Hybrid Models of Epidemic Waves Including Assessment of Changes in Cellular Receptor Binding Affinity

Capa

Citar

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Somente assinantes

Resumo

Purposeful development of special modeling methods for specific modern epidemic situation at accumulation of collective immunity but preservation of mutant pathogen in the population is continued. The evolution of SARS-CoV-2 is not halted by the problem of Long COVID disease chronicization. We propose an evolution of the modeling method to include tracking of the affinity index for ad hoc redefinition of hybrid computational structures according to monitoring of current mutations and estimation of the frequency of strains occurrence.

Sobre autores

A. Perevaryukha

St. Petersburg Federal Research Center, Russian Academy of Sciences

Email: temp_elf@mail.ru
St. Petersburg, Russia

Bibliografia

  1. Переварюха А. Ю. Гибридная модель коллагпа промысловой популяции краба Paralithodes camischatics (Decapoda, Lithodidae) Кадыжского архипелага. Биофизика, 67 (2), 386–408 (2022). doi: 10.31857/S000630292020223
  2. Переварюха А. Ю. Непрерывная модель трех сценариев инфекционного процесса при факторах запаздывания иммунного ответа. Биофизика, 66 (2), 384–407 (2021). doi: 10.31857/S000630292020204
  3. Переварюха А. Ю. Моделирование сценариев глубокого популяционного кризиса быстро растущей популяции. Биофизика, 66 (6), 1144–1163 (2021). doi: 10.31857/S0006302920106107
  4. Ledford H. Long COVID is a double curse in low-income nations – here’s why. Nature, 625 (7993), 20–22 (2024). doi: 10.1038/s41586-023-04088-x
  5. Lavezzo E., Franchin E., Ciavarella C., Cuomo-Dannenburg G., Barzon L., Del Vecchio C., Rossi L., Manganelli R., Loregian A., Navarin N., Abate D., Sciro M., Merigliano S., De Canale E., Vanuzzo M. C., Besutti V., Saluzzo F., Onelia F., Pacenti M., Parisi S. G., Carretta G., Donato D., Flor L., Cocchio S., Masi G., Sperduti A., Cattarino L., Salvador R., Nicoletti M., Caldari F., Castelli G., Nieddu E., Labella B., Fava L., Drigo M., Gaythorpe K. A. M., Brazzale A. R., Toppo S., Trevisani M., Baldo V., Donnelly C. A., Ferguson N. M., Dorigatti I., and Crisanti A. Suppression of SARS-CoV-2 outbreak in the Italian municipality of Vo. Nature, 584 (7821), 425–429 (2020). doi: 10.1038/s41586-020-2488-1
  6. Нечипуренко Ю. Д., Анашкина А. А. и Матвеева О. В. Изменение антигенных детерминант 5-белка вируса SARS-CoV-2 как возможная причина антителоэвиномор усиления инфекции и цитокинового шторма. Биофизика, 65 (4), 824–832 (2020). doi: 10.31857/S0006302920040262
  7. Ванин А. Ф., Пекшева А. В. и Вагапов А. Е. Разообразный оксид азота и динитрозильные комплексы железа с тиолсодержащими лигандами как предполагаемые лекарственные средства, способные купировать COVID-19. Биофизика, 66 (1), 183–194 (2021). doi: 10.31857/S0006302920101208
  8. Ванин А. Ф. Динитрозильные комплексы железа с тиолсодержащими лигандами могут как доноры катионов нитрозовия подавлять вирусные инфекции (гипотеза). Биофизика, 65 (4), 818–823 (2020). doi: 10.31857/S0006302920040250
