O químico Jixin Chen observou a rápida disseminação do COVID-19 no início da pandemia e viu uma nova oportunidade para seu laboratório de cinética, onde estudam as taxas de reações.
Na primeira vez que ele dirigiu o laboratório na primavera de 2021, os alunos de graduação concluíram que os regulamentos sociais, como bloqueios, máscaras faciais e distanciamento social, eram maneiras eficazes de diminuir a velocidade de propagação do COVID. Mas eles também descobriram as limitações da modelagem, observando que um grande número de casos confirmados não estava necessariamente associado a uma taxa crescente de disseminação.

Os alunos do próximo laboratório escreveram em um ACS Omega artigo de jornal sobre sua experiência de que os pesquisadores devem continuar esse trabalho quando a taxa de infecção e vacinação se tornar significativa.

E foi exatamente isso que aconteceu. Os alunos do laboratório da primavera de 2022 estenderam o modelo matemático para fazer previsões sobre a taxa de disseminação do COVID-19 nos Estados Unidos com vacinação em massa.

Eles também executaram o modelo para o estado de Ohio até o outono de 2022 – prevendo corretamente o aumento nos casos que o estado está enfrentando no final do verão.

O segundo grupo de estudantes de laboratório também escreveu sua experiência de laboratório, desta vez vendo-a publicada no Journal of Chemical Education . Todos os alunos saíram do laboratório com os requisitos preenchidos. Mas eles também podem adicionar várias linhas a seus currículos – para modelagem de experiência em software, habilidades de análise de dados e publicação em periódico.

Na primavera de 2021, quando o mundo ficou remoto, o uso do modelo COVID permitiu que os alunos de Chen trabalhassem em seus próprios computadores com dados e software acessíveis ao público.

Funcionou tão bem que estudantes de graduação enviaram um artigo de jornal sobre sua experiência, observando:"O modelo de disseminação viral é complicado, mas parâmetros, como seu número de reprodução, Rt, podem ser estimados com o modelo suscetível, infeccioso ou recuperado. COVID- 19 dados para muitos estados e países estão amplamente disponíveis on-line. Isso oferece uma oportunidade para os alunos analisarem sua cinética de propagação remotamente."

Chen observou que a modelagem COVID forneceu uma vantagem quando se tratava de explicar a aproximação de estado estacionário para alguns modelos no livro. Os alunos notaram que se beneficiaram ao explorar a função de simulação do software Excel comumente usado.

"A coisa mais surpreendente e divertida para mim foi como a pesquisa pode ser acessível. Usamos apenas recursos e dados de sites gratuitos, mas a partir daí conseguimos avançar e mergulhar em algo tão relevante para a sociedade de hoje", disse Emma Lintelman, um estudante de química sênior em ascensão com especialização em ciências biológicas na Faculdade de Artes e Ciências.

Na primavera de 2022, Chen e seus alunos levaram a simulação numérica de cinética e modelagem de regressão ainda mais longe.

"Na primeira vez que usamos essa abordagem, os alunos foram capazes de aplicar as técnicas cinéticas aprendidas em físico-química para analisar um problema do mundo real em andamento por meio de um ambiente de aprendizado remoto", disse Chen. “Este ano, outro grupo de estudantes de graduação liderados pelos estudantes de pós-graduação Dylan Smith e Tharushi Ambagaspitiya fez a mesma prática e estendeu o modelo matemático para prever a propagação do COVID-19 nos EUA com vacinação em massa”.

No laboratório, o modelo de recuperação infecciosa suscetível (SIR) e o modelo vacinado contra SIR (SIRV) são explicados aos alunos e são usados ​​para analisar os dados de disseminação de COVID-19 dos Centros de Controle e Prevenção de Doenças dos EUA (CDC). ). O número de reprodução básico R0 e o número de reprodução em tempo real Rt do COVID-19 são extraídos ajustando os dados com os modelos, o que explica a cinética de propagação e fornece uma previsão da tendência de propagação em um determinado estado.

Os alunos podem ver rapidamente as diferenças entre o modelo SIR e o modelo SIRV, disse Chen. O modelo SIRV considera o efeito da vacinação, o que ajuda a explicar os estágios posteriores da pandemia em curso.

Os alunos também aprenderam o poder preditivo dos modelos ao fazerem previsões para os meses seguintes.

“Acho que a parte mais surpreendente de realizar nossa simulação cinética do COVID-19 foi ver os efeitos drásticos da variação do número de reprodução dependente do tempo em nossa simulação”, disse David McEwen, formado em química e especialização em negócios. “Isso nos permitiu simular diretamente diferentes níveis de regulação do vírus por meio de mascaramento, distanciamento social etc. que às vezes era surpreendente.

"Acho que as partes mais desafiadoras para mim foram inicialmente configurar nossos parâmetros de simulação e ajustar os dados simulados aos dados de casos coletados. Ajustar os dados simulados aos números reais de casos às vezes exigia um ajuste preciso e levava algum tempo", disse McEwen.

Lintelman concordou.

"A parte mais desafiadora para mim foi resolver os erros em nossas fórmulas", disse ela. "Isso pode ser complicado quando você está olhando para seus dados por horas. Tudo começa a girar na mente, mas é exatamente quando você precisa voltar a ele mais tarde, quando tiver a mente limpa." + Explorar mais

A incidência de COVID-19 foi oito vezes maior em estudantes não vacinados versus vacinados