利用贝叶斯谱系推断推演流行病学动力学：确定性与随机模型的优势
种群与进化
2014-12-25 v2
摘要
从分子序列数据估计流行病学和种群参数已成为理解传染病动力学的核心。人们提出了各种模型来推断描述流行病进展的动力学细节，其中包括源自 Kingman 谱系理论的推断方法。在此，我们利用最近描述的流行病动力学谱系理论，开发了随机和确定性的谱系 SIR 树先验。我们将这些方法实现在贝叶斯系统发育推断框架中，以允许联合估计 SIR 流行病参数和样本谱系。我们通过分析在精确已知的流行病学参数下模拟的一组谱系，评估了两种谱系模型的性能，并将结果与 BDSIR（一种最近发表的用于流行病推断的出生 - 死亡 - 采样模型）进行了对比。此外，我们分析了在新西兰坎特伯雷地区采样的甲型流感 (H1N1) 序列数据，以及从已知英国感染集群中获得的 HIV-1 序列数据。研究表明，两种谱系 SIR 模型都能有效地从具有较大基本再生数 和较大种群规模 的数据中估计流行病学参数。此外，我们发现随机变体在误差、偏差和最高后验密度覆盖率方面通常优于其确定性对应物，特别是对于较小的 和 。然而，研究表明这些推断模型在某些情况下具有不良特性，尤其是对于 接近 1 或有效易感种群较小的流行病爆发。
引用
@article{arxiv.1407.1792,
title = {Inferring epidemiological dynamics with Bayesian coalescent inference: The merits of deterministic and stochastic models},
author = {Alex Popinga and Tim Vaughan and Tanja Stadler and Alexei Drummond},
journal= {arXiv preprint arXiv:1407.1792},
year = {2014}
}
备注
Submitted