A target-cell limited model can reproduce influenza infection dynamics in hosts with differing immune responses

Sachak-Patwa, Rahil; Lafferty, Erin I.; Schmit, Claude J. et al. · 2023 · Journal of Theoretical Biology

Metadata

Authors: Sachak-Patwa, Rahil; Lafferty, Erin I.; Schmit, Claude J.; Thompson, Robin N.; Byrne, Helen M.

DOI: 10.1016/j.jtbi.2023.111491

Tags: #ODE-bifurcation #stochastic-process

🔬 Deep Note📄 Quick Note

摘要概述

本文针对流感病毒 within-host 感染动力学建模中"模型复杂度与参数可辨识性之间的取舍"这一方法学问题，构建了一组层级化的常微分方程（ODE）模型：显式刻画免疫反应的 IR 模型、省略免疫反应项的 TEIV 模型以及最简化的 TV 模型。作者利用 Iwasaki and Nozima (1977) 的小鼠实验数据（病毒载量 PFU、死亡细胞比例、IFN 与抗体滴度）对模型进行拟合与校准，并通过 structural identifiability（Taylor 级数法）和 practical identifiability（profile likelihood）两步分析证明：当仅有病毒载量数据时，IR 模型的多数参数不可辨识，而 TV 模型全部四个参数均可辨识。随后用 IR 模型生成代表不同免疫表型宿主（baseline、elderly、obese、enhanced immunity）的合成病毒载量数据，再用 TV 模型拟合，结果显示 TV 模型可重现单峰型病毒载量曲线并能将不同宿主组映射至参数空间中互不重叠的区域。研究结论是：在仅有病毒载量数据的情形下，简洁的 target-cell limited TV 模型足以复现流感感染动力学并区分免疫反应不同的宿主，且在实时病毒载量预测中因参数少、可辨识而优于 IR 模型。最大限制在于其结论主要基于小鼠数据与合成数据，向真实人类临床数据的迁移尚未验证，且 TV 模型无法复现病毒载量双峰（resurgence）型动力学。

临床问题与研究设计

• PICO/PECO：P = 流感感染宿主（以小鼠实验数据外推至人类不同免疫表型）；I/E = 用 IR 模型生成不同免疫反应的合成病毒载量数据；C = IR 模型 vs TEIV 模型 vs TV 模型的拟合与预测能力对比；O = 模型参数可辨识性、病毒载量复现精度（SSR）、对宿主免疫表型的区分能力
• 研究类型：other（数学建模 + 合成数据方法学研究，非 RCT/cohort/case-control 等临床原始研究设计）
• 注册与方案：未报告（本文为数学建模方法学研究，无临床试验注册）
• 中心、时间与随访：实验数据来源于 Iwasaki and Nozima (1977) 的 C3H/He 小鼠 H1N1 (A/PR8) 感染实验，数据覆盖 12 天的 tracheobronchial washings 时间序列；建模与合成数据由本文作者团队（University of Oxford、University of Warwick 等）完成，具体分析时间未报告（§2.2 Experimental data，PDF p.8-9）

研究人群与干预或暴露

• 纳入与排除标准：实验数据来自 naive C3H/He 小鼠，感染 H1N1 流感毒株 A/PR8；分为 immunocompetent（免疫健全）与 immunosuppressed（抗体产生受抑、缺乏适应性免疫反应）两组；无明确排除标准（§2.2 Experimental data，PDF p.8）
• 样本量、基线特征与代表性：原始实验的样本量未报告；模型采用 T0 = 7 × 10^9 cells（初始未感染上皮细胞数），V0 为拟合参数（Table 1，PDF p.9）；合成数据生成阶段每组（baseline/elderly/obese/enhanced immunity）生成 105 个合成数据集（§3.6，PDF p.19-20）。数据代表性限于小鼠模型，向人类外推为定性推断
• 干预、对照或暴露定义：核心"暴露"为宿主免疫反应参数的差异。四组假设宿主的免疫参数设定为：baseline 为健康宿主（Table S1 均值）；elderly 组的 adaptive IR kill rate k 与 innate IR strength s 取 baseline 一半（依据 Pillai et al., 2016 与 Blomberg and Frasca, 2011）；obese 组的 s 取一半、τ 取两倍（依据 Honce and Schultz-Cherry, 2019）；enhanced immunity 组的 k 与 s 取两倍（§3.6，PDF p.19-20，Table S5）
• 失访、交叉与依从性：不适用（数学建模与合成数据研究，无人类受试者随访）

