[논문 리뷰] The seasonal flight of influenza: a unified framework for spatiotemporal hypothesis testing

Philippe Lemey, Andrew Rambaut외 9명|arXiv (Cornell University)|2012. 10. 22.

COVID-19 epidemiological studies참고 문헌 1인용 수 8

한 줄 요약

이 연구는 인플루엔자 A(H3N2) 확산의 시공간적 원인을 테스트하기 위해 바이러스 유전체 데이터와 다수의 이동성 예측 변수를 통합하는 통합형 계통지리학 프레임워크를 제안한다. 항공 운항, 인구통계학, 감시 및 샘플링 데이터를 활용한 확산 모델링을 통해 항공 운항이 H3N2 확산의 주요 글로벌 주행력임을 발견하였으며, 지역 이동(예: 출퇴근)은 지리적 거리와 인구 밀도 영향을 통해 추론된다.

ABSTRACT

Global mobility flow data are at the heart of spatial epidemiological models used to predict infectious disease behavior but this wealth of data on human mobility has been largely neglected by reconstructions of pathogen evolutionary dynamics using viral genetic data. Although stochastic models of viral evolution may potentially be informed by such data, a major challenge lies in deciding which mobility processes are critical and to what extent they contribute to shaping contemporaneous distributions of pathogen diversity. Here, we develop a framework to integrate predictors of viral diffusion with phylogeographic inference and estimate human influenza H3N2 migration history while simultaneously testing and quantifying the factors that underly it. We provide evidence for air travel governing the global dynamics of human influenza whereas other processes act at a more local scale.

연구 동기 및 목표

• 다양한 이동성 예측 변수의 기여도를 테스트하고, 인플루엔자 A(H3N2)의 시공간적 역사를 동시에 재구성하는 모델을 개발하기 위해.
• 항공 운항과 지역 출퇴근이 계절성 인플루엔자 확산을 주도하는지에 대한 모순되는 증거를 바이러스 유전체 데이터를 근거로 해소하기 위해.
• 항공 운항, 지리적 거리, 인구 밀도, 샘플링 편향의 상대적 중요도가 글로벌 H3N2 확산 패턴에 미치는 영향을 정량화하기 위해.
• 유전체 데이터를 활용해 병원체 계통지리학에서 생태학적 및 인구통계학적 예측 변수를 통계적으로 엄밀하게 테스트할 수 있는 확장 가능한 방법을 제공하기 위해.
• epidemiological 감시 데이터에만 의존하지 않고 바이러스 유전자 서열에서 직접 전파 주행력을 추론할 수 있도록 하기 위해.

제안 방법

• 다양한 예측 변수를 포함하는 포함 지표를 파rameter화한 이산 확산 프로세스를 사용하는 베이지안 계통지리 모델을 사용한다.
• 각 예측 변수가 바이러스 이동률에 미치는 조건부 효과 크기를 추정하기 위해 일반선형모형(GLM) 프레임워크를 적용한다.
• 각 예측 변수의 포함 확률을 나타내는 지표 변수(δ)를 사용하며, 사후 기대값 E[δ]는 모델 지원도를 정량화한다.
• 모델 적합도를 비교하고 각 예측 변수의 포함에 대한 증거를 평가하기 위해 베이즈 요인을 통합한다.
• 두 가지 공간 분할을 분석한다: 14개의 항공 커뮤니티(항공 운항 네트워크 기반) 및 15/26개의 지리적/행정적 지역.
• 샘플링 크기를 예측 변수로 명시적으로 포함시켜 유전자 데이터의 잠재적 샘플링 편향을 보정한다.

실험 결과

연구 질문

• RQ1 어떤 인간 이동 과정이 인플루엔자 A(H3N2)의 글로벌 공간적 확산을 가장 강하게 주도하는가?
• RQ2 항공 운항이 관찰된 글로벌 지역 간 H3N2 유전적 다양성과 이동 패턴을 어느 정도 설명하는가?
• RQ3 지역 수준에서 출퇴근, 지리적 거리, 인구 밀도와 같은 지역 이동 요인은 H3N2 확산에 어떻게 기여하는가?
• RQ4 바이러스 유전체 데이터를 활용해 이동 네트워크 기반의 병원체 확산 모델을 실증적으로 검증하거나 반증할 수 있는가?
• RQ5 계통지리학 추론을 예측 변수 테스팅과 통합함으로써 병원체 진화 역학의 해석을 어떻게 향상시킬 수 있는가?

주요 결과

• 항공 운항(지점 간 승객 유동으로 측정)은 사후 지원이 극도로 강력하며(E[δ] ≈ 1), 로그 척도에서 조건부 효과 크기가 거의 1에 가까워, 글로벌 H3N2 확산의 주요 주행력임을 시사한다.
• 14개의 항공 커뮤니티 분할에서 지리적 근접성, 위도, 인구 규모, 항원적 분리, H3 유병률 등 어떤 요소도 유의미한 기여를 하지 않아 항공 운항의 우선성을 강조한다.
• 15/26개의 지리적/행정적 지역 분할에서 지리적 거리는 유의미한 음성 기여를 보였으며, 이는 지역 이동(예: 출퇴근)이 지역 규모에서 핵심 역할을 한다는 것을 시사한다.
• 인구 밀도는 음성 계수를 보였으며, 이는 인구 밀도가 높은 지역 간 또는 그 지역으로의 이동률이 낮을 수 있음을 의미한다. 이는 이동성 또는 전파 효율성이 떨어지기 때문일 수 있다.
• 샘플링 크기는 유의미한 예측 변수였으며, 그 포함으로 모델 신뢰도가 향상되어 잠재적 샘플링 편향 영향을 흡수하였다.
• 모델은 항공 운항이 장거리 H3N2 전파를 지배하고 있음을 강력히 뒷받침하며, 출퇴근과 같은 다른 이동 과정은 지역 규모에서 더 중요하다는 것을 시사한다.