La compétition évolutive entre types est souvent étudiée à travers l'évolution de leurs fréquences relatives, et la pente de la fréquence transformée en logit du type envahissant sert d'estimation de l'avantage sélectif. Cependant, les fréquences observées ne reflètent généralement pas directement le processus sous-jacent : les événements sont enregistrés après la collecte et le traitement des échantillons, ce qui introduit des délais. Si les délais sont identiques pour tous les types, ils ne font que décaler la trajectoire dans le temps, mais des délais différents conduisent à comparer les types à des phases différentes de la dynamique. Ce travail s'inscrit à côté des études sur la dynamique évolutive, le transfert horizontal de gènes et les réseaux phylogénétiques, où les distorsions temporelles sont également importantes pour l'inférence. Les auteurs utilisent le remplacement des variants du SARS-CoV-2 au Royaume-Uni comme exemple concret, où les données de surveillance génomique présentent des délais entre l'infection et la collecte des échantillons.
Les auteurs analysent deux types de modèles. Dans le modèle exponentiel le plus simple de remplacement, ils montrent mathématiquement que des délais d'observation fixes ou aléatoires ne modifient que le terme constant de la trajectoire logit, mais pas sa pente. Ensuite, ils utilisent des modèles SIR à deux variants avec immunité croisée complète et ses extensions (déclin de l'immunité, absence d'immunité croisée, modèle combiné), où le taux de croissance relatif dépend du temps en raison de l'épuisement des individus sensibles. Pour les expériences numériques, ils fixent des paramètres imitant les vagues épidémiques et introduisent des délais d'observation en décalant l'incidence quotidienne de chaque variant d'un nombre fixe de jours ou en la convoluant avec une distribution de délais. Ensuite, ils estiment la pente de la courbe logit sur les données retardées et la comparent à la valeur non retardée, en calculant l'erreur relative.
Dans le modèle exponentiel, les délais ne modifient pas la pente de la trajectoire logit si les observations retardées sont agrégées avant de former les fréquences et en l'absence d'effets de bord. Cependant, dans les modèles SIR, les délais peuvent considérablement biaiser l'estimation de la pente. Par exemple, dans le modèle de base avec immunité croisée complète, l'erreur relative de la pente atteignait de -47.3% à +60.7% selon la différence des délais et le moment d'introduction des variants. Le résultat clé est que même lorsque la trajectoire retardée reste presque parfaitement linéaire sur l'échelle logit (R² = 0.9999), le biais peut être d'environ 31%. Cela signifie qu'un bon ajustement logistique ne garantit pas l'absence de biais. Dans les modèles étendus avec déclin de l'immunité et immunité combinée, des effets similaires ont été observés, et dans le modèle sans immunité croisée, dans certains régimes, la linéarité logit était tellement perturbée que l'estimation de la pente perdait son sens.
Ce travail montre que la méthode standard d'estimation de l'avantage sélectif par la pente de la courbe logit est sensible aux délais d'observation dépendant du type. Contrairement aux études voisines qui se concentrent sur la reconstruction de l'incidence complète (nowcasting) ou la correction du troncature à droite, ici on examine l'effet direct des délais sur l'estimation de la valeur sélective relative. C'est la première vérification systématique de la manière dont les délais spécifiques au type faussent la pente logit dans des modèles de compétition non linéaires. Les résultats mettent en garde contre l'interprétation des pentes empiriques comme de véritables avantages de croissance sans tenir compte des délais, en particulier en épidémiologie et en évolution microbienne.
Ce thème pourrait évoluer vers le développement de méthodes statistiques corrigeant le biais dû aux délais. Il serait possible de créer des modèles qui estiment simultanément les délais et la valeur sélective relative à partir des données d'observation. Il serait également intéressant d'étudier l'effet des délais dans des modèles plus complexes avec de multiples variants, une structure spatiale et une intensité de sélection variant dans le temps. Une autre voie est l'application d'approches bayésiennes pour tenir compte de l'incertitude dans les distributions des délais.
Les résultats sont importants pour l'épidémiologie, en particulier pour l'analyse du remplacement des variants pathogènes à partir des données de surveillance génomique. Ils sont également applicables à l'évolution expérimentale des micro-organismes, où les délais entre l'échantillonnage et la mesure des fréquences peuvent fausser les estimations de la valeur sélective. De plus, les conclusions sont pertinentes pour la génétique des populations et l'écologie lors de l'analyse de séries temporelles de fréquences d'allèles ou d'espèces.
La prochaine étape pourrait être le développement d'une méthode de correction du biais induit par les délais, basée sur des estimations des distributions de délais pour chaque type. Il est également nécessaire de vérifier à quel point les délais affectent les estimations sur des données réelles avec des délais connus, par exemple dans des expériences de compétition virale.
En biologie évolutive, la question de savoir comment estimer précisément les coefficients de sélection à partir de séries temporelles de fréquences en présence d'observation imparfaite reste ouverte. Ce travail relie le problème des délais d'observation à la tâche classique d'inférence de la valeur sélective à partir de données de remplacement de types, montrant que l'ignorance des délais peut conduire à des erreurs systématiques. Il souligne la nécessité de développer des méthodes robustes à ces distorsions, ce qui fait partie du problème plus large de l'identification des paramètres des processus évolutifs.
Cette section s'adresse à l'auteur du travail et à ses collègues. Les travaux voisins ont été trouvés par une recherche sémantique dans notre archive, et non par correspondance de mots. Nous n'évaluons pas : nous montrons le champ autour.
Ce que fait ce travail
Les auteurs examinent comment les délais d'observation, qui dépendent du type de variant, biaisent l'estimation de l'avantage sélectif à partir de la pente de la courbe logit de la fréquence du type envahissant. En prenant l'exemple du remplacement des variants du SARS-CoV-2 au Royaume-Uni et à l'aide de modèles SIR, ils montrent que ces délais conduisent à comparer des variants à des phases différentes de l'épidémie, et que même lorsque la trajectoire logit est presque parfaitement linéaire, le biais peut passer inaperçu.
Où est sa force
La force de ce travail réside dans la démonstration explicite qu'un bon ajustement logistique ne garantit pas l'absence de biais dans l'estimation, ainsi que dans les exemples numériques concrets basés sur des modèles épidémiologiques réalistes.
Vers où avancer
À essayer
Pourquoi cela peut compter
La prise en compte des délais d'observation est cruciale pour estimer correctement les avantages sélectifs en temps réel, ce qui influence la prévision de l'évolution des pathogènes et la prise de décision en santé publique.
Travaux voisins dans notre archive
L'archive est vide autour de ce travail : l'analyse la plus proche n'est qu'à 0.50, contre 0,64 d'ordinaire. Il semble qu'on ait peu foré à côté.
Dans les données GISAID pour le Royaume-Uni, la pente de la courbe logit pour le remplacement Alpha→Delta était de 0.107 par jour, et pour Delta→Omicron BA.1 de 0.237 par jour, ce qui correspond à un doublement de la proportion du nouveau variant environ tous les 6.5 et 2.9 jours respectivement.