研究文章新冠病毒

抗病毒治疗的效力和时机决定SARS-CoV-2脱落持续时间和炎症反应强度

查看全部隐藏 作者和从属关系

科学进步  2020年11月20日:
卷6号47,eabc7112
DOI:10.1126 / sciadv.abc7112
载入中

抽象

为了影响COVID-19大流行,必须确定挽救生命的抗病毒疗法。可以执行的临床试验数量有限。我们开发了数学模型来预测多种治疗方法。我们的模型概括了治疗后的病毒动力学并预测了三相免疫反应。用雷姆昔韦,selinexor,中和抗体或细胞免疫疗法进行的模拟治疗表明,如果体内效力足够高,则可以快速消除病毒。在症状出现时,在病毒载量高峰后不久开始使用的治疗方法可能会减少脱落持续时间和免疫反应强度,但对曲线下病毒区(AUC)的影响很小,这是由早期病毒载量较高驱动的。在症状前感染期间病毒高峰之前进行有效治疗可能会降低AUC。在病毒峰之前使用中度有效的药物可能会产生耐药性。如果脱落持续时间而非AUC最能预测临床严重程度,我们的结果支持对COVID-19进行早期治疗。

介绍

2019年冠状病毒病(COVID-19)大流行是一个毁灭性的历史事件,目前正在影响几乎整个人类。全球许多城市和国家的严重急性呼吸系统综合症冠状病毒2(SARS-CoV-2)发病率都在飙升(1),并且感染的死亡率很高,尤其是在老年人中(24)。尽管社会疏离已经减缓甚至消除了许多当地的流行病(5),这不是一种经济可行的长期策略。没有证据表明牛群具有广泛的免疫力,在未来的6个月内不太可能开发和广泛使用疫苗。因此,在未来2年内很可能会发生第二波和第三波感染浪潮(6).

必须尽快确定最佳的COVID-19治疗策略,以确保在随后的局部流行病中降低死亡率。迄今为止,抗病毒药物的选择是凭经验进行的,并受到有限或缺乏数据的指导。尽管正在快速跟踪临床试验以鉴定可降低住院和死亡率的治疗方法,但这些试验的计划阶段很狭窄。因此,迫切需要有效的工具来优化临床试验设计和治疗药物的选择。

在这里,我们使用数学模型来预测两种小分子药物瑞姆昔韦和selinexor的可能影响,以及广泛中和抗体(bNAbs)和细胞免疫疗法。我们模型的目的是解释新兴的临床试验数据,进而在选择抗病毒药物,治疗时间,剂量,治疗持续时间,避免耐药性以及选择病毒学终点方面完善后续试验。总体而言,我们的模拟支持症状发作后立即开始治疗,也表明迫切需要进行研究以鉴定SARS-CoV-2严重程度的病毒学替代指标。

结果

SARS-CoV-2自然史

在缺乏有效治疗的情况下,我们使用了SARS-CoV-2脱落的四个数据集来开发和验证数学模型。这些数据包括25名感染者:11名来自新加坡(7),来自德国的9(8),其中1个来自韩国(9),还有4个来自法国(10) (Fig. 1)。值得注意的是,不同研究之间的采样技术也有所不同。在新加坡,韩国和法国,使用鼻咽拭子采集样本,而在德国,直接从痰液中测量病毒载量。在早期高峰期出现明显的脱落,随后是病毒衰减的三个阶段,包括从峰值开始的快速初始下降,变长的衰变的较慢时期以及最终突然的病毒消除阶段。值得注意的是,我们仅捕获了一部分研究参与者的病毒峰和最终快速清除期。

Fig. 1 未处理的SARS-CoV-2动力学的数学模型概述。

(A包括感染易感细胞的数学模型示意图(S),病毒的产生(V)被感染的细胞(I),由指数决定的早期密度依赖性免疫反应 k,以及连续的T细胞群(M1,M2和E)引起的T细胞反应,当超过一定阈值时会杀死感染的细胞。 (B)模型适合各个数据。形状是单个病毒负载,线是模型负载预测。 S,新加坡; G,德国; K,韩国; F,法国。

SARS-CoV-2数学模型

我们开发了一系列常微分方程来拟合病毒载量数据(图1A;材料和方法)。这些方程式捕获了易感细胞,受感染细胞,SARS-CoV-2和不断增强的免疫反应的相互作用。与标准的病毒动力学模型(11, 12),病毒进入易感细胞并将其转化为受感染的细胞,然后以固定的速率产生病毒。该病毒即使在没有免疫力的情况下,也会对受感染的细胞产生细胞病变作用。

早期的先天免疫应答和晚期的后天免疫应答对于清除SARS和中东呼吸综合征(MERS)病毒感染至关重要(13)。与这些观察结果一致,当我们在没有先天和后天免疫条件的情况下模拟模型时(从而将病毒消除的机制限制为靶细胞的限制),模型对数据的拟合性很差。因此,我们增加了两阶段的免疫反应。第一阶段说明先天免疫系统消除感染细胞的速率,并受感染细胞死亡率术语的控制。根据以前的模型,我们将其称为密度依赖性免疫反应(14, 15)。第二阶段代表较慢的获得性溶细胞反应,其中一旦效应细胞数量超过一定水平,每细胞的杀伤率就会饱和。我们用假定的效应细胞前体各阶段进行建模,这些前体以不同的速率分化 q 作为校准此响应时间的一种方法(材料和方法)。

