พลวัตเชิงวิวัฒนาการของไวรัสคือการศึกษาว่า กระบวนการ ทางระบาดวิทยาภูมิคุ้มกันวิทยาและวิวัฒนาการทำงานและอาจมีปฏิสัมพันธ์กันอย่างไรในการกำหนดรูปแบบวิวัฒนาการของไวรัส^{[ 1 ]} นับตั้งแต่มีการบัญญัติศัพท์นี้ขึ้นในปี 2547 การวิจัยเกี่ยวกับพลวัตเชิงวิวัฒนาการของไวรัสได้มุ่งเน้นไปที่พลวัตการแพร่กระจายเพื่อที่จะให้ความกระจ่างว่าพลวัตเหล่านี้ส่งผลกระทบต่อความแปรผันทางพันธุกรรม ของไวรัสอย่างไร พลวัตการแพร่กระจายสามารถพิจารณาได้ในระดับเซลล์ภายในโฮสต์ที่ติดเชื้อ โฮสต์แต่ละตัวภายในประชากร หรือประชากรโฮสต์ทั้งหมด

ไวรัสหลายชนิด โดยเฉพาะไวรัส RNAสะสมความแปรผันทางพันธุกรรมอย่างรวดเร็วเนื่องจากมีวงจรชีวิต สั้น และอัตราการกลายพันธุ์ สูง ดังนั้น รูปแบบความแปรผันทางพันธุกรรมของไวรัสจึงได้รับอิทธิพลอย่างมากจากความเร็วในการแพร่กระจายและปัจจัยที่แพร่กระจายให้กันและกัน นอกจากนี้ รูปแบบความแปรผันทางพันธุกรรมของไวรัสยังได้รับผลกระทบจากการคัดเลือกที่กระทำต่อลักษณะทางฟีโนไทป์ของไวรัส แม้ว่าไวรัสจะแตกต่างกันในหลายฟีโนไทป์แต่การศึกษาทางด้านฟิโลไดนามิกส์จนถึงปัจจุบันมักมุ่งเน้นไปที่ฟีโนไทป์ของไวรัสจำนวนจำกัด ซึ่งรวมถึงฟีโนไทป์ที่เกี่ยวข้องกับความรุนแรง ฟีโนไทป์ที่เกี่ยวข้องกับการแพร่กระจายของไวรัส ฟีโนไทป์ที่เกี่ยวข้องกับการเลือกเซลล์หรือเนื้อเยื่อและฟีโนไทป์ทางแอนติเจนที่ช่วยให้ไวรัสหลบเลี่ยงภูมิคุ้มกันของโฮสต์ได้ เนื่องจากพลวัตการแพร่กระจายและการคัดเลือกอาจส่งผลกระทบต่อความแปรผันทางพันธุกรรมของไวรัส ดังนั้นแผนภูมิวิวัฒนาการของไวรัสจึงสามารถนำมาใช้ในการตรวจสอบกระบวนการทางระบาดวิทยา ภูมิคุ้มกันวิทยา และวิวัฒนาการที่สำคัญ เช่นการแพร่ระบาดของโรค^{[ 2 ]}พลวัตเชิงพื้นที่และเวลา รวมถึงพลวัตของประชากรย่อย^{[ 3 ]}การแพร่กระจายจากสัตว์สู่คนความชอบเนื้อเยื่อ^{[ 4 ]}และ การ เปลี่ยนแปลงแอนติเจน^{[ 5 ]} การตรวจสอบเชิงปริมาณของกระบวนการเหล่านี้โดยพิจารณาจากแผนภูมิวิวัฒนาการของไวรัสเป็นเป้าหมายหลักของพลวัตเชิงวิวัฒนาการของ ไวรัส

