5月9日，medRxiv预印本平台发表了来自陈•扎克伯格生物中心研究团队的题为“Using viral genomics to estimate undetected infections and extent of superspreading events for COVID-19”的文章。
文章指出，无症状感染和有限的检测能力已导致SARS-CoV-2病例的报告不充分，这阻碍了真实感染数的确定，影响了对监测策略评估的有效性，影响了对传播动态的确定和对再生数的估计。利用病毒基因组和时间序列的病例数据可提供估算这些参数的方法。使用贝叶斯推断框架将分支过程模型拟合至病毒系统发育和时间序列病例数据，该研究估算了随时间变化的再生数数及其方差、感染个体的总数、随时间推移发现病例的概率以及在欧洲、中国和美国的12个地方检测到疫情的估计时间。未检测到的感染者数量的中位数百分比从纽约的13％到中国上海的92％不等，在发现两例病例之前的本地传播时间长度从加利福尼亚的11天到明尼苏达州37天不等。在本地流行开始时，发现病例的概率低至1％，随着报告病例数的增加而增加。估计的精度随着当地全长病毒基因组数量的增加而增加。病毒系统发育学可提供再生数的变化信息，其中32％的最具感染力的个体推动了近80％的传播事件。文章表示，该研究是是第一项将病毒基因组和时间序列病例数据结合在一起以评估未发现的COVID-19感染的研究。该文章认为，研究表明，与2003年SARS流行期间相比，未检测到的感染广泛存在，并且超级传播事件对观察到的动态的贡献相对2003年变得越来越小。
*注，本文为预印本论文手稿，是未经同行评审的初步报告，其观点仅供科研同行交流，并不是结论性内容，请使用者谨慎使用。
