[论文解读] 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 1

一句话总结

本研究在贝叶斯系统发育框架下，开发并比较了随机与确定性共枯SIR模型，以联合估计SIR流行病参数和病毒系统发育关系。结果表明，随机模型在准确性、偏差和可信区间覆盖方面优于确定性版本，尤其在基本再生数（R₀）较小或易感人群较小时表现更优；然而，当R₀ ≈ 1或有效种群大小较小时，两者均表现不佳。

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.

研究动机与目标

• 开发整合随机与确定性SIR动态的贝叶斯共枯模型，以改进从病毒序列数据中推断流行病参数的能力。
• 评估这些模型在估计关键流行病学参数（如R₀和初始易感人群大小S₀）方面的性能。
• 比较随机与确定性共枯SIR模型在后验分布估计误差、偏差和覆盖范围方面的准确性。
• 在不同流行病条件下评估模型性能，特别是当R₀接近1或种群大小较小时。
• 使用已知参数的模拟系统发育关系和来自甲型H1N1流感病毒与HIV-1的真实世界数据验证模型。

提出的方法

• 本研究在贝叶斯系统发育推断框架内实现随机与确定性共枯SIR树先验，以联合估计流行病参数与病毒系统发育关系。
• 采用适用于流行病动态的金曼共枯理论，将SIR分室模型动态整合进共枯过程。
• 随机模型使用随机微分方程模拟流行病进展，而确定性模型使用常微分方程描述种群转移。
• 通过在已知流行病学参数（包括R₀和S₀）下生成的模拟系统发育关系评估模型性能。
• 将模型应用于真实数据：新西兰的102个甲型H1N1流感病毒序列和英国感染集群的112个HIV-1序列。
• 使用估计误差、偏差和最高后验密度（HPD）区间覆盖等指标比较结果。

实验结果

研究问题

• RQ1 随机与确定性共枯SIR模型在从病毒序列数据中估计R₀和S₀方面表现如何？
• RQ2 在低传播率或小种群条件下，随机模型是否能提供比确定性模型更准确、更可靠的参数估计？
• RQ3 当R₀接近1时，这些模型表现如何？这一情形对许多流行病推断方法构成挑战。
• RQ4 种群大小对两种模型后验分布的准确性与覆盖范围有何影响？
• RQ5 与BDSIR出生-死亡-采样模型相比，共枯SIR模型在参数估计性能方面表现如何？

主要发现

• 随机共枯SIR模型在估计误差更低、偏差更小以及最高后验密度（HPD）区间覆盖更优方面，始终优于确定性版本，尤其在R₀和S₀值较小时表现更优。
• 当R₀较大且S₀较大时，两种模型均表现良好，表明在高传播率和大种群条件下性能强劲。
• 当R₀接近1时，模型表现不佳，表明在检测早期流行病动态或接近群体免疫转变时存在局限性。
• 在有效易感种群较小时，模型也表现欠佳，此时参数估计变得不稳定，可信区间校准效果差。
• 与BDSIR模型的比较表明，共枯SIR模型具有竞争力，但随机版本在大多数情景下表现更优，尤其在低传播率流行病中。
• 对甲型H1N1流感病毒与HIV-1序列的真实世界数据分析证实，随机模型能提供更可靠、更精确的流行病参数估计。