El químico Jixin Chen observó la rápida propagación de la COVID-19 al principio de la pandemia y vio una nueva oportunidad para su laboratorio de cinética, donde estudian las tasas de reacciones.

La primera vez que dirigió el laboratorio en la primavera de 2021, los estudiantes universitarios concluyeron que las normas sociales, como los cierres, las mascarillas y el distanciamiento social, eran formas efectivas de reducir la velocidad de propagación de la COVID. Pero también descubrieron las limitaciones del modelado, y notaron que una gran cantidad de casos confirmados no necesariamente se asoció con una tasa de propagación creciente.

Los estudiantes en el siguiente laboratorio escribieron en un ACS Omega artículo de revista sobre su experiencia de que los investigadores deben continuar con este trabajo cuando la tasa de infección y vacunación se vuelve significativa.

Y eso es justo lo que pasó. Los estudiantes de laboratorio de la primavera de 2022 ampliaron el modelo matemático para hacer predicciones sobre la tasa de propagación de COVID-19 en los Estados Unidos con vacunación masiva.

También ejecutaron el modelo para el estado de Ohio hasta el otoño de 2022, prediciendo correctamente el aumento de casos que el estado está experimentando al final del verano.

El segundo grupo de estudiantes de laboratorio también escribió su experiencia de laboratorio, esta vez viéndola publicada en el Journal of Chemical Education . Todos los estudiantes salieron del laboratorio con los requisitos llenos. Pero también podrían agregar varias líneas a sus currículums:experiencia en software de modelado, habilidades de análisis de datos y publicación en una revista.

En la primavera de 2021, cuando el mundo se volvió remoto, el uso del modelo COVID permitió a los estudiantes de Chen trabajar en sus propias computadoras con datos y software de acceso público.

Funcionó tan bien que los estudiantes universitarios enviaron un artículo de revista sobre su experiencia y señalaron:"El modelo de propagación viral es complicado, pero los parámetros, como su número de reproducción, Rt, se pueden estimar con el modelo susceptible, infeccioso o recuperado. COVID- Los datos de 19 para muchos estados y países están ampliamente disponibles en línea. Esto brinda una oportunidad para que los estudiantes analicen su cinética de propagación de forma remota".

Chen señaló que el modelado de COVID proporcionó una ventaja a la hora de explicar la aproximación de estado estacionario para algunos modelos en el libro de texto. Los estudiantes notaron que se beneficiaron al explorar la función de simulación del software de uso común Excel.

"Lo más sorprendente y divertido para mí fue cómo se puede acceder a la investigación. Solo usamos recursos y datos de sitios web gratuitos, pero a partir de ahí pudimos ir más allá y sumergirnos en algo tan relevante para la sociedad actual", dijo Emma Lintelman, estudiante de último año de química en ascenso con una especialización en ciencias biológicas en la Facultad de Artes y Ciencias.

En la primavera de 2022, Chen y sus estudiantes llevaron la simulación numérica de la cinética y el modelado de regresión aún más lejos.

"La primera vez que usamos este enfoque, los estudiantes pudieron aplicar las técnicas cinéticas aprendidas en química física para analizar un problema del mundo real en curso a través de un entorno de aprendizaje remoto", dijo Chen. "Este año, otro grupo de estudiantes de pregrado dirigido por los estudiantes de posgrado Dylan Smith y Tharushi Ambagaspitiya hizo la misma práctica y amplió el modelo matemático para predecir la propagación de la COVID-19 en los EE. UU. con vacunación masiva".

En el laboratorio, se explica a los estudiantes el modelo susceptible-infeccioso-recuperación (SIR) y el modelo SIR-vacunado (SIRV) y se utilizan para analizar los datos de propagación de COVID-19 de los Centros para el Control y la Prevención de Enfermedades (CDC) de EE. UU. ). El número de reproducción básico R0 y el número de reproducción en tiempo real Rt de COVID-19 se extraen ajustando los datos con los modelos, lo que explica la cinética de propagación y proporciona una predicción de la tendencia de propagación en un estado determinado.

Los estudiantes pueden ver rápidamente las diferencias entre el modelo SIR y el modelo SIRV, dijo Chen. El modelo SIRV considera el efecto de la vacunación, lo que ayuda a explicar las etapas posteriores de la pandemia en curso.

Los estudiantes también aprendieron el poder predictivo de los modelos mientras hacían predicciones para los meses siguientes.

"Creo que la parte más sorprendente de realizar nuestra simulación cinética de COVID-19 fue ver los efectos drásticos de variar el número de reproducción dependiente del tiempo en nuestra simulación", dijo David McEwen, estudiante de último año con especialización en química y especialización en negocios. "Esto nos permitió simular directamente diferentes niveles de regulación del virus mediante enmascaramiento, distanciamiento social, etc. Al cambiar el número en gran medida, pudimos ver directamente con nuestros datos el aumento o la disminución de la tasa de propagación del virus, lo cual fue asombroso a veces.

"Creo que las partes más desafiantes para mí fueron configurar inicialmente nuestros parámetros de simulación y ajustar los datos simulados a los datos de casos recopilados. Ajustar los datos simulados a los números de casos reales a veces requería un ajuste preciso y tomaba algo de tiempo", dijo McEwen.

Lintelman estuvo de acuerdo.

"La parte más desafiante para mí fue resolver los errores en nuestras fórmulas", dijo. "Esto puede ser complicado cuando has estado mirando tus datos durante horas. Todo comienza a dar vueltas en la mente, pero es justo cuando necesitas volver a eso más tarde cuando tienes la mente despejada". + Explora más

La incidencia de COVID-19 fue ocho veces mayor en estudiantes no vacunados que en estudiantes vacunados