Chemielaborstudenten prognostizieren die Ausbreitung von COVID-19 mit Kinetikmodellen

Der Chemiker Jixin Chen befasste sich zu Beginn der Pandemie mit der raschen Ausbreitung von COVID-19 und sah eine neue Gelegenheit für sein Kinetiklabor, in dem Reaktionsgeschwindigkeiten untersucht werden.

Als er das Labor im Frühjahr 2021 zum ersten Mal leitete, kamen Studenten im Grundstudium zu dem Schluss, dass soziale Vorschriften wie Lockdowns, Gesichtsmasken und soziale Distanzierung wirksame Mittel sind, um die Geschwindigkeit der Ausbreitung von COVID zu verlangsamen. Sie entdeckten aber auch die Grenzen der Modellierung und stellten fest, dass eine große Anzahl bestätigter Fälle nicht unbedingt mit einer zunehmenden Ausbreitungsrate einherging.

Studenten im nächsten Labor schrieben in eine ACS-Omega Zeitschriftenartikel über ihre Erfahrung, dass Forscher diese Arbeit fortsetzen sollten, wenn die Infektions- und Impfrate signifikant wurde.

Und genau das ist passiert. Die Laborstudenten des Frühjahrs 2022 erweiterten das mathematische Modell, um Vorhersagen über die Ausbreitungsrate von COVID-19 in den Vereinigten Staaten mit massiven Impfungen zu treffen.

Sie ließen das Modell auch für den Bundesstaat Ohio bis Herbst 2022 laufen und prognostizierten den Aufschwung in Fällen, die der Bundesstaat am Ende des Sommers erlebt, korrekt.

Die zweite Gruppe von Laborstudenten schrieb ihre Laborerfahrung ebenfalls auf und sah sie dieses Mal im veröffentlicht Zeitschrift für chemische Bildung. Alle Schüler verließen das Labor mit gefüllten Requisiten. Aber sie könnten ihrem Lebenslauf auch mehrere Zeilen hinzufügen – für Erfahrung in der Modellierung von Software, Datenanalysefähigkeiten und eine Zeitschriftenveröffentlichung.

Im Frühjahr 2021, als die Welt in die Ferne ging, ermöglichte die Verwendung des COVID-Modells Chens Studenten, auf ihren eigenen Computern mit öffentlich zugänglichen Daten und Software zu arbeiten.

Es funktionierte so gut, dass Studenten im Grundstudium einen Zeitschriftenartikel über ihre Erfahrungen einreichten, in dem sie feststellten: „Das Virusverbreitungsmodell ist kompliziert, aber Parameter wie die Reproduktionszahl Rt können mit dem anfälligen, infektiösen oder genesenen Modell geschätzt werden. COVID- 19 Daten für viele Bundesstaaten und Länder sind weithin online verfügbar. Dies bietet den Studenten die Möglichkeit, ihre Ausbreitungskinetik aus der Ferne zu analysieren.“

Chen bemerkte, dass die COVID-Modellierung einen Vorteil bot, wenn es darum ging, die stationäre Annäherung für einige Modelle im Lehrbuch zu erklären. Die Studenten stellten fest, dass sie davon profitierten, die Simulationsfunktion der häufig verwendeten Software Excel zu erkunden.

„Das Überraschendste und Spannendste für mich war, wie Forschung zugänglich sein kann. Wir haben nur Ressourcen und Daten von kostenlosen Websites verwendet, aber von dort aus konnten wir weiter voranschreiten und in etwas eintauchen, das für die heutige Gesellschaft so relevant ist“, sagte Emma Lintelman, ein aufstrebender Chemie-Hauptfach mit einem Nebenfach Biowissenschaften am College of Arts & Sciences.

Im Frühjahr 2022 haben Chen und seine Studenten die numerische Simulation der Kinetik und die Regressionsmodellierung noch weiter vorangetrieben.

„Als wir diesen Ansatz zum ersten Mal verwendeten, konnten die Studenten die in der physikalischen Chemie erlernten kinetischen Techniken anwenden, um ein laufendes reales Problem in einer Fernlernumgebung zu analysieren“, sagte Chen. „In diesem Jahr hat eine andere Gruppe von Studenten unter der Leitung der Doktoranden Dylan Smith und Tharushi Ambagaspitiya die gleiche Praxis durchgeführt und das mathematische Modell erweitert, um die Ausbreitung von COVID-19 in den USA mit massiven Impfungen vorherzusagen.“

Im Labor werden den Studierenden das Suspensible-Infectious-Recovery (SIR)-Modell und das SIR-Vaccinated (SIRV)-Modell erklärt und zur Analyse der COVID-19-Verbreitungsdaten der US-amerikanischen Centers for Disease Control and Prevention (CDC) herangezogen ). Die Basisreproduktionszahl R0 und die Echtzeitreproduktionszahl Rt von COVID-19 werden durch Anpassen der Daten an die Modelle extrahiert, was die Ausbreitungskinetik erklärt und eine Vorhersage des Ausbreitungstrends in einem bestimmten Zustand liefert.

Die Schüler können schnell die Unterschiede zwischen dem SIR-Modell und dem SIRV-Modell erkennen, sagte Chen. Das SIRV-Modell berücksichtigt die Wirkung der Impfung, die hilft, die späteren Stadien der andauernden Pandemie zu erklären.

Die Schüler lernten auch die Vorhersagekraft der Modelle, als sie Vorhersagen für die folgenden Monate machten.

„Ich denke, der überraschendste Teil bei der Durchführung unserer COVID-19-Kinetiksimulation war, die drastischen Auswirkungen der Variation der zeitabhängigen Reproduktionszahl in unserer Simulation zu sehen“, sagte David McEwen, Senior mit Hauptfach Chemie und Nebenfach Wirtschaft. „Auf diese Weise konnten wir verschiedene Regulierungsebenen des Virus durch Maskierung, soziale Distanzierung usw. direkt simulieren. Indem wir die Zahl um einen großen Betrag veränderten, konnten wir mit unseren Daten direkt die erhöhte oder verringerte Ausbreitungsrate des Virus sehen. was manchmal erstaunlich war.

„Ich denke, die größten Herausforderungen für mich waren zunächst das Einrichten unserer Simulationsparameter und das Anpassen der simulierten Daten an die gesammelten Falldaten. Das Anpassen der simulierten Daten an die tatsächlichen Fallzahlen erforderte manchmal eine präzise Anpassung und nahm einige Zeit in Anspruch“, sagte McEwen.

Sturzmann stimmte zu.

„Der schwierigste Teil für mich war, die Fehler in unseren Formeln auszuarbeiten“, sagte sie. „Das kann schwierig sein, wenn Sie stundenlang auf Ihre Daten gestarrt haben. Es beginnt alles nur im Kopf herumzuwirbeln, aber genau dann müssen Sie später darauf zurückkommen, wenn Sie einen klaren Kopf haben.“