Nouvelle méthode améliore le suivi de la propagation des maladies

Le séquençage entier du génome (WGS) est une méthode qui examine le code génétique complet des organismes, y compris des agents pathogènes qui causent des maladies. Cette technique est de plus en plus utilisée pour suivre les maladies infectieuses chez les humains et les animaux. Avec la baisse des coûts du WGS et son utilité pour comprendre comment les maladies se propagent, de nombreux chercheurs s'y tournent pour diverses raisons.

Avec les données WGS, les scientifiques peuvent améliorer leur compréhension de la transmission des maladies, trouver des liens entre différentes épidémies qui n'avaient peut-être pas été associés auparavant, savoir quand se produisent les transmissions et identifier les paires d'hôtes probablement impliquées dans la propagation de la maladie. Ces infos peuvent aussi mettre en avant des facteurs de risque liés à la propagation des maladies, tant pour l'hôte que pour la souche pathogène spécifique.

#Défis dans le Suivi de Transmission

Malgré les insights utiles des données WGS, il peut encore y avoir de l'incertitude sur qui a infecté qui. Dans de nombreux cas, des paires d'individus peuvent partager un matériel génétique très similaire, voire identique, provenant du pathogène. C’est particulièrement vrai pour des infections durables comme la tuberculose. Dans ces situations, un hôte peut porter différentes formes du pathogène, ce qui complique les liens entre infections et hôtes spécifiques.

Le timing peut aussi être trompeur ; savoir quand les symptômes sont apparus ou quand un cas a été détecté ne permet pas toujours de déterminer quand l'infection réelle a eu lieu. Il peut y avoir d'autres hôtes impliqués qui ne sont pas observés ou séquencés, ce qui ajoute une couche de complexité pour comprendre qui a infecté qui. Ces problèmes posent des défis significatifs pour déterminer les modèles de transmission, mais les données WGS restent une source d'infos précieuse sur l'histoire des infections, car les variations génétiques peuvent fournir des indices importants.

#Méthodes pour Reconstruire la Transmission

Pour relever ces défis, différentes méthodes ont été développées pour reconstruire qui a infecté qui, ce qu'on appelle un Arbre de transmission, en utilisant des données WGS des pathogènes. Quelques exemples de ces méthodes incluent Outbreaker2, TransPhylo et BEASTLIER. Chacune de ces méthodes a ses forces et ses faiblesses. Par exemple, Outbreaker2 combine des données génétiques et Épidémiologiques et peut prendre en compte des hôtes non échantillonnés, mais il ne tient pas compte de la diversité au sein d'un hôte. TransPhylo inclut cette considération mais nécessite un arbre fixe pour fonctionner. BEASTLIER et phybreak estiment à la fois les arbres génétiques et de transmission ensemble, mais ils ne permettent pas d'hôtes non échantillonnés.

Les Arbres phylogénétiques sont essentiels pour analyser les données de séquence parce qu'ils utilisent des modèles complexes qui tiennent compte des variations dans la manière dont les changements génétiques se produisent. Ces arbres peuvent aider à améliorer notre compréhension et à reconstruire les voies de transmission. Cependant, lorsqu'on traite de courtes périodes, il se peut qu'il n'y ait pas assez de changements génétiques pour créer un arbre phylogénétique fiable.

Pour gérer l'incertitude dans les arbres phylogénétiques, TransPhylo a été adapté pour analyser plusieurs arbres à la fois. C'est un processus long et cela peut ne pas capturer complètement l'incertitude des vrais arbres phylogénétiques. Donc, il est important d'inclure des connaissances antérieures sur la manière dont la transmission se produit avant de procéder à l'analyse phylogénétique.

#BREATH : Une Nouvelle Méthode

On vous présente une nouvelle méthode appelée Reconstruction Bayésienne et Analyse Évolutionnaire des Histoires de Transmission (BREATH). Cette méthode estime à la fois les événements de transmission et l'arbre phylogénétique en même temps, en tenant compte des hôtes non échantillonnés et de la diversité trouvée au sein d'un hôte. De cette façon, elle permet aux infos sur le processus de transmission, comme le temps probable entre les infections et la probabilité de transmission de personne à personne ou de ferme à ferme, d'influencer l'arbre phylogénétique.

