L’étude utilise des données génomiques pour produire des estimations d’intervalles en série à haute résolution pour COVID-19

Dans une étude récente publiée dans Communication Natureles chercheurs ont développé une approche pour intégrer les informations génétiques, présentées sous forme de séquences virales génomiques entières, et les informations épidémiologiques, pour l’estimation de l’intervalle de série (SI), en particulier dans les cas de données de recherche de contacts inadéquates.

Dans le contrôle des maladies infectieuses, les intervalles en série sont essentiels car ils nécessitent des informations sur les expositions individuelles et les opérations de recherche des contacts. Les approches actuelles conviennent mieux aux petites populations restreintes avec un échantillonnage élevé; cependant, les estimations de minuscules épidémies précoces sont fréquemment utilisées dans les analyses épidémiologiques à grande échelle.

Bien que les études d’épidémiologie génomique puissent influencer l’action de santé publique, les contraintes budgétaires et les problèmes de confidentialité limitent la notification et l’utilisation à grande échelle.

À propos de l’étude

Dans la présente étude, les chercheurs ont introduit un cadre alternatif efficace utilisant des séquences de virus pour estimer les intervalles de série afin d’explorer les estimations SI spécifiques au cluster dans les première et deuxième vagues de coronavirus 2019 (COVID-19) à Victoria, en Australie.

L’équipe s’est concentrée sur la prédiction spécifique au cluster de SI, un paramètre fondamental reflétant la propagation des maladies infectieuses, décrit comme la période entre l’apparition des symptômes dans les cas primaires et secondaires. Pour déduire la distribution SI dans des groupes de cas incomplètement échantillonnés, des séquences virales ont été utilisées au lieu de données directes sur les appariements d’infection.

L’incertitude dans l’infection et les individus infectés a été introduite en choisissant des réseaux de transmission viables particuliers basés sur des séquences virales et des moments connus d’apparition des symptômes.

Étant donné que la transmission déduite peut ne pas être la transmission directe, une modélisation de mélange a été effectuée pour l’estimation SI. La technique a été conçue pour des environnements plus vastes avec des niveaux d’échantillonnage et de variété génétique inférieurs, où les preuves peuvent être insuffisantes pour reconstruire les schémas de transmission en toute confiance.

Les chercheurs ont examiné les séquences du génome entier du coronavirus 2 (SRAS-CoV-2) du syndrome respiratoire aigu sévère et ont collecté l’apparition des symptômes à Victoria, en Australie.

L’équipe a étudié l’effet de l’utilisation d’estimations d’intervalles de série spécifiques à la grappe sur les estimations en aval du nombre de reproduction dépendant du temps (Rt). La validation a été effectuée à l’aide de données épidémiques pseudo-grippales simulées avec une distribution SI connue.

À Victoria, les clusters en série ont été calculés dans les clusters de transmission de la première (du 6 janvier au 14 avril 2020) et de la deuxième (du 1er juin au 28 octobre 2020) vagues de COVID-19. L’acide ribonucléique (ARN) du SRAS-CoV-2 a été isolé à partir d’écouvillons nasopharyngés et identifié à l’aide de la réaction en chaîne par polymérase de transcription inverse (RT-PCR).

Des reconstructions phylogénétiques ont été effectuées après que les données de séquençage ont été cartographiées sur la séquence de référence originale de la souche SARS-CoV-2 Wuhan-Hu-1.

Résultats

Même si aucune information sur les contacts entre les patients n’était requise et que les données n’étaient pas complètement échantillonnées, les estimations de l’IS COVID-19 étaient comparables à celles observées lors d’enquêtes approfondies sur les contacts.

Les résultats sont plus ambigus que de nombreuses estimations publiées précédemment, bien que la plupart des estimations soient basées sur des populations de petite taille avec des appariements de contact documentés ne tenant pas compte de la sous-déclaration probable.

Les clusters qui se sont produits dans des lieux liés à de longues rencontres, tels que les soins aux personnes âgées et les soins de santé, ont montré des valeurs SI plus élevées que les clusters qui se sont produits dans des sites fréquentés pendant des périodes plus courtes, comme les industries de transformation de la viande ou d’emballage.

Les résultats ont démontré que les données génomiques peuvent fournir une perspective à haute résolution de la transmission à grande échelle, mais une collecte de données de recherche des contacts peut être d’un coût prohibitif ou peu pratique. Les estimations de l’IS étaient plus courtes pour les écoles et les entreprises de transformation et d’emballage de la viande que pour les établissements de santé.

Les séquences virales ont fourni une stratégie réalisable pour déduire des estimations spécifiques au cluster, bien que l’approche puisse être utilisée dans des situations plus larges, même en l’absence de données précises de recherche des contacts. Les données de séquençage des agents pathogènes acquises auprès d’individus malades ne peuvent pas fournir directement de données sur l’infecteur et les personnes infectées, mais elles peuvent fournir une perspective de transmission à haute résolution.

La technique a bien fonctionné dans l’estimation du SI moyen mais avec une augmentation de l’incertitude avec une diminution du pourcentage d’instances. Les résultats pour l’écart-type SI étaient identiques.

L’approche estimée ne se limite pas aux cas où les données génétiques sont utilisées pour identifier les futurs couples. Si des informations de contact sont fournies, elles peuvent être utilisées pour construire un ensemble de réseaux de transmission possibles et estimer la distribution SI.

La stratégie s’est avérée efficace dans des conditions avec peu de divergence de transmission et convenait également dans des contextes avec des intervalles de série plus longs tant que les séquences avaient une diversité suffisante. Certaines grappes ont montré des quantités d’échantillons plus élevées ou plus faibles : ces données pourraient être utilisées pour surveiller les épidémies potentielles, en particulier si la méthode est intégrée à la surveillance génomique en temps réel.

L’utilisation des SI par cluster pour estimer R_t les valeurs par rapport aux estimations basées sur la littérature ont augmenté R_t de 2 à 3 fois, en particulier dans la période initiale des épidémies.

Au cours de la première vague de COVID-19, 1 242 échantillons provenant de 1 075 individus positifs pour le SRAS-CoV-2 ont été séquencés, ce qui représente 81 % des infections au SRAS-CoV-2 identifiées à Victoria au cours de la période. Pour 10 clusters de première vague, 312 des 903 échantillons ayant passé le contrôle de qualité appartenaient à un cluster génétique avec ≥ 15 instances.

Au cours de la deuxième vague, 15 665 spécimens provenant de 14 075 individus ont été séquencés, ce qui représente 84 % de tous les cas trouvés à Victoria. Sur les 5 745 cas qui ont passé le contrôle de qualité, 3 875 ont été reconnus comme faisant partie d’un groupe de ≥ 15 cas.

Dans les principales grappes, l’estimation SI moyenne variait entre 2,6 et 6,7 jours. L’intervalle sériel moyen a été estimé à cinq jours en utilisant l’estimation spécifique à la grappe de contact « toutes les grappes ».

Dans l’ensemble, l’étude mise en évidence a montré une nouvelle technique qui combine des données génétiques avec des données épidémiologiques pour analyser la transmission génomique. Il peut être intégré à la surveillance de la santé publique en temps réel, en comparant la transmission du SRAS-CoV-2 et en étudiant les réseaux d’échantillonnage spécifiés sur le plan génomique, fournissant un régime intermédiaire pour l’épidémiologie génomique.