终点与统计方法

• Primary endpoint：模型参数的可辨识性（structural 与 practical），以及简化模型对合成/实验病毒载量数据的复现精度，以 sum of squared residuals (SSR) 量化，SSR < 15 被界定为"good fit"（§3.5，PDF p.15）
• Secondary/safety endpoints：不适用（方法学研究，无临床安全性终点）
• 效应量与模型：参数估计采用 MCMC（Metropolis-Hastings，5 × 10^5 次迭代，burn-in 10^4，每 100 次记录一次）与 maximum likelihood estimation (MLE)；模型选择用 Bayesian Information Criterion (BIC) 与 corrected Akaike Information Criterion (AIC)；不确定性以 95% credible intervals (CrIs) 表示；全局敏感性分析采用 eFAST 与 Sobol 方法（§2.5 Parameter estimation，PDF p.10；§3.1 敏感性分析，PDF p.11）
• 缺失数据、多重比较、亚组与敏感性分析：原始数据不可获取，采用 WebPlotDigitizer 从 Iwasaki and Nozima (1977) 图像提取（§2.2，PDF p.9）；亚组即四类免疫表型宿主；敏感性分析见 Supplementary Information Section S.5（eFAST 与 Sobol），本次未核实其完整结果

核心结果与证据

主要发现 1：IR 模型参数在仅有病毒载量数据时不可辨识，而 TV 模型全部参数可辨识

• 临床结论：当可观测数据为病毒载量（V）、死亡细胞比例（C）与免疫反应水平（X）三者合用时，IR 模型的全部拟合参数（β, p, τ, s, r, f, k, V0）均可结构辨识与实际辨识；但若仅有病毒载量数据，IR 模型多数参数不可辨识，而 TV 模型的全部四个参数（β̂, p̂, ĉ, V̂0）在结构性与实用性可辨识性分析中均可辨识
• 证据定位：§3.3 Structural identifiability analysis（Table 2，PDF p.13-14）；§3.4 Practical identifiability analysis（Table 3，PDF p.14-15，Figure S5）；§3.2 Fitting the models to experimental viral load data（PDF p.12-13，Figure S2）
• 效应量：Table 2 Case 9 显示 TV 模型在仅观测 V 时全部参数（β̂, p̂, ĉ, V̂0）globally identifiable；Table 2 Case 5 显示 IR 模型在仅观测 V 时仅 V0 与 f 可辨识（locally），β/p/s 等需在假设 τ=0、k、r 已知前提下才可辨识；Table 3 Case 5 进一步显示 practical identifiability 下 IR 模型在仅观测 V 时全部拟合参数（β, p, τ, s, r, f, k, V0）non-identifiable；Figure S2(a) 显示 IR 模型后验分布跨越多个数量级，Figure S2(c) 显示 TV 模型参数 credible intervals 更窄且有界
• 临床意义：对于临床或现场仅有病毒载量监测数据的情境，使用复杂免疫反应模型不仅不能提升拟合，反而因参数不可辨识而无法支撑可靠的个体化推断；简洁的 target-cell limited 模型在数据受限时更具实用价值
• 不确定性：structural identifiability 的部分结论依赖对 Θ（已知参数集，含 A1, A2, λ1, λ2, t*, κ, δ, c, m, γ, T0）的假设；若这些先验值偏离真实值，可辨识性结论可能改变。TV 模型的 practical identifiability 基于 12 天合成数据，更短或更稀疏的采样可能影响结果

