Le chimiste Jixin Chen a examiné la propagation rapide du COVID-19 au début de la pandémie et a vu une nouvelle opportunité pour son laboratoire de cinétique, où ils étudient les taux de réactions.

La première fois qu'il a dirigé le laboratoire au printemps 2021, les étudiants de premier cycle ont conclu que les réglementations sociales telles que les confinements, les masques faciaux et la distanciation sociale étaient des moyens efficaces de ralentir la vitesse de propagation du COVID. Mais ils ont également découvert les limites de la modélisation, notant qu'un grand nombre de cas confirmés n'étaient pas nécessairement associés à une augmentation du taux de propagation.

Les étudiants du laboratoire suivant ont écrit dans un ACS Omega article de journal sur leur expérience que les chercheurs devraient poursuivre ce travail lorsque les taux d'infection et de vaccination sont devenus significatifs.

Et c'est exactement ce qui s'est passé. Les étudiants du laboratoire du printemps 2022 ont étendu le modèle mathématique pour faire des prédictions sur le taux de propagation du COVID-19 aux États-Unis avec une vaccination massive.

Ils ont également exécuté le modèle pour l'État de l'Ohio jusqu'à l'automne 2022, en prédisant correctement la recrudescence des cas que connaît l'État à la fin de l'été.

Le deuxième groupe d'étudiants en laboratoire a également écrit son expérience de laboratoire, cette fois en la voyant publiée dans le Journal of Chemical Education . Tous les étudiants sont repartis du laboratoire avec les conditions requises remplies. Mais ils pourraient également ajouter plusieurs lignes à leur CV, pour l'expérience des logiciels de modélisation, les compétences en analyse de données et une publication dans un journal.

Au printemps 2021, lorsque le monde s'est éloigné, l'utilisation du modèle COVID a permis aux étudiants de Chen de travailler sur leurs propres ordinateurs avec des données et des logiciels accessibles au public.

Cela a si bien fonctionné que les étudiants de premier cycle ont soumis un article de journal sur leur expérience, notant:"Le modèle de propagation virale est compliqué mais des paramètres, tels que son nombre de reproduction, Rt, peuvent être estimés avec le modèle sensible, infectieux ou récupéré. COVID- 19 données pour de nombreux états et pays sont largement disponibles en ligne. Cela offre aux étudiants la possibilité d'analyser à distance sa cinétique de propagation.

Chen a noté que la modélisation COVID offrait un avantage lorsqu'il s'agissait d'expliquer l'approximation en régime permanent pour certains modèles du manuel. Les étudiants ont noté qu'ils avaient tiré profit de l'exploration de la fonction de simulation du logiciel Excel couramment utilisé.

"La chose la plus surprenante et amusante pour moi était de savoir comment la recherche peut être accessible. Nous n'avons utilisé que des ressources et des données provenant de sites Web gratuits, mais à partir de là, nous avons pu aller plus loin et plonger dans quelque chose d'aussi pertinent pour la société d'aujourd'hui", a déclaré Emma Lintelman, une majeure en chimie senior montante avec une mineure en sciences biologiques au College of Arts &Sciences.

Au printemps 2022, Chen et ses étudiants ont poussé encore plus loin la simulation numérique de la cinétique et la modélisation par régression.

"La première fois que nous avons utilisé cette approche, les étudiants ont pu appliquer les techniques cinétiques apprises en chimie physique pour analyser un problème réel en cours dans un environnement d'apprentissage à distance", a déclaré Chen. "Cette année, un autre groupe d'étudiants de premier cycle dirigé par les étudiants diplômés Dylan Smith et Tharushi Ambagaspitiya a fait la même pratique et a étendu le modèle mathématique pour prédire la propagation du COVID-19 aux États-Unis avec une vaccination massive."

Dans le laboratoire, le modèle de récupération infectieuse sensible (SIR) et le modèle vacciné par SIR (SIRV) sont expliqués aux étudiants et sont utilisés pour analyser les données de propagation du COVID-19 des Centers for Disease Control and Prevention (CDC) des États-Unis. ). Le nombre de reproduction de base R0 et le nombre de reproduction en temps réel Rt de COVID-19 sont extraits en ajustant les données aux modèles, ce qui explique la cinétique de propagation et fournit une prédiction de la tendance de propagation dans un état donné.

Les étudiants peuvent rapidement voir les différences entre le modèle SIR et le modèle SIRV, a déclaré Chen. Le modèle SIRV tient compte de l'effet de la vaccination, ce qui aide à expliquer les stades ultérieurs de la pandémie en cours.

Les étudiants ont également appris le pouvoir prédictif des modèles en faisant des prédictions pour les mois suivants.

"Je pense que la partie la plus surprenante de l'exécution de notre simulation de cinétique COVID-19 a été de voir les effets drastiques de la variation du nombre de reproduction en fonction du temps dans notre simulation", a déclaré David McEwen, un senior spécialisé en chimie et mineur en affaires. "Cela nous a permis de simuler directement différents niveaux de régulation du virus par le biais du masquage, de la distanciation sociale, etc. En modifiant considérablement le nombre, nous avons pu voir directement avec nos données l'augmentation ou la diminution du taux de propagation du virus, ce qui était parfois stupéfiant.

"Je pense que les parties les plus difficiles pour moi ont été initialement de configurer nos paramètres de simulation et d'adapter les données simulées aux données de cas collectées. L'adaptation des données simulées aux nombres de cas réels nécessitait parfois un ajustement précis et prenait un certain temps", a déclaré McEwen.

Lintelman était d'accord.

"La partie la plus difficile pour moi a été de résoudre les bogues dans nos formules", a-t-elle déclaré. "Cela peut être délicat lorsque vous avez regardé vos données pendant des heures. Tout commence juste à tourbillonner dans l'esprit, mais c'est juste à ce moment-là que vous devez y revenir plus tard lorsque vous avez l'esprit clair." + Explorer plus loin

L'incidence du COVID-19 était huit fois plus élevée chez les étudiants non vaccinés que chez les étudiants vaccinés