我们的模型重现了所有25位参与者的病毒载量动力学(图1B)。在某些情况下,该模型仅适合于脱落后期的可用数据,而它利用早期数据(S5,S14,S18,G1, G2,G5和G7)。与最近的临床试验中的观察结果一致(16),对于25名参与者(S3,S6,G1,G2,G3,G5,G6和G7)中的8名参与者,低水平脱落持续了20天以上,而其余被感染者中病毒清除的时间更早。

导致感染消除的后期获得性免疫应答的组成部分仍然未知。病毒特异性抗体(17, 18),以及病毒专用CD4+ 和CD8+ T细胞反应(1922),请在感染后一周内注意。为了说明体液免疫可能正在清除感染这一事实,我们还构建了一个模型,其中中和抗体以密度依赖的方式降低了病毒的感染性(材料和方法)。在该模型中,一旦抗体总数超过一定水平,感染率就会饱和。无论我们是否假设细胞溶解性T细胞介导的反应(图1B)或中和抗体反应(图S1)。因此,尽管这两种模型在模拟治疗时都提供了相同的输出,但我们无法确定导致病毒后期清除的机制。

尽管两个模型都具有相同的病毒动力学特性,但由于多种原因,我们选择了细胞溶解免疫模型作为治疗模型。首先,病毒特异性T细胞的耗竭消除了小鼠SARS的控制(23, 24); T细胞的干扰素信号对于消除MERS和SARS至关重要(25)。其次,在采用T细胞抑制疗法的实体器官移植患者中观察到严重的SARS-CoV-2(26)。第三,T细胞功能受损是几乎所有其他呼吸道病毒严重肺部表现的主要危险因素(27, 28)。最后,T细胞在SARS后介导细胞因子风暴和急性呼吸窘迫综合征中起着至关重要的作用(29, 30):基于对细胞溶解反应的定量,在我们的模型中间接预测了细胞因子反应的强度。

先天和后天溶细胞反应的时间和强度

我们不断量化所有25名参与者的免疫术语的价值:在所有参与者感染的前几天中,每细胞的杀死率和每天杀死的细胞总数非常高(图2,A和B),与病毒载量峰值一致。获得性溶细胞免疫应答在参与者的各个时间点(第5至14天)开始,并导致与先天免疫应答相似的同时每细胞杀死率,但相对于峰值时的先天应答,每天杀死的总细胞数要低得多病毒载量(图2B),但足以消除残留的感染(图1B).

Fig. 2 SARS-CoV-2的早期先天和晚期获得性杀伤率–infected cells.

清除病毒脱落的15位参与者的费率模型预测。 ( A)由先天反应(蓝色)和获得性免疫反应(绿色)介导的每细胞死亡率。 (B)由先天反应(蓝色)和后天反应(绿色)介导的总死亡率。

Remdesivir药代动力学和药效学

我们开发了remdesivir的药代动力学(PK)/药效学(PD)模型(图3A),它是一种针对SARS-CoV-2在感染细胞中复制的广谱核苷酸类似物(31)。该模型将静脉给药与血浆游离药物水平以及在非人类灵长类动物(NHP)外周血单个核细胞(PBMC)中观察到的药物活性三磷酸核苷(NTP)组分的浓度联系起来(32),并捕获此隔离专区中NTP的缓慢衰减(图3B)。通过多次剂量,我们可以预测靶细胞中NTP随时间的波动水平(图3C),然后在停止治疗后会出现较长的衰变。

Fig. 3 remdesivir治疗的预期PK和PD。

(A)remdesivir(RDV)的完整模型,包括母体药物的血浆水平,细胞内活性成分(NTP)的水平以及根据NTP浓度的药物的抗病毒功效。 (B)PBMC中血浆雷姆昔韦水平和细胞内NTP的预测。 NHP实验的数据点是点,而线是模型投影。 (C)母体化合物的浓度和活性化合物的细胞内水平的模拟,静脉内负荷剂量为200 mg(IV),然后连续9天每天静脉内剂量为100 mg。 VL,病毒载量。 (D)假定体内EC值不同,根据药物浓度的PD抗病毒功效预测50 的药物。 (E)在不同的假定药物效价下使用PK和PD组合模型预测的抗病毒作用。

接下来,我们根据药物的微摩尔浓度模拟了可能的抗病毒功效剂量反应曲线,该曲线捕获了消除的病毒复制百分比。给定细胞内药物浓度下病毒复制抑制的百分比取决于细胞内EC50 药物浓度或将病毒复制降低50%所需的药物浓度(图3D)。值得注意的是,细胞内EC50 瑞地昔韦尚不清楚,尤其是在体内,这使得对临床试验结果的精确预测变得不可能。

最后,我们结合了PK和PD模型,如下所示: 图3A 预测在不同的假定细胞内EC中随时间推移而抑制的病毒复制百分比50 值(33, 34)。具有较高的假定药效(EC50 = 0.8μM),抗病毒作用在10天的给药间隔中持续存在,并在药物输送停止后维持几天(图3E)。在较高的假设EC50 值,remdesivir药效预计较低。

假设在症状早期和晚期进行雷姆昔韦治疗,对SARS-CoV-2结果的预测

我们接下来在感染的第10天进行模拟疗法(图4A),当严重感染者经常去医院就诊时,以及在病毒感染高峰后的第5天(图4B),当感染者经常出现症状时。在这两种情况下,假定瑞德昔韦的体内效力都很高(EC50 = 0.8μM),开始治疗后迅速发生病毒清除。产生这种效果的原因是,持续进行的先天免疫应答每天可无阻清除约100至10,000个受感染细胞(图2B).

