💻 bioinformatics

A Bayesian modelling framework for inference of latent infection risk patterns from virus neutralisation assay titration data

यह शोध पत्र एक दो-भाग वाले बेयसियन ढांचे (Bayesian framework) को प्रस्तुत करता है जो एंटीबॉडी सांद्रता का मॉडलिंग करके और अनिश्चितता को एक आयु-संरचित सेरोकैटलिटिक मिश्रण मॉडल (age-structured serocatalytic mixture model) में प्रसारित करके, कच्चे वायरस न्यूट्रलाइजेशन परख टाइट्रेशन डेटा से सीधे गुप्त संक्रमण जोखिम पैटर्न का अनुमान लगाता है, जिससे पारंपरिक द्वि-आधारी विधियों की सीमाओं को दूर किया जा सके और इंग्लैंड में एंटरोवायरस A71, D68 और कॉक्सैकीवायरस A6 के लिए विशिष्ट संक्रमण गतिकी को प्रकट किया जा सके।

मूल लेखक: Alrefae, T. A., Pons-Salort, M., Donnelly, C. A., Lambert, B., Kamau, E.

प्रकाशित 2026-09-22

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alrefae, T. A., Pons-Salort, M., Donnelly, C. A., Lambert, B., Kamau, E.

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

यह समझने के लिए कि एक वायरस आबादी में कैसे फैलता है, वैज्ञानिक अक्सर उन अदृश्य पदचिह्नों को देखते हैं जो यह पीछे छोड़ जाता है। जब कोई व्यक्ति संक्रमित होता है, तो उनकी प्रतिरक्षा प्रणाली हमलावर से लड़ने के लिए एंटीबॉडी नामक प्रोटीन बनाती है। संक्रमण समाप्त होने के बहुत बाद भी ये एंटीबॉडी रक्त में बने रह सकते हैं, जो एक्सपोजर (संपर्क) के एक ऐतिहासिक रिकॉर्ड के रूप में कार्य करते हैं। कई लोगों के रक्त के नमूनों का परीक्षण करके, शोधकर्ता यह मानचित्रित कर सकते हैं कि कौन संक्रमित हुआ है और कब, जिससे संचरण के उन छिपे हुए पैटर्न का पता चलता है जिन्हें लक्षण-आधारित रिपोर्टिंग अक्सर मिस कर देती है। इन एंटीबॉडीज को मापने का एक सामान्य तरीका वायरस न्यूट्रलाइजेशन एसे (virus neutralisation assay) है, जो एक प्रयोगशाला परीक्षण है जहाँ रक्त सीरम को चरण-दर-चरण पतला किया जाता है और वायरस के साथ मिलाया जाता है ताकि यह देखा जा सके कि वायरस को कोशिकाओं को संक्रमित करने के लिए कितना पतला करने की आवश्यकता है। पारंपरिक रूप से, वैज्ञानिक इस जटिल, चरण-दर-चरण डेटा को एक एकल संख्या में बदल देते हैं, जिसे "टाइटर" (titer) कहा जाता है, जो केवल उस बिंदु को चिह्नित करता है जहाँ सुरक्षा रुक जाती है। हालाँकि, यह विधि प्रतिरक्षा प्रतिक्रिया की वास्तविक शक्ति के बारे में जानकारी का एक बड़ा हिस्सा फेंक देती है और उस एकल संख्या की अनिश्चितता को मापने का कोई तरीका प्रदान नहीं करती है।