La méthode utilise une approche spécifique pour comprendre les relations entre les arbres et les paramètres qui régissent la propagation du pathogène. BREATH intègre différents types d'infos dans un cadre unique, rendant l'analyse des dynamiques de transmission complexe plus facile.

#Cartographier la Transmission sur des Arbres Phylogénétiques

BREATH utilise une technique pour annoter un arbre phylogénétique avec un arbre de transmission, utilisant une méthode similaire à celle de "colorier". Dans ce contexte, chaque point de l'arbre phylogénétique est lié à un hôte spécifique, que cet hôte ait été échantillonné ou non. Un aspect important de cette méthode consiste à différencier entre les hôtes non échantillonnés individuels et ceux qui appartiennent à des chaînes d'hôtes non échantillonnés.

Pour clarifier la terminologie, on utilise "ancêtre de l'échantillon" (ATTS) pour les hôtes qui ont au moins un hôte dans leur lignée qui a été échantillonné. Les hôtes peuvent être séparés par plusieurs autres hôtes dans cette lignée. "Multiplier ancêtre de l'échantillon" (MATTS) signifie qu'un hôte est l'ancêtre d'au moins deux hôtes qui sont ATTS. Cette distinction aide à clarifier comment les hôtes se rapportent les uns aux autres en termes d'infection.

BREATH s'assure que tout hôte MATTS colore au moins un nœud interne de l'arbre phylogénétique. Si un nœud est coloré par un hôte non échantillonné, cet hôte doit aussi être MATTS. Cela établit une limite sur le nombre d'hôtes non échantillonnés individuels (IUHs) qu'il peut y avoir, tandis que le nombre d'hôtes dans des chaînes non échantillonnées continue d'augmenter. Cette méthode permet plus de flexibilité dans la modélisation des individus non échantillonnés sans augmenter la complexité de l'analyse globale.

#Comment Fonctionne la Décomposition Bayésienne

Dans BREATH, la généalogie du pathogène est représentée comme un arbre phylogénétique chronométré, tandis que l'arbre de transmission cartographie les événements d'infection. Le coloriage de l'arbre phylogénétique représente les événements de transmission et indique des chaînes de transmission non échantillonnées.

L'analyse implique plusieurs paramètres qui décrivent le processus épidémiologique, la taille de la population effective au sein d'un hôte, et le modèle évolutif. Le modèle suppose qu'une seule lignée est transmise durant un événement de transmission. Les données de séquence et les temps d'échantillonnage sont également pris en compte pour mieux estimer les relations entre les événements de transmission.

La probabilité des données de séquence donnée la phylogénie et les paramètres est calculée, et cette probabilité aide à informer les probabilités antérieures associées aux paramètres de transmission et évolutifs.

#Considérer les Dynamiques de Transmission et d'Échantillonnage

Pour modéliser efficacement le processus de transmission, la méthode utilise une approche d'événements récurrents. Cette approche divise les événements en deux catégories principales : l'échantillonnage et la transmission à d'autres hôtes. Chaque événement a une fonction d'intensité qui décrit la probabilité que l'événement se produise à un moment donné.

Le modèle calcule les probabilités de divers scénarios, y compris les chances que des individus infectent d'autres personnes ou soient échantillonnés. Cela aide à créer des contributions de probabilité plus précises au modèle global.

De plus, BREATH reconnaît qu'une épidémie pourrait encore être en cours lorsque l'analyse a lieu. Ce fait peut introduire un biais, car les événements plus rapides sont généralement plus susceptibles d'être notés.

#Probabilité pour des Hôtes Individuels

BREATH calcule la probabilité d'infection pour des hôtes individuels qui parviennent à infecter d'autres. Cela implique d'évaluer dans quelle mesure un individu pourrait potentiellement transmettre l'infection à d'autres, ainsi que leur probabilité d'être échantillonnés.

La probabilité globale pour un hôte individuel combine son potentiel à infecter d'autres et le timing de son échantillonnage. Ces infos alimentent le modèle plus large, créant une représentation interconnectée des dynamiques de transmission.

