Stochastic First-Passage Theory of HIV Viral Rebound Following Latent Reservoir Reactivation

Resumen Técnico: Teoría Estocástica del Primer Paso de la Rebote Viral del VIH tras la Reactivación del Reservorio Latente

Planteamiento del Problema
Los estudios actuales de interrupción del tratamiento antirretroviral (ATI) pretenden predecir el momento del rebote de la carga viral del VIH tras el cese de la terapia antirretroviral (ART). Sin embargo, los modelos estocásticos existentes suelen confundir el tiempo oculto de la primera reactivación exitosa de una célula latente con el tiempo de rebote observado clínicamente. El punto final clínico no es el momento en que una célula latente se reactiva, sino la primera vez que la carga viral plasmática ($V(t)$) de un individuo cruza un umbral de detección específico definido por el ensayo ($V_{det}$). Esta distinción es crítica porque el tiempo de rebote observado está censurado por intervalos y depende del crecimiento estocástico de las linajes virales tras la reactivación. Los marcos de trabajo previos caracterizaron la supervivencia de la activación y las cargas virales promedio del conjunto, pero estos no equivalen al tiempo de primer paso de una única trayectoria estocástica, particularmente en el régimen de reactivación rara donde los promedios del conjunto pueden estar dominados por linajes minoritarios de crecimiento temprano y rápido.

Metodología
Los autores reformulan el rebote del VIH post-tratamiento como un problema de primer paso estocástico. El modelo trata los eventos de reactivación exitosa y establecida como un proceso de Poisson inhomogéneo con intensidad dependiente del tiempo $\lambda(t)$. Cada evento siembra un linaje viral que experimenta una fase de eclipse ($\tau_e$) seguida de un crecimiento exponencial con una tasa neta $r$. La carga viral plasmática total se modela como un proceso de ruido de impulsos de Poisson:
$$V(t) = v_0 \sum_{T_i \le t} e^{r(t-T_i)}$$
donde $T_i$ son los tiempos de reactivación exitosa y $v_0$ es la contribución fundadora inicial.

El tiempo de rebote se define como $T_{reb} = \inf\{t \ge t_w : V(t) \ge V_{det}\}$, donde $t_w$ es el tiempo de lavado de la ART. El artículo deriva la distribución exacta de $T_{reb}$ mediante la transformada de Laplace de la distribución de la carga viral. Para proporcionar tractabilidad analítica, los autores introducen una aproximación de fundador único, que asume que el rebote detectable está dominado por el linaje en expansión más temprano y exitoso. Bajo esta aproximación, el tiempo de rebote se descompone en un tiempo de espera estocástico para la primera reactivación exitosa ($T_1$) y un retraso de crecimiento determinista ($\tau_{det}$):
$$T_{reb} \approx T_1 + \tau_{det}, \quad \text{donde } \tau_{det} = \tau_e + \frac{1}{r} \log\left(\frac{V_{det}}{v_0}\right)$$

Los autores derivan leyes de supervivencia de tiempo de rebote para varios perfiles de activación, incluyendo:

1. Activación constante: Produce una distribución exponencial desplazada.
2. Activación dependiente del lavado de la ART: Modela el decaimiento de la supresión de fármacos residuales, lo que conduce a un tiempo de espera temprano de tipo Rayleigh.
3. Activación inmunitaria periódica: Incorpora la modulación sinusoidal de la tasa de reactivación.
4. Activación de proceso de Cox: Da cuenta de las fluctuaciones estocásticas en la tasa de reactivación.
5. Reservorios heterogéneos: Modela clases de reservorios en competencia con distintas tasas de activación y parámetros de crecimiento.

Además, el artículo construye una función de verosimilitud adecuada para la estructura de muestreo censurada por intervalos típica de los ensayos ATI, distinguiendo entre datos observados exactamente, censurados por intervalo y censurados por la derecha.

Resultados Clave

• Descomposición del Tiempo de Rebote: El estudio establece que el tiempo de rebote observado es la suma de un tiempo de espera estocástico para la reactivación del reservorio y un retraso determinista requerido para que la expansión viral alcance la detectabilidad. Esta separación explica por qué los tiempos de rebote se desplazan sistemáticamente con los umbrales de detección.
• Dependencia Logarítmica del Umbral: Una predicción central es que el tiempo de rebote mediano depende logarítmicamente del umbral de detección ($V_{det}$). Específicamente, $Q_{0.5}(V_{det}) \approx C + \frac{1}{r} \log(V_{det})$.
• Validación con Meta-análisis: Aplicando esta teoría a un meta-análisis de 24 estudios de ATI (Gunst et al.), los autores ajustan los tiempos medianos reportados para umbrales de 50, 400 y 10,000 copias/mL. Los datos se alinean con la dependencia logarítmica predicha ($R^2 \approx 0.99$), obteniendo una tasa de crecimiento neto efectiva de $r \approx 0.33 \text{ día}^{-1}$.
• Discrepancia con el Crecimiento Máximo: La tasa de crecimiento ajustada ($0.33 \text{ día}^{-1}$) es significativamente menor que la tasa de crecimiento máxima nominal de la infección temprana ($0.69 \text{ día}^{-1}$). El artículo atribuye esto a restricciones efectivas como la actividad de fármacos residuales, la limitación de células diana y la presión inmunitaria durante la fase de rebote temprano.
• Sesgo de los Modelos de Campo Medio: Los autores demuestran que el cruce de campo medio del promedio ($E[V(t)] = V_{det}$) subestima sistemáticamente los tiempos de rebote típicos en regímenes de reactivación rara. Los promedios del conjunto están sesgados por linajes de expansión temprana y rara que no representan la trayectoria individual típica.
• Efectos de Heterogeneidad: En modelos con clases de reservorios en competencia, una clase rara con alto producto fundador o crecimiento rápido puede dominar el primer evento de rebote detectable, anulando la contribución de los reservorios más grandes y de crecimiento más lento.

Significancia y Reivindicaciones
El artículo sostiene que proporciona una teoría analíticamente transparente que aborda directamente la cantidad medida en los ensayos ATI: el primer cruce de un umbral de detección de carga viral. Al desplazar el enfoque de la supervivencia de la activación o los promedios del conjunto hacia los tiempos de primer paso, el marco:

1. Clarifica los Mecanismos Biológicos: Separa los efectos de las intervenciones en componentes distintos: reducir la tasa de reactivación ($\lambda$), disminuir la probabilidad de establecimiento o ralentizar el crecimiento post-reactivación ($r$).
2. Corrige la Estimación de Parámetros: Explica por qué el uso de parámetros de crecimiento máximo conduce a la subpredicción de los tiempos de rebote y proporciona un método para calibrar tasas de crecimiento efectivas a partir de datos resueltos por umbral.
3. Permite la Inferencia Estadística: Ofrece un marco de verosimilitud riguroso para analizar los datos de ATI censurados por intervalos, teniendo en cuenta la naturaleza estocástica de la reactivación y el retraso hasta la detectabilidad.

Los autores enfatizan que esta teoría no reemplaza los modelos mecánicos de virus-célula, sino que los complementa al proporcionar el vínculo probabilístico entre la dinámica oculta del reservorio y el punto final clínico observable. El trabajo sugiere que los tiempos de rebote observados no son simplemente una función del tamaño del reservorio, sino que están fuertemente influenciados por el umbral de detección y la tasa de crecimiento efectiva, la cual está constreñida por el entorno fisiológico post-interrupción.