शोधकर्ताओं की एक टीम ने इस डेटा को देखने का एक नया तरीका विकसित किया है, जो कच्चे परिणामों को केवल 'पास या फेल' के रूप में नहीं, बल्कि प्रतिरक्षा शक्ति की एक निरंतर कहानी के रूप में देखता है। डाइल्यूशन (तनुकरण) चरणों के विवरण को छोड़ने के बजाय, उन्होंने एक सांख्यिकीय ढांचा बनाया जो प्रत्येक व्यक्ति के रक्त में एंटीबॉडी की वास्तविक सांद्रता को पुनर्निर्मित करता है, जिसमें इस बात का माप भी शामिल है कि उस अनुमान के प्रति वे कितने निश्चित हैं। फिर उन्होंने इन पुनर्निर्मित एंटीबॉडी स्तरों को एक मॉडल में डाला जो यह ट्रैक करता है कि उम्र बढ़ने के साथ संक्रमण का जोखिम कैसे बदलता है। इस दृष्टिकोण ने उन्हें तीन विशिष्ट एंटरोवायरस—EV-A71, EV-D68, और CVA6—की गतिशीलता का अनुमान लगाने की अनुमति दी, जो गंभीर श्वसन बीमारी और हैंड, फुट, एंड माउथ डिजीज के लिए जाने जाते हैं। इंग्लैंड में तीन अलग-अलग वर्षों में एकत्र किए गए लगभग 1,600 लोगों के रक्त नमूनों का विश्लेषण करके, शोधकर्ताओं ने यह स्पष्ट चित्र प्रस्तुत किया कि ये वायरस समुदायों में कैसे चलते हैं, जिससे पता चला कि संक्रमण का जोखिम और प्रतिरक्षा की अवधि इन निकट संबंधी वायरसों के बीच काफी भिन्न होती है।

शोधकर्ताओं ने इन प्रतिरक्षा पदचिह्नों में अंतर देखने के लिए अपने नए तरीके को तीन अलग-अलग वायरसों पर लागू किया। दो वायरसों, EV-A71 और CVA6 के लिए, परिणामों ने एक परिचित पैटर्न की पुष्टि की: संक्रमण प्रारंभिक बचपन में सबसे आम है। मॉडल ने अनुमान लगाया कि हाल ही में संक्रमित लोगों का अनुपात पांच साल की आयु तक CVA6 के लिए लगभग 40 प्रतिशत और सात साल की आयु तक EV-A71 के लिए 32 प्रतिशत तक चरम पर होता है। इन शुरुआती शिखरों के बाद, नए संक्रमणों की दर तेजी से गिरती है, और आबादी का वह हिस्सा जो इन वायरसों के प्रति संवेदनशील बना रहता है, काफी अधिक रहता है, जिसमें 40 वर्ष और उससे अधिक आयु के आधे से अधिक वयस्क बिना किसी हालिया या पिछले संक्रमण के संकेत दिखाते हैं। यह सुझाव देता है कि जबकि ये वायरस छोटे बच्चों के बीच व्यापक रूप से घूमते हैं, वे सभी को संक्रमित नहीं करते हैं, जिससे वयस्क आबादी का एक बड़ा हिस्सा भविष्य के प्रकोपों के प्रति असुरक्षित रह जाता है।

इसके बिल्कुल विपरीत, तीसरे वायरस, EV-D68 ने एक अलग कहानी सुनाई। शोधकर्ताओं ने पाया कि इस वायरस के संपर्क में आना कहीं अधिक व्यापक और निरंतर है। उनके मॉडल ने संकेत दिया कि EV-D68 से संक्रमित लोगों का अनुपात 13 वर्ष की आयु तक 50 प्रतिशत से अधिक हो जाता है और बढ़ता रहता है, जो 65 वर्ष की आयु तक लगभग 90 प्रतिशत तक पहुँच जाता है। अन्य दो वायरसों के विपरीत, जहाँ एंटीबॉडी का स्तर समय के साथ कम होता जाता है, मॉडल ने सुझाव दिया कि EV-D68 के लिए एंटीबॉडी सांद्रता व्यक्ति के पूरे जीवनकाल में ऊँची बनी रहती है। इसका तात्पर्य यह है कि लोग संभवतः बार-बार वायरस के संपर्क में आ रहे हैं, या प्रारंभिक संक्रमण एक बहुत लंबे समय तक चलने वाली प्रतिरक्षा प्रतिक्रिया को सक्रिय करता है। EV-D68 के लिए संक्रमण का बल (force of infection) भी उम्र के साथ अन्य दो वायरसों में देखी गई तीव्र गिरावट की तुलना में बहुत धीरे-धीरे कम होता दिखाई देता है, जो यह बताता है कि वयस्कता तक संचरण जारी रहता है।

