Reinfection could not occur in SARS-CoV-2 infected rhesus macaques

Linlin Bao, Wei Deng, Hong Gao, Chong Xiao, Jiayi Liu, Jing Xue, Qi Lv, Jiangning Liu, Pin Yu, Yanfeng Xu, Feifei Qi, Yajin Qu, Fengdi Li, Zhiguang Xiang, Haisheng Yu, Shuran Gong, Mingya Liu, Guanpeng Wang, Shunyi Wang, Zhiqi Song, Wenjie Zhao, Yunlin Han, Linna Zhao, Xing Liu, Qiang Wei, Chuan Qindoi: https://doi.org/10.1101/2020.03.13.990226

posted March 14, 2020

This is a preprint article

چکیده: میمونهای ریسس که در آزمایشگاه به بیماری کرونا مبتلا شدند, پس از بهبودی در مقابل ویروس مقاوم بوده و دوباره مبتلا نشدند. در صورت تسری این نتایج به انسانها میتوان امیدوار بود که مبتلایان حداقل تا زمانی در مقابل ویروس مصون هستند.

این مقاله هنوز داوری علمی نشده است.

Abstract

An outbreak of the Corona Virus Disease 2019 (COVID-19), caused by the severe acute respiratory syndrome CoV-2 (SARS-CoV-2), began in Wuhan and spread globally. Recently, it has been reported that discharged patients in China and elsewhere were testing positive after recovering. However, it remains unclear whether the convalescing patients have a risk of “relapse” or “reinfection”. The longitudinal tracking of re-exposure after the disappeared symptoms of the SARS-CoV-2-infected monkeys was performed in this study. We found that weight loss in some monkeys, viral replication mainly in nose, pharynx, lung and gut, as well as moderate interstitial pneumonia at 7 days post-infection (dpi) were clearly observed in rhesus monkeys after the primary infection. After the symptoms were alleviated and the specific antibody tested positively, the half of infected monkeys were rechallenged with the same dose of SARS-CoV-2 strain. Notably, neither viral loads in nasopharyngeal and anal swabs along timeline nor viral replication in all primary tissue compartments at 5 days post-reinfection (dpr) was found in re-exposed monkeys. Combined with the follow-up virologic, radiological and pathological findings, the monkeys with re-exposure showed no recurrence of COVID-19, similarly to the infected monkey without rechallenge. Taken together, our results indicated that the primary SARS-CoV-2 infection could protect from subsequent exposures, which have the reference of prognosis of the disease and vital implications for vaccine design.

مقاله قبلیمقاله بعدی
دانشیار سیستم‌های دینامیکی
MIT

تاثیر شرایط جوی بر گسترش بیماری کوید نوزده: تخمین‌ها و پیش‌بینی‌ها

رن شو (دانشگاه کانتیکِت)، هژیر رحمانداد (اِم‌آی‌تی)، ماریچی گوپتا (بیمارستانِ MGH)، کترین دی‌جِنارو (بیمارستانِ MGH)، نوید غفارزادگان (ویرجینا تِک)، حسن امینی (دانشگاه کُپِنهاگ) و محمد جلالی (دانشگاه هاروارد و بیمارستانِ MGH)

تماس: محمد جلالی msjalali@mgh.harvard.edu

خلاصه

مقدمه: تحلیل و پیش‌بینیِ روند گسترش بیماری کوید نوزده، نیاز به تخمینِ میزانِ تاثیر شرایط آب و هوایی بر گسترش بیماری دارد. مطالعات گذشته محققین در این زمینه با تناقضاتی در نتایج همراه بوده‌است. در این مقاله، نویسندگان، ضمنِ جمع‌آوری یکی از گسترده‌ترین مجموعه داده‌های موجود از نقاط مختلف دنیا، به تخمین تاثیر شرایط جوی و پیش بینی ریسک گسترشِ بیماری، در ماه‌های آتی، و در نقاط مختلف دنیا می‌پردازند.

رویکرد: این مقاله مبتنی بر استفاده از روش‌های مختلف تحقیق اعم از مدل‌های آماری و شبیه‌سازی و استفاده از کلان‌داده است. داده‌های جمع‌آوری شده،  شامل تعدادِ بیماران بر مبنای گزارش‌های رسمی در 3739 منطقه دنیا، از تاریخ 12 دسامبر تا 22 آوریل سال 2020، و متغیرهای متعدد جوی و منطقه‌ای است. در این مقاله، ابتدا با استفاده از مدل‌های شبیه‌سازی، چالش‌های پیش‌رو در تخمین تاثیر شرایط آب و هوایی بر گسترش بیماری بررسی شده است و نشان داده می‌شود که، از نظر متدولوژیک، دست‌ِکم گرفتن اهمیتِ توزیع آماریِ بازه زمانی میان آغاز بیماری، شناسایی بیماری، و گزارش آن، می‌تواند به تخمین‌های نادرست بیانجامد. این مشکل از آنجا ناشی می‌شود که برای بررسی تاثیر دما باید دمای روزانه با تعداد مبتلایان همان روز مقایسه شود، حال آنکه زمان نسبتا طولانی و متغیر میان آغاز ابتلا و شناسایی موارد ابتلا وجود دارد. از این رو تخمین تاثیر شرایط آب و هوایی بر بیماری نیز مشکل می‌شود. در این مطالعه، ابتدا الگوریتمی ارائه شده است که زمان آغاز بیماری با استفاده از گزارش‌های رسمی تخمین زده شود. سپس مدلِ آماری این مطالعه، در محیطِ شبیه‌سازی، طراحی و آزمایش شده است. پس از سنجش اعتبارِ مدل، از داده‌های اصلی برای بررسی همبستگی متغیرهای جوی و متغیر بازتولید کننده استفاده شده است. مدل آماری نهایی، علاوه بر متغیرهای جوی، شامل متغیرهای مختلف محیطی، اعم از چگالی شهری، و روند تغییرات در هر منطقه است. نهایتا، از تخمین‌های بدست آمده برای بررسیِ (کاهشِ) ریسکِ ناشی از تغییرات دما بر گسترش بیماری در مناطق مختلف، استفاده شده است.

