大规模筛查是生命科学的关键工具，但常常受到试剂、样品或成本的限制。最近一个重要的例子就是在面临资源限制的情况下，实现广泛的新冠检测。为了应对这一挑战，筛查方法必须有效地利用检测资源。然而，考虑到新冠是全球性流行病，筛查方法也必须简单（以帮助执行）和灵活（以适应每种环境）。本文提出了一种基于超图分解的混样检测方法 HYPER。我们在一般统计模型下提供了理论特征，并在传染病传播和病毒动力学的现实模拟下仔细评估 HYPER 和为新冠检测提出的替代方案。我们发现 HYPER 在一系列测试受限的环境中与其他选择相当或更优，同时也更加简单和灵活。我们提供了一个在线工具来帮助实验室实现这一策略: http://hyper.covid19-analysis.org。
研究领域：超图，混样检测
论文题目：
Group testing via hypergraph factorization applied to COVID-19
https://www.nature.com/articles/s41467-022-29389-z
混样检测是提高新冠检测通量的一种有效方式。对于两阶段的混池构建，先将人群分成一个个的池，在第一阶段，对池进行测试，并将池的每个阴性结果应用于池的所有成员。在第二阶段，只有被假定的阳性者接受单独测试，这可以大大提高效率，具体取决于人口中阳性成员的数量和流行程度。然而除了当前采用的随机混样，还可以通过算法设计出定向的混样方式。除此之外，还有通过使用精心构建的包含交集的混样策略，实现单次检测确定阳性患者，以及多阶段的混样策略。
最近发表于 Nature Communications 的一项研究提出基于超图的两阶段混池构建方法「HYPER」，将一个人在单轮检测时分配到2-3个混池中。其方法学的创新在于使用超图的视角来审视混池构建问题。该策略尽管依赖的数学很复杂，但其实现却可以通过纸和笔手动完成。给定新冠病毒载量分布和疾病传播动力学，该策略适用于任意多个人的群体，能够比之前的方法更高效地进行混样检测。
图1. 示例场景下HYPER的混样策略：一共12个人，其中两个阳性。第一阶段构建6个混池，每个人归属2个混池。第二阶段判定出2个阳性。
不同于随机混池或之前的混池构建策略，使用HYPER，可最大化混池的均一性，并对检测中的假阳性和假阴性进行纠正。在构建、执行解码阶段，其操作简洁，可以手工完成。
图2. 在模拟实验中，假设疾病的传播（横轴），A和B对比了不同的混样策略，以及单管检测的检测敏感性和效率，可以看到在各种混样策略中，HYPER的敏感性更高。C和D比较了HYPER混样检测时不同参数造成的影响。
图3. 在通量有限的时候，a-f分别展示了不同样本量和检测通量时，不同混养策略及单样本检测的有效检出准确性，可以看到越是样本数和检测通量差异大的情况，HYPER的优势越明显。g图指出了不同的检测通量和样本数下，最优的混样策略（都为不同参数的HYPER策略）
全球范围内对新冠检测的需求和能力千差万别。HYPER的均衡的设计确保了样品的统一处理，并促进了健壮和简单的实施，并在效率和灵敏度之间找到最优的权衡。
在针对不同的流行病应用HYPER策略时，要考虑病毒动力学可能发生的变化，例如病毒载量达到峰值的时间。对于不同的病毒，最近感染个体的病毒载量较小可能导致检测的灵敏度降低，并可能改变筛查对传染病感染人数增长或减少之间带来的差异。另一个重要方面是流行病的传播速度; 一个缓慢传播的流行病的流行率在较长时间内保持低水平，使得有可能使用 HYPER 设计，在高流行率时牺牲效率，在低流行率时大幅度提高检测效率，从而降低持续筛查的成本。
总而言之，混样检测是完成社会面动态清零这一目标的必备工具，然而除了简单的随机混样，还存在更高效的混样检测方式。对于诸如学校、物流行业等人员相对稳定、需要持续监控的场景，可以采用诸如HYPER这样的策略，以更低成本完成阳性患者的筛查。对于其它检测通量缺乏的国家和地区，HYPER混养检测的优势更为明显。
从复杂系统的角度来看，该研究说明了应用超图这样来自复杂网络的工具，可以将现实问题转化为超图分解问题来解决。这展示了复杂网络广泛的应用场景，也启发读者之后可以多尝试用超图对工作中待解决的问题进行建模。
Large scale screening is a critical tool in the life sciences, but is often limited by reagents, samples, or cost. An important recent example is the challenge of achieving widespread COVID-19 testing in the face of substantial resource constraints. To tackle this challenge, screening methods must efficiently use testing resources. However, given the global nature of the pandemic, they must also be simple (to aid implementation) and flexible (to be tailored for each setting). Here we propose HYPER, a group testing method based on hypergraph factorization. We provide theoretical characterizations under a general statistical model, and carefully evaluate HYPER with alternatives proposed for COVID-19 under realistic simulations of epidemic spread and viral kinetics. We find that HYPER matches or outperforms the alternatives across a broad range of testing-constrained environments, while also being simpler and more flexible. We provide an online tool to aid lab implementation: http://hyper.covid19-analysis.org.
集智斑图顶刊论文速递栏目上线以来，持续收录来自Nature、Science等顶刊的最新论文，追踪复杂系统、网络科学、计算社会科学等领域的前沿进展。现在正式推出订阅功能，每周通过微信服务号「集智斑图」推送论文信息。扫描下方二维码即可一键订阅：
点击“阅读原文”，追踪复杂科学顶刊论文
