Читать книгу Influenza Studie Vorhersage von Antigenübergängen Grippetrenddaten zur Erkennung von saisonaler und pandemischer Influenza und zur Optimierung der Influenzaüberwachung - Nicola Schmid - Страница 4

Phylodynamische Modelle beschreiben die Wechselwirkung zwischen den epidemiologischen und evolutionären Prozessen eines Pathogens. Die Verfügbarkeit molekularer Daten in Verbindung mit der jüngsten Entwicklung detaillierter, datengesteuerter phylodynamischer Modelle hat das neue Gebiet der viralen Vorhersagemodellierung erweitert.

Diese Modelle zielen darauf ab, die zukünftige Prävalenz spezifischer viraler Subtypen basierend auf früheren und gegenwärtigen molekularen Daten vorherzusagen.

Ein Ansatz generiert beispielsweise Prognosen zur Kladenhäufigkeit für ein Jahr im Voraus unter Verwendung eines Fitnessmodells, das durch die Anzahl der antigenen und genetischen Mutationen parametrisiert wird, die die Antigenität bzw. Stabilität des Virus bestimmen.

Eine andere Methode bildet die Antigenentfernung von den Daten des Hämagglutinationshemmungsassays (HI) auf eine HA-Genealogie ab, um zu bestimmen, ob die Änderungen der Antigenität bei Kladen mit hohem Wachstum eine Aktualisierung der Impfstoffzusammensetzung erforderlich machen.

Ein drittes Modell sagt voraus, welche Klade die Vorläuferlinie der nachfolgenden Influenzasaison sein wird, indem die Fitness unter Verwendung eines Wachstumsratenmaßes geschätzt wird, das aus topologischen Merkmalen der HA-Genealogie abgeleitet wird.

Alle drei Ansätze wurden anhand historischer Vorhersagen getestet. Sie werden verwendet, um Empfehlungen zur Impfstoffzusammensetzung für die kommenden Influenzasaisonen abzugeben.

Zusammengenommen weist dieses Werk auf das Versprechen prädiktiver Evolutionsmodelle hin. Phylodynamische Simulationsmodelle bieten ein komplementäres Fenster in die molekulare Evolution neu auftretender Viren.

Durch Beobachtung der Influenza-Evolution in silico können wir einen rigorosen experimentellen Ansatz verfolgen, um Hypothesen über Frühindikatoren für den Erfolg von Clustern zu testen und Überwachungsstrategien zu entwickeln, die die Auswahl von Impfstoffstämmen beeinflussen.

Hier simulieren wir Jahrzehnte der H3N2-Evolution und -Transmission mithilfe eines veröffentlichten Phylodynamikmodells und analysieren die simulierten Daten, um frühe Prädiktoren für das evolutionäre Schicksal eines Clusters zu identifizieren.

Virale Wachstumsraten - sowohl für einen aufstrebenden Cluster als auch für seine Konkurrenten - sind die robustesten Prädiktoren für zukünftige Aufstiege.

Wenn ein neuer Antigencluster zum ersten Mal mit niedriger Häufigkeit auftritt (z. B. 1% der untersuchten Viren), können unsere statistischen logistischen Regressionsmodelle vorhersagen, ob er letztendlich zur Dominanz ansteigen wird (z. B. eine relative Häufigkeit von mehr als 20% der untersuchten Viren für mindestens 45 Tage).

Wir versuchen auch, diese statistischen Modelle in umsetzbare Richtlinien für die globale Influenzaüberwachung umzuwandeln, indem wir Proxy-Indikatoren entwickeln, die anhand der verfügbaren Daten leicht geschätzt werden können.

Unter Verwendung sowohl simulierter Daten als auch 6.271 Influenza-Sequenzen, die zwischen 2006 und 2018 gesammelt wurden. Wir quantifizieren die Grenzen der Genauigkeit, Präzision und Aktualität von Vorhersagen und konstruieren Modelle, um zukünftige Frequenzen aufkommender Cluster vorherzusagen.