Fig. 4 假设不同的效用和治疗时间,则为期10天的雷姆昔韦韦疗程的治疗预测。

每组模拟都是在高,中和低效能(EC50 分别为0.8、8和80μM)。在通常与(A)住院(第一个阳性样本后的第10天),B)第一个症状(第一个阳性样本后的第5天),C)症状前高峰后阶段(第一个阳性样本后的第二天),和(D)症状前高峰期(第0天)。总的来说,早期有效的治疗限制了感染的持续时间。由于免疫激活不足,亚有效的,较早的治疗开始可能会导致长期脱落。

假设使用效能较弱的瑞德昔韦(EC50 = 8或80μM)导致较低的病毒清除率斜率。该结果表明,临床试验中的病毒清除率斜率可与我们的模型一起使用,以直接估算体内细胞内EC50 雷姆昔韦在每位接受治疗的患者中的价值。然后,该模型可用于预测后续试验中增加或减少剂量的效果(34).

假设在症状前期非常早地接受瑞德昔韦治疗,SARS-CoV-2结果的预测

接下来,我们在病毒载量峰值之前和之前的感染过程中非常早的时间点进行了治疗模拟。大多数感染者在此阶段是症状前的,因此这些模型的实现可能最紧密地反映了暴露后预防(PEP)策略的实施,在该策略中,某些人在首次给药时已经处于感染的早期。在这种情况下,50 = 0.8μM)在感染的第2天和第0天治疗立即导致病毒抑制(图4,C和D)。在进行早期,低度或中度效力治疗时,该模型预测了SARS-CoV-2脱落导致的治疗失败,这是由于对病毒的早期免疫力不足以及由于治疗引起的病毒复制减少导致敏感细胞缺乏所致( 图4D)。值得注意的是,基于有关获得性免疫应答驱动因素的有限的可用数据,在这些模拟中对超过10天更高病毒载量的预测并不确定。

短疗程雷姆昔韦的投影

接下来,我们以较短的5天疗程重复上述锻炼。结果是相似的,尽管在极早开始治疗的假设下进行的模拟并未导致在此时间范围内完全抑制SARS-CoV-2(图S2)。模拟的具有中等或高药效的极早期治疗显示出抑制作用,随后是病毒反弹(图S2D)。值得注意的是,在感染后12小时用瑞姆昔韦治疗的两只恒河猴的鼻腔中也观察到了同样的结果。这些动物同时更有效地从肺部清除了病毒(35).

瑞昔韦韦的疗效预测指标

接下来,我们评估了治疗模型中哪些未知变量最能预测相关的治疗结果。作为自变量,我们选择了体内细胞内EC50,因为瑞姆昔韦对人类SARS-CoV-2的体内效力以及治疗开始时的感染持续时间尚不清楚。作为因变量,我们选择下降持续时间和曲线下的病毒面积(AUC),因为尚不清楚这些结果中的哪一个是感染者发生细胞因子风暴和呼吸衰竭以及可传播性的更强预测指标。我们还包括了效应细胞的最终计数,因为该结果也可以预测细胞因子风暴的可能性(36).

早于感染的第二至第四天,无论是在峰前无症状期还是峰后对症期给予高强度治疗的早期预测,可以缩短脱落持续时间。但是,相对于不治疗,预计极早开始采用低效治疗会延长脱落时间(图5A),因为对病毒的早期免疫力不足,并且缺乏易感细胞的消耗。

Fig. 5 瑞昔地韦治疗SARS-CoV-2的预后指标。

热图比较了体内EC测得的药效差异50 (x 轴)和开始治疗的时间(y 轴)A)脱落持续时间,(B)病毒载量AUC,和(C)消除病毒所需的T细胞反应程度。在感染的前5天内进行有效治疗会限制脱落时间和T细胞反应的程度。但是,只有在感染的症状前阶段进行极早期的治疗才能明显降低病毒的AUC。在症状最严重的早期阶段进行的亚潜能疗法可通过限制免疫反应来延长在较低病毒载量下的脱落持续时间。

要显着降低病毒AUC,既需要高药效,又要在感染的症状前阶段非常早地开始治疗。即使在症状最早期的第4至5天进行强效治疗,对AUC的影响也很小,这反映了一个事实,即大多数病毒和感染的细胞是在生产性SARS-CoV-2感染的前2至3天产生的(图5B) (35).

最后,在感染后6天之内开始高效治疗,在我们的模拟中将效应细胞的反应程度降低了一个完整的数量级(图5C),这表明早期治疗策略可以降低与炎症相关的有害感染。

耐药变体的理论动力学

基于阳性单链RNA(ssRNA)病毒的突变率约为10−5 每个细胞感染的每个碱基对的突变(37),并且基于两个独立的突变可能会导致SARS出现部分雷姆昔韦抗药性,进而导致病毒的适应性降低(38),我们探讨了在治疗过程中可能出现耐药突变体的理论可能性。在此假设下,我们然后估计了在治疗期间出现耐药突变体的可能性。当我们采取有效疗法时(欧洲共同体50 = 0.8),该模型预测,虽然出现单突变和双突变,但它们仍占主导地位,即使在疾病的症状期进行剂量给药也不会有意义地延长脱落持续时间,尽管耐药菌株可能出现,甚至在早期给药中占主导地位(图6,A和B)。但是,如果仅假设具有中等效力,则预计具有抗药性的单个突变体可能诱导更长时间的脱落,特别是如果在病毒高峰之前或期间开始治疗(图7,A和B).

