Chemicus Jixin Chen keek naar de snelle verspreiding van COVID-19 in het begin van de pandemie en zag een nieuwe kans voor zijn kinetieklab, waar ze de reacties bestuderen.

De eerste keer dat hij het lab leidde in het voorjaar van 2021, concludeerden studenten dat sociale voorschriften zoals lockdowns, gezichtsmaskers en sociale afstand effectieve manieren waren om de snelheid van de verspreiding van COVID te vertragen. Maar ze ontdekten ook de beperkingen van modellering en merkten op dat een groot aantal bevestigde gevallen niet noodzakelijk geassocieerd was met een toenemende mate van verspreiding.

Studenten in het volgende lab schreven in een ACS Omega tijdschriftartikel over hun ervaring dat onderzoekers dit werk zouden moeten voortzetten wanneer infectie en vaccinatiegraad significant werden.

En dat is precies wat er gebeurde. De labstudenten van het voorjaar van 2022 breidden het wiskundige model uit om voorspellingen te doen over de verspreidingssnelheid van COVID-19 in de Verenigde Staten met massale vaccinatie.

Ze hebben ook het model voor de staat Ohio tot de herfst van 2022 uitgevoerd, waarbij ze de opleving correct voorspelden in gevallen die de staat aan het einde van de zomer meemaakt.

De tweede groep labstudenten schreven ook hun labervaring op, deze keer zagen ze het gepubliceerd in het Journal of Chemical Education . Alle studenten liepen weg van het lab met de benodigdheden gevuld. Maar ze kunnen ook verschillende regels aan hun cv toevoegen - voor het modelleren van software-ervaring, data-analysevaardigheden en een tijdschriftpublicatie.

In het voorjaar van 2021, toen de wereld op afstand ging, konden Chen's studenten met behulp van het COVID-model op hun eigen computers werken met openbaar toegankelijke gegevens en software.

Het werkte zo goed dat niet-gegradueerde studenten een tijdschriftartikel over hun ervaring instuurden en opmerkten:"Het virale verspreidingsmodel is gecompliceerd, maar parameters, zoals het reproductiegetal, Rt, kunnen worden geschat met het vatbare, besmettelijke of herstelde model. 19 gegevens voor veel staten en landen zijn op grote schaal online beschikbaar. Dit biedt de studenten de mogelijkheid om de verspreidingskinetiek op afstand te analyseren."

Chen merkte op dat COVID-modellering een voordeel bood bij het verklaren van de steady-state-benadering voor sommige modellen in het leerboek. De studenten merkten op dat ze baat hadden bij het verkennen van de simulatiefunctie van veelgebruikte software Excel.

"Het meest verrassende en leuke voor mij was hoe onderzoek toegankelijk kan zijn. We gebruikten alleen bronnen en gegevens van gratis websites, maar van daaruit konden we verder gaan en ons verdiepen in iets dat zo relevant is voor de huidige samenleving", zegt Emma Lintelman, een stijgende senior scheikunde major met een minor biologische wetenschappen in het College of Arts &Sciences.

In het voorjaar van 2022 gingen Chen en zijn studenten nog verder met de numerieke simulatie van kinetiek en regressiemodellering.

"De eerste keer dat we deze aanpak gebruikten, waren de studenten in staat om de kinetische technieken die in de fysische chemie waren geleerd toe te passen om een ​​lopend probleem uit de echte wereld te analyseren via een leeromgeving op afstand," zei Chen. "Dit jaar deed een andere groep niet-gegradueerde studenten onder leiding van afgestudeerde studenten Dylan Smith en Tharushi Ambagaspitiya dezelfde praktijk en breidde het wiskundige model uit om de verspreiding van COVID-19 in de VS te voorspellen met massale vaccinatie."

In het lab worden het vatbare-infectieuze-herstel (SIR)-model en het SIR-gevaccineerde (SIRV)-model aan de studenten uitgelegd en gebruikt om de COVID-19-verspreidingsgegevens van de Amerikaanse Centers for Disease Control and Prevention (CDC) te analyseren. ). Het basisreproductiegetal R0 en het realtime reproductiegetal Rt van COVID-19 worden geëxtraheerd door de gegevens aan de modellen te koppelen, wat de verspreidingskinetiek verklaart en een voorspelling geeft van de verspreidingstrend in een bepaalde staat.

De studenten kunnen snel de verschillen zien tussen het SIR-model en het SIRV-model, zei Chen. Het SIRV-model houdt rekening met het effect van vaccinatie, wat de latere stadia van de aanhoudende pandemie helpt verklaren.

De studenten leerden ook de voorspellende kracht van de modellen toen ze voorspellingen deden voor de volgende maanden.

"Ik denk dat het meest verrassende deel van het uitvoeren van onze COVID-19-kinetieksimulatie het zien van de drastische effecten was van het variëren van het tijdsafhankelijke reproductiegetal in onze simulatie", zegt David McEwen, een senior hoofdvak scheikunde en bijvak in het bedrijfsleven. "Hierdoor konden we direct verschillende niveaus van regulering van het virus simuleren door middel van maskering, sociale afstand, enz. Door het aantal met een groot aantal te veranderen, konden we met onze gegevens direct de verhoogde of verlaagde verspreidingssnelheid van het virus zien, wat soms verbazingwekkend was.

"Ik denk dat de meest uitdagende onderdelen voor mij in eerste instantie waren om onze simulatieparameters in te stellen en de gesimuleerde gegevens aan de verzamelde casusgegevens aan te passen. Het aanpassen van de gesimuleerde gegevens aan de werkelijke casusnummers vereiste soms nauwkeurige aanpassingen en kostte enige tijd," zei McEwen.

Lintelman was het daarmee eens.

"Het meest uitdagende voor mij was het oplossen van de bugs in onze formules," zei ze. "Dit kan lastig zijn als je urenlang naar je gegevens zit te staren. Het begint allemaal in je hoofd rond te tollen, maar dat is precies wanneer je er later op terug moet komen als je een heldere geest hebt." + Verder verkennen

Incidentie van COVID-19 was acht keer hoger bij niet-gevaccineerde versus gevaccineerde studenten