Métodos de secuenciación de ácidos nucleicos, que determinan el orden de los nucleótidos en los fragmentos de ADN, están progresando rápidamente. Estos procesos producen grandes cantidades de datos de secuencia, algunos de los cuales son dinámicos, que ayudan a los investigadores a comprender cómo y por qué los organismos funcionan como lo hacen. La secuenciación también beneficia a los estudios epidemiológicos, como la identificación, diagnóstico, y tratamiento de enfermedades genéticas y / o contagiosas. Las tecnologías de secuenciación avanzadas revelan información valiosa sobre la evolución temporal de las secuencias de patógenos. Dado que los investigadores pueden estimar cómo se comporta una mutación bajo la presión de la selección natural, por tanto, pueden predecir el impacto de cada mutación, en términos de supervivencia y propagación, sobre la aptitud del patógeno en cuestión. Estas predicciones dan una idea de la epistemología de las enfermedades infecciosas, evolución de patógenos, y dinámica de la población.

En un artículo publicado a principios de este mes en Revista SIAM de Matemática Aplicada , Ryosuke Omori y Jianhong Wu desarrollan un algoritmo inductivo para estudiar frecuencias de nucleótidos específicas del sitio utilizando un modelo de cepas susceptibles-infecciosas-removidas (SIR). Un modelo SIR es un modelo compartimental simple que coloca a cada individuo en una población en un momento dado en una de las tres categorías mencionadas anteriormente para calcular el número teórico de personas afectadas por una enfermedad infecciosa. Los autores utilizan su algoritmo para calcular la D de Tajima, una prueba estadística popular que mide la selección natural en un sitio específico mediante el análisis de las diferencias en una muestra de secuencias de una población. En una situación no endémica, La D de Tajima puede cambiar con el tiempo. La investigación de la evolución temporal de la D de Tajima durante un brote permite a los investigadores estimar mutaciones relevantes para la aptitud de los patógenos. Omori y Wu tienen como objetivo comprender el impacto de la dinámica de la enfermedad en la D de Tajima, lo que conduce a una mejor comprensión de la patogenicidad de una mutación, gravedad, y especificidad del hospedador.

El signo de la D de Tajima está determinado tanto por la selección natural como por la dinámica de la población. "La D de Tajima es igual a 0 si la evolución es neutral, sin selección natural y con un tamaño de población constante, "Dijo Omori." Un valor distinto de cero de la D de Tajima sugiere selección natural y / o cambio en el tamaño de la población. Si no se puede suponer la selección natural, La D de Tajima es una función del tamaño de la población. Por eso, se puede utilizar para estimar cambios de series de tiempo en el tamaño de la población, es decir., cómo avanza la epidemia ".

Ecuaciones diferenciales, que modelan las tasas de cambio del número de individuos en cada compartimento modelo, Puede describir la dinámica de la población. En este caso, la dinámica de la población de huéspedes infectados con la cepa que lleva una secuencia determinada se modela mediante un conjunto de ecuaciones diferenciales para esa secuencia, que incluyen términos que describen la tasa de mutación de una secuencia a otra. Al configurar su modelo SIR de múltiples cepas, Omori y Wu asumen que la dinámica de la población del patógeno es proporcional a la dinámica de la enfermedad. es decir., el número de patógenos es proporcional al número de huéspedes infectados. Esta suposición permite que cambie el valor de D de Tajima.

En genética de poblaciones, Los investigadores creen que el signo de la D de Tajima se ve afectado por la dinámica de la población. Sin embargo, los autores muestran que en el caso de un modelo determinista SIR, La D de Tajima es independiente de la dinámica de la enfermedad (específicamente, independiente de los parámetros de la tasa de transmisión de la enfermedad y la tasa de recuperación de la enfermedad). También observan que, si bien la D de Tajima suele ser negativa durante el inicio de un brote, con frecuencia se vuelve positivo con el paso del tiempo. "El signo negativo no implica una expansión de la población infectada en un modelo determinista, ", Dijo Omori." También encontramos que la dependencia de la D de Tajima en la dinámica de transmisión de la enfermedad se puede atribuir a la estocasticidad de la dinámica de transmisión a nivel de población. Esta dependencia es diferente del supuesto existente antes mencionado sobre la relación entre la dinámica poblacional y el signo de la D de Tajima ".

Por último, Omori y Wu prueban que la D de Tajima en un modelo SIR determinista está completamente determinada por la tasa de mutación y el tamaño de la muestra, y que el tiempo de evolución de la diversidad genética de un patógeno de enfermedad infecciosa está totalmente determinado por la tasa de mutación. "Este trabajo reveló cierta dependencia de la D de Tajima en el número básico de reproducción (dinámica de transmisión de la enfermedad) (R ₀ ) y tasa de mutación, "Dijo Omori." Con el supuesto de evolución neutral, entonces podemos estimar la tasa de mutación o R ₀ a partir de datos de secuencia ".

Dada la demanda de herramientas que analicen la dinámica evolutiva y de las enfermedades, la observación de que la D de Tajima depende de la estocasticidad de la dinámica es útil para estimar parámetros epidemiológicos. Por ejemplo, si se toman muestras de secuencias de patógenos de un pequeño brote en una población de hospedadores limitada, entonces la D de Tajima depende tanto de la tasa de mutación como de R ₀ ; por lo tanto, Es posible una estimación conjunta de estos parámetros a partir de la D de Tajima. "Estamos aplicando este resultado teórico para analizar datos epidemiológicos del mundo real, ", Dijo Omori." También deberíamos ver si nuestro enfoque se puede utilizar para investigar la dinámica de la enfermedad fuera de equilibrio con la selección natural ".