[論文レビュー] Bayesian Coalescent Epidemic Inference: Comparison of Stochastic and Deterministic SIR Population Dynamics

Alex Popinga, Tim Vaughan+2 more|arXiv (Cornell University)|Jul 7, 2014

Influenza Virus Research Studies参考文献 26被引用数 1

ひとこと要約

本研究では、分子データから感染症パラメータとウイルス系統を同時に推定するためのベイジアン系統解析フレームワーク内において、確率的および決定的コalescent SIRモデルを発展させ、それらを比較した。確率的モデルは、特に基本再生産数（R₀）や感受性者集団が小さい場合に、決定的バージョンよりも精度、バイアス、信用区間カバレッジの面で優れていることが判明したが、R₀ ≈ 1 または有効感受性者集団が小さい場合には両モデルとも性能を発揮できないことがわかった。

ABSTRACT

Estimation of epidemiological and population parameters from molecular sequence data has become central to the understanding of infectious disease dynamics. Various models have been proposed to infer details of the dynamics that describe epidemic progression. These include inference approaches derived from Kingman's coalescent theory. Here, we use recently described coalescent theory for epidemic dynamics to develop stochastic and deterministic coalescent SIR tree priors. We implement these in a Bayesian phylogenetic inference framework to permit joint estimation of SIR epidemic parameters and the sample genealogy. We assess the performance of the two coalescent models and also juxtapose results obtained with BDSIR, a recently published birth-death-sampling model for epidemic inference. Comparisons are made by analyzing sets of genealogies simulated under precisely known epidemiological parameters. Additionally, we analyze influenza A (H1N1) sequence data sampled in the Canterbury region of New Zealand and HIV-1 sequence data obtained from known UK infection clusters. We show that both coalescent SIR models are effective at estimating epidemiological parameters from data with large fundamental reproductive number $R_0$ and large population size $S_0$. Furthermore, we find that the stochastic variant generally outperforms its deterministic counterpart in terms of error, bias, and highest posterior density coverage, particularly for smaller $R_0$ and $S_0$. However, each of these inference models are shown to have undesirable properties in certain circumstances, especially for epidemic outbreaks with $R_0$ close to one or with small effective susceptible populations.

研究の動機と目的

• ウイルス配列データから感染症パラメータをよりよく推定するため、確率的および決定的SIRダイナミクスを統合したベイジアンコalescentモデルを開発すること。
• R₀ や初期感受性者数 S₀ などの主要な流行学的パラメータを推定する際の、これらのモデルの性能を評価すること。
• 確率的および決定的コalescent SIRモデル間での後方分布の推定誤差、バイアス、および信用区間カバレッジの正確性を比較すること。
• 特にR₀が1に近いか、集団サイズが小さい状況下でのモデル性能を評価すること。
• 既知のパラメータをもつシミュレートされた系統と、インfluenza A (H1N1) および HIV-1 の実世界データを用いてモデルを検証すること。

提案手法

• 本研究では、ベイジアン系統解析フレームワーク内に、確率的および決定的コalescent SIRツリー事前分布を実装し、感染症パラメータとウイルス系統を同時に推定した。
• 感染症動態に適応したキングマンのコalescent理論を用い、SIR compartmentalモデルのダイナミクスをコalescentプロセスに統合した。
• 確率的モデルは確率微分方程式を用いて流行の進行をシミュレートするのに対し、決定的モデルは常微分方程式を用いて集団移行を記述する。
• モデルの性能は、R₀ や S₀ などの既知の流行学的パラメータのもとで生成されたシミュレートされた系統を用いて評価した。
• 実データへの適用には、ニュージーランドのインフルエンザA (H1N1) 102配列と、イギリスの感染クラスタから得られたHIV-1 112配列を用いた。
• 推定誤差、バイアス、および最高後方密度（HPD）区間カバレッジなどの指標を用いて、結果を比較した。

実験結果

リサーチクエスチョン

• RQ1 ウイルス配列データからR₀とS₀を推定する際、確率的および決定的コalescent SIRモデルはどのように比較されるか？
• RQ2 特に感染伝播が弱いか、集団サイズが小さい条件下では、確率的モデルが決定的モデルよりもより正確で信頼性の高いパラメータ推定を提供するか？
• RQ3 R₀が1に近い場合、多くの流行推定手法が困難に直面する状況下で、これらのモデルはどのように性能を発揮するか？
• RQ4 集団サイズがパラメータ推定の正確性および後方分布のカバレッジに与える影響は何か？
• RQ5 パラメータ推定性能の観点から、コalescent SIRモデルは BDSIR バースデスサンプリングモデルと比べてどう異なるか？

主な発見

• 確率的コalescent SIRモデルは、R₀ や S₀ の値が小さい場合に、推定誤差が低く、バイアスが小さく、最高後方密度（HPD）区間カバレッジが良好であるという点で、決定的バージョンを一貫して上回った。
• 両モデルとも、R₀ が大きく、S₀ が大きい場合には効果的に機能し、高伝播、大規模集団条件下での良好な性能を示した。
• R₀ が1に近い場合に不適切な性能を示し、初期流行動態やほぼ集団免疫移行の検出に限界があることが示された。
• 有効感受性者集団が小さい場合にも、パラメータ推定が不安定になり、信用区間のキャリブレーションが不十分になることがわかった。
• BDSIRモデルとの比較では、コalescent SIRモデルは競争力があるが、特に低伝播流行においては確率的バージョンが優れた性能を示した。
• インフルエンザA (H1N1) および HIV-1 配列の実世界データ解析により、確率的モデルが感染症パラメータのより信頼性が高く、正確な推定をもたらすことが確認された。