इस कार्य का एक प्रमुख निष्कर्ष यह है कि नया तरीका उसी डेटा के विश्लेषण के पारंपरिक तरीके से भिन्न परिणाम देता है। जब शोधकर्ताओं ने अपने अनुमानों की तुलना उन पिछले अध्ययनों से की जिन्होंने एक निश्चित कटऑफ के आधार पर लोगों को केवल "पॉजिटिव" या "नेगेटिव" के रूप में वर्गीकृत करने के पुराने, सरलित तरीके का उपयोग किया था, तो उन्होंने पाया कि उनके नए दृष्टिकोण ने छोटे बच्चों के लिए संक्रमण की दर कम अनुमानित की। यह अंतर इसलिए उत्पन्न होता है क्योंकि नया मॉडल यह अंतर कर सकता है कि कोई व्यक्ति हाल के संक्रमण से उच्च स्तर की एंटीबॉडी वाला है या वर्षों पहले के संक्रमण से मध्यम स्तर की। पारंपरिक विधि, प्रत्येक पॉजिटिव सैंपल को एक ही श्रेणी में डालकर, इस अंतर को नहीं कर पाती है और अक्सर बहुत हालिया संक्रमणों की संख्या का अतिरंजित अनुमान लगाती है। इसके अलावा, नए ढांचे ने इन अनुमानों में अनिश्चितता को मापने का एक तरीका प्रदान किया, जो पुराना तरीका नहीं कर सका।

शोधकर्ताओं ने यह भी परीक्षण किया कि क्या उनके निष्कर्ष तब भी कायम रहते हैं यदि वे यह मान लें कि लोग अंततः अपनी सारी प्रतिरक्षा खो सकते हैं और फिर से संवेदनशील हो सकते हैं, जिसे सेरोरिवर्जन (seroreversion) कहा जाता है। EV-A71 और CVA6 वायरसों के लिए, डेटा ने इस विचार का समर्थन नहीं किया कि प्रतिरक्षा पूरी तरह से गायब हो जाती है; मॉडलों ने सुझाव दिया कि यदि ऐसा होता भी है, तो यह कई दशकों तक चलता है, जिसमें प्रतिरक्षा का हाफ-लाइफ (half-life) दशकों में मापा गया है। EV-D68 के लिए, डेटा इतना मजबूत था कि मॉडल अनिवार्य रूप से एक ऐसी स्थिति में सिमट गया जहाँ एक बार संक्रमित होने के बाद, व्यक्ति जीवन भर के लिए प्रतिरोधी रहता है। हालांकि अध्ययन में तेजी से प्रतिरक्षा खोने के प्रमाण नहीं मिले, लेखकों ने नोट किया कि उनका मॉडल उम्र के साथ संक्रमण जोखिम कैसे बदलता है इसके लिए एक विशिष्ट आकार मानता है, जो बहुत छोटे बच्चों के लिए डेटा के रिज़ॉल्यूशन को थोड़ा सीमित कर सकता है।

अंततः, यह कार्य प्रदर्शित करता है कि वायरस न्यूट्रलाइजेशन एसे के कच्चे डेटा में सूचनाओं का एक खजाना होता है जो अक्सर वैज्ञानिकों द्वारा इसे एक एकल संख्या में सारांशित करने पर खो जाता है। दो-चरणीय सांख्यिकीय ढांचे का उपयोग करके, जो पहले एंटीबॉडी सांद्रता का अनुमान लगाता है और फिर उन अनुमानों का उपयोग संक्रमण के इतिहास को मॉडल करने के लिए करता है, शोधकर्ता मनमाने थ्रेशोल्ड (सीमा) पर निर्भर किए बिना संक्रमण के आयु-विशिष्ट जोखिम का अनुमान लगाने में सक्षम रहे। इस दृष्टिकोण ने खुलासा किया कि EV-D68 संभवतः पहले की तुलना में आबादी में अधिक सामान्य और निरंतर है, जबकि EV-A71 और CVA6 वयस्कों के बड़े हिस्से को संवेदनशील छोड़ देते हैं। सीधे प्रयोगशाला माप से प्राप्त ये अंतर्दृष्टि, यह समझने में मदद कर सकती है कि ये वायरस कैसे चलते हैं और भविष्य के प्रकोपों के जोखिम और टीकाकरण रणनीतियों की संभावित आवश्यकता को बेहतर ढंग से समझने के लिए सार्वजनिक स्वास्थ्य अधिकारियों की सहायता कर सकती है।

तकनीकी सारांश: वायरस न्यूट्रलाइजेशन एसे (VNA) टाइट्रेशन डेटा से लेटेंट इन्फेक्शन रिस्क पैटर्न के अनुमान के लिए एक बेयसियन मॉडलिंग फ्रेमवर्क

