💻 bioinformatics

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

Dit artikel introduceert een tweeledig Bayesiaans kader dat latente infectierisicopatronen direct afleidt uit ruwe data van virusneutralisatietitraties door antilichaamconcentraties te modelleren en onzekerheid voort te planten naar een leeftijdsgestructureerd serocatalytisch mengmodel, waardoor de beperkingen van conventionele dichotomische methoden worden overwonnen en onderscheidende infectiedynamiek voor enterovirussen A71, D68 en coxsackievirus A6 in Engeland worden onthuld.

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

Gepubliceerd 2026-09-22

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Om te begrijpen hoe een virus zich door een populatie verspreidt, kijken wetenschappers vaak naar de onzichtbare voetsporen die het achterlaat. Wanneer iemand geïnfecteerd raakt, produceert diens immuunsysteem eiwitten genaamd antilichamen om de indringer te bestrijden. Deze antilichamen kunnen nog lang nadat de infectie is verdwenen in het bloed aanwezig blijven, wat fungeert als een historisch verslag van blootstelling. Door bloedmonsters van veel mensen te testen, kunnen onderzoekers in kaart brengen wie er geïnfecteerd is geweest en wanneer, waardoor de verborgen patronen van transmissie aan het licht komen die bij symptoomgebaseerde rapportage vaak gemist worden. Een veelgebruikte manier om deze antilichamen te meten is via een virusneutralisatietest, een laboratoriumtest waarbij bloedserum stap voor stap wordt verdund en gemengd met een virus om te zien hoeveel verdunning nodig is voordat het virus nog steeds cellen kan infecteren. Traditioneel hebben wetenschappers deze complexe, stapsgewijze data teruggebracht tot één enkel getal, een "titer", die simpelweg markeert waar de bescherming ophoudt. Deze methode gooit echter een enorme hoeveelheid informatie over de werkelijke sterkte van de immuunrespons weg en biedt geen manier om de onzekerheid van dat enkele getal te meten.

Een team van onderzoekers heeft een nieuwe manier ontwikkeld om naar deze data te kijken, een manier die de ruwe resultaten niet beschouwt als een simpel pass of fail, maar als een continu verhaal van immuunsterkte. In plaats van de details van de verdunningsstappen weg te gooien, hebben ze een statistisch kader gebouwd dat de werkelijke concentratie van antilichamen in het bloed van elk persoon reconstrueert, compleet met een maatstaf voor hoe zeker die schatting is. Ze voerden deze gereconstrueerde antilichaamniveaus vervolgens in een model dat bijhoudt hoe het infectierisico verandert naarmate mensen ouder worden. Deze aanpak stelde hen in staat om de dynamiek van drie specifieke enterovirussen te afleiden — EV-A71, EV-D68 en CVA6 — die bekend staan om het veroorzaken van ernstige luchtwegaandoeningen en het hand-, voet- en mondsyndroom. Door bloedmonsters van bijna 1.600 mensen in Engeland te analyseren, verzameld over drie verschillende jaren, brachten de onderzoekers een veel duidelijker beeld naar voren van hoe deze virussen door gemeenschappen bewegen, waarbij zij onthulden dat het risico op infectie en de duur van de immuniteit aanzienlijk verschillen tussen deze nauw verwante virussen.

De onderzoekers pasten hun nieuwe methode toe op drie verschillende virussen om te zien hoe hun immuunvoetafdrukken verschilden. Voor twee van de virussen, EV-A71 en CVA6, bevestigden de resultaten een bekend patroon: infectie komt het meest voor in de vroege kindertijd. Het model schatte dat het aandeel mensen die recentelijk geïnfecteerd zijn piekt rond de 40 procent voor CVA6 op vijfjarige leeftijd en 32 procent voor EV-A71 op zevenjarige leeftijd. Na deze vroege pieken daalt de snelheid van nieuwe infecties scherp, en het aandeel van de populatie die vatbaar blijft voor deze virussen blijft hoog, waarbij meer dan de helft van de volwassenen van 40 jaar en ouder geen tekenen vertoont van recente of eerdere infectie. Dit suggereert dat hoewel deze virussen veel circuleren onder jonge kinderen, ze niet iedereen infecteren, waardoor een groot deel van de volwassen populatie kwetsbaar blijft voor toekomstige uitbraken.

