Science：利用RT-qPCR的Ct值可靠地估计流行病轨迹

2021年7月18日讯/生物谷BIOON/---目前的流行病监测方法依赖于病例数、检测阳性率和报告的死亡或住院人数。然而，由于测试的限制、不具代表性的抽样和报告的延迟，这些指标提供的情况是有限的，而且往往有偏差。随机横断面病毒学调查可以通过提供感染率的快照来克服其中的一些偏差，但目前在没有不同时间点抽样的情况下，几乎不能提供关于流行病轨迹的信息。

在一项新的研究中，来自美国哈佛大学公共卫生学院等研究机构的研究人员开发出一种新的方法：利用来自逆转录定量聚合酶链式反应（RT-qPCR）测试的循环阈值（Ct）中的固有信息，从多个甚至单个横截面的阳性样本中稳健地估计流行病轨迹。相关研究结果发表在2021年7月16日的Science期刊上，论文标题为“Estimating epidemiologic dynamics from cross-sectional viral load distributions”。

Ct值与病毒载量有关，而病毒载量取决于感染后的时间；当感染和样本采集之间的时间较短时，Ct值通常较低。尽管个体、样本和检测平台之间存在差异，但Ct值提供了感染后时间的概率测量。他们发现，单个时间点上阳性样本的Ct值分布反映了流行病的轨迹。一个不断增长的流行病必然会有很高比例的携带较高病毒载量的近期感染者，而一个不断下降的流行病会有更多的老感染者，因此病毒载量较低。由于这些比例的变化，流行病的轨迹或增长率应该可以从单一横断面收集的Ct值的分布中推断出来，而多个连续的横断面应该可以确定较长期的发病率曲线。此外，了解样本病毒载量和流行病动态之间的关系，可以进一步了解为什么监测检测的病毒载量对新出现的病毒或变体来说可能较高，而对正在放缓的疫情来说则较低，甚至不存在个人层面的病毒动力学变化。

通过使用一种根据SARS-CoV-2病毒载量动力学的已知特征校准的人群水平病毒载量分布的数学模型，这些作者发现，随机样本中Ct值的中位数和偏度在流行病过程中会发生变化。通过将这一关系形式化，他们证实来自单一随机横断面的病毒学检测的Ct值可以估计人群中病毒随时间变化的再生数，并用从长期护理机构的全面SARS-CoV-2检测中收集的数据来验证。通过使用更灵活的方法对感染发生率进行建模，他们还开发了一种方法，可以可靠地估计更复杂的人群中的流行病轨迹，在这些人群中，干预措施可以随着时间的推移而实施和放松。通过使用常规的入院RT-qPCR检测数据，这种方法在估计美国马萨诸塞州的流行病轨迹时表现良好，准确地复制了其他来源对整个州的估计。

Ct值反映了流行病轨迹，可以用来估计发病率，图片来自Science, 2021, doi:10.1126/science.abh0635。

综上所述，这项研究提供了一种估计流行病增长率的新方法，并为使用通常被简单抛弃的RT-qPCR Ct值进行强有力的流行病监测提供了一个框架。通过部署单个或重复（但规模较小）的随机监测样本，并充分利用半定量检测数据，这些作者可以实时估计流行病轨迹，并避免因非随机样本或检测实践随时间变化而产生的偏差。了解人群水平的病毒载量和流行病状态之间的关系，揭示了解释病毒学监测数据的重要意义和机会。它还强调了这种监测的必要性，因为这些结果显示了如何最有效地利用它。（生物谷 Bioon.com）

参考资料：

James A. Hay et al. Estimating epidemiologic dynamics from cross-sectional viral load distributions. Science, 2021, doi:10.1126/science.abh0635.

Benjamin A. Lopman et al. Using viral load to model disease dynamics. Science, 2021, doi:10.1126/science.abj4185.