समस्या विवरण
सीरोलॉजिकल एसेज़, विशेष रूप से वायरस न्यूट्रलाइजेशन एसेज़ (VNAs), संचयी रोगजनक घटना (cumulative pathogen incidence) का अनुमान लगाने और जनसंख्या प्रतिरक्षा की निगरानी करने के लिए मानक हैं। हालाँकि, VNA डेटा का पारंपरिक विश्लेषण "एंडपॉइंट टायटर" (endpoint titre) निर्धारित करने के लिए एक सदी पुराने इंटरपोलेशन पद्धति (जैसे, रीड-मुएनच) पर निर्भर करता है। यह दृष्टिकोण कच्चे डाइल्यूशन-सीरीज डेटा में निहित महत्वपूर्ण जानकारी को त्याग देता है, एसे को अंतर्निहित प्रयोगात्मक खामियों के बावजूद एक नियतात्मक (deterministic) प्रक्रिया मानता है, और अनिश्चितता के मापों के बिना केवल पॉइंट एस्टीमेट प्रदान करता है। इसके अलावा, पारंपरिक महामारी विज्ञान संबंधी विश्लेषण अक्सर इन टायटर्स को मनमाने थ्रेशोल्ड के आधार पर बाइनरी सेरोपॉजिटिव/सेरोनेगेटिव श्रेणियों में विभाजित कर देते हैं, जिससे एंटीबॉडी स्तरों की निरंतर भिन्नता छिप जाती है और जनसंख्या स्तर पर मात्रात्मक विश्लेषण की क्षमता सीमित हो जाती है।

कार्यप्रणाली
लेखक एक दो-चरणीय बेयसियन फ्रेमवर्क प्रस्तावित करते हैं जो बिना द्विविभाजन (dichotomisation) के कच्चे टाइट्रेशन डेटा से सीधे लेटेंट इन्फेक्शन पैटर्न का अनुमान लगाता है।

चरण 1: एंटीबॉडी सांद्रता के लिए मैकेनिस्टिक प्रोबिट मॉडल
पहला चरण VNA प्रक्रिया को एक डोज़-रिस्पॉन्स प्रयोग के रूप में मॉडल करता है। एक एकल एंडपॉइंट को इंटरपोलेट करने के बजाय, लेखक एक विशिष्ट डाइल्यूशन $d$ पर सेल सर्वाइवल (कोशिका उत्तरजीविता) की संभावना को एक मैकेनिस्टिक प्रोबिट फंक्शन का उपयोग करके मॉडल करते हैं।

फॉर्मूलेशन: मॉडल प्रत्येक व्यक्ति के लिए एक लेटेंट अंडरलाइंग न्यूट्रलाइजिंग एंटीबॉडी सांद्रता ( $\phi$ ) मानता है। सेल सर्वाइवल की संभावना $\pi(d)$ को $\Phi(k_1(\log \phi - \log d))$ के रूप में मॉडल किया गया है, जहाँ $\Phi$ स्टैंडर्ड नॉर्मल क्यूमुलेटिव डिस्ट्रीब्यूशन फंक्शन है और $k_1$ डोज़-रिस्पॉन्स कर्व की ढलान (steepness) को नियंत्रित करता है।
अनुमान (Inference): प्रत्येक डाइल्यूशन स्टेप पर रिप्लिकेट आउटकम्स के लिए बाइनोमियल सैंपलिंग मॉडल का उपयोग करते हुए, फ्रेमवर्क लेटेंट एंटीबॉडी सांद्रता $\phi$ और स्लोप पैरामीटर $k_1$ के पोस्टीरियर डिस्ट्रीब्यूशन का अनुमान लगाता है। यह चरण प्रत्येक नमूने के लिए एंटीबॉडी सांद्रता की अनिश्चितता को मात्रा निर्धारित करता है, जो पॉइंट एस्टीमेट में सिमटने के बजाय एसे-स्तरीय शोर (assay-level noise) को प्रसारित करता है।

चरण 2: एज-स्ट्रक्चर्ड सेरोकैटेलिटिक मिक्सचर मॉडल्स
दूसरा चरण संक्रमण गतिशीलता का अनुमान लगाने के लिए चरण 1 से प्राप्त अनिश्चितता को एक महामारी विज्ञान मॉडल में एकीकृत करता है।

