Il chimico Jixin Chen ha esaminato la rapida diffusione del COVID-19 all'inizio della pandemia e ha visto una nuova opportunità per il suo laboratorio di cinetica, dove studiano i tassi di reazione.

La prima volta che ha gestito il laboratorio nella primavera del 2021, gli studenti universitari hanno concluso che le normative sociali come i blocchi, le mascherine e il distanziamento sociale erano modi efficaci per rallentare la velocità della diffusione del COVID. Ma hanno anche scoperto i limiti della modellazione, notando che un gran numero di casi confermati non era necessariamente associato a un tasso di diffusione crescente.

Gli studenti del prossimo laboratorio hanno scritto in un ACS Omega articolo di giornale sulla loro esperienza secondo cui i ricercatori dovrebbero continuare questo lavoro quando il tasso di infezione e vaccinazione è diventato significativo.

Ed è proprio quello che è successo. Gli studenti di laboratorio della primavera 2022 hanno esteso il modello matematico per fare previsioni sul tasso di diffusione del COVID-19 negli Stati Uniti con la vaccinazione massiccia.

Hanno anche eseguito il modello per lo stato dell'Ohio fino all'autunno 2022, prevedendo correttamente l'impennata nei casi in cui lo stato sta vivendo alla fine dell'estate.

Anche il secondo gruppo di studenti di laboratorio ha scritto la propria esperienza di laboratorio, questa volta vedendola pubblicata nel Journal of Chemical Education . Tutti gli studenti si sono allontanati dal laboratorio con i requisiti riempiti. Ma potrebbero anche aggiungere diverse righe ai loro curricula, per modellare l'esperienza del software, le capacità di analisi dei dati e la pubblicazione di un giornale.

Nella primavera del 2021, quando il mondo è diventato remoto, l'utilizzo del modello COVID ha consentito agli studenti di Chen di lavorare sui propri computer con dati e software pubblicamente accessibili.

Ha funzionato così bene che gli studenti universitari hanno presentato un articolo di giornale sulla loro esperienza, osservando:"Il modello di diffusione virale è complicato ma parametri, come il suo numero di riproduzione, Rt, possono essere stimati con il modello suscettibile, infettivo o recuperato. COVID- 19 dati per molti stati e paesi sono ampiamente disponibili online. Ciò offre agli studenti l'opportunità di analizzare a distanza la sua cinetica di diffusione".

Chen ha notato che la modellazione COVID ha fornito un vantaggio quando si è trattato di spiegare l'approssimazione dello stato stazionario per alcuni modelli nel libro di testo. Gli studenti hanno notato di aver tratto vantaggio dall'esplorazione della funzione di simulazione del software di uso comune Excel.

"La cosa più sorprendente e divertente per me è stata come la ricerca può essere accessibile. Abbiamo utilizzato solo risorse e dati da siti Web gratuiti, ma da lì siamo stati in grado di spingerci oltre e tuffarci in qualcosa di così rilevante per la società odierna", ha affermato Emma Lintelman, una specializzazione in chimica senior in ascesa con una specializzazione in scienze biologiche presso il College of Arts &Sciences.

Nella primavera del 2022, Chen ei suoi studenti hanno ulteriormente approfondito la simulazione numerica della cinetica e la modellazione di regressione.

"La prima volta che abbiamo utilizzato questo approccio, gli studenti sono stati in grado di applicare le tecniche cinetiche apprese nella chimica fisica per analizzare un problema in corso nel mondo reale attraverso un ambiente di apprendimento remoto", ha detto Chen. "Quest'anno, un altro gruppo di studenti universitari guidati dagli studenti laureati Dylan Smith e Tharushi Ambagaspitiya ha fatto la stessa pratica ed ha esteso il modello matematico per prevedere la diffusione del COVID-19 negli Stati Uniti con una massiccia vaccinazione."

In laboratorio, vengono spiegati agli studenti il ​​modello SIR (suscettibile-infettivo-recupero) e il modello SIR-vaccinato (SIRV) e vengono utilizzati per analizzare i dati sulla diffusione del COVID-19 dai Centri statunitensi per il controllo e la prevenzione delle malattie (CDC) ). Il numero di riproduzione di base R0 e il numero di riproduzione in tempo reale Rt di COVID-19 vengono estratti adattando i dati ai modelli, il che spiega la cinetica di diffusione e fornisce una previsione dell'andamento della diffusione in un determinato stato.

Gli studenti possono vedere rapidamente le differenze tra il modello SIR e il modello SIRV, ha detto Chen. Il modello SIRV considera l'effetto della vaccinazione, che aiuta a spiegare le fasi successive della pandemia in corso.

Gli studenti hanno anche appreso il potere predittivo dei modelli mentre facevano previsioni per i mesi successivi.

"Penso che la parte più sorprendente dell'esecuzione della nostra simulazione cinetica COVID-19 sia stata vedere gli effetti drastici della variazione del numero di riproduzione dipendente dal tempo nella nostra simulazione", ha affermato David McEwen, senior in chimica e minoring negli affari. "Questo ci ha permesso di simulare direttamente diversi livelli di regolazione del virus attraverso il mascheramento, il distanziamento sociale, ecc. Modificando il numero di una grande quantità, siamo stati in grado di vedere direttamente con i nostri dati l'aumento o la diminuzione del tasso di diffusione del virus, che a volte era sbalorditivo.

"Penso che le parti più difficili per me siano state inizialmente l'impostazione dei parametri di simulazione e l'adattamento dei dati simulati ai dati dei casi raccolti. L'adattamento dei dati simulati ai numeri dei casi effettivi a volte richiedeva una regolazione precisa e richiedeva del tempo", ha affermato McEwen.

Lintelman è d'accordo.

"La parte più impegnativa per me è stata risolvere i bug nelle nostre formule", ha detto. "Questo può essere complicato quando stai fissando i tuoi dati per ore. Tutto inizia a vorticare nella mente, ma è solo quando devi tornarci più tardi quando hai la mente lucida". + Esplora ulteriormente

L'incidenza di COVID-19 era otto volte superiore negli studenti non vaccinati rispetto a quelli vaccinati