nosoi: A stochastic agent-based transmission chain simulation framework in r.

ABSTRACT

The transmission process of an infectious agent creates a connected chain of hosts linked by transmission events, known as a transmission chain. Reconstructing transmission chains remains a challenging endeavour, except in rare cases characterized by intense surveillance and epidemiological inquiry. Inference frameworks attempt to estimate or approximate these transmission chains but the accuracy and validity of such methods generally lack formal assessment on datasets for which the actual transmission chain was observed.We here introduce nosoi, an open-source r package that offers a complete, tunable and expandable agent-based framework to simulate transmission chains under a wide range of epidemiological scenarios for single-host and dual-host epidemics. nosoi is accessible through GitHub and CRAN, and is accompanied by extensive documentation, providing help and practical examples to assist users in setting up their own simulations.Once infected, each host or agent can undergo a series of events during each time step, such as moving (between locations) or transmitting the infection, all of these being driven by user-specified rules or data, such as travel patterns between locations. nosoi is able to generate a multitude of epidemic scenarios, that can-for example-be used to validate a wide range of reconstruction methods, including epidemic modelling and phylodynamic analyses. nosoi also offers a comprehensive framework to leverage empirically acquired data, allowing the user to explore how variations in parameters can affect epidemic potential. Aside from research questions, nosoi can provide lecturers with a complete teaching tool to offer students a hands-on exploration of the dynamics of epidemiological processes and the factors that impact it. Because the package does not rely on mathematical formalism but uses a more intuitive algorithmic approach, even extensive changes of the entire model can be easily and quickly implemented.

Le processus de transmission d'un agent infectieux crée une chaîne connectée d'hôtes, connue sous le nom de chaîne de transmission. Reconstruire cette dernière reste une entreprise difficile, sauf dans de rares cas caractérisés par une surveillance épidémiologique intense. Il existe des méthodes d'inférence pour estimer ou approximer ces chaînes de transmission. Cependant la précision et la validité de ces méthodes ne sont généralement pas formellement évaluées sur des jeux de données pour lesquelles la chaîne de transmission est connue.Nous présentons ici nosoi, un progiciel r libre qui propose une infrastructure individu­centrée complète, réglable et extensible, pour simuler des chaînes de transmission dans une grande variété de scénarios épidémiologiques. nosoi est disponible sur GitHub et le CRAN, et est accompagné d'une documentation étendue munie d'exemples pratiques détaillés permettant aux utilisateurs de paramétrer aisément leurs propres scénarios de simulation.Une fois infecté, chaque hôte ou agent peut subir une série d'événements à chaque pas de temps, tel que bouger (entre deux lieux) ou transmettre l'infection, chacun de ces événements étant spécifié par des règles ou des données fournies par l'utilisateur. nosoi est capable de générer une multitude de scénarios épidémiques, pouvant, par exemple, être utilisés pour valider certaines méthodes de reconstruction, dont les modélisations épidémiologiques et les analyses phylodynamiques. nosoi offre également une infrastructure complète pour tirer parti de données acquises empiriquement, permettant l'exploration de l'influence des divers paramètres d'intérêt sur le potentiel épidémique. En plus de son utilisation en recherche, nosoi procure aux enseignants universitaires un outil complet pour explorer avec leurs étudiants la dynamique des processus épidémiologiques et ses paramètres. Ce progiciel ne reposant pas sur un formalisme mathématique mais utilisant une approche algorithmique plus intuitive, des changements même drastiques de l'entièreté du modèle peuvent être facilement et rapidement implémentés.