses on R t might serve as a surrogate for a stratified assessment of outcomes across communities with different epidemic severities. Furthermore, our framework did not allow for differential prioritization or uptake among groups at higher risk for hospitalization and death. Published data used to populate the model were necessarily taken from early in the pandemic course. Additional evidence (for example, age-adjusted outcomes, new strategies for COVID-19 clinical care, geographic case clustering, and patterns of vaccine hesitancy and acceptance among the public) may permit the model to be stratified by age or other dimensions and updated for risk for complications and death at the individual level. 23

Third, we assumed constant rates of transition from one model compartment to the next. This produced exponentially distributed residence times—time spent in a given state can be quite long, even if the mean duration is short—and could have biased the analysis against prevention and in favor of rapid implementation. As better data on the natural history of disease emerge, it may be possible to address the problem using multiple sequential compartments.

Finally, our base-case analysis restricted attention to a six-month horizon. Although we also report projections over the course of twelve months, this should be interpreted with caution, as waning immunity after disease and vaccine durability remain ongoing concerns. 24

A comprehensive description of the model, its parameters, governing equations, and input data values is in the appendix. 16


Қорытынды

In circumstances in which vaccine production is delayed due to technological or logistical barriers, as seen with the pH1N1 vaccine, it is critical to have a good estimate of the timing of the epidemic peak before making policy decisions on vaccination strategies. Careful modeling may provide decision makers with estimates of these effects before the epidemic peak to motivate production efficiencies and inform policy decisions. Integration of real-time surveillance data with mathematical models is paramount to detect early upswings in illness activity heralding an epidemic peak and to enable public health to optimize the community benefits from proposed interventions before that occurs.