Смещение в гонке вариантов: как задержка наблюдения искажает оценку преимущества ✛ ✎

Два бегуна стартуют на дистанции с меняющимся уклоном. Один выходит раньше, другой позже, и судья замеряет их скорости, не зная о разнице в старте. Так и с вариантами вируса: данные о них приходят с задержками, и если эти задержки неодинаковы, оценка конкурентного преимущества может оказаться грубо неверной.

В эволюционной биологии преимущество часто оценивают по наклону логит-кривой частоты вторгающегося типа. Логит — это логарифм отношения частот, и его наклон показывает, насколько быстро один вариант вытесняет другой. Но эта оценка предполагает, что наблюдения отражают реальный процесс без искажений. В действительности между заражением и регистрацией образца проходят дни, и разные варианты могут иметь разные задержки: например, из-за особенностей тестирования или приоритизации.

Авторы проверили это на двухвариантных SIR-моделях с полным перекрёстным иммунитетом и его расширениями. Они вводили фиксированные или случайные задержки наблюдения и смотрели, как меняется оценка наклона. В базовой модели относительная ошибка достигала от -47.3% до +60.7% в зависимости от разницы задержек и времени введения вариантов. Поразительно, что даже при почти идеальной линейности логит-траектории (R² = 0.9999) смещение составляло около 31%.

Это значит, что хорошая логистическая подгонка не гарантирует несмещённости оценки. В данных GISAID для Великобритании наклон логит-кривой для замены Alpha→Delta составил 0.107 в день, а для Delta→Omicron BA.1 — 0.237 в день. Эти числа могли быть искажены задержками, и без их учёта нельзя утверждать, что Omicron действительно рос в 2.2 раза быстрее Delta.

Теперь, когда бегуны финишировали, судья знает: без учёта разницы в старте медали могут достаться не тем. Так и в науке: прежде чем делать выводы о преимуществе варианта, нужно понять, как задержки наблюдения сместили картину. Методы коррекции ещё предстоит разработать, но уже ясно, что игнорировать эту проблему нельзя.