نویسنده مهمان: دکتر محمد رشیدیان
آیا برای پایان دادن به اپیدمی کرونا به واکسن احتیاج داریم؟ آیا می‌توانیم یک واکسن مؤثر برای کرونا درست کنیم؟ اگر می‌توانیم، ساخت واکسن چه مدت زمان خواهد برد؟

پتانسیل فراگیر شدن ویروس کرونا و همچنین آلوده شدن انسان‌های بسیاری که علائم جدی بیماری در آن‌ها بروز نمی‌کند، احتمال آنکه واکسن برای پایان دادن اپیدمی لازم باشد را افزایش می‌دهد. اما سوال این‌جا است که  آیا اصولا می‌توان برای کرونا واکسن موثری تولید کرد؟ خوشبختانه و به دلایل زیر پاسخ این است که: بله‌، بسیار محتمل است.

۱) شواهد روشنی داریم که سیستم ایمنی انسان پاسخ دقیق و مخصوصی علیه ویروس کرونا نشان می‌دهد. به این معنا که اگر شخصی یک بار بیمار شود، بار دوم که در معرض ویروس قرار بگیرد دیگر بیمار نخواهد شد. حتما تجربه مشابه در مورد بیماری‌های دیگر را یا خودتان تجربه کرده‌اید یا شنیده‌اید، مثل ویروس آبله‌مرغان که اگر یک بار کسی بگیرد احتمال آلوده شدن مجدد تقریبا صفر است. این بدین معنی است که اگر کرونا بگیریم، سیستم ایمنی بدن سلول‌های حافظه علیه کرونا تولید می‌کند. بنابراین اگر ما بتوانیم سلول‌های حافظه ایمنی علیه کرونا را قبل از اینکه به ویروس آلوده شویم درست کنیم، توانسته‌ایم واکسن موثری بسازیم. 

۲) برخی ویروس‌ها می‌توانند تغییرات (جهش‌های ژنتیکی) بسیار سریع داشته باشند و این موضوع کار را برای ساختن واکسن موثر سخت می‌کند. مثلا ویروس اچ‌آی‌وی (ایدز) بسیار سریع تغییر می‌کند. در مورد کرونا، شواهد علمی به وضوح نشان دهنده تنوع اندک ویروس‌های پخش شده در سراسر جهان است، که نشان می‌دهد ویروس کرونا تغییرات وسیع و سریع نداشته است. این نکته به ساختن واکسن موثر کمک می‌کند. 

۳) ما تقریبا اطمینان داریم که پروتئین S در کرونا (spike protein) هدف اصلی سیستم ایمنی انسان است.  کرونا با پروتئین Sپوشیده شده و از آن برای آلوده کردن سلول‌های ریه استفاده می‌کند.

۴)‌ مطالعات انجام شده در دو ماه گذشته نشان داده است که موش‌ها نسبت به پروتئین S کرونا پاسخ قوی نشان می‌دهند. بنابراین ما انتظار داریم که نتیجه مشابهی را در انسان مشاهده کنیم.

۵)‌ میمون‌های رزوس (Rhesus monkeys) که از نظر سیستم ایمنی بسیار مشابه انسان هستند، حدود سه هفته پیش (اوائل ماه مارس) واکسینه شده‌اند و در چند هفته آینده خواهیم دانست که آیا واکسن موثر بوده است یا خیر.

با این حال، نگرانی اصلی این است که آنتی‌بادی تولید شده توسط واکسن ممکن است منجر به وخیم‌تر شدن بیماری و همچنین سایر عوارض جانبی احتمالی شود. بنابراین ما نمی‌توانیم قبل از انجام آزمایش‌های مناسب بر روی حیوانات، و بعدتر انجام آزمایش‌های بالینی روی تعداد اندکی از انسان‌ها، شروع به استفاده گسترده واکسن کنیم.

در حال حاضر دانشمندان در سراسر دنیا مشغول ساختن چندین واکسن مختلف برای کرونا هستند. واکسن‌هایی که بر اساس

DNA، RNA ، پروتئین، وکتور (vector)، و یا ویروسِ غیرفعال ساخته شده‌اند از جمله این تلاش‌هاست. تلاش‌ها آنقدر سریع پیش میرود که واکسنی که بر اساس RNA ساخته شده است هفته گذشته روی ۴۵ داوطلب امتحان شد و نتایج آن تا چند ماه آینده مشخص خواهد شد. در واقع تلاش برای ساخت واکسن کرونا سریع‌تر از هر تجربه دیگری در تاریخ علم پزشکی در حال پیشرفت است. با این وجود، تقریبا محال است که طی چند ماه آینده بتوانیم به پاسخ قطعی برسیم. و البته تولید صدها میلیون واکسن مؤثر احتمالاً حداقل یک سال زمان خواهد برد.

بنابراین، باید تمام تلاش خود را برای کند کردن روند گسترش ویروس انجام دهیم تا بتوانیم زمان بیشتری بخریم. بعلاوه، این موضوع کمک خواهد کرد که ظرفیت بیمارستان‌ها پر نشود تا همه بیماران بتوانند درمان مناسب را دریافت کنند.  به یاد داشته باشیم که جان بسیاری از مردم در معرض خطر است، به ویژه افراد با مشکلات پیش‌زمینه‌ای و افراد مسن که مستعد ابتلا به کرونا با عوارض شدیدتر هستند.

مقاله قبلیمقاله بعدی

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

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  

اخبار نگران کننده؛ «احتیاط» هنوز اولویت اول

نوید غفارزادگان

در ادامه مطالب قبلی (+و ++) به داده های رسمی جدید بیماری در ایران نگاه می کنیم:

یکی از پارامترهای مهم در بررسی روند شیوع بیماری، متغییر بازتولید کننده Reproduction number است. این متغیر نشان می دهد که هر بیمار در زمان بیماری چند نفر جدید را بیمار می کند. می دانیم که اگر این متغیر بالاتر از یک باشد، روند رشد، فزاینده خواهد بود. دسترسی به داده های واقعی به دلیل محدودیت های تست (اعم از میزان و دقت تست) میسر نیست. از طرف دیگر داده های تست عموما تاخیر ده روزه نسبت به زمان آغاز بیماری دارند. با تمام این محدودیت ها اگر فرض کنیم تعداد گزارشِ بیماران جدید، نسبت ثابتی از بیماران واقعی در ده روز گذشته است می توانیم متغییر بازتولید کننده را تخمین بزنیم. با همین روش به نمودار زیر می رسیم:

این نمودار نشان می دهد که متاسفانه این متغیر، حدودا سیزده روز پیش، عدد یک را پشت سرگذاشته است که روند بسیار نگران کننده ای است. در صورتی که این روند ناشی از نویز در گزارشها نباشد، بیانگر این است که موج دوم بیماری در راه است. امیدواریم این طور نباشد. ضمن این که چون ارقام اعلام شده، کشوری است، دقیقا معلوم نیست چه منطقه ای و چه استانی با این مشکل روبروست. به هر حال سیاستگذاران و مردم باید بسیار به‌هوش باشند، از بازگشایی مراکزی که به تجمع زیاد منجر می‌شود خودداری شود، و از بیرون رفتن های غیرضروری بکاهند.