COVID-19-projekter til UFM – samlet ramme på 40 mio. kr.
CoroNAT
Vi har indsamlet prøver og data på 203 patienter med overstået COVID-19. Data indebærer bla at vi
har målt kvaliteten af disse patienters antistoffer. Som led i projektet har Symphogen udviklet en
state-of-the-art metode (10x Genomics Chromium platform) til komplet sekventering af de celler fra
menneskers immunforsvar der producerer antistoffer (B celler). Ved denne metode har vi isoleret og
analyseret B celler fra 15 deltagere i ovenstående patient gruppe, som havde de bedste antistoffer. Vi
karakteriseret næsten 10.000 enkelte B celler og har dermed data på lige så mange potentielle unikke
antistoffer.
På Aarhus Universitet har vi udviklet test til at vurdere disse antistoffers evne til at nedkæmpe virus.
De første undersøgelser har leveret et par gode antistoffer, som rammer SARS-CoV-2 virusset på for-
skellige områder af overfladen (Spike). Vi har et stort fokus på at finde antistoffer, der virker bredt
mod de ny-opståede virus varianter (B.1.1.7, B1.351, P1 mfl). I tæt dialog med Mesoscale diagnotics
har vi testet en ny simpel metode til at bestemme disse antistoffers evne til at nedkæmpe de forskel-
lige virus varianter. Vi har netop udvalgt 400 enkelte antistoffer som individuelt skal undersøges for
evnen til at nedkæmpe SARS-CoV-2 infektion. Vi forventer at dette arbejde vil resultere i en håndfuld
antistof kandidater som vi kan teste og videreudvikle i (ACE2-transgene) musemodeller for Covid-19,
som vi har etableret ved Aarhus Universitet.
Parter: Aarhus Universitet og Symphogen
Beløb: 5,0 mio. kr.
Ram-COVID
Projektet har i samarbejde med de to Novo Nordisk fonds-bevilgede projekter ”Applied AI for COVID-
19 prognosis” resulteret i udviklingen af en model, som kan forudsige hvor alvorlig syg en person kan
forvente at blive, hvis vedkommende rammes af COVID-19. Modellens forudsigelser er baseret på
vedkommendes sygdomshistorie som den fremgår af data i sundhedsplatformen og de nationale regi-
stre. Dette har også kunne benyttes til at lave en model, der forudsiger hvor hårdt belastet intensiv
afdelinger vil være 5 eller 10 dage i fremtiden ud fra den smittede population til et givent tidspunkt,
Der er udviklet et produkt til at automatisk analyse af lungerøntgen billeder med kunstig intelligens
(dybe neurale netværk) og berige ovenstående modeller med data fra røntgenbilleder. Produktet udvi-
des i øjeblikket til også at analysere neurologiske senfølger.
Parter: Cerebriu, Københavns Universitet (Datalogisk Institut), Rigshospitalet
Beløb: 4,7 mio. kr.
Uvc-Box
Ved opstart af UVC-Box projektet, herskede der i verden en stor usikkerhed omkring effekten af ultra-
violet lys (UVC-lys) i forhold til inaktivering af COVID-19 virus. Internationale testresultater har efter-
følgende vist at COVID-19 virus er forholdsvis nem at inaktivere selv med en mindre dosis UVC-lys.
Undervejs i vores udviklingsarbejde på UVC-Boxen har vi løbende fået udført test på forskellige sund-
hedsskadelige bakterier og vira på anerkendte laboratorier og har indsamlet resultater løbende.
Resultaterne af disse test har vist at UVC-Lys, hvis det anvendes korrekt og i den rigtige mængde, er
meget effektivt i forhold til inaktivering af skadelige bakterier og virus.