एकीकरण: संयुक्त रूप से फिट करने के बजाय, फ्रेमवर्क एक "कट" इन्फरेंस दृष्टिकोण का उपयोग करता है: यह दूसरे चरण में लाइकेलिटी (likelihood) का मूल्यांकन करने के लिए चरण 1 में उत्पन्न व्यक्तिगत एंटीबॉडी सांद्रता ( $\phi$ ) के पोस्टीरियर ड्रॉज़ पर इंटीग्रेशन करता है।
मॉडल संरचनाएं: लेखक आयु के साथ सेरोस्टेट्स के विकास का वर्णन करने के लिए सेरोकैटेलिटिक मॉडल्स का उपयोग करते हैं:
- SII मॉडल (ससेप्टिबल, रिसेंटली इन्फेक्टेड, इन्फेक्टेड अ व्हाइल एगो): EV-A71 और CVA6 के लिए उपयोग किया गया। इसमें एक वेनिंग रेट ( $\psi$ ) शामिल है जो एक उच्च-सांद्रता वाली स्थिति ( $I^{++}$ ) से निम्न, निरंतर स्थिति ( $I^+$ ) में संक्रमण की अनुमति देता है, लेकिन पूर्ण सेरोरिवर्जन ( $I^+ \to S$ ) को बाहर रखता है।
- SI मॉडल (ससेप्टिबल, इन्फेक्टेड): EV-D68 के लिए उपयोग किया गया, जो वेनिंग ( $\psi=0$ ) को शून्य मानता है और संक्रमण को एक एब्जॉर्बिंग स्टेट के रूप में मानता है, जो उच्च आजीवन सेरोप्रिवेलेंस को दर्शाता है।
लाइकेलिटी: एक व्यक्ति के लिए लाइकेलिटी ODE सिस्टम से प्राप्त आयु-निर्भर संभावनाओं द्वारा भारित (weighted) विभिन्न सेरोस्टेट्स के लॉग-नॉर्मल डिस्ट्रीब्यूशंस का एक मिश्रण है।

प्रमुख योगदान

कच्चे डेटा से सीधा अनुमान: यह फ्रेमवर्क पूर्व-निर्धारित सेरोपॉजिटिविटी थ्रेशोल्ड की आवश्यकता को समाप्त करता है, और कच्चे वेल-लेवल परिणामों से सीधे संक्रमण दर और एंटीबॉडी सांद्रता का अनुमान लगाता है।
अनिश्चितता का प्रसार (Uncertainty Propagation): यह एसे-स्तरीय अनिश्चितता (डाइल्यूशन सीरीज से) को महामारी विज्ञान संबंधी पैरामीटर अनुमान (फोर्स ऑफ इन्फेक्शन, वेनिंग रेट्स) तक प्रसारित करने वाला पहला दृष्टिकोण है, जो सभी अनुमानों के लिए विश्वसनीय अंतराल (credible intervals) प्रदान करता है।
मैकेनिस्टिक लिंक: यह एसे-स्तरीय सांख्यिकीय मॉडल्स (जो टायटर्स का अनुमान लगाते हैं) और महामारी विज्ञान संबंधी मॉडल्स (जो ट्रांसमिशन का अनुमान लगाते हैं) के बीच के अंतर को पाटता है, जिससे लेटेंट सेरोस्टेट मेंबरशिप, फोर्स ऑफ इन्फेक्शन ( $\lambda$ ), और सेरोलॉजिकल वेनिंग दरों पर संयुक्त अनुमान संभव होता है।
सूक्ष्म सेरोडायनामिक्स: एंटीबॉडी सांद्रता को निरंतर लेटेंट वेरिएबल्स के रूप में मॉडल करके, यह फ्रेमवर्क हाल ही में संक्रमित व्यक्तियों ( $I^{++}$ ) और पहले संक्रमित व्यक्तियों ( $I^+$ ) के बीच अंतर करता है, जो बाइनरी वर्गीकरण की तुलना में अधिक सूक्ष्म दृश्य प्रदान करता है।

परिणाम
फ्रेमवर्क को तीन क्रॉस-सेक्शनल सेरोसर्वेक्षणों (2006, 2011, 2017) में EV-A71, EV-D68, और CVA6 के लिए लागू किया गया।