主要发现 2：TV 模型能复现单峰型 IR 模型生成的病毒载量动力学，且其参数可由 IR 免疫参数映射

• 临床结论：当 IR 模型的免疫反应参数（r, k, s, τ）逐一变化生成合成数据时，TV 模型在病毒载量呈单一指数上升后指数衰减的情形下能精确复现动力学（SSR < 15），且 TV 模型最优拟合参数随 IR 免疫参数呈可预测的单调变化；例如当 innate IR strength s 增大时，TV 模型的 β̂ 增大而 p̂ 与 ĉ 减小
• 证据定位：§3.5 Using the TEIV and TV models to reproduce viral load dynamics of the IR Model（PDF p.15-16，Figure 4 与 Figure 5，Table S4）
• 效应量：Figure 4 与 Figure 5 左列报告了 TEIV 与 TV 模型拟合各免疫参数变化下的 SSR；文中指出 TV 模型的 mean SSR 在每种参数变化下均低于 TEIV 模型（§3.5，PDF p.16："In each case, the TV model has a lower mean SSR"）；Figure 5(h) 展示 s 增大时 β̂ 上升、p̂ 与 ĉ 下降的映射关系；具体 mean SSR 数值见 Table S4，本次未核实
• 临床意义：表明即使在缺乏免疫反应直接测量的临床情境下，TV 模型拟合得到的参数仍可间接反映宿主的免疫状态差异，为基于病毒载量数据的宿主免疫表型区分提供了方法学依据
• 不确定性：TV 模型无法复现病毒载量 resurgence（双峰）型动力学——当免疫抑制导致病毒在 innate IR 衰减后再次上升时，TEIV 与 TV 模型均失效（§3.5，PDF p.15："neither model can reproduce dynamics for which the viral load exhibits a resurgence and second peak"）；映射关系的免疫学解释有限，作者明确指出 TV 参数可能不具备直接的免疫学含义（§4 Discussion，PDF p.24）

主要发现 3：TV 模型可区分四类免疫表型宿主并在实时预测中优于 IR 模型

• 临床结论：在 baseline、elderly、obese、enhanced immunity 四组宿主中（每组 105 个合成数据集），TV 模型可精确复现各组病毒载量动力学，且各组拟合参数在参数空间中聚集于不同区域；elderly 与 obese 组的 β̂ 低于 baseline 而 p̂ 高于 baseline，enhanced immunity 与 obese 组的 ĉ 高于 baseline。在 day 6 实时预测任务中，TV 模型的 BIC（993）显著低于 IR 模型（3265），预测精度更高
• 证据定位：§3.6 Using the TV model to reproduce viral load dynamics in hosts with different immunological characteristics（PDF p.19-20，Figure 6）；§3.7 Projections of influenza viral load dynamics（PDF p.22-23，Figure 7）
• 效应量：Figure 6(a)-(k) 展示四组宿主的 TV 参数分布与散点图，显示参数聚类分离；Figure 6(b) 的 boxplot 显示各组 SSR 均处于低水平（elderly/obese 组 SSR 最低）；Figure 7(c) day 6 预测中 TV 模型 BIC = 993，IR 模型 BIC = 3265（PDF p.23："the TV model yields a BIC value of 993 which is over three times smaller than the value for the IR model"）；IR 模型需估计 8 个参数而 TV 仅 3 个
• 临床意义：为基于病毒载量监测的个体化感染动力学预测与宿主免疫状态分层提供了可操作的方法路径；TV 模型因参数少、可辨识且计算成本低，更适合实时预测场景
• 不确定性：Figure 7 基于"单个模拟患者"的示例性分析，作者明确声明"This illustrative example shows how the simpler TV model may be used... even if alternative conclusions could be reached with different data"（§3.7，PDF p.23）；四组宿主的免疫参数设定基于文献假设（s、τ、k 的倍数关系），并非来自真实人群测量；IR 模型参数化基于小鼠数据，向人类的定性外推尚未经真实数据验证

安全性、负结果与亚组

• 安全性：不适用（数学建模与合成数据研究，无临床不良事件报告）
• 负结果：TEIV 模型在仅观测 V 时 p̃ 与 δ̃ 不可辨识（Table 3 Case 8），其额外拟合参数并未改善拟合精度——TV 模型的 mean SSR 在所有参数变化情境下均低于 TEIV 模型（§3.5，PDF p.16）；TV 与 TEIV 模型均无法复现病毒载量双峰/resurgence 动力学（§3.5 与 §4，PDF p.15、p.24）
• 亚组：四类假设宿主组（baseline、elderly、obese、enhanced immunity）的免疫参数设定与 TV 拟合参数分布见 §3.6 与 Table S5（PDF p.19-20）；elderly 与 obese 组在 β̂-p̂ 空间中表现出与 baseline 相反的方向，enhanced immunity 组参数偏向更高 ĉ

