《PLOS Computational Biology》：Disentangling the drivers of heterogeneity in SARS-CoV-2 transmission from data on viral load and daily contact rates
编辑推荐：
SARS-CoV-2的传播具有高度过度离散性（overdispersion），少数个体导致了大多数传播，尽管这种异质性的驱动因素尚不清楚。本文中，研究人员通过将已发表的病毒载量（viral load）估计和接触调查数据整合到一个数学模型中来估计继发感染分布（s
SARS-CoV-2的传播具有高度过度离散性（overdispersion），少数个体导致了大多数传播，尽管这种异质性的驱动因素尚不清楚。本文中，研究人员通过将已发表的病毒载量（viral load）估计和接触调查数据整合到一个数学模型中来估计继发感染分布（secondary infection distribution），从而评估病毒载量和每日接触次数变异对这一异质性的贡献。利用BBC大流行（BBC Pandemic）和CoMix接触调查的数据，研究人员估计了2020年英国大流行期间继发感染分布，以及频繁检测和活动前快速检测减少超级传播事件的有效性。研究发现，接触的个体异质性而非排毒的个体异质性，是观察到的继发感染分布异质性的主要驱动因素。研究结果表明，每个人每3天检测一次可将繁殖数（reproduction number）降至1以下，并且在继发感染影响方面等同于在大流行前接触水平下每个人仅在参加最小规模为10人的活动前进行检测。这项工作展示了利用病毒载量和接触数据估计传播异质性以及快速检测策略在遏制未来大流行传播方面的潜力。
解析SARS-CoV-2传播异质性的驱动因素：从病毒载量和每日接触率数据出发
SARS-CoV-2的传播具有高度过度离散性（overdispersion，即少数个体导致大多数传播的分布特性），约20%的感染者产生约80%的继发感染，但驱动这种异质性的因素尚不明确。以往研究多依赖对接触率和病毒载量动态的假设，缺乏直接基于真实世界数据的估计。为填补这一空白，研究人员将已发表的病毒