  9. Ершов П. В., Яблоков Е. О., Меченцев Ю. В., Чуев Г. Н., Федотова М. В., Кручинин С. Е. и Иванов А. С. Паланиоподобная протеза PLPRO коронавируса SARS-COV-2 как противовирусная мишень для ингибиторов активного центра и белок-белковых взаимодействий. Биофизика, 67 (6), 1109–1121 (2022). doi: 10.31857/S0006302920060084
  10. Пал Д., Гхош Д., Сантра К. и Махапатра Г. Математический анализ модели эпидемии COVID-19 с использованием данных эпидемиологических параметров болезней, распространенных в Индии. Биофизика, 67 (2), 301–318 (2022). doi: 10.31857/S000630292020132
  11. Колесин И. Д. и Житкова Е. М. Направленная перестройка популяции возбудителя SARS как возможная причина преобладания бессимптомных форм инфекции в COVID-19. Биофизика, 68 (2), 411–416 (2023).
  12. Xu S., Ilyas I., and Weng J. Endothelial dysfunction in COVID-19: an overview of evidence, biomarkers, mechanisms and potential therapies. Acta Pharmacol. Sin., 44 (4), 695–709 (2023). doi: 10.1038/s41401-022-00998-0
  13. Duff E. P., Zetterberg H., Heslegrave A., Dehghan A., Elliott P., Allen N., Runz H., Laban R., Veleva E., Whelan C. D., Sun B. B., and Matthews P. M. Plasma proteomic evidence for increased β-amyloid pathology after SARS-CoV-2 infection. Nature Med., 31 (3), 797–806 (2025). doi: 10.1038/s41591-024-03426-4
  14. Tilstra A. M., Polizzi A., Wagner S., and Akimova E. T. Projecting the long-term effects of the COVID-19 pandemic on U.S. population structure. Nature Commun., 15 (1), 2409 (2024). doi: 10.1038/s41467-024-46582-4
  15. Ioannidis J., Cripps S., and Tanner M. Forecasting for COVID-19 has failed. Int. J. Forecasting, 38 (2), 423–438 (2022). doi: 10.1016/j.ijforecast.2020.08.004
  16. Nikitina A. V., Lyapunov I. A., and Dudnikov E. A. Study of the spread of viral diseases based on modifications of the SIR model. Comput. Math. Inform. Technol., 4 (1), 19–30 (2020). doi: 10.23947/2587-8999-2020-1-1-19-30
  17. Переварюха А. Ю. Анализ развития трендов современной эпидемической ситуации и факторов их локальной дифференциации. Биофизика, 68 (5), 1057–1073 (2023). doi: 10.1134/S0006350923050202
  18. Переварюха А. Ю. Гибридные модели трансформаций эпидемических волн. Биофизика, 69 (6), 1353–1375 (2024). doi: 10.1134/S0006350924701264
  19. Zhu A., Chen Zh., Yan Q., Jiang M., Liu X., Li Zh., Li N., Tang Ch., Jian W., He J., Chen L., Cheng J., Chen C., Tang T., Xu Zh., Hu Q., Li F., Wang Y., Sun J., Zhuang Zh., Wen L., Zhuo J., Liu D., Zhang Y., Huang X., Li S., Zeng Q., Chen F., Zhou L., Liu D., Zhong Ch., Chen Y., Li Sh., Liang K., Zhong N., Zhang X., Chen J., Chen X., Xu Y., Zhong N., Zhao J., and Zhao J. Robust mucosal SARS-CoV-2-specific T cells effectively combat COVID-19 and establish polyfunctional resident memory in patient lungs. Nature Immunol., 26, 459–472 (2025). doi: 10.1038/s41590-024-02072-9
  20. Nguyen D. C., Hentenaar I. T., Morrison-Porter A., Solano D., Haddad N. S., Castrillon C., Rumstrom M. C., Lamothe P. A., Andrews J., Roberts D., Lonial S., Sanz I., and Lee F. E. SARS-CoV-2-specific plasma cells are not duraly established in the bone marrow long-lived compartment after mRNA vaccination. Nature Med., 31 (1), 235–244 (2025). doi: 10.1038/s41591-024-03278-y
