BackgroundsUp to February 16, 2020, 355 cases have been confirmed as having COVID-19 infection on the Diamond Princess cruise ship. It is of crucial importance to estimate the reproductive number (R0) of the novel virus in the early stage of outbreak and make a prediction of daily new cases on the ship.MethodWe fitted the reported serial interval (mean and standard deviation) with a gamma distribution and applied "earlyR" package in R to estimate the R0 in the early stage of COVID-19 outbreak. We applied "projections" package in R to simulate the plausible cumulative epidemic trajectories and future daily incidence by fitting the data of existing daily incidence, a serial interval distribution, and the estimated R0 into a model based on the assumption that daily incidence obeys approximately Poisson distribution determined by daily infectiousness.ResultsThe Maximum-Likelihood (ML) value of R0 was 2.28 for COVID-19 outbreak at the early stage on the ship. The median with 95% confidence interval (CI) of R0 values was 2.28 (2.06–2.52) estimated by the bootstrap resampling method. The probable number of new cases for the next ten days would gradually increase, and the estimated cumulative cases would reach 1514 (1384–1656) at the tenth day in the future. However, if R0 value was reduced by 25% and 50%, the estimated total number of cumulative cases would be reduced to 1081 (981–1177) and 758 (697–817), respectively.ConclusionThe median with 95% CI of R0 of COVID-19 was about 2.28 (2.06–2.52) during the early stage experienced on the Diamond Princess cruise ship. The future daily incidence and probable outbreak size is largely dependent on the change of R0. Unless strict infection management and control are taken, our findings indicate the potential of COVID-19 to cause greater outbreak on the ship.

Previous chapter Next chapter Full AccessProceedings Proceedings of the 2006 SIAM International Conference on Data Mining (SDM)Learning from Incomplete Ratings Using Non-negative Matrix FactorizationSheng Zhang, Weihong Wang, James Ford, and Fillia MakedonSheng Zhang, Weihong Wang, James Ford, and Fillia Makedonpp.549 - 553Chapter DOI:https://doi.org/10.1137/1.9781611972764.58PDFBibTexSections ToolsAdd to favoritesExport CitationTrack CitationsEmail SectionsAboutAbstract We use a low-dimensional linear model to describe the user rating matrix in a recommendation system. A non-negativity constraint is enforced in the linear model to ensure that each user's rating profile can be represented as an additive linear combination of canonical coordinates. In order to learn such a constrained linear model from an incomplete rating matrix, we introduce two variations on Non-negative Matrix Factorization (NMF): one based on the Expectation-Maximization (EM) procedure and the other a Weighted Nonnegative Matrix Factorization (WNMF). Based on our experiments, the EM procedure converges well empirically and is less susceptible to the initial starting conditions than WNMF, but the latter is much more computationally efficient. Taking into account the advantages of both algorithms, a hybrid approach is presented and shown to be effective in real data sets. Overall, the NMF-based algorithms obtain the best prediction performance compared with other popular collaborative filtering algorithms in our experiments; the resulting linear models also contain useful patterns and features corresponding to user communities. Previous chapter Next chapter RelatedDetails Published:2006ISBN:978-0-89871-611-5eISBN:978-1-61197-276-4 https://doi.org/10.1137/1.9781611972764Book Series Name:ProceedingsBook Code:PR124Book Pages:xii + 646Key words:collaborative filtering, linear model, NMF

Abstract A novel coronavirus pneumonia, first identified in Wuhan City and referred to as COVID‐19 by the World Health Organization, has been quickly spreading to other cities and countries. To control the epidemic, the Chinese government mandated a quarantine of the Wuhan city on January 23, 2020. To explore the effectiveness of the quarantine of the Wuhan city against this epidemic, transmission dynamics of COVID‐19 have been estimated. A well‐mixed “susceptible exposed infectious recovered” (SEIR) compartmental model was employed to describe the dynamics of the COVID‐19 epidemic based on epidemiological characteristics of individuals, clinical progression of COVID‐19, and quarantine intervention measures of the authority. Considering infected individuals as contagious during the latency period, the well‐mixed SEIR model fitting results based on the assumed contact rate of latent individuals are within 6–18, which represented the possible impact of quarantine and isolation interventions on disease infections, whereas other parameter were suppose as unchanged under the current intervention. The present study shows that, by reducing the contact rate of latent individuals, interventions such as quarantine and isolation can effectively reduce the potential peak number of COVID‐19 infections and delay the time of peak infection.

Although adoptive T cell therapy has shown remarkable clinical efficacy in hematological malignancies, its success in combating solid tumours has been limited. Here we report that PTPN2 deletion in T cells enhances cancer immunosurveillance and the efficacy of adoptively transferred tumour-specific T cells. T cell-specific PTPN2 deficiency prevented tumours forming in aged mice heterozygous for the tumour suppressor p53. Adoptive transfer of PTPN2-deficient CD8+ T cells markedly repressed tumour formation in mice bearing mammary tumours. Moreover, PTPN2 deletion in T cells expressing a chimeric antigen receptor (CAR) specific for the oncoprotein HER-2 increased the activation of the Src family kinase LCK and cytokine-induced STAT-5 signalling thereby enhancing both CAR T cell activation and homing to CXCL9/10 expressing tumours to eradicate HER-2+ mammary tumours in vivo. Our findings define PTPN2 as a target for bolstering T-cell mediated anti-tumour immunity and CAR T cell therapy against solid tumours.

Abstract Previously published models for microbial growth focus only on either death or growth and are unable to account for differently shaped growth curves. Currently, there is no model capable of incorporating combinations of microbial growth trends. This study creates a bacterial growth model that incorporates growth, death, lag, and tail phases as well as applies this model to the growth trends of Bacteroides fragilis and Escherichia coli on 13 different carbohydrate substances. Growth trends were collected by measuring the optical densities over 72 hours for either B. fragilis or E. coli in a chemically defined media supplemented by a mono- or disaccharide. The Digital Environment to Enable Data-driven Science (DEEDS) platform was utilized to parse data and apply the developed model to obtain parameter values. E. coli was found to grow on the chemically defined media alone while B. fragilis was unable to grow on it alone. E. coli growth was led by 10 mM concentration of substrates while B. fragilis growth was substrate dependent. Bacterial death only occurred for B. fragilis but was found to be dependent on concentration for the two most significant substrates. A singular model was developed that does not require prior knowledge of metabolomics and is capable of incorporating a combination of growth and death trends.

This paper shows the high-density integration of CMOS based silicon photonic chiplets to achieve an optical engine bandwidth of 6.4Tb/s and deliver an all-optical 51.2Tb/s co-packaged optics (CPO) switch solution. An industry first prototype system by co-packaging eight engines with switch die that can deliver double the bandwidth of a 25.6Tb/s solution.