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

Technische Samenvatting: Stochastische First-Passage Theorie van HIV Virale Rebound na Reactivatie van het Latente Reservoir

Probleemstelling
Huidige studies naar analytische behandelingsonderbreking (ATI) beogen de timing van de virale HIV-rebound te voorspellen na het staken van antiretrovirale therapie (ART). Echter, bestaande stochastische modellen verwarren vaak de verborgen tijd van de eerste succesvolle reactivatie van een latente cel met de klinisch geobserveerde rebound-tijd. Het klinische eindpunt is niet het moment waarop een latente cel reactiveert, maar de eerste keer dat de plasmaviraallast ($V(t)$) van een individu een specifieke, door assays gedefinieerde detectiedrempel ($V_{det}$) overschrijdt. Dit onderscheid is cruciaal omdat de geobserveerde rebound-tijd interval-gecensureerd is en afhankelijk is van de stochastische groei van virale lineages na reactivatie. Eerdere kaders karakteriseerden activatie-overleving en ensemble-gemiddelde virale lasten, maar deze komen niet overeen met de first-passage tijd van een enkele stochastische trajectorie, met name in het regime van zeldzame reactivatie waar ensemble-gemiddelden gedomineerd kunnen worden door minderheids-trajectorieën met vroege, snelle groei.

Methodologie
De auteurs herformuleren de post-behandeling HIV-rebound als een stochastisch first-passage probleem. Het model behandelt succesvolle, gevestigde reactivatie-events als een inhomogene Poisson-proces met een tijdafhankelijke intensiteit $\lambda(t)$. Elk event zaait een virale lineage die een eclipse-fase ($\tau_e$) doorloopt, gevolgd door exponentiële groei met een netto snelheid $r$. De totale plasmaviraallast wordt gemodelleerd als een Poisson shot-noise proces:
$$V(t) = v_0 \sum_{T_i \le t} e^{r(t-T_i)}$$
waarbij $T_i$ de tijden van succesvolle reactivatie zijn en $v_0$ de initiële founder-bijdrage is.

De rebound-tijd wordt gedefinieerd als $T_{reb} = \inf\{t \ge t_w : V(t) \ge V_{det}\}$, waarbij $t_w$ de ART-washout-tijd is. Het artikel leidt de exacte distributie van $T_{reb}$ af via de Laplace-transformatie van de virale lastverdeling. Om analytische hanteerbaarheid te bieden, introduceren de auteurs een single-founder benadering, die ervan uitgaat dat detecteerbare rebound wordt gedomineerd door de vroegste succesvol expanderende virale lineage. Onder deze benadering decomponeert de rebound-tijd in een stochastische wachttijd voor de eerste succesvolle reactivatie ($T_1$) en een deterministische groeivertraging ($\tau_{det}$):
$$T_{reb} \approx T_1 + \tau_{det}, \quad \text{waarbij } \tau_{det} = \tau_e + \frac{1}{r} \log\left(\frac{V_{det}}{v_0}\right)$$

De auteurs leiden gesloten vorm rebound-tijd overlevingswetten af voor diverse activatieprofielen, waaronder:

1. Constante activatie: Resulteert in een verschoven exponentiële distributie.
2. ART-washout-afhankelijke activatie: Modelleert het verval van residuele drug-suppressie, wat leidt tot een Rayleigh-achtige vroege wachttijd.
3. Periodieke immuunactivatie: Omvat sinusoidale modulatie van de reactivatiestatistiek.
4. Cox-proces activatie: Houdt rekening met stochastische fluctuaties in de reactivatiestatistiek.
5. Heterogene reservoirs: Modelleert concurrerende reservoirklassen met verschillende activatiesnelheden en groeiparameters.

Verder construeert het artikel een likelihood-functie die geschikt is voor de interval-gecensureerde bemonsteringsstructuur die typerend is voor ATI-studies, waarbij onderscheid wordt gemaakt tussen exact geobserveerde, interval-gecensureerde en rechts-gecensureerde data.