एंटीबॉडी सांद्रता: EV-D68 ने EV-A71 और CVA6 की तुलना में लगातार उच्च और अधिक स्थायी आजीवन एंटीबॉडी सांद्रता दिखाई। EV-A71 और CVA6 के लिए, सांद्रता बचपन में चरम पर थी और फिर कम हुई, जबकि EV-D68 की सांद्रता वयस्कता तक उच्च बनी रही।
सेरोस्टेट डायनेमिक्स:
- EV-A71 और CVA6: हाल ही में संक्रमित व्यक्तियों ( $I^{++}$ ) का अनुपात EV-A71 के लिए 32% (आयु 7) और CVA6 के लिए 40% (आयु 5) के आसपास चरम पर था, जो उम्र के साथ कम होता गया। वयस्क आबादी का एक महत्वपूर्ण हिस्सा (लगभग 50-60%) ससेप्टिबल अवस्था ( $S$ ) में बना रहा, जो अवशिष्ट संवेदनशीलता (residual susceptibility) को दर्शाता है।
- EV-D68: पहले से संक्रमित व्यक्तियों का अनुपात आयु 13 तक 50% से अधिक हो गया और आयु 65 तक 90% के करीब पहुँच गया। वयस्कों में ससेप्टिबल अंश कम (<10%) था।
फोर्स ऑफ इन्फेक्शन (FOI):
- EV-A71 और CVA6 के लिए, FOI प्रारंभिक बचपन में उच्च था और तेजी से घटा, जो आयु 10 तक शून्य के करीब पहुँच गया।
- EV-D68 के लिए, FOI उम्र के साथ धीरे-धीरे कम हुआ। लेखकों ने उल्लेख किया कि सर्वेक्षण वर्षों (2006-2017) के बीच डेटा को मिलाने से बदलते ट्रांसमिशन रिजीम का औसत निकल सकता है, विशेष रूप से 2014 के वैश्विक EV-D68 प्रकोप को देखते हुए।
पिछले तरीकों के साथ तुलना: पिछले विश्लेषणों ("पुरानी" विधि) की तुलना में, नया फ्रेमवर्क ("नई" विधि) कम फोर्स ऑफ इन्फेक्शन का अनुमान लगाता है, विशेष रूप से 1-10 वर्ष के आयु वर्ग में। लेखक इस प्रभाव को मिश्रण मॉडल (mixture model) की मध्यवर्ती एंटीबॉडी स्तरों को सेरोस्टेट्स में संभाव्यता के साथ असाइन करने की क्षमता और स्पष्ट वेनिंग मॉडलिंग को, जो FOI को केवल ट्रांसमिशन दर में बदलने के बजाय अनुमान लगाने की अनुमति देता है, के कारण बताते हैं।

महत्व और दावे
लेखक दावा करते हैं कि उनका फ्रेमवर्क एंटीबॉडी स्तरों की विस्तृत भिन्नता को उजागर करता है जो पारंपरिक एंडपॉइंट टायटर विधियों द्वारा अक्सर छिप जाती है। फिक्स्ड थ्रेशोल्ड पर द्विविभाजन से बचकर, यह विधि सेरोकन्वर्जन डायनेमिक्स की स्पष्ट तस्वीर प्रदान करती है और वायरस ट्रांसमिशन और जनसंख्या संवेदनशीलता के अनुमान में सुधार करती है। इस दृष्टिकोण को एक व्यवस्थित साधन के रूप में प्रस्तुत किया गया है जिससे संचयी घटना (cumulative incidence) का अनुमान लगाया जा सके और इम्युनिटी डायनेमिक्स को ट्रैक किया जा सके। लेखक नोट करते हैं कि हालांकि यह विधि एंटरोवायरस पर प्रदर्शित की गई है, यह किसी भी ऐसे सिस्टम के लिए सामान्यीकृत है जहाँ SI या SII मॉडल उपयुक्त हों। वे स्वीकार करते हैं कि प्राथमिक विश्लेषण में आयु-निर्भर (बजाय समय-परिवर्तनीय) FOI का अनुमान लगाने और पहचान योग्यता (identifiability) के मुद्दों के कारण प्राथमिक मॉडल्स में सेरोरिवर्जन को बाहर करने की सीमाएँ हैं, हालांकि जहाँ संभव हो वहाँ सेंसिटिविटी एनालिसिस किए गए हैं।

इसी तरह के और पेपर