• COVID-19
• Research softwareclose
• Zenodo close

Überblick Dieses R-Skript lädt den Corpus der Entscheidungen des Bundesverfassungsgerichts (CE- BVerfG) herunter, untersucht ihn auf mit SARS-CoV-2 assoziiertem Vokabular und speichert relevante Entscheidungen. Es ist die Grundlage für den Datensatz Corona-Rechtsprechung des Bundesverfassungsgerichts (BVerfG-Corona). Alle mit diesem Skript erstellten Datensätze werden dauerhaft kostenlos und urheberrechtsfrei auf Zenodo, dem wissenschaftlichen Archiv des CERN, veröffentlicht. Alle Versionen sind mit einem persistenten Digital Object Identifier (DOI) versehen. Die neueste Version des Datensatzes ist immer über den Link der Concept DOI erreichbar: https://doi.org/10.5281/zenodo.4459405 Aktualisierung Diese Software wird ca. alle 6 Monate aktualisiert. Benachrichtigungen über neue und aktualisierte Datensätze veröffentliche ich immer sofort auf Twitter unter @FobbeSean. NEU in Version 2022-02-01 Vollständige Aktualisierung der Daten Strenge Versionskontrolle von R packages mit renv Kompilierung jetzt detailliert konfigurierbar, insbesondere die Parallelisierung Parallelisierung nun vollständig mit future statt mit foreach und doParallel Fehlerhafte Kompilierungen werden vor der nächsten Kompilierung vollautomatisch aufgeräumt Alle Ergebnisse werden automatisch fertig verpackt in den Ordner 'output' sortiert README und CHANGELOG sind jetzt externe Markdown-Dateien, die bei der Kompilierung automatisiert eingebunden werden Systemanforderungen Betriebssystem Das Skript in seiner veröffentlichten Form kann nur unter Linux ausgeführt werden, da es Linux-spezifische Optimierungen (z.B. Fork Cluster) und Shell-Kommandos (z.B. OpenSSL) nutzt. Das Skript wurde unter Fedora Linux entwickelt und getestet. Die zur Kompilierung benutzte Version entnehmen Sie bitte dem sessionInfo()-Ausdruck am Ende des jeweiligen Compilation Reports. Software Sie müssen die Programmiersprache R installiert haben. Starten Sie danach eine Session im Ordner des Projekts, Sie sollten automatisch zur Installation aller packages in der empfohlenen Version aufgefordert werden. Andernfalls führen Sie bitte folgenden Befehl aus: renv::restore() Um die PDF Reports zu kompilieren benötigen Sie eine LaTeX-Installation. Sie können diese auf Fedora wie folgt installieren: sudo dnf install texlive-scheme-full Alternativ können sie das R package tinytex installieren. Parallelisierung In der Standard-Einstellung wird das Skript vollautomatisch die maximale Anzahl an Rechenkernen/Threads auf dem System zu nutzen. Die Anzahl der verwendeten Kerne kann in der Konfigurationsatei angepasst werden. Wenn die Anzahl Threads auf 1 gesetzt wird, ist die Parallelisierung deaktiviert. Speicherplatz Auf der Festplatte sollten 4 GB Speicherplatz vorhanden sein. Weitere Open Access Veröffentlichungen (Fobbe) Website — www.seanfobbe.de Open Data — https://zenodo.org/communities/sean-fobbe-data/ Source Code — https://zenodo.org/communities/sean-fobbe-code/ Volltexte regulärer Publikationen — https://zenodo.org/communities/sean-fobbe-publications/ Urheberrecht Der Source Code und alle von mir bereitgestellten Rohdaten stehen unter einer MIT No Attribution (MIT-0)-Lizenz. Sie können sie frei für alle Zwecke nutzen. Kontakt Fehler gefunden? Anregungen? Melden Sie diese entweder im Issue Tracker auf GitHub oder schreiben Sie mir eine E-Mail an fobbe-data@posteo.de

File manuscript.R calls a series of inbuilt OpenCOVID plotting functions that create all figures for the paper of Le Rutte, Shattock et al. (2022): Modelling the impact of Omicron and emerging variants on SARS-CoV-2 transmission and public health burden. Both for Figures 1 and 2 of the main manuscript as well as the Figures from the Supplementary Information. File plotting.R defines these inbuilt plotting functions. Detailed model descriptions and model equations of individual-based transmission model OpenCOVID are described in Shattock et al. (2022) and Le Rutte, Shattock et al. (2022). Open access source-codes for the OpenCOVID model of all analyses as presented in Le Rutte, Shattock et al. (2022) are publicly available at https://github.com/SwissTPH/OpenCOVID/tree/manuscript_december_2021/src.