Belangrijkste Resultaten

• Decompositie van Rebound-tijd: De studie stelt vast dat de geobserveerde rebound-timing de som is van een stochastische wachttijd voor reservoir-reactivatie en een deterministische vertraging die nodig is voor de virale expansie tot detecteerbaarheid. Deze scheiding verklaart waarom rebound-tijden systematisch verschuiven met detectiedrempels.
• Logaritmische Drempelafhankelijkheid: Een centrale voorspelling is dat de mediane rebound-tijd logaritmisch afhangt van de detectiedrempel ($V_{det}$). Specifiek: $Q_{0.5}(V_{det}) \approx C + \frac{1}{r} \log(V_{det})$.
• Validatie met Meta-analyse: Bij het toepassen van deze theorie op een meta-analyse van 24 ATI-studies (Gunst et al.), passen de auteurs de gerapporteerde mediane tijden voor drempels van 50, 400 en 10.000 kopieën/mL aan. De data komt overeen met de voorspelde logaritmische afhankelijkheid ($R^2 \approx 0,99$), wat een effectieve netto groeisnelheid van $r \approx 0,33 \text{ dag}^{-1}$ oplevert.
• Discrepantie met Maximale Groei: De gefitteerde groeisnelheid ($0,33 \text{ dag}^{-1}$) is aanzienlijk lager dan de nominale maximale vroege-infectiegroeisnelheid ($0,69 \text{ dag}^{-1}$). Het artikel schrijft dit toe aan effectieve beperkingen zoals residuele drug-activiteit, target-cel beperking en immuundruk tijdens de vroege rebound-fase.
• Bias van Mean-Field Modellen: De auteurs demonstreren dat mean-field drempeloverschrijding (het oplossen van $E[V(t)] = V_{det}$) de typische rebound-tijden in zeldzame-reactivatie-regimes systematisch onderschat. Ensemble-gemiddelden worden vertekend door zeldzame, vroeg-expanderende lineages die niet representatief zijn voor het typische individuele traject.
• Heterogeniteitseffecten: In modellen met concurrerende reservoirklassen kan een zeldzame klasse met een hoge founder-output of snelle groei de eerste detecteerbare rebound-event domineren, waardoor de bijdrage van grotere, langzamer groeiende reservoirs wordt overstemd.

Betekenis en Claims
Het artikel claimt een analytisch transparante theorie te bieden die direct de grootheid adresseert die in ATI-studies wordt gemeten: de eerste overschrijding van een virale last detectiedrempel. Door de focus te verleggen van activatie-overleving of ensemble-gemiddelden naar first-passage tijden, biedt het kader:

1. Verduidelijking van Biologische Mechanismen: Het scheidt de effecten van interventies in afzonderlijke componenten: het verminderen van de reactivatiestatistiek ($\lambda$), het verlagen van de vestigingskans, of het vertragen van de post-reactivatie groei ($r$).
2. Correctie van Parameterestimatie: Het verklaart waarom het gebruik van maximale groeiparameters leidt tot een onderpredictie van rebound-tijden en biedt een methode om effectieve groeisnelheden te kalibreren vanuit drempel-opgeloste data.
3. Mogelijkheid tot Statistische Inferentie: Het biedt een rigoureus likelihood-kader voor het analyseren van interval-gecensureerde ATI-data, waarbij rekening wordt gehouden met de stochastische aard van reactivatie en de vertraging tot detecteerbaarheid.

De auteurs benadrukken dat deze theorie geen mechanistische virus-celmodellen vervangt, maar deze complementeert door de probabilistische link te leggen tussen verborgen reservoir-dynamica en de observeerbare klinische eindpunten. Het werk suggereert dat geobserveerde rebound-tijden niet louter een functie zijn van de reservoiromvang, maar sterk worden beïnvloed door de detectiedrempel en de effectieve groeisnelheid die wordt beperkt door de fysiologische omgeving na onderbreking.