Kemisten Jixin Chen tittade på den snabba spridningen av COVID-19 tidigt i pandemin och såg en ny möjlighet för hans kinetiklabb, där de studerar reaktionshastigheten.

Första gången han drev labbet våren 2021, drog studenterna slutsatsen att sociala regler som låsningar, ansiktsmasker och social distansering var effektiva sätt att bromsa hastigheten på spridningen av covid. Men de upptäckte också begränsningarna med modellering och noterade att ett stort antal bekräftade fall inte nödvändigtvis associerade med en ökande spridningshastighet.

Elever i nästa labb skrev i en ACS Omega tidskriftsartikel om deras erfarenhet av att forskare borde fortsätta detta arbete när infektions- och vaccinationsfrekvensen blev betydande.

Och det var precis vad som hände. Laboratoriestudenterna våren 2022 utökade den matematiska modellen för att göra förutsägelser om spridningshastigheten för covid-19 i USA med massiv vaccination.

De körde också modellen för delstaten Ohio fram till hösten 2022 – och förutspådde korrekt uppsvinget i fall staten upplever i slutet av sommaren.

Den andra gruppen labbstudenter skrev också upp sin labbupplevelse, den här gången publicerades den i Journal of Chemical Education . Alla elever gick bort från labbet med förnödenheter fyllda. Men de kan också lägga till flera rader i sina CV – för erfarenhet av modellering av programvara, färdigheter i dataanalys och en tidskriftspublikation.

Våren 2021, när världen försvann, gjorde det möjligt för Chens elever att arbeta på sina egna datorer med allmänt tillgänglig data och programvara med hjälp av COVID-modellen.

Det fungerade så bra att studenter på grundutbildningen skickade in en tidskriftsartikel om sina erfarenheter och noterade:"Viralspridningsmodellen är komplicerad men parametrar, såsom dess reproduktionsnummer, Rt, kan uppskattas med den mottagliga, smittsamma eller återvunna modellen. COVID- 19 data för många stater och länder är allmänt tillgängliga online. Detta ger eleverna en möjlighet att analysera dess spridningskinetik på distans."

Chen noterade att covid-modellering gav en fördel när det gällde att förklara steady-state approximationen för vissa modeller i läroboken. Eleverna noterade att de hade nytta av att utforska simuleringsfunktionen i den vanliga programvaran Excel.

"Det mest överraskande och roliga för mig var hur forskning kan vara tillgänglig. Vi använde bara resurser och data från gratiswebbplatser, men därifrån kunde vi driva vidare och dyka in i något så relevant för dagens samhälle", säger Emma Lintelman. en stigande senior kemi major med en biologisk vetenskap i College of Arts &Sciences.

Våren 2022 tog Chen och hans elever den numeriska simuleringen av kinetik och regressionsmodellering ännu längre.

"Första gången vi använde det här tillvägagångssättet kunde eleverna tillämpa de kinetiska teknikerna som de lärt sig inom fysikalisk kemi för att analysera ett pågående verkligt problem genom en fjärrinlärningsmiljö," sa Chen. "I år gjorde en annan grupp studenter under ledning av doktoranderna Dylan Smith och Tharushi Ambagaspitiya samma övning och utökade den matematiska modellen för att förutsäga spridning av covid-19 i USA med massiv vaccination."

I labbet förklaras modellen för känslig-infektiös återhämtning (SIR) och den SIR-vaccinerade (SIRV) modellen för studenterna och används för att analysera informationen om spridning av covid-19 från U.S. Centers for Disease Control and Prevention (CDC) ). Grundreproduktionsnumret R0 och realtidsreproduktionsnumret Rt för COVID-19 extraheras genom att anpassa data med modellerna, vilket förklarar spridningskinetiken och ger en förutsägelse av spridningstrenden i ett givet tillstånd.

Eleverna kan snabbt se skillnaderna mellan SIR-modellen och SIRV-modellen, sa Chen. SIRV-modellen tar hänsyn till effekten av vaccination, vilket hjälper till att förklara de senare stadierna av den pågående pandemin.

Eleverna lärde sig också modellernas prediktiva kraft när de gjorde förutsägelser för de följande månaderna.

"Jag tror att den mest överraskande delen av att utföra vår covid-19-kinetiksimulering var att se de drastiska effekterna av att variera det tidsberoende reproduktionstalet i vår simulering", säger David McEwen, en senior med huvudämne i kemi och minoring i näringslivet. "Detta gjorde det möjligt för oss att direkt simulera olika nivåer av reglering av viruset genom maskering, social distansering, etc. Genom att ändra antalet med en stor mängd kunde vi direkt med våra data se den ökade eller minskade spridningshastigheten för viruset, vilket ibland var häpnadsväckande.

"Jag tror att de mest utmanande delarna för mig från början var att ställa in våra simuleringsparametrar och anpassa simulerad data till insamlad falldata. Att anpassa den simulerade data till de faktiska fallnumren krävde ibland exakt justering och tog lite tid", sa McEwen.

Lintelman instämde.

"Den mest utmanande delen för mig var att ta reda på felen i våra formler," sa hon. "Det här kan vara knepigt när du har stirrat på din data i timmar. Allt börjar bara snurra runt i sinnet, men det är precis då du behöver komma tillbaka till det senare när du har ett klart sinne." + Utforska vidare

Incidensen av covid-19 var åtta gånger högre hos ovaccinerade jämfört med vaccinerade studenter