  21. Ioannou G. N., Berry K., Rajewan N., Li Y., Yan L., Huang Y., Lin H. M., Bui D., Hynes D. M., Rowneki M., Bohnert A., Boyko E. J., Iwashyna T. J., Maciejewski M. L., Smith V. A., Berkowitz T. S. Z., O’Hare A. M., Vigilanti E. M., Aslan M., and Bajema K. L. Effectiveness of the 2023-to-2024 XBB.1.5 COVID-19 vaccines over long-term follow-up: A target trial emulation. Ann. Int. Med., 178 (3), 348–359 (2025). doi: 10.7326/ANNALS-24-01015
  22. Tillett R. L., Sevinsky J. R., Hartley P. D., Kerwin H., Crawford N., Gorzalski A., Laverdure C., Verma S. C., Rossetto C. C., Jackson D., Farrell M. J., Van Hooser S., and Pandori M. Genomic evidence for reinfection with SARS-CoV-2: a case study. Lancet Inf. Dis., 21 (1), 52–58 (2021).
  23. Yin K., Peluso M. J., Luo X., Thomas R., Shin M. G., Neidleman J., Andrew A., Young K. C., Ma T., Hoh R., Anglin K., Huang B., Argueta U., Lopez M., Valdivieso D., Asare K., Deveau T. M., Munter S. E., Ibrahim R., Ständler L., Lu S., Goldberg S. A., Lee S. A., Lynch K. L., Kelly J. D., Martin J. N., Münch J., Decks S. G., Henrich T. J., and Roan N. R. Long COVID manifests with T cell dysregulation, inflammation and an uncoordinated adaptive immune response to SARS-CoV-2. Nature Immunol., 25 (2), 218–225 (2024). doi: 10.1038/s41590-023-01724-6
  24. Unterberger S., Terrazzini N., and Sacre S. Convalescent COVID-19 monocytes exhibit altered steady-state gene expression and reduced TLR2, TLR4 and RIG-1 induced cytokine expression. Human Immunol., 86 (2), 111–249 (2025). doi: 10.1016/j.huminum.2025.111249
  25. Chen L., Kaku Y., Okumura K., Uriu K., and Zhu Y. Virological characteristics of the SARS-CoV-2 LP.81 variant. Lancet Inf. Dis., 25 (4), e193 (2025). doi: 10.1016/S1473-3099(25)00079-9
  26. Rahaminina N. A., Goldha N., Bornigen D., Smith M. R., Oh D.-Y., Budt M., Mache Ch., Schillings C., Fuchs S., Durrwald R., Wolff Th., Holzer M., Paraskevopoulou S., and von Kleist M. SARS-CoV-2 evolution on a dynamic immune landscape. Nature, 639, 196–204 (2025). doi: 10.1038/s41586-024-08477-8
  27. Nielsen B., Sneppen K., and Simonsen L. The counterintuitive implications of superspreading diseases. Nat. Commun., 14, 6954 (2023). doi: 10.1038/s41467-023-42612-9
  28. Chemaielly H., Ayoub H., Coyle P., Tang P., Hasan M. R., Yassine H. M., Al Thani A. A., Al-Kanaani Z., Al-Kuwari E., Jeremienko A., Kalecka I. A. H., Latif A. N., Shaik R. M., Abdul-Rahim H. F., Nasrallah Gh. K., Al-Kuwari M. Gh., Butt A. A., Al-Romaihi H. E., Al-Thani M. H., Al-Khal A., Bertollini R., and Abu-Raddad L. J. Differential protection against SARS-CoV-2 reinfection pre- and post-Omicron. Nature, 639, 1024–1031 (2025). doi: 10.1038/s41586-024-08511-9
  29. Amendola A., Bianchi S., Gori M., Colzani D., Canuti M., Borghi E., Raviglione M. C., Zuccotti G. V., and Tarzi E. Evidence of SARS-CoV-2 RNA in an oropharyngeal swab specimen, Milan, Italy, early december 2019. Emerg. Inf. Dis., 27 (2), 648–650 (2021). doi: 10.3201/eid2702.204632
  30. Perevaryukha A. Y. Scenario modeling of regional epidemics of SARS-COV-2 and analysis of immunological aspects of new expected COVID Waves. Tech. Phys., 68, 205–217 (2023). doi: 10.1134/S1063784223060038