关键图表

• 图表定位：Figure 2（IR 模型拟合小鼠实验数据，PDF p.11-12）；Figure 3（IR/TEIV/TV 模型拟合 immunocompetent 小鼠病毒载量，PDF p.13）；Figure 4（TEIV 拟合 IR 合成数据，PDF p.17）；Figure 5（TV 拟合 IR 合成数据，PDF p.18）；Figure 6（TV 拟合四组宿主合成数据，PDF p.20-21）；Figure 7（TV vs IR 实时预测对比，PDF p.23）；Table 1（三模型参数描述与取值，PDF p.9）；Table 2（structural identifiability 结果，PDF p.13-14）；Table 3（practical identifiability 结果，PDF p.14-15）
• 核心数字：Figure 6(b) 各组 SSR boxplot 显示 TV 模型对四组宿主的拟合精度；Figure 7(c)-(d) 的 BIC 对比（993 vs 3265）是支持 TV 模型用于实时预测的关键定量证据；Table 2/3 的 Case 9 vs Case 5 对比是可辨识性结论的核心
• 阅读陷阱：Figure 4 与 Figure 5 的"Green shaded regions"代表 SSR < 15 的良好拟合区域，需注意其横轴为 scale factor（IR 参数相对于 Table S1 值的倍数），非绝对参数值；Figure 7 的 BIC 值标注于 caption 中（(a) 4965, (b) 4253, (c) 993, (d) 3265），其中 (c) 为 TV 模型 day 6 预测、(d) 为 IR 模型 day 6 预测，需对应阅读

偏倚、局限与外部有效性

• 选择、测量、混杂和报告偏倚：原始实验数据来自 1977 年的小鼠研究（Iwasaki and Nozima, 1977），存在显著的物种外推偏倚——小鼠流感动力学与人类在病毒峰值、感染时长、免疫反应时序上存在差异；数据通过 WebPlotDigitizer 从发表图像提取，引入数字化测量误差；四组宿主的免疫参数设定基于文献中的定性描述（如"IFN-β 水平减半"）转化为定量倍数，存在设定主观性偏倚
• 因果解释：部分成立。本文证明的是 TV 模型参数与 IR 免疫参数之间的统计映射关系及拟合能力，而非 TV 参数直接"导致"某种免疫表型；作者明确指出 TV 模型参数可能不具备直接的免疫学因果含义（§4，PDF p.24："the interpretation of the TV model parameters may not be immunological"）
• 适用患者：理论适用于仅有病毒载量时间序列数据的流感感染情境，尤其适合需要快速个体化病毒载量预测的场景；四组假设宿主（baseline/elderly/obese/enhanced immunity）覆盖了常见的免疫状态差异
• 不适用患者：病毒载量呈双峰/resurgence 动力学的患者（如深度免疫抑制宿主）；感染后期有继发细菌共感染的患者；需要直接推断免疫机制的患者
• 与指南或标准治疗的关系：本次未核实（本文为方法学/理论建模研究，未涉及临床治疗指南）

数据、代码与可复现性

• 数据：原始实验数据来自 Iwasaki and Nozima (1977)，因原始数据不可获取，作者使用 WebPlotDigitizer 从发表图像提取（§2.2，PDF p.9）；合成数据由 IR 模型生成，生成参数见 Table 1 与 Table S1
• 代码：MATLAB 代码公开于 https://github.com/rahilsp/within-host-influenza（§Data Availability，PDF p.26）
• 复现判断：部分可复现。代码与参数表公开，合成数据可基于 IR 模型与公开参数重新生成，主要结果（identifiability 分析、TV 拟合、Figure 7 预测）理论上可复现；但原始小鼠实验数据为图像提取的二手数据，精确复现原始拟合存在数字化误差的不确定性