This is the first release of the code for our paper on post-covid outcomes.

# serocov Estimate the distribution of (past) infections and vaccinations in the German population. ## Results All results from this study are given in the `csv`-file that can be located at `cookbook/example_qsuite_framework/results_update_large_N_meas_1000/results.csv`. ## Install Please install in development mode with pip install -e ./serocov or make `serocov` was developed and tested for * Python 3.6 * Python 3.7 * Python 3.8 So far, the package's functionality was tested on Mac OS X and CentOS only. ## Dependencies `serocov` directly depends on the following packages which will be installed by `pip` during the installation process * `numpy>=1.17` * `polars==0.11.1` * `epipack>=0.1.7` * `isoweek>=1.3.3` You might also want to install * `pyreadr` afterwards (needed to convert `.rData`-files). ## Documentation ### Data This package relies on vaccination-status incidence data obtained from the RKI-based German reporting system *SurvNet*. This data is obtained by running an R-script called `import_Covid19_SQL_Impfstatus.R`. This script is not included in this repository. Once run, it will produce a file called `Data_SurvNet_Impfstatus.rData`. Please copy it to `serocov/data/Data_SurvNet_Impfstatus.rData`. This package further relies on vaccination data and sequence data. Update scripts for this data are given in `serocov/data/`. Or just run make update Note that you need precomputed incidence rate and vaccination rate files to do analyses. You can create those yourself, but in `make update`, they are also created and afterwards can be found in * `serocov/data/parsed_incidences_impute_unvacc.csv` * `serocov/data/parsed_vacc_curves.csv` ### Analysis Check out `cookbook/example_qsuite_framework/` for an exhaustive example (files `qsuite_config.py` and `simulation.py`). You might want to install [benmaier/qsuite](github.com/benmaier/qsuite). Alternatively, check out the analysis functions in `serocov/medium_model_purepython.py`. Also, here's a short example of how to use the code: ```python from datetime import date from serocov.medium_model_purepython import get_final_state from serocov.load_data import t0, get_population_size from serocov.paths import get_package_root kw = { 'parsed_incidences_file': get_package_root() / 'data' / 'parsed_incidences_impute_unvacc.csv', 'parsed_vacc_curves_file': get_package_root() / 'data' / 'parsed_vacc_curves.csv', 'region': 11, # Berlin 'age_group': '18-59', # days, the average time after which an infected person becomes eligible for reinfection or vaccination, 'tau': 90, # 1 - relative probability of reinfection after last infection 'recovered_immunity': 0.5, # factor with which the number of reported cases is scaled to obtain the "true" number of # infections 'asc_inc': 2.0, # factor with which the number of reported vaccinations is scaled to obtain the "true" number of # vaccinations 'asc_vacc': 1.03, # whether or not to obtain the results in absolute numbers or relative to population size 'relative': False, # You can approximately filter out cases by variants, by passing either # `None`, `'omicron'` or `'nonomicron'`. `None` just uses all variants. 'multiply_incidence_with_variant_share': None, } result = get_final_state( kw['parsed_incidences_file'], kw['parsed_vacc_curves_file'], kw['region'], kw['age_group'], tau=kw['tau'], tmax=(date.today() - t0).days, ascertainment_factor_incidence=kw['asc_inc'], ascertainment_factor_vaccination=kw['asc_vacc'], relative=kw['relative'], recovered_immunity=kw['recovered_immunity'], multiply_incidence_with_variant_share=kw['multiply_incidence_with_variant_share'], ) for compartment, final_count in result.items(): print(compartment,':', '{0:4.2f}%'.format(100 * final_count / get_population_size(region=kw['region'],age_group=kw['age_group'])) ) ``` Should result in sth like: ``` S : 3.35% I : 4.47% Y : 5.04% V : 5.85% IV : 1.16% VI : 8.65% IVI : 1.25% VY : 4.79% IVY : 0.62% VV : 44.77% VIV : 2.24% IVV : 5.31% IVIV : 0.25% VVI : 7.41% VIVI : 0.26% IVVI : 0.86% IVIVI : 0.03% VVY : 3.22% VIVY : 0.09% IVVY : 0.37% IVIVY : 0.01% ``` ## License This project is licensed under the [MIT License](https://github.com/benmaier/serocov/blob/main/LICENSE). Note that this excludes any images/pictures/figures shown here or in the documentation.