EpiLink: a simulation-based compatibility model for genomic transmission clustering in infectious disease surveillance

Planteamiento del Problema
La identificación de infecciones vinculadas recientemente a partir de secuencias genómicas de patógenos es un pilar fundamental de la vigilancia de enfermedades infecciosas, particularmente para la investigación de brotes y eventos de superpropagación. Sin embargo, los enfoques de agrupamiento actuales suelen depender de umbrales de distancia genética fijos. La relación entre estos umbrales fijos y la transmisión real es frecuentemente incierta, especialmente en brotes de rápido crecimiento donde los casos se muestrean muy cerca en el tiempo y comparten una variación genética mínima. En tales escenarios, distinguir los vínculos de transmisión reales de las similitudes coincidentes es difícil. Aunque los modelos supervisados pueden mejorar la discriminación, requieren datos de transmisión etiquetados, los cuales rara vez están disponibles durante las respuestas activas ante brotes. Además, los métodos existentes que modelan explícitamente casos no muestreados e incertidumbre (por ejemplo, outbreaker2, TransPhylo) suelen ser computacionalmente intensivos y están mejor adaptados para la reconstrucción detallada que para la vigilancia en tiempo real.

Metodología
Los autores desarrollaron EpiLink, un método basado en simulaciones y libre de umbrales, diseñado para estimar si dos casos son "compatibles" con una transmisión reciente. En lugar de inferir un árbol de transmisión totalmente resuelto, EpiLink evalúa si la distancia genética observada y la diferencia en el tiempo de muestreo se ajustan a las distribuciones esperadas bajo escenarios de transmisión definidos.

• Mecanismo Central: EpiLink simula historias de transmisión reciente plausibles mientras contabiliza la incertidumbre en el tiempo de infección, los retrasos en las pruebas y la acumulación de mutaciones. Evalúa dos clases primarias de escenarios de transmisión latentes hasta una profundidad oculta máxima:
  1. Ancestro-Descendiente (HAD, por sus siglas en inglés): Un caso desciende del otro a través de $m$ intermediarios no muestreados.
  2. Ancestro Común (HCA, por sus siglas en inglés): Ambos casos descienden independientemente de una fuente no muestreada compartida.
• Puntuación: El modelo genera dibujos de Monte Carlo de un modelo de historia natural (que incorpora etapas infecciosas latentes, presintomáticas y sintomáticas distribuidas según Gamma, y retrasos en las pruebas). Estos se mapean a distancias genéticas esperadas utilizando ya sea un reloj determinista o un proceso de Poisson estocástico. Las puntuaciones de compatibilidad se calculan localizando los valores observados dentro de estas distribuciones empíricas específicas de cada escenario. La puntuación final es el producto de las compatibilidades temporales y genéticas, sumadas a través de los escenarios objetivo (por defecto, transmisión directa e infección co-primaria).
• Evaluación: El método fue evaluado utilizando:
  • Datos Sintéticos: Derivados del modelo basado en agentes SCoVMod, creando un árbol de transmisión de 4,990 nodos con dinámicas de superpropagación.
  • Datos Empíricos: 772 secuencias de genoma completo de SARS-CoV-2 de la epidemia de Boston de 2020 (marzo–mayo 2020).
• Comparadores: Variantes de EpiLink (inferencia determinista vs. estocástica e input determinista vs. estocástico) fueron comparadas contra:
  • Un modelo de regresión logística entrenado con pares de transmisión etiquetados (referencia supervisada).
  • TreeCluster (un método de agrupamiento rígido filogenético).
  • Las métricas de desempeño incluyeron la Precisión Media (AP) para la discriminación por pares y las puntuaciones F1 de BCubed para la precisión del agrupamiento.

Resultados Clave

• Desempeño vs. Modelos Supervisados: En los entornos de prueba sintéticos, el modelo de regresión logística supervisada (LD) logró la mayor discriminación por pares. Sin embargo, la variante de EpiLink que utiliza inferencia estocástica con entradas deterministas (ESD) logró una precisión de agrupamiento casi idéntica (F1 = 0.644 vs. 0.647 para LD), demostrando que EpiLink puede acercarse al desempeño supervisado sin necesidad de datos etiquetados.
• Robustez y Sensibilidad:
  • Determinista vs. Estocástico: Los modelos de entrada determinista superaron consistentemente a sus contrapartes de entrada estocástica tanto en discriminación como en agrupamiento. No obstante, los modelos de entrada estocástica demostraron ser más robustos cuando las suposiciones del modelo (específicamente respecto a la variabilidad del periodo de incubación) estaban mal especificadas.
  • Sensibilidad de Parámetros: El método fue más sensible a la reducción de las tasas de sustitución y al acortamiento de los periodos de incubación, los cuales comprimen las señales genéticas y temporales. La especificación errónea del retraso en las pruebas tuvo efectos insignificantes.
  • Estabilidad Temporal: Las asignaciones de los grupos se estabilizaron tras las primeras actualizaciones semanales en un entorno de vigilancia continua, con altos índices de Jaccard entre particiones consecutivas.
• Aplicación Empírica (Boston): Aplicado al conjunto de datos de Boston, EpiLink recuperó 77 grupos. Cinco grupos estaban significativamente enriquecidos para brotes documentados en una conferencia y en centros de enfermería especializada (SNF). El grupo más grande asociado a SNF (n=84) y el asociado a la Conferencia (n=29) mostraron estructuras genéticas y temporales estrechas consistentes con eventos de transmisión conocidos.
• Comparación con TreeCluster: TreeCluster recuperó señales asociadas a la exposición pero las fragmentó en más grupos, más pequeños, en comparación con EpiLink. EpiLink proporcionó una puntuación de compatibilidad por pares graduada, mientras que TreeCluster produjo particiones rígidas.

Significancia y Reivindicaciones
El artículo posiciona a EpiLink como una alternativa práctica e interpretable al agrupamiento de umbral fijo, particularmente en contextos donde no hay disponibles datos de transmisión etiquetados y los umbrales fijos son difíciles de justificar.

• Interpretabilidad: A diferencia de los modelos supervisados de "caja negra" o los cortes de distancia arbitrarios, EpiLink proporciona una puntuación de compatibilidad graduada con una interpretación mecánica clara basada en suposiciones explícitas de la historia natural.
• Utilidad Operativa: El método está diseñado para la escala operativa de la vigilancia, con el objetivo de identificar si los casos pertenecen plausiblemente al mismo vecindario de transmisión reciente, en lugar de reconstruir árboles de transmisión exactos.
• Compromisos (Trade-offs): Los autores destacan un compromiso práctico: las configuraciones deterministas funcionan mejor cuando las suposiciones del modelo coinciden bien, mientras que las configuraciones que incorporan estocasticidad son más robustas cuando las suposiciones están mal especificadas.
• Limitaciones: Los autores reconocen que EpiLink opera sobre genomas de consenso (ignorando la diversidad intra-huésped), depende de escenarios objetivo especificados por el usuario y que las puntuaciones de compatibilidad no son probabilidades posteriores calibradas. También señalan que cuando la diversidad del patógeno es intrínsecamente baja en relación con la escala de transmisión, ningún método puede recuperar una estructura significativa únicamente a partir de datos de secuencias.

En resumen, el artículo sostiene que EpiLink ofrece un enfoque basado en simulaciones, con principios claros, para identificar grupos de transmisión recientes que equilibra la precisión con la interpretabilidad, llenando el vacío entre los métodos de agrupamiento de umbrales rígidos y los modelos demandantes de datos de tipo supervisado.