  31. Russell T. W., Townsley H., Hellewell J., Gahir J., Shawe-Taylor M., Greenwood D., Hodgson D., Hobbs A., Dowgier G., Penn R., Sanderson T., Stevenson-Leggett P., Bazire J., Harvey R., Fowler A. S., Miah M., Smith C., Miranda M., Bawunia P., Mears H. V., Adams L., Hatipoglu E., O’Reilly N., Warchal S., Ambrose K., Strange A., Kelly G., Kjar S., Papineni P., Corral T., Gilson R., Libri V., Kassiotis G., Gamblin S., Lewis N. S., Williams B., Swanton C., Gandhi S., Beale R., Wu M. Y., Bauer D. L. V., Carr E. J., Wall E. C., and Kucharski A. J. Real-time estimation of immunological responses against emerging SARS-CoV-2 variants in the UK: a mathematical modelling study. Lancet Inf. Dis., 25 (1), 80–93 (2025). doi: 10.1016/S1473-3099(24)00484-5
  32. Переварюха А. Ю. Итерационная непрерывно-событийная модель вспышки численности полужесткокрылого фитофага. Биофизика, 61 (2), 395–404 (2016). doi: 10.31857/S0006302923050277
  33. Ke R., Romero-Severson E., Sanche S., and Hengarter N. Estimating the reproductive number R0 of SARS-CoV-2 in the United States and eight European countries and implications for vaccination. J. Theor. Biol., 517 (21), 110621 (2021). doi: 10.1016/j.jtbi.2021.110621
  34. Carlson C., Chipperfield D., Benito B. M., Telford R. J., and O’Hara R. B. Species distribution models are inappropriate for COVID-19. Nature Ecol. Evol., 4, 770–771 (2020). doi: 10.1038/s41559-020-1212-8
  35. Ocuno B. B., Kyucunoa C. B., Salimena A. A. и Axeonos A. Ю. Подход к локализации источника эпидемии COVID-19 в России на основе математического моделирования. Информатика и автоматизация, 20 (5), 1065–1089 (2021). doi: 10.15622/20.5.3
  36. Shin H., The S(E)IR(D) models of the COVID-19 epidemic in Korea: A multi-stage comparative statistics. Ann. Med., 53 (1), 1160–1170 (2021). doi: 10.1080/07853890.2021.1949490
  37. Rocchi E., Peluso S., Sisti D., and Carletti M. New epidemic model for the COVID-19 pandemic: The θ-S(R)D model. BioMedInformatics, 2 (3), 398–404 (2022). doi: 10.3390/biomedinformatics2030025
  38. Chin V., Samia I., and Marchant R. A case study in model failure? COVID-19 daily deaths and ICU bed utilisation predictions in New York state. Eur. J. Epidemiol., 35, 733–742 (2020). doi: 10.1007/s10654-020-00669-6
  39. Perevaryukha A. Y. Modeling of a crisis in the biophysical process by the method of predicative hybrid structures. Tech. Phys., 67 (6), 523–532 (2022). doi: 10.1134/s1063784222070088
  40. Wang W. and Tang H. Emergence of collective oscillations in adaptive cells. Nat. Commun., 10, 5613 (2019). doi: 10.1038/s41467-019-13573-9
  41. Xoxona A. Д. Условия выживания популяции в моделях Николосова с запаздыванием. Вестн. Южно-Ур. ул-та. Сер. Матем. Мек. Физ., 3, 29–32 (2010).
  42. Марушкина Е. А. Периодические и квазипериодические решения в системе трех уравнений Хатчинового с запаздывающей вещательной связью. Модел. и анализ информ. систем., 25 (1), 102–111 (2018).
  43. Shah M. and Woo H. Omicron: A heavily mutated SARS-CoV-2 variant exhibits stronger binding to ACE2 and potently escapes approved COVID-19 therapeutic antibodies. Front. Immunol., 12, 830527 (2022). doi: 10.3389/fimmu.2021.830527
  44. Yang S., Yu Yu., Xue Ya., Jianm F., Song W., Yisimayia A., Wang P., Wang J., Liu J., Yu L., Niu X., Wang J., Wang Y., Shao F., Jing R., Wang Y., and Cao Yu. Fast evolution of SARS-CoV-2 BA 2.86 to JN.1 under heavy immune pressure. Lancet Inf. Dis., 24 (2), 70–72 (2024). doi: 10.1016/S1473-3099(23)00744-2
