Kemi-laboratoriestuderende forudsiger spredning af COVID-19 med kinetikmodeller

Kemiker Jixin Chen så på den hurtige spredning af COVID-19 tidligt i pandemien og så en ny mulighed for sit kinetiklaboratorium, hvor de studerer reaktionshastigheden.

Første gang han drev laboratoriet i foråret 2021, konkluderede bachelorstuderende, at sociale regler såsom lockdowns, ansigtsmasker og social distancering var effektive måder at bremse spredningen af ​​COVID. Men de opdagede også begrænsningerne ved modellering og bemærkede, at et stort antal bekræftede tilfælde ikke nødvendigvis var forbundet med en stigende spredningshastighed.

Elever i det næste laboratorium skrev i en ACS Omega tidsskriftsartikel om deres erfaring med, at forskere burde fortsætte dette arbejde, når infektions- og vaccinationsraten blev betydelig.

Og det er lige, hvad der skete. Laboratoriestuderende i foråret 2022 udvidede den matematiske model til at komme med forudsigelser om spredningshastigheden af ​​COVID-19 i USA med massiv vaccination.

De kørte også modellen for staten Ohio gennem efteråret 2022 – og forudsagde korrekt stigningen i tilfælde, som staten oplever i slutningen af ​​sommeren.

Den anden gruppe af laboratoriestuderende skrev også deres laboratorieerfaring op, denne gang så den udgivet i Journal of Chemical Education . Alle eleverne gik væk fra laboratoriet med de nødvendige forudsætninger udfyldt. Men de kunne også tilføje adskillige linjer til deres CV – for modellering af softwareerfaring, dataanalysefærdigheder og en tidsskriftspublikation.

I foråret 2021, da verden blev fjern, gjorde brugen af ​​COVID-modellen det muligt for Chens elever at arbejde på deres egne computere med offentligt tilgængelige data og software.

Det fungerede så godt, at bachelorstuderende indsendte en tidsskriftsartikel om deres oplevelse og bemærkede:"Den virale spredningsmodel er kompliceret, men parametre, såsom dens reproduktionsnummer, Rt, kan estimeres med den modtagelige, infektiøse eller genoprettede model. COVID- 19 data for mange stater og lande er bredt tilgængelige online. Dette giver eleverne mulighed for at analysere dens spredningskinetik på afstand."

Chen bemærkede, at COVID-modellering gav en fordel, når det kom til at forklare steady-state-tilnærmelsen for nogle modeller i lærebogen. De studerende bemærkede, at de havde gavn af at udforske simuleringsfunktionen i almindeligt brugt software Excel.

"Det mest overraskende og sjove for mig var, hvordan forskning kan være tilgængelig. Vi brugte kun ressourcer og data fra gratis hjemmesider, men derfra var vi i stand til at skubbe længere og dykke ned i noget, der er så relevant for nutidens samfund," siger Emma Lintelman. en voksende senior kemi hovedfag med en biologisk videnskab bifag i College of Arts &Sciences.

I foråret 2022 tog Chen og hans elever den numeriske simulering af kinetik og regressionsmodellering endnu længere.

"Første gang vi brugte denne tilgang, var eleverne i stand til at anvende de kinetiske teknikker lært i fysisk kemi til at analysere et igangværende problem i den virkelige verden gennem et fjernundervisningsmiljø," sagde Chen. "I år gjorde en anden gruppe bachelorstuderende ledet af kandidatstuderende Dylan Smith og Tharushi Ambagaspitiya den samme praksis og udvidede den matematiske model til at forudsige COVID-19-spredning i USA med massiv vaccination."

I laboratoriet forklares SIR-modellen (susceptible-infectious-recovery) og SIR-vaccineret (SIRV)-modellen for eleverne og bruges til at analysere COVID-19-spredningsdata fra U.S. Centers for Disease Control and Prevention (CDC) ). Det grundlæggende reproduktionsnummer R0 og realtidsreproduktionsnummeret Rt for COVID-19 udtrækkes ved at tilpasse dataene til modellerne, hvilket forklarer spredningskinetikken og giver en forudsigelse af spredningstendensen i en given tilstand.

Eleverne kan hurtigt se forskellene mellem SIR-modellen og SIRV-modellen, sagde Chen. SIRV-modellen overvejer effekten af ​​vaccination, hvilket hjælper med at forklare de senere stadier af den igangværende pandemi.

Eleverne lærte også modellernes forudsigelsesevne, mens de lavede forudsigelser for de følgende måneder.

"Jeg tror, ​​at den mest overraskende del af at udføre vores COVID-19 kinetiksimulering var at se de drastiske virkninger af at variere det tidsafhængige reproduktionstal i vores simulering," sagde David McEwen, en senior med speciale i kemi og bifag i erhvervslivet. "Dette gjorde det muligt for os direkte at simulere forskellige niveauer af regulering af virussen gennem maskering, social distancering osv. Ved at ændre antallet med en stor mængde, var vi i stand til direkte med vores data at se den øgede eller reducerede spredningshastighed af virussen, hvilket til tider var forbløffende.

"Jeg tror, ​​at de mest udfordrende dele for mig oprindeligt var at opsætte vores simuleringsparametre og tilpasse de simulerede data til de indsamlede sagsdata. Tilpasning af de simulerede data til de faktiske sagsnumre krævede nogle gange præcis justering og tog noget tid," sagde McEwen.

Lintelman var enig.

"Den mest udfordrende del for mig var at finde ud af fejlene i vores formler," sagde hun. "Det her kan være svært, når du har stirret på dine data i timevis. Det hele begynder bare at hvirvle rundt i sindet, men det er lige, når du skal vende tilbage til det senere, når du har et klart sind." + Udforsk yderligere

Forekomsten af ​​COVID-19 var otte gange højere hos uvaccinerede versus vaccinerede studerende