ในการบัญญัติศัพท์คำว่าphylodynamicsนั้น Grenfell และผู้เขียนร่วม^{[ 1 ]}ตั้งสมมติฐานว่าวิวัฒนาการของไวรัส "...ถูกกำหนดโดยการผสมผสานระหว่างการคัดเลือกทางภูมิคุ้มกัน การเปลี่ยนแปลงขนาดประชากรไวรัส และพลวัตเชิงพื้นที่" การศึกษาของพวกเขาแสดงให้เห็นคุณลักษณะสามประการของวิวัฒนาการของไวรัส ซึ่งอาจใช้เป็นหลักเกณฑ์ในการระบุถึงกระบวนการทางระบาดวิทยา ภูมิคุ้มกันวิทยา และวิวัฒนาการที่สำคัญซึ่งมีอิทธิพลต่อรูปแบบของความแปรผันทางพันธุกรรมของไวรัส

ความยาวสัมพัทธ์ของกิ่งภายในเทียบกับกิ่งภายนอกจะได้รับผลกระทบจากการเปลี่ยนแปลงขนาดประชากรไวรัสเมื่อเวลาผ่านไป^{[ 1 ]}

การแพร่กระจายอย่างรวดเร็วของไวรัสในประชากรจะสะท้อนให้เห็นได้จากแผนภูมิวิวัฒนาการแบบ "รูปดาว" ซึ่งกิ่งก้านภายนอกจะยาวกว่ากิ่งก้านภายใน แผนภูมิวิวัฒนาการแบบรูปดาวเกิดขึ้นเนื่องจากไวรัสมีแนวโน้มที่จะมีบรรพบุรุษร่วมกันเมื่อไม่นานมานี้เมื่อประชากรมีขนาดเล็ก และประชากรที่กำลังเติบโตจะมีขนาดประชากรที่เล็กลงเรื่อยๆ เมื่อย้อนกลับไปในอดีต เมื่อเปรียบเทียบกับแผนภูมิวิวัฒนาการของไวรัสที่กำลังแพร่กระจาย แผนภูมิวิวัฒนาการของประชากรไวรัสที่มีขนาดคงที่จะมีกิ่งก้านภายนอกที่สั้นกว่าเมื่อเทียบกับกิ่งก้านภายในแผนภูมิ แผนภูมิวิวัฒนาการของเชื้อเอชไอวีเป็นตัวอย่างที่ดีของแผนภูมิวิวัฒนาการแบบรูปดาว เนื่องจากอัตราการติดเชื้อเอชไอวีเพิ่มขึ้นอย่างรวดเร็วตลอดช่วงทศวรรษ 1980 (การเติบโตแบบทวีคูณ) ในทางกลับกัน แผนภูมิวิวัฒนาการของไวรัสตับอักเสบ บีสะท้อนให้เห็นถึงประชากรไวรัสที่มีขนาดคงที่โดยประมาณ (ขนาดคงที่) ในทำนองเดียวกัน แผนภูมิที่สร้างขึ้นใหม่จากลำดับไวรัสที่แยกได้จากผู้ติดเชื้อเรื้อรังสามารถใช้เพื่อวัดการเปลี่ยนแปลงของขนาดประชากรไวรัสภายในโฮสต์ได้

การจัดกลุ่มของแท็กซาบนแผนภูมิวิวัฒนาการของไวรัสจะได้รับผลกระทบจากโครงสร้างประชากร ของโฮสต์ ^{[ 1 ]}