Fig. 6 雷姆昔韦耐药性治疗期间的预测。

模拟具有假定的高效能(EC50 = 0.8μM),并假设突变体具有部分耐药性。开始治疗的时间通常与住院时间(首次阳性样本后第10天),最初症状(首次阳性样本后第5天),有症状的高峰后阶段(首次阳性样本后第2天)或有症状的高峰前阶段一致。 (第0天)。 (A)不进行治疗,不假定抗药性的治疗和假定抗药性的治疗的预测。 (B)假定的耐药性与敏感菌株,单突变体和双突变体轨迹的预测。在此,DOT代表治疗开始的日期。

Fig. 7 雷姆昔韦耐药性治疗期间的预测。

模拟具有中等效力(EC50 = 8.0μM),并假设突变体具有部分耐药性。开始治疗的时间通常与住院时间(首次阳性样本后第10天),最初症状(首次阳性样本后第5天),有症状的高峰后阶段(首次阳性样本后第2天)或有症状的高峰前阶段一致。 (第0天)。 (A)不进行治疗,不假定抗药性的治疗和假定抗药性的治疗的预测。 (B)假定的耐药性与敏感菌株,单突变体和双突变体轨迹的预测。在此,DOT代表治疗开始的日期。

如果我们假设SARS-CoV-2的单点突变理论上可以诱导完全的耐药性,那么无论给药时机如何,治疗失败都可能发生。预计耐药菌株将占主导地位,从而增加了耐药性传播的可能性(图S3)。

Selinexor治疗预测

继SARS-CoV-2感染和病毒遗传物质在细胞水平上的核输入之后,病毒蛋白的核质输出对于由exportin-1(XPO1)介导的有效病毒复制至关重要。 Selinexor是后期组装过程中这一关键步骤的选择性抑制剂(39)。已证明Selinexor对SARS-CoV-2复制具有剂量依赖性活性。 Selinexor目前正在人类临床试验中进行COVID-19治疗的测试(40).

将多隔间PK / PD模型用于selinexor(图8A),我们首先在单次给药后随时间总结血浆母体药物水平(41) (图8B),不同药物吸收假设下的PBMC药物水平(图8C),以及给药后的补偿性XPO1 mRNA表达(图8D)。然后,我们在4周内每周三次模拟血浆和PBMC药物水平(假设药物吸收的低值和高值)(图8E),如临床试验(//clinicaltrials.gov/ct2/show/NCT04349098?term=selinexor&draw=3&rank=14)。在生成具有不同假设的体内EC理论剂量反应曲线后50 (图8F),我们预测了补偿性XPO1 mRNA表达(图8G)和随时间推移的药物功效(图8H).

Fig. 8 赛灵塞治疗的预期PK和PD。

(A)selinexor的完整模型,包括血浆水平,PBMC水平,抑制XPO1介导的病毒蛋白细胞输出以及以剂量依赖的方式抑制病毒复制。 (B)单剂量模型药物水平(线)复制了不同剂量下的观察到的数据点。 (C)假设PBX吸收率低和高,则预测的PBMC水平。 (D用模型拟合单剂量后,补偿性XPO1 mRNA表达的预测倍数变化符合数据。 (E)每周3次,每周4次,分别是血浆(黑色)和PBMC(红色;虚线=高吸收,固体=低吸收)的血浆浓度。 (F)假定体内EC值不同,根据药物浓度的PD抗病毒功效预测50 的药物。 (G)多次给药后代偿性XPO1 mRNA表达的预测倍数变化。 (H)在不同的假定药物效价下使用PK和PD组合模型预测的抗病毒作用。

与remdesivir一样,治疗病毒脱落的预期疗效取决于治疗时机和体内细胞内EC50 (图S4,A至D)。较低的脱落持续时间与较早的治疗时间有关。较低的病毒AUC再次需要极早地开始有效治疗(图S4D)。该模型再次预测了亚有效早期开始治疗延长脱落的可能性(图S4D)。

bNAb预测

接下来,我们模拟了假设的bNAb单次输注,并延长了半衰期。 bNAb旨在阻止新细胞感染,而不是消除病毒复制。我们使用了双隔间PK模型(图9A),单次使用后随时间推移的估计抗体水平(图9B),生成理论剂量反应曲线(图9C),然后预测一段时间内的抗体功效(图9D)。预计治疗再次脱落的功效取决于治疗时机和体内EC50 (图S5,A至D)。再次,减少脱落的持续时间和效应细胞的数量取决于治疗效力,而有效降低病毒AUC则需要尽早开始有效治疗(图S5,E至G)。

Fig. 9 中和抗体治疗的预期PK和PD。

(A)完整的bNAb治疗双室模型,根据抗体浓度降低病毒感染性。 (B)从VRC01处理的模拟得出血浆bNAb水平的预测。 (C)假定体内EC值不同,根据抗体浓度的PD抗病毒功效预测50. (D)PK和PD模型的组合模拟表明抗病毒活性是时间的函数。

免疫疗法的预测

随着基于自然杀伤细胞的治疗方法的开发和研究,COVID-19(//clinicaltrials.gov/ct2/show/NCT04280224),我们概括了细胞免疫疗法的潜在假想效果,可能会减少感染细胞的寿命。我们预计,这种干预措施需要将该比率提高10倍,以匹配有效的小分子药物的功效(图10,A至C)。如果在高峰期脱落之前开始进行免疫治疗,则疗效有限(图10D).