In schril contrast hiermee vertelde het derde virus, EV-D68, een ander verhaal. De onderzoekers ontdekten dat blootstelling aan dit virus veel wijdverspreider en persistenter is. Hun model gaf aan dat het aandeel mensen dat geïnfecteerd is met EV-D68 de 50 procent overschrijdt op 13-jarige leeftijd en blijft stijgen, om bijna 90 procent te bereiken bij 65 jaar. In tegenstelling tot de andere twee virussen, waarbij de antilichaamniveaus de neiging hebben om in de loop der tijd af te nemen, suggereerde het model dat de antilichaamconcentraties voor EV-D68 gedurende het leven van een persoon verhoogd blijven. Dit impliceert dat mensen waarschijnlijk herhaaldelijk aan het virus worden blootgesteld, of dat de initiële infectie een zeer langdurige immuunrespons uitlokt. De infectiedruk voor EV-D68 leek ook veel geleidelijker af te nemen met de leeftijd vergeleken met de steile daling die bij de andere twee virussen werd gezien, wat suggereert dat transmissie zich ver in de volwassenheid voortzet.

Een belangrijke bevinding van dit werk is dat de nieuwe methode andere resultaten oplevert dan de traditionele manier van het analyseren van dezelfde data. Wanneer de onderzoekers hun schattingen vergeleken met eerdere studies die de oude, vereenvoudigde methode gebruikten om mensen simpelweg als "positief" of "negatief" te categoriseren op basis van een vaste afkapwaarde, vonden zij dat hun nieuwe benadering lagere infectiegroepen voor jonge kinderen schatte. Dit verschil komt voort uit het feit dat het nieuwe model onderscheid kan maken tussen iemand met een hoog niveau aan antilichamen door een recente infectie en iemand met een matig niveau door een infectie jaren geleden. De traditionele methode, die elke positieve monster in een enkele categorie dwingt, kan dit onderscheid niet maken en overschat vaak het aantal zeer recente infecties. Bovendien bood het nieuwe kader een manier om de onzekerheid in deze schattingen te kwantificeren, iets wat de oude methode niet kon.

De onderzoekers testten ook of hun bevindingen standhielden als zij ervan uitgingen dat mensen uiteindelijk alle immuniteit kunnen verliezen en weer vatbaar kunnen worden, een proces dat seroreversie wordt genoemd. Voor de virussen EV-A71 en CVA6 ondersteunde de data niet het idee dat immuniteit volledig verdwijnt; de modellen suggereerden dat als dit gebeurt, het tientallen jaren duurt, met een halfwaardetijd van immuniteit gemeten in decennia. Voor EV-D68 was de data zo sterk dat het model in essentie inklapte naar een scenario waarin iemand, eenmaal geïnfecteerd, voor het leven immuun blijft. Hoewel de studie geen bewijs vond voor een snel verlies van immuniteit, merkten de auteurs op dat hun model een specifieke vorm aanneemt voor hoe het infectierisico met de leeftijd verandert, wat de resolutie van de data voor de allerjongste kinderen mogelijk enigszins beperkt.

Uiteindelijk demonstreert dit werk dat de ruwe data van virusneutralisatietesten een schat aan informatie bevat die vaak verloren gaat wanneer wetenschappers het samenvatten in één enkel getal. Door een tweeledig statistisch kader te gebruiken dat eerst de werkelijke antilichaamconcentratie schat en vervolgens die schattingen gebruikt om de infectiegeschiedenis te modelleren, waren de onderzoekers in staat om de leeftijdsgebonden infectierisico's af te leiden zonder afhankelijk te zijn van willekeurige drempelwaarden. Deze aanpak onthulde dat EV-D68 waarschijnlijk gebruikelijker en persistenter is in de populatie dan eerder gedacht, terwijl EV-A71 en CVA6 grote groepen vatbare volwassenen achterlaten. Deze inzichten, rechtstreeks afgeleid van de ruwe laboratoriummetingen, bieden een genuanceerder beeld van hoe deze virussen circuleren en kunnen publieke gezondheidsinstanties helpen beter te begrijpen wat de risico's van toekomstige uitbraken zijn en de potentiële behoefte aan vaccinatiestrategieën.

