The 2019 novel coronavirus, SARS-CoV-2, is a pathogen of critical significance to international public health. Knowledge of the interplay between molecular-scale virus-receptor interactions, single-cell viral replication, intracellular-scale viral transport, and emergent tissue-scale viral propagation is limited. Moreover, little is known about immune system-virus-tissue interactions and how these can result in low-level (asymptomatic) infections in some cases and acute respiratory distress syndrome (ARDS) in others, particularly with respect to presentation in different age groups or pre-existing inflammatory risk factors. Given the nonlinear interactions within and among each of these processes, multiscale simulation models can shed light on the emergent dynamics that lead to divergent outcomes, identify actionable "choke points" for pharmacologic interventions, screen potential therapies, and identify potential biomarkers that differentiate patient outcomes. Given the complexity of the problem and the acute need for an actionable model to guide therapy discovery and optimization, we introduce and iteratively refine a prototype of a multiscale model of SARS-CoV-2 dynamics in lung tissue. The first prototype model was built and shared internationally as open source code and an online interactive model in under 12 hours, and community domain expertise is driving regular refinements. In a sustained community effort, this consortium is integrating data and expertise across virology, immunology, mathematical biology, quantitative systems physiology, cloud and high performance computing, and other domains to accelerate our response to this critical threat to international health. More broadly, this effort is creating a reusable, modular framework for studying viral replication and immune response in tissues, which can also potentially be adapted to related problems in immunology and immunotherapy.

Abstract To understand the diversity of immune responses to SARS-CoV-2 and distinguish features that predispose individuals to severe COVID-19, we developed a mechanistic, within-host mathematical model and virtual patient cohort. Our results indicate that virtual patients with low production rates of infected cell derived IFN subsequently experienced highly inflammatory disease phenotypes, compared to those with early and robust IFN responses. In these in silico patients, the maximum concentration of IL-6 was also a major predictor of CD8 + T cell depletion. Our analyses predicted that individuals with severe COVID-19 also have accelerated monocyte-to-macrophage differentiation that was mediated by increased IL-6 and reduced type I IFN signalling. Together, these findings identify biomarkers driving the development of severe COVID-19 and support early interventions aimed at reducing inflammation. Author summary Understanding of how the immune system responds to SARS-CoV-2 infections is critical for improving diagnostic and treatment approaches. Identifying which immune mechanisms lead to divergent outcomes can be clinically difficult, and experimental models and longitudinal data are only beginning to emerge. In response, we developed a mechanistic, mathematical and computational model of the immunopathology of COVID-19 calibrated to and validated against a broad set of experimental and clinical immunological data. To study the drivers of severe COVID-19, we used our model to expand a cohort of virtual patients, each with realistic disease dynamics. Our results identify key processes that regulate the immune response to SARS-CoV-2 infection in virtual patients and suggest viable therapeutic targets, underlining the importance of a rational approach to studying novel pathogens using intra-host models.

The COVID-19 pandemic caused by the severe acute respiratory syndrome coronavirus-2 (SARS-CoV-2) resulted in millions of deaths globally. Adults with immunosuppression (e.g., solid organ transplant recipients) and those undergoing active cancer treatments experience worse infections and more severe COVID-19. It is difficult to conduct clinical studies in these populations, resulting in a restricted amount of data that can be used to relate mechanisms of immune dysfunction to COVID-19 outcomes in these vulnerable groups. To study immune dynamics after infection with SARS-CoV-2 and to investigate drivers of COVID-19 severity in individuals with cancer and immunosuppression, we adapted our mathematical model of the immune response during COVID-19 and generated virtual patient cohorts of cancer and immunosuppressed patients. The cohorts of plausible patients recapitulated available longitudinal clinical data collected from patients in Montréal, Canada area hospitals. Our model predicted that both cancer and immunosuppressed virtual patients with severe COVID-19 had decreased CD8+ T cells, elevated interleukin-6 concentrations, and delayed type I interferon peaks compared to those with mild COVID-19 outcomes. Additionally, our results suggest that cancer patients experience higher viral loads (however, with no direct relation with severity), likely because of decreased initial neutrophil counts (i.e., neutropenia), a frequent toxic side effect of anti-cancer therapy. Furthermore, severe cancer and immunosuppressed virtual patients suffered a high degree of tissue damage associated with elevated neutrophils. Lastly, parameter values associated with monocyte recruitment by infected cells were found to be elevated in severe cancer and immunosuppressed patients with respect to the COVID-19 reference group. Together, our study highlights that dysfunction in type I interferon and CD8+ T cells are key drivers of immune dysregulation in COVID-19, particularly in cancer patients and immunosuppressed individuals.