图10 假定不同的效力和时机,溶细胞免疫疗法的治疗方案。

每组模拟都是基于对感染细胞死亡率的乘积效应,在高,中和低效能的假设下进行的。治疗开始的时间通常与(A)住院(第一个阳性样本后的第10天),B)第一个症状(第一个阳性样本后的第5天),C)症状前高峰后阶段(第一个阳性样本后的第二天),和(D)症状前高峰期(第0天)。总的来说,早期有效的治疗限制了感染的持续时间,但是极早期的治疗却失败了。由于免疫激活不足,亚有效的,较早的治疗开始可能会导致长期脱落。

讨论

SARS-CoV-2感染的特征是在感染的前几天具有高峰值病毒载量的定型病毒动力学模式,随后的短暂快速衰减期,随后为可变持续时间的较慢清除期,最后是快速消除期。我们的数学模型再现了这些数据,并解释了从第一阶段到第二阶段病毒衰减的过渡受密度依赖项的控制,在此期间,在病毒血症高峰期以及目标细胞消除过程中,受感染细胞大量死亡。因为即使在病毒载量减少后,获得性免疫应答也会继续增强而不是消退,因此我们将密度依赖性术语归因于先天机制。我们的结果表明,这种早期反应可以迅速消除数百万个受感染的细胞。

一旦病毒载量降至阈值〜10以下,病毒清除率就会大大降低5 RNA副本。预计后期缓慢扩展的获得性免疫反应会在2至20天后诱导消除上呼吸道感染细胞。根据COVID-19感染期间异质脱落的持续时间,最终感染者的最终反应时间似乎有所不同(42)。此外,尚不知道停止在鼻咽中进行病毒复制是否能保证在肺部或其他解剖部位获得相同的结果(8)。在瑞姆昔韦治疗COVID-19的恒河猴恒河猴模型中,鼻腔和肺内的病毒动力学变化显着(35).

我们无法区分是中和抗体还是溶细胞性T细胞导致感染的后期清除,因为两种建模方法都可以对数据进行出色的模型拟合。基于正常的T细胞功能是迅速清除包括SARS和MERS在内的其他病毒感染的先决条件这一事实,24, 25),并且由于过量的T细胞反应可能会导致细胞因子风暴和急性呼吸窘迫综合征(30),我们选择假定T细胞控制着感染细胞的清除。但是,无论我们假定细胞介导的还是体液的病毒清除,我们的治疗模型都能产生相同的结果。

我们在自然历史模型的基础上模拟了抗病毒疗法,以阐明抗病毒疗法的时机和效力对结果的可能影响。尽管在缺乏临床试验数据的情况下无法进行准确的预测,但我们的观察结果强调了考虑非治疗性病毒动力学以了解治疗效果的重要性。我们的结果可以指导未来的研究设计,并以多种方式帮助解释即将到来的试验数据。

首先,至关重要的是要知道是否可以将雷姆昔韦,赛琳索和bNAb的体外效能评估推算到人类感染上。我们先前证明了体内EC50 抗病毒剂的值可能会超过细胞培养实验得出的估计值,为5到10的倍数(34)。假设针对HIV的单克隆中和抗体具有类似的观察结果(43)。目前尚不清楚这种差异是否是由于组织中的血液水平低,组织中药物的不同细胞代谢或体内较高的蛋白结合性而发生的。不管是哪种情况,如果在体外测定赛利索和雷姆昔韦的效价高估了体内活性,或者如果需要的细胞内水平高于血浆中的水平,那么这些药物在临床试验中的效果可能会更低。更高剂量可能是解决此问题的必要解决方案。

其次,症状发展后的有效剂量可预测随后迅速消除感染的细胞。当前的大多数临床试验主要针对住院患者,而我们的结果以及来自其他两种COVID-19模型的结果表明,在症状发作后的几天内进行治疗将减少可检测到的病毒脱落的持续时间(44, 45)。我们的模型还预测,早期治疗(在病毒高峰之前,通常<感染后5天)将限制清除感染所需的细胞溶解免疫反应的程度。如果这些结局中的任何一个与进展为严重疾病的相关性,在临床上似乎都是这种情况(46)和传播风险,然后是艾滋病毒(47),流感(48)和埃博拉(49),早期测试和治疗是一项至关重要的,目前被忽视的策略。

第三,症状发作后(通常是高峰后和>预计感染后5天)对病毒载量AUC的影响较小。出现这种现象的原因是,在早期高峰期每小时产生的病毒数量远远高于在较低病毒载量第二个衰退阶段每天产生的病毒数量。这一发现提供了一个警告性信息:如果在高病毒载量,症状的症状前急性期感染了随后的疾病严重性和发展,那么从理论上讲,早期抗病毒治疗可以消除进一步的脱落,而不会改变临床结果。此外,如果病毒传播的极高时期是导致大多数传播的原因,如感染的5天连续中间间隔所示(50),那么尽早消除脱落也可能不会显着降低透射率。总体而言,该结果突出表明了对鉴定严重疾病和传播性的早期病毒和免疫相关性的研究的迫切需求。初步研究表明,呈现病毒载量可能会影响疾病的严重程度(51),但不能被病毒性AUC区分,而且可能会因样品时间的可变而产生偏差。

第四,如果在感染的症状前阶段开始治疗[通常<感染后5天,最有可能在PEP试验中被捕获(52)],然后根据抗病毒治疗的效力来预测临床试验的结果。亚治疗方法甚至可能通过阻止先天免疫的充分触发和易感细胞的完全耗尽而延长感染时间,因此,这些治疗方法可能会产生耐药性。值得注意的是,我们的模型在这一方面的预测与从其他现有SARS-CoV-2宿主内部模型得出的预测不同,后者并未强调免疫反应在消除感染细胞中的作用(44, 45)。根据这些不同的预测,我们建议在PEP试验期间的较晚时间点进行采样。尽管我们强调,基于对有效获得性免疫应答的诱导所需阈值的了解有限,我们模型对亚有效的极端治疗后更高的后期病毒载量的预测尚不确定,但值得注意的是,在瑞德昔韦鼻腔中观察到了这一结果。处理过的恒河猴(35).