Technische Samenvatting: Een Bayesiaans Modelleringraamwerk voor de Inferentie van Latente Infectierisicopatronen uit Virus Neutralisatie Assay Titratiegegevens

Probleemstelling
Serologische assays, met name Virus Neutralisation Assays (VNA's), zijn de standaard voor het schatten van de cumulatieve pathogene incidentie en het monitoren van de immuniteit in de populatie. De conventionele analyse van VNA-gegevens vertrouwt echter op een eeuw oude interpolatiemethode (bijv. Reed-Muench) om een "endpoint titre" te bepalen. Deze aanpak verwerpt significante informatie die inherent is aan de ruwe verdunningsreeksgegevens, behandelt de assay als een deterministisch proces ondanks inherente experimentele imperfecties, en produceert puntramingen zonder mate van onzekerheid. Bovendien dichotomiseren traditionele epidemiologische analyses deze titres vaak in binaire seropositieve/seronegatieve categorieën op basis van willekeurige drempelwaarden, wat de continue variatie in antilichaamniveaus vertroebelt en de resolutie van kwantitatieve analyses op populatieniveau beperkt.

Methodologie
De auteurs stellen een tweeledig Bayesiaans raamwerk voor dat latente infectierisicopatronen direct afleidt uit ruwe titratiegegevens zonder dichotomisering.

Fase 1: Mechanistisch Probit-model voor Antilichaamconcentratie
De eerste fase modelleert het VNA-proces als een dosis-respons-experiment. In plaats van een enkele endpoint te interpoleren, modelleren de auteurs de overlevingskans van cellen bij een bepaalde serumverdunning $d$ met behulp van een mechanistische probitfunctie.
- Formulering: Het model gaat ervan uit dat er voor elk individu een latente onderliggende neutraliserende antichaamconcentratie ( $\phi$ ) is. De overlevingskans $\pi(d)$ wordt gemodelleerd als $\Phi(k_1(\log \phi - \log d))$ , waarbij $\Phi$ de standaard normale cumulatieve distributiefunctie is en $k_1$ de steilheid van de dosis-responscurve controleert.
- Inferentie: Door gebruik te maken van een binomiale bemonsteringsmodelling voor de replicate-uitkomsten bij elke verdunningsstap, schat het raamwerk de posterieure distributie van de latente antichaamconcentratie $\phi$ en de hellingsparameter $k_1$ . Deze fase kwantificeert de onzekerheid in de antichaamconcentratie voor elk monster, waarbij assay-niveau ruis wordt gepropageerd in plaats van te worden samengevallen tot een puntraming.
Fase 2: Leeftijdsgestructureerde Serocatalytische Mengmodellen
De tweede fase integreert de onzekerheid uit Fase 1 in een epidemiologisch model om infectiedynamiek af te leiden.
- Integratie: In plaats van gezamenlijk te fitten, gebruikt het raamwerk een "cut" inferentie-aanpak. Het integreert over de posterieure trekkingen van individuele antichaamconcentraties ( $\phi$ ) gegenereerd in Fase 1 om de likelihood in de tweede fase te evalueren.
- Modelstructuren: De auteurs gebruiken serocatalytische modellen om de evolutie van serostaten met de leeftijd te beschrijven:
  - SII-model (Susceptibel, Recent Geïnfecteerd, Geïnfecteerd een tijdje geleden): Gebruikt voor Enterovirus A71 (EV-A71) en Coxsackievirus A6 (CVA6). Dit model bevat een afname-snelheid ( $\psi$ ) die een overgang toestaat van een hooggeconcentreerde staat ( $I^{++}$ ) naar een lagere, persistente staat ( $I^+$ ), maar sluit volledige seroreversie ( $I^+ \to S$ ) uit.
  - SI-model (Susceptibel, Geïnfecteerd): Gebruikt voor Enterovirus D68 (EV-D68), uitgaande van geen afname ( $\psi=0$ ) en waarbij infectie wordt behandeld als een absorberende staat, wat een hoge levenslange seroprevalentie weerspiegelt.
- Likelihood: De likelihood voor een individu is een mengeling van log-normale distributies die overeenkomen met verschillende serostaten, gewogen door de leeftijdsafhankelijke waarschijnlijkheid om een bepaalde staat te bezetten, afgeleid van het ODE-systeem.