#Traiter des Chaînes de Transmission Non Échantillonnées

La probabilité pour des chaînes d'individus non échantillonnés est également considérée. Cette chaîne se forme lorsqu'un infecteur transmet le pathogène à quelqu'un qui n'est pas échantillonné, continuant jusqu'à ce qu'un individu échantillonné soit infecté ou qu'un hôte MATTS soit atteint.

Dans ce cas, le nombre d'infections se produisant dans une chaîne est traité comme une distribution géométrique. Cette approche permet au modèle d'évaluer la probabilité que n'importe quelle chaîne donnée de transmission atteigne un hôte échantillonné.

#Utilisation de MCMC pour les Mises à Jour des Paramètres

La méthode bayésienne utilise des techniques de Monte Carlo par chaînes de Markov (MCMC) pour proposer et échantillonner les divers paramètres impliqués dans le modèle. Cela permet au modèle de s'adapter et de perfectionner ses estimations en fonction de la compréhension évolutive des dynamiques de transmission.

MCMC implique la création de propositions qui peuvent soit ajouter, soit supprimer des infections, ce qui aide à maintenir une représentation équilibrée des données. Le processus inclut des opérations spécifiques pour déplacer des infections entre des hôtes et ajuster les paramètres de bloc pour la modélisation des chaînes de transmission.

#Analyser une Épidémie de Tuberculose

Pour démontrer l'utilité de BREATH, une analyse a été menée sur une épidémie de tuberculose survenue en Allemagne. L'ensemble de données comprenait un certain nombre d'échantillons de cas survenus entre 1997 et 2010. Les paramètres du modèle ont été définis sur la base d'analyses précédentes de cette épidémie, permettant une interprétation efficace des données.

Les résultats ont révélé des insights importants sur les caractéristiques de l'épidémie. En utilisant BREATH, les chercheurs ont pu identifier des liens de transmission clés et clarifier la chronologie de l'épidémie. Des variations dans les résultats étaient également apparentes lorsque BREATH était comparé à d'autres méthodes existantes comme TransPhylo, BREATH ayant des probabilités de transmission globales plus faibles.

#Implications des Résultats

Les conclusions de l'analyse de l'épidémie de tuberculose suggèrent qu’en dépit de données de séquençage avancées, une incertitude significative demeure concernant qui a infecté qui. Cette incertitude est accentuée par la présence d'hôtes non échantillonnés et des variations au sein des infections individuelles. Néanmoins, certains événements de transmission à haute probabilité ont été identifiés.

La recherche a mis en avant des phases de transmission distinctes tout au long de l'épidémie et a fourni des idées sur des points potentiels où l'épidémie aurait pu être contrôlée.

#Directions Futures

Bien que BREATH se soit avéré être un nouvel outil puissant pour analyser les dynamiques de transmission, il y a plusieurs domaines à améliorer. Par exemple, il suppose que les hôtes sont retirés de la population une fois échantillonnés, ce qui ne reflète pas toujours la réalité. Il serait également bénéfique d'explorer différents modèles pour représenter les dynamiques de population des hôtes.

Comprendre comment différents facteurs influencent la transmission, comme l'immunité et la contagiosité, améliorera également l'exactitude des analyses futures. Permettre la réinfection dans le modèle pourrait fournir encore plus d'insights sur les modèles de propagation des maladies.

#Conclusion

BREATH représente une avancée significative dans notre capacité à analyser et comprendre les dynamiques de transmission en utilisant des données de séquençage entier du génome. Il fournit un cadre qui tient compte des complexités des hôtes non échantillonnés et de la diversité au sein des hôtes tout en offrant des insights informatifs sur l'histoire de la transmission des pathogènes.

La méthode a des implications non seulement pour comprendre les maladies infectieuses chez les humains, mais aussi pour suivre les infections zoonotiques et aider à la gestion des épidémies. À mesure que notre compréhension de la transmission des maladies continue de croître, des outils comme BREATH seront cruciaux pour informer les stratégies de santé publique et contrôler efficacement les épidémies futures.