  45. Ali A. and Vijayan R. Dynamics of the ACE2-SARS-CoV-2/SARS-CoV spike protein interface reveal unique mechanisms. Sci. Rep., 10 (1), 14214 (2020). doi: 10.1038/s41598-020-71188-3
  46. Богданова Е. А., Чернухин А. В., Шайтан К. и Нокомплексный В. Н. Оценка аффинности связывания в комплексах ACE2-RBD S-бенка коронавирусов с использованием сверточных нейронных сетей. Биофизика, 69 (5), 979–989 (2024). doi: 10.31857/S0006302924050053
  47. Chennaielly H., Ayoub H., Coyle P., Tang P., Hasan M. R., Yassine H. M., Al Thani A. A., Al-Kanaani Z., Al-Kuwari E., Jeremienko A., Kalecka I. A. H., Latifi N. N., Shaik R. M., Abdul-Rahim H. F., Nasrallah Gh. K., Al-Kuwari M. Gh., Butt A. A., Al-Romaihi H. E., Al-Thani M. H., Al-Khal A., Bertollini R., and Abu-Raddad L. J. Differential protection against SARS-CoV-2 reinfection pre- and post-Omicron. Nature, 639, 1024–1031 (2025). doi: 10.1038/s41586-024-08511-9
  48. Dan J., Mateus J., Kato Y., Hastie K. M., Yu E. D., Faliti C. E., Grifoni A., Ramirez S. I., Haupt S., Frazier A., Nakao C., Rayaprolu V., Rawlings S. A., Peters B., Krammer F., Simon V., Saphire E. O., Smith D. M., Weiskopf D., Sette A., and Crotty Sh. Immunological memory to SARS-CoV-2 assessed for up to 8 months after infection. Science, 371 (6529), eabf4063 (2021). doi: 10.1126/science.abf4063
  49. Zhao Z., Xie Y., Bai B., Luo Ch., Zhou J., Li W., Meng Y., Li L., Li D., Li X., Li X., Wang X., Sun J., Xu Z., Sun Y., Zhang W., Fan Zh., Zhao X., Wu L., Ma J., Li O. Y., Shang G., Chai Y., Liu K., Wang P., Gao G. F., and Qi J. Structural basis for receptor binding and broader interspecies receptor recognition of currently circulating Omicron sub-variants. Nature Commun., 14, 4405 (2023). doi: 10.1038/s41467-023-39942-z
  50. Larsson D. and Flach F. Antibiotic resistance in the environment. Nature Rev. Microbiol., 20, 257–269 (2022). doi: 10.1038/s41579-021-00649-x
  51. Perevaryukha A. Y. Modeling abrupt changes in population dynamics with two threshold states. Cybern. Syst. Anal., 52, 623–630 (2016). doi: 10.1007/s10559-016-9864-8
  52. Perevaryukha A. Y. Hybrid model of bioresources’ dynamics: Equilibrium, cycle, and transitional chaos. Aut. Control. Comp. Sci., 45, 223–232 (2011). doi: 10.3103/S0146411611040067
  53. Perevaryukha A. Y. Uncertainty of asymptotic dynamics in bioresource management simulation. J. Comput. Syst. Sci. Int., 50, 491–498 (2011). doi: 10.1134/S106423071010151
  54. Drake J., Bakach I., Just M., O’Regan S. M., Gambhir M., and Fung I. Transmission models of historical Ebola outbreaks. Emerg. Inf. Dis., 21 (8), 1447–1459 (2015). doi: 10.3201/eid2108.141613
  55. Mikhailov V. V., Spesivtsev A. V., and Perevaryukha A. Y. Evaluation of the dynamics of phytomass in the tundra zone using a fuzzy-opportunity approach. In: Intelligent Distributed Computing XIII. IDC 2019 (Studies in Computational Intelligence, vol. 868). Ed. by I. Kotenko, C. Badica, V. Desnitsky, D. El Baz, and M. Ivanovic (Springer, Cham, 2020), pp. 449–454. doi: 10.1007/978-3-030-32258-8_53
  56. Perevaryukha A. Y. Cyclic and unstable chaotic dynamics in models of two populations of sturgeon fish. Numer. Analys. Appl., 5, 254–264 (2012). doi: 10.1134/S199542391203007X