第五,我们的假设方法表明,尽管在用瑞姆昔韦进行COVID-19治疗期间通常会出现低水平的耐药菌株,但前提是该药物对主要的易感菌株有效,这不太可能导致治疗失败。相对于易感菌株,抗性变体的含量可能较低,从而使抗性传递的可能性降低。重要的例外情况可能发生在免疫功能低下的宿主中,这些宿主可能长时间或更长时间地散发呼吸道病毒,从而增加了从头抵抗的机会(53),或仅在中度有效的抗病毒治疗中进行。值得注意的是,这些假设是相关的,需要实验验证。

最后,我们的模型预测中和抗体和细胞免疫疗法成功的可能性很高,只要它们具有足够的效力并在出现症状后立即给药即可。

我们的模型有重要的局限性。最关键的是,它不能用于预测试验结果,而是建立在设计和解释试验时要考虑的重要原则。在SARS-CoV-2感染的头几天,我们也不会经常捕获病毒的扩增:虽然病毒感染性和复制率的参数值可能在受感染人群中有所不同,但有限的早期感染数据量使我们无法确定感染的程度。这些参数的差异。同样,我们在所有模拟疗法中都缺乏足够的耐药性数据。

总之,我们的模型为评估所有主要疗法提供了一个广阔的平台。我们的结果表明,需要区分病毒脱落的持续时间或病毒AUC的持续时间是否与COVID-19严重程度更相关。如果AUC最能预示不良结果,则强效PEP以外的所有形式的抗病毒治疗均不太可能提供临床益处。但是,如果脱落的持续时间是最好的替代方法,那么早期的测试和治疗方法对于限制严重疾病的可能性非常有希望。

材料和方法

学习规划

我们使用普通的微分方程模型来分析感染个体中的宿主SARS-CoV-2动态以及不同治疗策略的潜在体内效应。首先,我们使用非线性混合效应方法对不同来源的病毒载量数据拟合模型。其次,我们使用PK模型拟合了PBMC,血液中的remdesivir及其活性核苷三磷酸形式的血浆浓度以及selinexor的PBMC浓度。第三,我们使用不同的可能的EC模拟了雷姆昔韦和赛琳索的抗病毒作用的剂量反应曲线50 基于针对SARS-CoV-2的体外评估。第四,我们模拟了感染期间不同时间的治疗,以分析SARS-CoV-2脱落的潜在减少。最后,我们重复了对治疗的预测,包括对治疗产生抗药性。

SARS-CoV-2病毒载量数据

我们分析了新加坡医院监测并接受支持治疗的SARS-CoV-2感染者的病毒载量数据(n = 11),德国(n = 9),韩国(n = 1)和法国(n = 4)。少于四个数据点或病毒动力学波动的人被排除在外。这些数据都在我们进行分析之前发布。

第一个数据集是从SARS-CoV-2感染的患者中获得的,随后于2020年1月23日至2月23日在新加坡的四家医院中进行(7)。入组前两周,所有患者均来自中国武汉。病毒载量的观察是从不同的标本(血液,粪便和尿液样本)中获得的,但我们分析了来自鼻咽拭子的病毒载量。在入选后的最初2周内,通过逆转录聚合酶链反应(RT-PCR)多次获得周期阈值。

第二个数据集是从2020年1月23日至27日在德国慕尼黑的一家医院登记并接受治疗的感染患者中获得的(8)。对于所有患者,据报道感染都是在接触索引病例后发生的。每天使用RT-PCR从痰液,咽拭子和粪便中获得病毒载量观察值。我们分析了痰中病毒RNA的浓度。

第三个数据集来自韩国的第一例SARS-CoV-2感染病例,一名来自中国武汉的35岁中国公民(9)。使用RT-PCR从症状发作的第二天开始每天获取鼻咽拭子病毒载量。

第四个数据集来自法国巴黎或波尔多住院的四名患者,他们的鼻咽拭子使用RT-PCR获得了病毒载量(10)。我们分析了已发表研究数字化的病毒载量数据。

如果仅在周期阈值中发布病毒载量观察结果,Ct)值,我们使用(54)。我们假设每个样品的检测下限为100份。

PK数据

雷姆昔韦的PK数据是从(32),NHP在第0天以10 mg / kg的剂量静脉内接受remdesivir,在24小时内记录PBMC中remdesivir及其活性核苷三磷酸形式的血浆浓度。我们将这些数据数字化,并使用它们来拟合我们的remdesivir PK模型。 PK selinexor数据来自(41)进行模型拟合。