个人批注

对当前课题的意义

本文提供了一个"模型简化决策"的完整方法学范式：当复杂机理模型因数据不足而参数不可辨识时，如何通过结构性与实用性可辨识性分析系统性地论证简化模型的合理性，并证明简化模型仍能保留对宿主异质性的区分能力。这一框架可迁移至其他感染动力学或生物动力学建模场景中面临数据-模型失配的问题。此外，作者将免疫表型参数（s, τ, k）通过 gamma 分布引入个体间变异，再用简化模型参数聚类区分宿主组的设计，对需要处理群体异质性的参数化建模工作具有直接参考价值。

可复用的设计或统计方法

1. 两步可辨识性分析流程：先做 structural identifiability（Taylor 级数法，判定模型结构本身是否允许唯一参数解），再做 practical identifiability（profile likelihood，判定在含噪数据下是否可实际估计），两者结合形成对模型选择的有力论证——可作为任何 ODE 参数估计研究的标准前置分析
2. 合成数据驱动的模型简化验证：用复杂模型（IR）在不同参数设定下生成合成数据，再用简化模型（TV）拟合并检验其参数与原模型参数的映射关系，这一"in-silico ground truth"策略适用于缺乏真实多变量数据的场景
3. BIC/AIC 辅助模型选择：在 MLE 拟合基础上用 BIC（惩罚参数数量）比较 IR/TEIV/TV 模型，用以在拟合精度与复杂度间权衡
4. MCMC 后验分布可视化诊断不可辨识性：通过后验分布是否跨越多个数量级来直观判断参数可辨识性（参考 Siekmann et al., 2012）

疑问与后续动作

• 疑问 1：TV 模型参数与 IR 免疫参数之间的映射关系（如 s↑ → β̂↑, p̂↓, ĉ↓）是否具有某种解析或半解析表达式？文中仅展示了数值映射，未推导理论关系。
• 疑问 2：当采样间隔从 12 天加密至每日或半日采样时，TV 模型对双峰动力学的复现能力是否改善？文中提及"不同采样间隔可能影响"但未系统验证。
• 后续动作：检查 GitHub 仓库 (https://github.com/rahilsp/within-host-influenza) 的 MATLAB 实现细节，确认 MCMC 与 profile likelihood 的具体实现；在当前感染动力学建模任务中复用其两步可辨识性分析流程作为参数估计的前置验证。

与上下文的关系

本文建立在

本文直接建立在 Handel et al. (2009) 的工作之上——IR 模型即改编自该文，且使用相同的小鼠实验数据（Iwasaki and Nozima, 1977）与部分固定参数值（如 1/δ = 2 days, 1/c = 10 days, 1/κ = 4 days, A1/A2/λ1/λ2/t* 等 innate IR 参数，见 Table 1，PDF p.9）。TEIV 模型源自 Baccam et al. (2006) 的 target-cell limited 框架，TV 模型可追溯至 Hadjichrysanthou et al. (2016)。Structural identifiability 分析采用 Chis et al. (2011b) 的 Taylor 级数法，practical identifiability 采用 Raue et al. (2009) 的 profile likelihood 方法。四组宿主的免疫参数设定依据包括 Pillai et al. (2016)（elderly IFN-β 减半）、Blomberg and Frasca (2011)（elderly 抗体滴度降低）、Honce and Schultz-Cherry (2019)（obese IFN 延迟与减少）。

已核实的后续引用

本次未检索

同类临床证据对比

本文与 Cao and McCaw (2017) 直接相关——该文比较了 target-cell limitation 与 immune-mediated control 两种病毒清除机制对抗病毒治疗下病毒动力学预测的影响，结论是免疫反应模型在预测 immunocompetent 宿主的感染动力学与抗病毒治疗效果时更合适。本文则在数据受限（仅病毒载量）的情境下得出互补结论：TV 模型在参数可辨识性与预测精度上更优，但其适用前提是病毒载量呈单峰动力学。此外，Hernandez-Vargas et al. (2014) 在不同年龄小鼠的感染动力学中也比较了 target-cell limited 与免疫反应模型。Dobrovolny et al. (2013) 讨论了额外免疫数据对参数估计 credible intervals 的影响，与本文 §1 引述的"额外免疫反应数据可收紧 credible intervals"一致。本次未核实这些对比论文的完整内容。

