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

Resumo Técnico: Teoria Estocástica de Primeiro Passageiro do Rebote Viral de HIV após a Reativação do Reservatório Latente

Definição do Problema
Estudos atuais de interrupção do tratamento antirretroviral (ATI) visam prever o tempo de rebote viral do HIV após a cessação da terapia antirretroviral (ART). No entanto, os modelos estocásticos existentes frequentemente confundem o tempo oculto da primeira reativação bem-sucedida de uma célula latente com o tempo de rebote clinicamente observado. O desfecho clínico não é o momento em que uma célula latente se reativa, mas sim a primeira vez que a carga viral plasmática ($V(t)$) de um indivíduo cruza um limiar de detecção definido pelo ensaio ($V_{det}$). Essa distinção é crítica porque o tempo de rebote observado é censurado por intervalo e depende do crescimento estocástico de linhagens virais após a reativação. Estruturas anteriores caracterizaram a sobrevivência da ativação e as cargas virais médias de conjunto, mas estas não equivalem ao tempo de primeiro passageiro de uma única trajetória estocástica, particularmente no regime de reativação rara, onde as médias de conjunto podem ser dominadas por trajetórias minoritárias de crescimento precoce e rápido.

Metodologia
Os autores reformulam o rebote pós-tratamento do HIV como um problema estocástico de primeiro passageiro. O modelo trata eventos de reativação bem-sucedidos e estabelecidos como um processo de Poisson não homogêneo com intensidade dependente do tempo $\lambda(t)$. Cada evento semeia uma linhagem viral que passa por uma fase de eclipse ($\tau_e$) seguida de crescimento exponencial com uma taxa líquida $r$. A carga viral plasmática total é modelada como um processo de ruído de impulsos (shot-noise) de Poisson:
$$V(t) = v_0 \sum_{T_i \le t} e^{r(t-T_i)}$$
onde $T_i$ são os tempos de reativação bem-sucedida e $v_0$ é a contribuição fundadora inicial.

O tempo de rebote é definido como $T_{reb} = \inf\{t \ge t_w : V(t) \ge V_{det}\}$, onde $t_w$ é o tempo de lavagem (washout) da ART. O artigo deriva a distribuição exata de $T_{reb}$ através da transformada de Laplace da distribuição da carga viral. Para fornecer tratabilidade analítica, os autores introduzem uma aproximação de fundador único, que assume que o rebote detectável é dominado pela primeira linhagem em expansão bem-sucedida. Sob essa aproximação, o tempo de rebote decompõe-se em um tempo de espera estocástico para a primeira reativação bem-sucedida ($T_1$) e um atraso de crescimento determinístico ($\tau_{det}$):
$$T_{reb} \approx T_1 + \tau_{det}, \quad \text{onde } \tau_{det} = \tau_e + \frac{1}{r} \log\left(\frac{V_{det}}{v_0}\right)$$

Os autores derivam leis de sobrevivência de tempo de rebote em forma fechada para vários perfis de ativação, incluindo:

1. Ativação constante: Resulta em uma distribuição exponencial deslocada.
2. Ativação dependente da lavagem da ART: Modela o decaimento da supressão residual de fármacos, levando a um tempo de espera do tipo Rayleigh.
3. Ativação imune periódica: Incorpora modulação sinusoidal na taxa de reativação.
4. Ativação de processo de Cox: Considera flutuações estocásticas na taxa de reativação.
5. Reservatórios heterogêneos: Modela classes de reservatórios concorrentes com distintas taxas de ativação e parâmetros de crescimento.

Além disso, o artigo constrói uma função de verossimilhança adequada para a estrutura de amostragem censurada por intervalo típica de ensaios de ATI, distinguindo entre dados exatamente observados, censurados por intervalo e censurados à direita.

Principais Resultados

• Decomposição do Tempo de Rebote: O estudo estabelece que o tempo de rebote observado é a soma de um tempo de espera estocástico para a reativação do reservatório e um atraso determinístico necessário para a expansão viral atingir a detectabilidade. Essa separação explica por que os tempos de rebote mudam sistematicamente com os limiares de detecção.
• Dependência Logarítmica do Limiar: Uma previsão central é que o tempo de rebote mediano depende logaritmicamente do limiar de detecção ($V_{det}$). Especificamente, $Q_{0.5}(V_{det}) \approx C + \frac{1}{r} \log(V_{det})$.
• Validação com Meta-análise: Aplicando esta teoria a uma meta-análise de 24 estudos de ATI (Gunst et al.), os autores ajustaram os tempos medianos relatados para limiares de 50, 400 e 10.000 cópias/mL. Os dados alinham-se com a dependência logarítmica prevista ($R^2 \approx 0,99$), resultando em uma taxa de crescimento líquida efetiva de $r \approx 0,33 \text{ dia}^{-1}$.
• Discrepância com o Crescimento Máximo: A taxa de crescimento ajustada ($0,33 \text{ dia}^{-1}$) é significativamente inferior à taxa de crescimento máxima nominal da infecção precoce ($0,69 \text{ dia}^{-1}$). O artigo atribui isso a restrições efetivas, como atividade residual de fármacos, limitação de células-alvo e pressão imune durante a fase inicial do rebote.
• Viés de Modelos de Campo Médio (Mean-Field): Os autores demonstram que o cruzamento de limiar de campo médio (resolvendo $E[V(t)] = V_{det}$) subestima sistematicamente os tempos de rebote típicos em regimes de reativação rara. As médias de conjunto são enviesadas por linhagens de expansão precoce e raras que não representam a trajetória típica do indivíduo.
• Efeitos de Heterogeneidade: Em modelos com classes de reservatórios concorrentes, uma classe rara com alto output de fundadores ou crescimento rápido pode dominar o evento de rebote detectável inicial, sobrepondo-se à contribuição de reservatórios maiores e de crescimento mais lento.

Significância e Alegações
O artigo afirma fornecer uma teoria analiticamente transparente que aborda diretamente a quantidade medida em ensaios de ATI: o primeiro cruzamento de um limiar de detecção de carga viral. Ao deslocar o foco da sobrevivência da ativação ou das médias de conjunto para os tempos de primeiro passageiro, a estrutura:

1. Esclarece Mecanismos Biológicos: Separa os efeitos das intervenções em componentes distintos: reduzir a taxa de reativação ($\lambda$), diminuir a probabilidade de estabelecimento ou retardar o crescimento pós-reativação ($r$).
2. Corrige a Estimativa de Parâmetros: Explica por que o uso de parâmetros de crescimento máximo leva à subprevisão dos tempos de rebote e fornece um método para calibrar taxas de crescimento efetivas a partir de dados resolvidos por limiar.
3. Permite a Inferência Estatística: Oferece uma estrutura de verossimilhança rigorosa para analisar dados de ATI censurados por intervalo, contabilizando a natureza estocástica da reativação e o atraso para a detectabilidade.

Os autores enfatizam que esta teoria não substitui modelos mecanísticos vírus-célula, mas complementa-os ao fornecer a ligação probabilística entre a dinâmica oculta do reservatório e o desfecho clínico observável. O trabalho sugere que os tempos de rebote observados não são meramente uma função do tamanho do reservatório, mas são fortemente influenciados pelo limiar de detecção e pela taxa de crescimento efetiva, restringida pelo ambiente fisiológico pós-interrupção.