SARS-COV-2动力学的数学建模

为了了解观察到的SARS-CoV-2脱落动态,我们开发了一种病毒感染模型,修改了先前的病毒动力学模型(11, 12, 55)。在此模型中,易感细胞(S)以比率β感染VS 通过SARS-CoV-2(V)。 SARS-CoV-2感染的细胞(I)可以通过两种方式清除:(i)通过固有响应具有与密度相关的速率δIk (14, 15)和(ii)获得率的回应 mErEr+ϕr 由SARS-CoV-2特异性效应细胞介导(E)。指数 k 描述了第一死亡率多少取决于感染的细胞密度。希尔系数 r 参数化第二响应的非线性,并允许快速消除饱和。参数ϕ定义了效应细胞水平,通过该效应细胞杀死感染的细胞 E 是最大值的一半。 SARS-CoV-2以π的速率生成,并以γ的速率清除。在模型中,SARS-CoV-2特异的效应细胞在 n 前体细胞的各个阶段(Mi = 1…n)。第一个前体细胞室(M1)在感染的情况下以速率ω增殖IM1 并以人均速率分化为效应细胞 q 在每个中间阶段。最后,效应细胞以δ速率死亡E。该模型的最佳实例表示为示意图(图1A),这里是常微分方程组dSdt=βVSdIdt=βVSδIkImErEr+φrIdVdt=πIγVdM1dt=ωIM1qM1dMi=2ndt=q(Mi1Mi)dEdt=qMnδEE图1中和抗体模型。 S1是等效的,但在这种情况下,方程 E 代表抗体反应,方程式为 S and I 如下面所述。获得性免疫反应影响感染期,而不是感染细胞的寿命dSdt=(1mErEr+φr)βVSdIdt=(1mErEr+φr)βVSδIkIdVdt=πIγVdM1dt=ωIM1qM1dMi=2ndt=q(Mi1Mi)dEdt=qMnδEE

拟合病毒载量数据和模型选择

我们在等式中拟合模型的不同实例。使用非线性混合效应建模方法将SARS-COV-2排放数据与图1对应(参见表S1)(56)。简而言之,我们使用嵌入在Monolix 2019R2软件中的随机近似期望最大化(SAEM)算法获得了每个模型参数的总体中位数(固定效应)和SD(随机效应)的最大似然估计(www.lixoft.eu)。对于参数的子集,指定了随机效应,并估计了SD值。还假定已记录的附加误差模型来估计测量误差方差 V。我们同时将每个模型与来自四个数据集的25名患者的病毒载量数据拟合。仅针对在观察数据期间清除感染的那些研究参与者,估计与效应细胞区室相关的参数。

对于每个模型拟合,我们假设 t = 0作为每个人的第一正病毒载量时间。但是,我们将初始值定义为感染时间,即 I(t在里面)= 1个单元格。由于感染是在首次检测到病毒载量之前开始的,因此 t在里面 <0。我们将其他初始值固定为 S(t在里面) = 107 细胞, V(t在里面)=πI(t在里面)γ, M1(t在里面)= 1个像元,并且 Mi = 2…n(t在里面) = E(t在里面)=0。我们固定了参数γ= 15天−1 (55),δE = 1天−1,ϕ = 100个单元格。我们假设此值为ϕ,因为在病毒载量下降时开始生长的活化T细胞的百分比较低(〜2%)( 57)。我们估算了剩余参数,包括感染时间 t在里面为了确定实例中可用SARS-CoV-2脱落数据的最简约模型,我们计算了对数似然度(log L)和Akaike信息标准(AIC = -2log L + 2m,在哪里 m 是估计的参数数量)。如果模型的AIC与最佳模型(最低)AIC之间的差异小于2(58).

雷姆昔韦的PK建模

为了重现remdesivir的PK数据,我们使用了一个简单的两室模型,其中第一个室代表血浆中remdesivir的量(CP,音量 VP),第二个格表示PBMC中其活性三磷酸核苷形式的数量(Ca,音量 Va)。在这里,我们假定瑞德昔韦以一定速率代谢为活性三磷酸核苷形式 kpa,而remdesivir及其活性三磷酸核苷形式则以各自的速率从各自的区室中消除 kc and ka, 分别。该模型由dCPdt=kpaCPkcCPdCadt=kpaCPkaCa

由于以μM记录药物浓度,我们将除以mg的药物量除以μM CP and Ca 按转换系数 V1 and V2, 分别。这里, V1 and V2 是两个隔间的分布体积的组合(VP and Va)和两种形式的瑞地昔韦(MP and Ma)。关系如下: V1=VPMP103 and V2=VaMa103我们将此模型拟合为NHP的PK数据(32),使用非线性最小二乘法,初始剂量为10 mg / kg。假设正常体重为70公斤,我们调整了人类的剂量(200和100毫克)。

selinexor的PK建模

我们使用了一种两室模型的Selinexor治疗模型,其中口服剂量(Cd)被吸收并转换为血浆水平(Cpka。血浆中的药物然后被转运到感染的目标部位,然后被吸收到细胞中( Cn,发行量 Vnkpn。药物活性是由 Cn,它抑制XPO1介导的病毒物质向细胞质的核输出,从而抑制病毒复制。 XPO1 mRNA的浓度可以通过变量捕获 x,以速率λ产生并以速率清除 d。 XPO1和细胞内药物以一定速率相互作用 r,并且此速率受细胞内药物浓度高的限制;这导致XPO1 mRNA表达过表达(41)。这在 Fig. 8 并以下面的常微分方程形式显示dCddt=kaCddCpdt=kaCdkpCpdCndt=kpnCdknCndxdt=λ+rxCn/Vnx+Cn/Vndx

bNAb的PK建模

使用简单的双相指数模型模拟了静脉注射bNAb的PK, CB(t) = Y1ek1t + Y2ek2t。在这个模型中 k1 and k2 代表bNAb的分布和清除率,而 Y1 and Y2 描述与它们相关的系数。我们固定了参数 Y1 = 2200微克/毫升, Y2 = 150μg/ ml,并且 k1 = 1.1天−1 bNAb VRC01的以下估算值(43)。我们还修复了 k2=0.69180 day−1 以反映3个月的超长半衰期。

PD建模

我们将每种治疗方法的抗病毒功效(ϵ)建模为药物浓度的函数 C(t)为 ϵ(t)=C(t)C(t)+EC50,其中EC50 是最大有效浓度的一半。假定雷姆昔韦和塞来昔尔抑制病毒产生率(π),而假设bNAbs抑制病毒感染性(β),两者均为1-((t).

