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

Definizione del Problema
L'identificazione di infezioni collegate di recente dai sequenziamenti genomici dei patogeni è un pilastro della sorveglianza delle malattie infettive, in particolare per l'indagine su focolai ed eventi di super-diffusione. Tuttavia, gli attuali approcci di clustering spesso si basano su soglie di distanza genetica fisse. La relazione tra queste soglie fisse e la trasmissione effettiva è frequentemente poco chiara, specialmente in focolai in rapida crescita dove i casi vengono campionati a breve distanza temporale e condividono una variazione genetica minima. In tali scenari, distinguere i veri legami di trasmissione dalle somiglianze accidentali è difficile. Sebbene i modelli supervisionati possano migliorare la discriminazione, essi richiedono dati di trasmissione etichettati, che sono raramente disponibili durante le risposte attive ai focolai. Inoltre, i metodi esistenti che modellano esplicitamente i casi non campionati e l'incertezza (ad es., outbreaker2, TransPhylo) sono spesso computazionalmente intensivi e più adatti a una ricostruzione dettagliata che alla sorveglianza in tempo reale.

Metodologia
Gli autori hanno sviluppato EpiLink, un metodo basato sulla simulazione e privo di soglie, progettato per stimare se due casi siano "compatibili" con una trasmissione recente. Piuttosto che inferire un albero di trasmissione completamente risolto, EpiLink valuta se la distanza genetica osservata e la differenza di tempo di campionamento tra due casi si adattino alle distribuzioni attese sotto definiti scenari di trasmissione.

• Meccanismo Centrale: EpiLink simula plausibili storie di trasmissione recente tenendo conto dell'incertezza nella tempistica dell'infezione, dei ritardi nei test e dell'accumulo di mutazioni. Valuta due classi primarie di scenari di trasmissione latenti fino a una profondità nascosta massima:
  1. Antenato-Discendente (HAD - Ancestor-Descendant): Un caso discende dall'altro attraverso $m$ intermedi non campionati.
  2. Antenato Comune (HCA - Common-Ancestor): Entrambi i casi discendono indipendentemente da una fonte comune non campionata.
• Scoring: Il modello genera campionamenti Monte Carlo da un modello di storia naturale (che incorpora stadi infettivi latenti, presintomatici e sintomatici distribuiti secondo la Gamma, e ritardi nei test). Esso mappa questi dati su distanze genetiche attese utilizzando un orologio deterministico o un processo di Poisson stocastico. I punteggi di compatibilità sono calcolati localizzando i valori osservati all'interno di queste distribuzioni empiriche specifiche per scenario. Il punteggio finale è il prodotto delle compatibilità temporali e genetiche, sommate attraverso gli scenari target (predefiniti come trasmissione diretta e co-infezione primaria).
• Valutazione: Il metodo è stato valutato utilizzando:
  • Dati Sintetici: Derivati dal modello ad agenti SCoVMod, creando un albero di trasmissione di 4.990 nodi con dinamiche di super-diffusione.
  • Dati Empirici: 772 sequenze di genoma intero di SARS-CoV-2 dall'epidemia di Boston del 2020 (marzo–maggio 2020).
• Comparatori: Le varianti di EpiLink (inferenza deterministica vs. stocastica e input deterministico vs. stocastico) sono state confrontate con:
  • Un modello di regressione logistica addestrato su coppie di trasmissione etichettate (riferimento supervisionato).
  • TreeCluster (un metodo di clustering filogenetico "hard").
  • Le metriche di performance includevano l'Average Precision (AP) per la discriminazione a coppie e i punteggi BCubed F1 per l'accuratezza del clustering.

Risultati Chiave

• Performance rispetto ai Modelli Supervisionati: Nei benchmark sintetici, il modello di regressione logistica supervisionata (LD) ha ottenuto la più alta discriminazione a coppie. Tuttavia, la variante di EpiLink che utilizza l'inferenza stocastica su input deterministici (ESD) ha raggiunto un'accuratezza di clustering quasi identica (F1 = 0,644 vs. 0,647 per LD), dimostrando che EpiLink può avvicinarsi alle prestazioni supervisionate senza dati etichettati.
• Robustezza e Sensibilità:
  • Deterministico vs. Stocastico: I modelli con input deterministico hanno superato costantemente quelli con input stocastico sia nella discriminazione che nel clustering. Tuttavia, i modelli con input stocastico si sono dimostrati più robusti quando le assunzioni del modello (specificamente riguardo alla variabilità del periodo di incubazione) erano errate.
  • Sensibilità ai Parametri: Il metodo è stato più sensibile alla riduzione dei tassi di sostituzione e all'accorciamento dei periodi di incubazione, che comprimono i segnali genetici e temporali. La misspecificazione del ritardo nei test ha avuto effetti trascurabili.
  • Stabilità Temporale: Le assegnazioni di cluster si sono stabilizzate dopo i primi aggiornamenti settimanali in un contesto di sorveglianza rotante, con indici di Jaccard elevati tra partizioni consecutive.
• Applicazione Empirica (Boston): Applicato al dataset di Boston, EpiLink ha recuperato 77 cluster. Cinque cluster erano significativamente arricchiti per focolai documentati in una conferenza e in strutture di assistenza residenziale (SNF). Il più grande cluster associato a SNF (n=84) e quello associato alla Conferenza (n=29) mostravano strutture genetiche e temporali strette, coerenti con eventi di trasmissione noti.
• Confronto con TreeCluster: TreeCluster ha recuperato segnali associati all'esposizione, ma li ha frammentati in più cluster più piccoli rispetto a EpiLink. EpiLink ha fornito un punteggio di compatibilità a coppie graduato, mentre TreeCluster produceva partizioni rigide ("hard partitions").

Significatività e Rivendicazioni
Il paper posiziona EpiLink come un'alternativa pratica e interpretabile al clustering a soglia fissa, in particolare in contesti in cui i dati di trasmissione etichettati non sono disponibili e le soglie fisse sono difficili da giustificare.

• Interpretabilità: A differenza dei modelli supervisionati "black box" o dei tagli arbitrari di distanza, EpiLink fornisce un punteggio di compatibilità graduato con un'interpretazione meccanicistica chiara basata su esplicite assunzioni di storia naturale.
• Utilità Operativa: Il metodo è progettato per la scala operativa della sorveglianza, mirando a identificare se i casi appartengono plausibilmente allo stesso recente vicinato di trasmissione piuttosto che a ricostruire esatti alberi di trasmissione.
• Compromessi: Gli autori evidenziano un compromesso pratico: le configurazioni deterministiche offrono le migliori prestazioni quando le assunzioni del modello sono ben corrispondenti, mentre le configurazioni che incorporano la stocasticità sono più robuste quando le assioni sono errate.
• Limitazioni: Gli autori riconoscono che EpiLink opera su genomi di consenso (ignorando la diversità intra-ospite), utilizza scenari target specificati dall'utente e che i punteggi di compatibilità non sono probabilità a posteriori calibrate. Notano inoltre che quando la diversità del patogeno è intrinsecamente bassa rispetto alla scala di trasmissione, nessun metodo può recuperare una struttura significativa dai soli dati di sequenziamento.

In sintesi, il paper sostiene che EpiLink offre un approccio basato sulla simulazione, principi-centrico, per identificare cluster di trasmissione recente che bilancia accuratezza e interpretabilità, colmando il divario tra i metodi rigidi a soglia e i modelli supervisionati che richiedono grandi quantità di dati.