Kernbijdragen

Directe Inferentie uit Ruwe Gegevens: Het raamwerk omzeilt de noodzaak van vooraf bepaalde seropositiviteitsdrempels door infectiegroei en antichaamconcentraties direct af te leiden uit de ruwe well-level uitkomsten van de titratieassay.
Onzekerheidspropagatie: Het is de eerste aanpak die de onzekerheid op assay-niveau (van de verdunningsreeks) propageert naar de schatting van epidemiologische parameters (force of infection, afnamesnelheden), waarbij betrouwbaarheidsintervallen voor alle schattingen worden geboden.
Mechanistische Koppeling: Het overbrugt de kloof tussen assay-niveau statistische modellen (die titres schatten) en epidemiologische modellen (die transmissie schatten), waardoor gezamenlijke inferentie op latente serostate-lidmaatschap, de force of infection ( $\lambda$ ) en serologische afname mogelijk wordt.
Genuanceerde Serodynamica: Door antichaamconcentraties als continue latente variabelen te modelleren, onderscheidt het raamwerk recent geïnfecteerde individuen ( $I^{++}$ ) van eerder geïnfecteerde individuen ( $I^+$ ), wat een meer fijnmazig beeld biedt van immuniteitslandschappen dan binaire classificatie.

Resultaten
Het raamwerk werd toegepast op drie dwarsdoorsnedenervestingsonderzoeken in de Engelse populatie (2006, 2011, 2017) voor EV-A71, EV-D68 en CVA6.

Antichaamconcentraties: EV-D68 vertoonde consequent hogere en meer persistente levenslange antichaamconcentraties vergeleken met EV-A71 en CVA6. Voor EV-A71 en CVA6 piekten de concentraties in de kindertijd en namen ze daarna af, terwijl de EV-D68 concentraties verhoogd bleven tot in de volwassenheid.
Serostate Dynamica:
- EV-A71 & CVA6: Het aandeel recent geïnfecteerde individuen ( $I^{++}$ ) piekte rond 32% (leeftijd 7) voor EV-A71 en 40% (leeftijd 5) voor CVA6, en nam af met de leeftijd. Een aanzienlijk deel van de volwassen populatie (ongeveer 50-60%) bleef in de susceptibele staat ( $S$ ), wat wijst op residuele vatbaarheid.
- EV-D68: Het aandeel eerder geïnfecteerde individuen oversteeg de 50% tegen de leeftijd van 13 jaar en benaderde de 90% bij een leeftijd van 65 jaar. Het susceptibele deel bij volwassenen was laag (<10%).
Force of Infection (FOI):
- Voor EV-A71 en CVA6 was de FOI hoog in de vroege kindertijd en nam deze snel af, waarbij deze tegen de leeftijd van 10 jaar bijna nul werd.
- Voor EV-D68 nam de FOI geleidelijker af met de leeftijd. De auteurs merken op dat het samenvoegen van gegevens over verschillende jaren (2006–2017) kan middelen over een veranderend transmissieregime, met name gezien de wereldwijde EV-D68 uitbraak in 2014.
Vergelijking met Vorige Methoden: Vergeleken met eerdere analyses met gebinariseerde gegevens ("Oude" methode), schatte het nieuwe raamwerk ("Nieuwe" methode) lagere forces of infection, met name in de leeftijdsgroep 1–10 jaar. De auteurs schrijven dit toe aan het vermogen van het mengmodel om tussenliggende antichaamniveaus probabilistisch toe te wijzen aan serostaten en de expliciete modellering van afname, waardoor de FOI geschat kan worden zonder alle leeftijdsgebonden afnames in de transmissiesnelheid te dwingen.

Betekenis en Claims
De auteurs beweren dat hun raamwerk een breed scala aan variaties in antichaamniveaus onthult die vaak verborgen blijven door conventionele endpoint titre-methoden. Door dichotomisering bij vaste drempelwaarden te vermijden, biedt de methode een duidelijker beeld van seroconversiedynamiek en verbetert het de schatting van virustransmissie en populatievatbaarheid. De aanpak wordt gepresenteerd als een principiële methode om cumulatieve incidentie te schatten en immuniteitsdynamiek te volgen direct vanuit serologische gegevens. De auteurs merken op dat hoewel de methode is gedemonstreerd op enterovirussen, deze generaliseerbaar is naar elk antichaam-titratie-gebaseerd systeem waar SI of SII modellen passend zijn. Ze erkennen beperkingen, zoals de aanname van een leeftijdsafhankelijke (in plaats van tijdvariërende) FOI in de primaire analyse en de uitsluiting van seroreversie in de primaire modellen vanwege identificeerbaarheidsproblemen, hoewel er waar mogelijk sensitiviteitsanalyses zijn uitgevoerd.

Meer zoals dit