نتایج: تغییرات آب و هوایی می‌تواند تا حدودی بر (کاهشِ) گسترش بیماری تاثیر‌گذار باشد. میزان تاثیر شرایط جوی قابل ملاحظه است، اما، به خودیِ خود، کافی نیست. به طور مشخص، پس از دمای بیست و پنج درجه سانتیگراد، به ازای هر درجه افزایشِ دما، قدرت بازتولید کنندگی ویروس، تقریبا سه و یک‌دهم درصد کم می‌شود (بازه اطمینان 95 درصد: بین یک و نیم درصد، تا چهار و هشت‌دهم درصد). یعنی ده درجه افزایش دما از 25 تا 35 درجه سانتیگراد، با فرض ثابت بودن سایر عوامل همچون رطوبت هوا، منجر به کاهش سی و یک درصدی عدد بازتولید کننده می‌شود. در مناطق مرطوب‌تر، تاثیر بازدارندگی گرمایش، به مراتب بیشتر خواهد بود. علاوه بر این متغیرها، تاثیر وزش باد، میزان آفتاب، برف و بارندگی نیز بررسی شده است. در کل، به نظر می‌رسد که تفاوت شرایط آب و هوایی، تا 43 درصد، قادر به توضیح تفاوت میزانِ شیوع بیماری در نقاط مختلف دنیاست. شکل 1، تخمین ریسک ناشی از تغییرات جوی بر گسترش بیماری را در برخی از شهرهای ایران نشان می‌دهد.

شکل 1 – ریسک ناشی از تغییرات جویِ گسترش کرونا در شهرهای مختلف ایران – برای درک بهتر شکل باید به تغییرات نسبی هر نمودار توجه شود. مثلا در نمودار تهران، ریسک گسترش بیماری در ماههای تابستان حدودا 30 درصد کمتر از ماههای میانیِ زمستان است (تفاوتِ هفت دهم، و نود و پنج صدم). برای بسیاری دیگر از مناطق ایران و جهان به این سایت مراجعه کنید: https://projects.iq.harvard.edu/covid19

میزان تاثیرات قابل ملاحظه است. هر چند تخمین‌های موجود در این مطالعه با احتیاط همراه بوده و احتمالا تخمین پایین‌دستی است، اما باز هم به نظر نمی‌رسد که تغییرات آب و هواییِ فصلی، به تنهایی، قادر به کنترل بیماری باشد و برای کنترل بیماری به ادامه برخی از سیاستها در سطح کشور نیاز است. برای بررسی بسیاری دیگر از شهرها و مناطق دنیا می توانید به سایت این پژوهش مراجعه کنید. علاقه‌مندان به مباحث تخصصی را به مطلب اصلی ارجاع می‌دهیم.

سایت پژوهش: https://projects.iq.harvard.edu/covid19

مقاله اصلی:

Xu, R., Rahmandad, H., Gupta, M., DiGennaro, C., Ghaffarzadegan, H., Amini, N., Jalali, M., Weather Conditions and COVID-19 Transmission: Estimates and Projections. Available at https://www.medrxiv.org/content/10.1101/2020.05.05.20092627v1  

مقاله علمی: تخمین بیماران کوید19 در شهر نیویورک

تا تاریخ 4 آوریل، تعداد 215 زنِ باردار در نیویورک برای کوید 19 تست شده‌اند. از این میان تنها 4 نفر تب داشته‌اند. به جز آن 4 نفر، نتیجه تست 29 نفر دیگر هم مثبت شده است. این به معنی وجود بیماری در میان حدود 13 درصد این نمونه آماری در شهر نیویورک است. البته کلا فقط 7 نفر از 33 نفر نهایتا علامت واضحی از بیماری بروز داده‌اند. در صورتی که از این نمونه آماری برای تخمین تعداد بیماران در کل شهر نیویورک استفاده شود، به همین نسبت 13 درصد ممکن است فرد بیمار در شهر نیویورک وجود داشته باشد (تا 4 آوریل). این رقم بالای یک میلیون نفر می‌شود و حدودا 10 برابر ارقام رسمی است. البته عده کثیری هیچگاه سیمپتوم نخواهند داشت.

Sutton, D., Fuchs, K., D’Alton, M., & Goffman, D. (2020). Universal Screening for SARS-CoV-2 in Women Admitted for Delivery. New England Journal of Medicine.