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

Enunciado do Problema
A identificação de infecções recentemente vinculadas a partir de sequências genômicas de patógenos é um pilar da vigilância de doenças infecciosas, particularmente para investigar surtos e eventos de superespalhamento. No entanto, as abordagens de agrupamento atuais frequentemente dependem de limiares de distância genética fixos. A relação entre esses limiares fixos e a transmissão real é frequentemente obscura, especialmente em surtos de crescimento rápido, onde os casos são amostrados próximos uns dos outros no tempo e compartilham uma variação genética mínima. Em tais cenários, distinguir ligações de transmissão reais de similaridades coincidentes é difícil. Embora modelos supervisionados possam melhorar a discriminação, eles exigem dados de transmissão rotulados, que raramente estão disponíveis durante respostas a surtos ativos. Além disso, métodos existentes que explicitamente modelam casos não amostrados e incerteza (por exemplo, outbreaker2, TransPhyllo) são frequentemente computacionalmente intensivos e mais adequados para reconstruções detalhadas do que para a vigilância em tempo real.

Metodologia
Os autores desenvolveram o EpiLink, um método baseado em simulação e livre de limiares, projetado para estimar se dois casos são "compatíveis" com uma transmissão recente. Em vez de inferir uma árvore de transmissão totalmente resolvida, o EpiLink avalia se a distância genética observada e a diferença de tempo de amostragem entre dois casos se ajustam às distribuições esperadas sob cenários de transmissão definidos.

• Mecanismo Central: O EpiLink simula histórias de transmissão recente plausíveis enquanto considera a incerteza no tempo de infecção, atrasos de teste e acúmulo de mutações. Ele avalia duas classes primárias de cenários de transmissão latentes até uma profundidade oculta máxima:
  1. Ancestral-Descendente (HAD - Ancestor-Descendant): Um caso descende do outro através de $m$ intermediários não amostrados.
  2. Ancestral Comum (HCA - Common-Ancestor): Ambos os casos descendem independentemente de uma fonte não amostrada compartilhada.
• Pontuação: O modelo gera amostras de Monte Carlo de um modelo de história natural (incorporando estágios infecciosos latentes, pré-sintomáticos e sintomáticos distribuídos via Gamma, e atrasos de teste). Ele mapeia isso para distâncias genéticas esperadas usando um relógio determinístico ou um processo de Poisson estocástico. As pontuações de compatibilidade são calculadas localizando os valores observados dentro dessas distribuições empíricas específicas de cada cenário. A pontuação final é o produto das compatibilidades temporais e genéticas, somadas através dos cenários alvo (o padrão sendo transmissão direta e infecção co-primária).
• Avaliação: O método foi avaliado usando:
  • Dados Sintéticos: Derivados do modelo baseado em agentes SCoVMod, criando uma árvore de transmissão de 4.990 nós com dinâmica de superespalhamento.
  • Dados Empíricos: 772 sequências de genoma completo de SARS-CoV-2 da epidemia de Boston em 2020 (março–maio de 2020).
• Comparadores: Variantes do EpiLink (inferência determinística vs. estocástica e entrada de dados) foram comparadas contra:
  • Um modelo de regressão logística treinado em pares de transmissão rotulados (referência supervisionada).
  • TreeCluster (um método de agrupamento filogenético rígido).
  • Métricas de desempenho incluíram Precisão Média (AP) para discriminação pareada e escores F1 de BCubed para precisão de agrupamento.

Principais Resultados

• Desempenho vs. Modelos Supervisionados: Nos benchmarks sintéticos, o modelo de regressão logística supervisionado (LD) alcançou a maior discriminação pareada. No entanto, a variante do EpiLink que utiliza inferência estocástica em entradas determinísticas (ESD) alcançou uma precisão de agrupamento quase idêntica (F1 = 0,644 vs. 0,647 para LD), demonstrando que o EpiLink pode se aproximar do desempenho supervisionado sem dados rotulados.
• Robustez e Sensibilidade:
  • Determinístico vs. Estocástico: Modelos de entrada determinística superaram consistentemente os equivalentes de entrada estocástica tanto em discriminação quanto em agrupamento. No entanto, modelos de entrada estocástica provaram ser mais robustos quando as suposições do modelo (especificamente em relação à variabilidade do período de incubação) foram mal especificadas.
  • Sensibilidade de Parâmetros: O método foi mais sensível à redução das taxas de substituição e ao encurtamento dos períodos de incubação, que comprimem os sinais genéticos e temporais. A má especificação do atraso de teste teve efeitos negligenciáveis.
  • Estabilidade Temporal: As atribuições de agrupamento estabilizaram-se após as primeiras atualizações semanais em um cenário de vigilância contínua, com altos índices de Jaccard entre partições consecutivas.
• Aplicação Empírica (Boston): Aplicado ao conjunto de dados de Boston, o EpiLink recuperou 77 clusters. Cinco clusters foram significativamente enriquecidos por surtos documentados em uma conferência e em instalações de enfermagem especializada (SNF). O maior cluster associado a SNF (n=84) e o cluster associado à Conferência (n=29) mostraram estruturas genéticas e temporais apertadas consistentes com eventos de transmissão conhecidos.
• Comparação com TreeCluster: O TreeCluster recuperou sinais associados à exposição, mas os fragmentou em mais clusters menores em comparação ao EpiLink. O EpiLink forneceu uma pontuação de compatibilidade pareada graduada, enquanto o TreeCluster produziu partições rígidas.

Significância e Alegações
O artigo posiciona o EpiLink como uma alternativa prática e interpretável ao agrupamento de limiar fixo, particularmente em contextos onde dados de transmissão rotulados não estão disponíveis e limiares fixos são difíceis de justificar.

• Interpretabilidade: Ao contrário de modelos supervisionados de "caixa preta" ou cortes de distância arbitrários, o EpiLink fornece uma pontuação de compatibilidade graduada com uma interpretação mecanística clara baseada em suposições explícitas de história natural.
• Utilidade Operacional: O método é projetado para a escala operacional de vigilância, visando identificar se os casos pertencem plausivelmente ao mesmo vizinhança de transmissão recente, em vez de reconstruir árvores de transmissão exatas.
• Compensações (Trade-offs): Os autores destacam uma compensação prática: configurações determinísticas performam melhor quando as suposições do modelo estão bem ajustadas, enquanto configurações que incorporam estocasticidade são mais robustas quando as suposições são mal especificadas.
• Limitações: Os autores reconhecem que o EpiLink opera em genomas de consenso (ignorando a diversidade intra-hospedeiro), depende de cenários alvo especificados pelo usuário e que as pontuações de compatibilidade não são probabilidades posteriores calibradas. Eles também observam que, quando a diversidade do patógeno é intrinsecamente baixa em relação à escala de transmissão, nenhum método pode recuperar estrutura significativa apenas a partir de dados de sequência.

Em resumo, o artigo afirma que o EpiLink oferece uma abordagem baseada em simulação, principada e para o EpiLink, que equilibra precisão com interpretabilidade, preenchendo uma lacuna entre métodos de agrupamento de limiar rígidos e modelos famintos por dados.