Dans une étude récente publiée dans eBioMedicine, les chercheurs ont développé le pipeline d’analyse du scanner Transmission Fitness Polymorphism (TFP) pour détecter les variantes du coronavirus 2 du syndrome respiratoire aigu sévère (SRAS-CoV-2) avec des taux de croissance élevés, servant d’indicateurs avancés pour générer des signaux d’alerte précoces. (EWS) pour les vagues épidémiques.
Étude: Signaux d’alerte précoces phylogénomiques pour les vagues épidémiques de SRAS-CoV-2. Crédit d’image : Andrii Vodolazhskyi/Shutterstock.com
Sommaire
Arrière-plan
La maladie à coronavirus 2019 (COVID-19) a entraîné des vagues épidémiques récurrentes associées à l’émergence continue du SRAS-CoV-2 et à l’émergence de variantes.
L’identification rapide des variantes est cruciale pour prédire les vagues futures et mettre en œuvre des contre-mesures telles que la distanciation sociale, la vaccination ou l’amélioration des capacités de soins de santé.
Des approches statistiques pour générer des SAP ont été développées, souvent basées sur l’incidence ou la prévalence des maladies infectieuses. L’apprentissage automatique a démontré sa capacité à améliorer la sensibilité et la spécificité.
En outre, les chercheurs ont tenté de créer un SAP en utilisant des données indirectes telles que les valeurs du seuil de cycle (Ct) de la réaction en chaîne par polymérase (PCR), les anomalies comportementales et l’absentéisme au travail.
À propos de l’étude
Dans la présente étude, les chercheurs ont exploré les données d’utilité des séquences génomiques du SRAS-CoV-2 pour générer des EWS des futures vagues de COVID-19, en analysant les données pandémiques du Royaume-Uni (Royaume-Uni) COVID-19 d’août 2020 à mars 2022.
L’équipe a identifié des indicateurs avancés pour générer des signes avant-coureurs avant une augmentation exponentielle des hospitalisations liées au COVID-19.
Par la suite, ils ont comparé les performances des indicateurs avancés basés sur la phylogénie du SRAS-CoV-2 avec ceux non basés sur la phylogénie, tels que les nouvelles admissions à l’hôpital, les taux de positivité des tests, les niveaux de PCR Ct, l’enquête CoMix et les données de mobilité de Google.
Ils ont exploré la sensibilité de la durée des leads EWS au seuil fixé pour les EWS faussement positifs. L’objectif de l’étude était de maximiser les délais d’exécution et de minimiser le nombre de SAP faussement positifs afin d’améliorer l’efficacité des contre-mesures.
L’équipe a examiné les grandes phylogénies du SRAS-CoV-2 et déterminé les taux de croissance logistique (LGR) pour les groupes au sein de chaque phylogénie à l’aide d’un modèle linéaire généralisé (GLM) et d’un modèle additif généralisé (GAM).
Ils ont également calculé une statistique de valeur aberrante d’horloge moléculaire (MCO), qui évalue le degré de divergence des taux d’évolution dans une branche phylogénétique. Dans l’enquête TFP Scanner, ils ont fait varier l’âge minimum du cluster, l’âge maximum du cluster et la taille minimale du seuil pour le nombre de descendants dans les clusters à l’aide de 24 paramètres.
L’équipe a appliqué des filtres aux clusters utilisés pour générer la série chronologique des indicateurs avancés, qui comprenaient à la fois des clusters existants et externes.
Ils ont estimé les durées des leads EWS = par rapport aux dates de début de la vague épidémique de COVID-19, déterminées en appliquant une GAM optimale aux nouvelles données sur les admissions hospitalières du Royaume-Uni.
Ils ont utilisé des ensembles de paramètres d’entrée du scanner TFP, des filtres de cluster variés, différents indicateurs avancés possibles et une gamme de valeurs de seuil EWS pour générer 1,40 million de séries chronologiques EWS. En revanche, ils ont créé EWS en utilisant des indicateurs avancés potentiels non dérivés de la phylogénie.
L’équipe a utilisé des arbres contemporains pour reproduire l’analyse en temps réel et éviter les altérations des données. Le 3 mai 2022, ils ont connecté les séquences génomiques des arbres aux métadonnées des cas de patients obtenues du COG-UK via CLIMB.
Ils ont sélectionné uniquement des échantillons du pilier 2 (P2) pour éviter les biais d’échantillonnage dans les échantillons hospitaliers du pilier 1 (P1) et fournir un échantillon plus représentatif de la transmission du SRAS-CoV-2 dans la communauté.
Résultats
Les principaux indicateurs dérivés de la phylogénie, tels que le taux de croissance logistique maximal (LGR) parmi les groupes prédominants de la lignée Pango et le LGR moyen dans des groupes plus nombreux, ont montré des résultats prometteurs dans la génération d’EWS avant une augmentation significative des hospitalisations liées au COVID-19 au Royaume-Uni.
Les indicateurs avancés avaient un délai d’exécution allant d’un délai de 20 jours (pour la vague du variant Delta du SRAS-CoV-2) à un décalage de sept jours (pour le variant B.1.177 du SRAS-CoV-2), avec un délai de cinq jours. -durée moyenne des avances, indiquant leur efficacité dans la prévision des vagues épidémiques.
L’approche phylogénomique a évalué les données phylogénomiques du SRAS-CoV-2 et extrait les EWS pour les hospitalisations liées au COVID-19 au cours des vagues pandémiques successives.
Les indicateurs avancés dérivés de la phylogénie ont obtenu de meilleurs résultats que ceux non dérivés de la phylogénie en ce qui concerne le délai d’exécution et la minimisation des EWS faussement positifs. L’équipe a obtenu des délais d’exécution plus longs en tolérant davantage d’EWS faussement positifs.
Conclusion
Dans l’ensemble, les résultats de l’étude ont mis en évidence le développement du pipeline de scanners TFP pour identifier les souches du SRAS-CoV-2 avec des taux de croissance élevés et générer des signaux d’alerte précoce pour les vagues de COVID-19 au Royaume-Uni.
L’approche phylogénomique utilisant des grappes de taux de croissance logistique a démontré sa capacité à produire des délais d’exécution supérieurs aux maxima des vagues épidémiques, ce qui aiderait les autorités de santé publique.
Les délais d’exécution du SAP indiquent que la méthode pourrait bénéficier à des programmes de surveillance du SRAS-CoV-2 plus larges et pourrait s’appliquer à d’autres pays et régions dotés de diverses capacités de séquençage et procédures d’échantillonnage. Des études futures pourraient analyser les SAP produits à partir d’échantillons d’eaux usées et de tests de diagnostic.