为了计算雷姆昔韦的功效,我们假设活性形式(Ca)具有抗病毒作用,即 ϵ(t)=Ca(t)V2Ca(t)V2+EC50。以同等方式计算细胞内的Selinexor的抗病毒作用(图8A)。我们使用EC的值50 从针对SARS-CoV-2的体外估计中得出的结果[selinexor为10 nM(59)和remdesivir(0.77μM(31)],以达到最高体内值100倍的假设体内值。

我们还使用以下形式探索了假设的bNAb的抗病毒作用 ϵ(t)=CB(t)CB(t)+EC50 和不同的EC值50 1至1000μM之间。最后,我们通过将感染细胞的早期死亡率(δ)提高50%,100%和200%来模拟免疫疗法的潜在抗病毒作用。

模拟对雷姆昔韦的耐药性出现

我们在等式中调整了模型。 1允许出现对瑞姆昔韦的抗药性。我们基于以下事实进行修改:两个单独的突变可能会诱导SARS-CoV-1中对瑞姆昔韦的部分耐药,从而导致病毒的适应性降低(38)。在SARS-CoV-1的情况下,两个单一突变可诱导出一种敏感性较低的病毒,瑞姆昔韦韦乳油中的2.4和5.0倍50。当合并的突变出现时,它介导了remdesivir EC的5.6倍增加50。我们通过假设受感染的细胞(Is)产生敏感病毒(Vs)可以转变为受感染的细胞(Ir1 and Ir2)产生不太敏感的病毒(Vr1 and Vr2),是由于病毒复制周期中发生了一次突变。这两个病毒人群的EC增加50 (高2.4到5倍)。同样,我们假设 Ir1 and Ir2 可以转化为感染的细胞,从而产生更具抵抗力的菌株 Vr12 (EC值提高了5.6倍50)之后的另一个突变。我们还允许反向突变事件。我们假设突变概率为μ= 10−5 每次感染事件。在这些假设下,总病毒载量定义为 V = Vs + Vr1 + Vr2 + Vr12 被感染的细胞总数为 I = Is + Ir1 + Ir2 + Ir12。经过这些修改,模型变为dSdt=βVSdIsdt=(12μ)βSVs+μβS(Vr1+Vr2)δIkIsmErEr+φrIsdIr1dt=μβSVs+(12μ)βSVr1+μβSVr12δIkIr1mErEr+φrIr1dIr2dt=μβSVs+(12μ)βSVr2+μβSVr12δIkIr2mErEr+φrIr2dIr12dt=μβS(Vr1+Vr2)+(12μ)βSVr12δIkIr12mErEr+φrIr12dVsdt=π(1ϵs)IsγVsdVr1dt=π(1ϵr1)Ir1γVr1dVr2dt=π(1ϵr2)Ir2γVr2dVr12dt=π(1ϵr12)Ir12γVr12dM1dt=ωIM1qM1dMi=2ndt=q(Mi1Mi)dEdt=qMnδEE(2)这里, ϵs=Ca(t)V2Ca(t)V2+EC50, ϵr1=Ca(t)V2Ca(t)V2+2.4×EC50, ϵr2=Ca(t)V2Ca(t)V2+5×EC50ϵr12=Ca(t)V2Ca(t)V2+5.6×EC50 是雷姆昔韦在阻止每个病毒种群产生病毒方面的抗病毒作用。

补充材料

有关本文的补充材料,请访问: http://advances.cqonlead.com/cgi/content/full/sciadv.abc7112/DC1

//creativecommons.org/licenses/by-nc/4.0/

这是根据以下条款分发的开放获取文章 知识共享署名-非商业许可,它允许在任何介质中使用,分发和复制,只要最终的使用是 not 出于商业利益,并提供了适当引用的原始作品。

参考和注释

致谢: 我们非常感谢研究来自全球的参与者,他们在大流行初期就捐赠了重要的病毒学数据。 资金: 这项研究得到了弗雷德·哈钦森癌症研究中心教授全权资助以及美国国家过敏和传染病研究所的资助(拨款5R01AI121129-05)。 作者贡献: J.T.S.构思了这项研究。 A.G.和E.F.C.-O.组装数据,编写所有代码,执行所有计算和推导,运行模型并分析输出数据。 J.T.S.在其他所有作者的帮助下,撰写了这份手稿。 利益争夺: J.T.S.目前正在吉列德(Gilead)资助的remdesivir的临床试验计划委员会中,但并未为此活动获得补偿。作者宣称他们没有其他竞争利益。 数据和材料可用性: 本文和/或补充材料中提供了评估本文结论所需的所有数据。原始数据和代码在以下位置共享 //github.com/ashish2goyal/SARS-COV-2_Within_host_Viral_dynamics。作者可能需要与本文相关的其他数据。
查看摘要

保持联系 科学进步

浏览本文