  57. Rojas L., Sethna Z., Soares K., Olcese C., Pang N., Patterson E., Libin J., Ceglia N., Guasp P., Chu A., Yu R., Chandra A. K., Waters Th., Ruan J., Amisaki M., Zebboudj A., Odgerel Z., Payne G., Derhovanesian E., Müller F., Rhee I., Yadav M., Dobrin A., Sadelain M., Lukza M., Cohen N., Tang L., Basturk O., Gonen M., Katz S., Do R. K., Epstein A. S., Momtaz P., Park W., Sugarman R., Varghese A. M., Won E., Desai A., Wei A. C., D’Angelica M. I., Kingham T. P., Mellman I., Merghoub T., Wolchok J. D., Sahin U., Tureci O., Greenbaum B. D., Jamagin W. R., Drebin J., O’Reilly E. M., and Balachandran V. P. Personalized RNA neoantigen vaccines stimulate T cells in pancreatic cancer. Nature, 618, 144–150 (2023). doi: 10.1038/s41586-023-06063-y
  58. Rana R. An update on SARS-CoV-2 immunization and future directions. Front. Pharmacol., 14, 1125305 (2023). doi: 10.3389/fphar.2023.1125305
  59. Boena E. B., Беляков Н. А., Рассохин В. В. и Симбирцев А. С. Анализ вспышек коронавирусных инфекций и пандемии COVID-19 (Санкт-Петербург, 2024).
  60. Mikhailov V. V. and Trofimova I. V. Computational modeling of the nonlinear metabolism rate as a trigger mechanism of extreme dynamics of invasion processes. Tech. Phys. Lett., 48, 301–304 (2022). doi: 10.1134/S1063785022110013
  61. Trofimova I. V., Perevaryukha A. Y., and Manvelova A. B. Adequacy of interpretation of monitoring data on biophysical processes in terms of the theory of bifurcations and chaotic dynamics. Tech. Phys. Lett., 48, 305–310 (2022). doi: 10.1134/S1063785022110025
  62. Perevaryukha A. Y. Predictive computing structures and hybrid automates in modeling invasive processes and epidemic COVID waves. Tech. Phys., 68, 8–17 (2023). doi: 10.1134/S1063784223010048
  63. Borisova T. Y. On the physicochemical method of analysis of the formation of secondary immunodeficiency as a bio-indicator of the state of ecosystems using the example of seabed biota of the Caspian Sea. Tech. Phys. Lett., 48, 251–257 (2022). doi: 10.1134/S1063785022090012
  64. Mikhailov V. V., Perevaryukha A. Y., and Trofimova I. V. Principles of simulation of invasion stages with allowance for solar cycles. Tech. Phys. Lett., 49, 97–105 (2023). doi: 10.1134/S1063785023700049
  65. Perevaryukha A. Y. Continuous model for the devastating oscillation dynamics of local forest pest populations in Canada. Cybern. Syst. Anal., 55, 141–152 (2019). doi: 10.1007/s10559-019-00119-6
  66. Latinne A., Hu B., Oliva J., Zhu G., Zhang L.-B., Li H., Chmura A. A., Field H. E., Zambrana-Torrello C., Epstein J. H., Li B., Zhang W., Wang L.-F., Shi Zh.-L., and Daszak P. Origin and cross-species transmission of bat coronaviruses in China. Nat. Commun., 15, 10705 (2024). doi: 10.1038/s41467-024-55384-7
  67. Wilke C. O. The biophysical landscape of viral evolution. Proc. Natl. Acad. Sci. USA, 121, e2409667121 (2024). doi: 10.1073/pnas.2409667121
  68. Fountain-Jones N. M., Pearse W. D., Escobar L. E., Alba-Casals A., Carver S., Davies T. J., Kraberger S., Pages M., Vandegraft K., Wonsley-Tonks K., and Craft M. E. Towards an eco-phylogenetic framework for infectious disease ecology. Biol. Rev. Camb. Philos. Soc., 93 (2), 950–970 (2018). doi: 10.1111/brv.12380

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar

Declaração de direitos autorais © Russian Academy of Sciences, 2025