与本地论文队列的关系

• 2020-Systems-Biology-Informed-Yazdani — 该文同样处理 ODE 系统在稀疏含噪数据下的参数推断问题（SBINNs），将 ODE 作为约束嵌入神经网络；本文则采用传统 MCMC/MLE + 可辨识性分析的经典范式，两者可形成"数据驱动 vs 机理约束"的方法对比
• 2026-Mechano-Immunological-Framework-Wang — 该文同样涉及免疫反应的力学-化学耦合建模，与本文的 within-host 免疫动力学建模在"如何用简化模型刻画免疫异质性"上存在方法学关联

快速判断

• 一句话结论：本文构建了一组层级化的常微分方程（ODE）模型来描述流感病毒在宿主体内的感染动力学：其中 IR 模型显式刻画免疫反应，而更简洁的 TEIV 与 TV 模型则仅基于靶细胞限制（target-cell limited）假设而忽略免疫反应项。
• 阅读范围：仅 metadata、first page、abstract、最多 3 个 figure/table captions 和 conclusion；未通读正文
• 处理决定：保留参考
• 决定理由：该文与模型、计算框架与血管或细胞系统的机制研究相关；受限材料足以保留研究线索，但不足以支持全文级方法或稳健性判断。

摘要概述

本文构建了一组层级化的常微分方程（ODE）模型来描述流感病毒在宿主体内的感染动力学：其中 IR 模型显式刻画免疫反应，而更简洁的 TEIV 与 TV 模型则仅基于靶细胞限制（target-cell limited）假设而忽略免疫反应项。作者利用小鼠实验数据（病毒载量、死亡细胞比例、免疫反应水平）对 IR 模型进行拟合，并通过结构性与实用性可辨识性分析证明：当仅可获得病毒载量数据时，只能拟合 TEIV/TV 模型而无法唯一确定 IR 模型参数。随后用 IR 模型生成代表不同免疫反应宿主的合成数据，再用 TV 模型进行拟合，结果显示 TV 模型能够重现 IR 模型产生的病毒载量指数增长与衰减特征，并且其拟合参数可由 IR 模型的免疫反应参数进行映射。研究结论表明，在仅有病毒载量数据的情况下，简洁的靶细胞限制模型已足以复现流感感染动力学并区分免疫反应不同的宿主。

关键证据

• 证据 1（定位）：Abstract
• 展示或报告：本文构建了一组层级化的常微分方程（ODE）模型来描述流感病毒在宿主体内的感染动力学：其中 IR 模型显式刻画免疫反应，而更简洁的 TEIV 与 TV 模型则仅基于靶细胞限制（target-cell limited）假设而忽略免疫反应项。作者利用小鼠实验数据（病毒载量、死亡细胞比例、免疫反应水平）对 IR 模型进行拟合，并通过结构性与实用性可辨识性分析证明：当仅可获得病毒载量数据时，只能拟合 TEIV/TV 模型而无法唯一确定 IR 模型参数。
• 支持的结论：本文构建了一组层级化的常微分方程（ODE）模型来描述流感病毒在宿主体内的感染动力学：其中 IR 模型显式刻画免疫反应，而更简洁的 TEIV 与 TV 模型则仅基于靶细胞限制（target-cell limited）假设而忽略免疫反应项。
• 注意事项：仅据受限 quick source；方法细节、完整定量结果与稳健性分析本次未核实。

局限与未核实项

• 最大局限：当前仅完成 quick triage，不能据此确认正文中的全部实验、模型或统计假设。
• 未核实项：完整方法、样本或参数设置、敏感性分析、局限讨论及数据与代码可用性。

与我的关联

• 可复用点：文中的模型或计算框架可作为相关建模工作的候选参考；具体方程、参数与适用条件本次未核实。
• 关联的当前问题：该工作展示了如何通过可辨识性分析与模型简化，在数据受限情形下用最简模型有效刻画免疫反应异质性，对我的感染动力学建模与参数估计工作具有方法学参考价值。
• 下一步动作：保留参考；仅在当前问题需要其完整方法或定量证据时升级为 deep note。