ไวรัสในโฮสต์ที่คล้ายคลึงกัน เช่น โฮสต์ที่อาศัยอยู่ในภูมิภาคทางภูมิศาสตร์เดียวกัน คาดว่าจะมีความสัมพันธ์ทางพันธุกรรมที่ใกล้ชิดกันมากขึ้นหากมีการแพร่กระจายระหว่างกันบ่อยขึ้น แผนภูมิวิวัฒนาการของไวรัสโรคหัดและ โรคพิษสุนัขบ้า แสดงให้เห็นไวรัสที่มีประชากรโฮสต์ที่มีโครงสร้างเชิงพื้นที่ แผนภูมิวิวัฒนาการเหล่านี้แตกต่างจากแผนภูมิวิวัฒนาการของไข้หวัดใหญ่ ในมนุษย์ ซึ่งดูเหมือนว่าจะไม่มีโครงสร้างเชิงพื้นที่ที่ชัดเจนในช่วงระยะเวลาที่ยาวนาน การรวมกลุ่มของอนุกรมวิธาน เมื่อเกิดขึ้น ไม่จำเป็นต้องสังเกตได้ในทุกระดับ และประชากรที่ดูเหมือนมีโครงสร้างในระดับหนึ่งอาจดูเหมือนมีการผสมพันธุ์แบบสุ่มในอีกระดับหนึ่ง เช่น ในระดับเชิงพื้นที่ที่เล็กกว่า ในขณะที่โครงสร้างเชิงพื้นที่เป็นโครงสร้างประชากรที่พบได้บ่อยที่สุดในการวิเคราะห์ทางฟิโลไดนามิก ไวรัสอาจมีการผสมพันธุ์ที่ไม่เป็นแบบสุ่มตามคุณลักษณะต่างๆ เช่น อายุ เชื้อชาติ และพฤติกรรมเสี่ยง^{[ 6 ]}ทั้งนี้เนื่องจากการแพร่กระจายของไวรัสสามารถเกิดขึ้นได้ระหว่างโฮสต์ที่มีคุณลักษณะเหล่านี้ร่วมกัน

ความสมดุลของต้นไม้จะได้รับผลกระทบจากการคัดเลือกโดยเฉพาะอย่างยิ่งการหลบหนีภูมิคุ้มกัน^{[ 1 ]}

ผลของการคัดเลือกแบบมีทิศทางต่อรูปร่างของแผนภูมิวิวัฒนาการของไวรัสแสดงให้เห็นได้จากการเปรียบเทียบแผนภูมิวิวัฒนาการของ โปรตีนพื้นผิวของ ไวรัสไข้หวัดใหญ่และไวรัสเอชไอวี แผนภูมิวิวัฒนาการแบบขั้นบันไดของ โปรตีน เฮมากลูติ นิน ของไวรัสไข้หวัดใหญ่ A/H3N2มีลักษณะเด่นของการคัดเลือกแบบมีทิศทาง ที่รุนแรง ซึ่งขับเคลื่อนโดยการหลบหนีภูมิคุ้มกัน (แผนภูมิวิวัฒนาการที่ไม่สมดุล) ในทางตรงกันข้าม แผนภูมิวิวัฒนาการที่สมดุลกว่าอาจเกิดขึ้นเมื่อไวรัสไม่ได้อยู่ภายใต้การคัดเลือกภูมิคุ้มกันที่รุนแรงหรือแหล่งอื่นของการคัดเลือกแบบมีทิศทาง ตัวอย่างเช่น แผนภูมิวิวัฒนาการของโปรตีนซองไวรัสเอชไอวีที่อนุมานจากลำดับที่แยกได้จากบุคคลต่างๆ ในประชากร (แผนภูมิวิวัฒนาการที่สมดุล) แผนภูมิวิวัฒนาการของโปรตีนซองไวรัสเอชไอวีจากโฮสต์ที่ติดเชื้อเรื้อรังมีลักษณะคล้ายแผนภูมิวิวัฒนาการแบบขั้นบันไดของไข้หวัดใหญ่ สิ่งนี้เน้นให้เห็นว่ากระบวนการที่ส่งผลต่อความแปรผันทางพันธุกรรมของไวรัสอาจแตกต่างกันไปตามระดับ อันที่จริง รูปแบบที่แตกต่างกันของความแปรผันทางพันธุกรรมของไวรัสภายในและระหว่างโฮสต์เป็นหัวข้อที่ได้รับความสนใจอย่างมากในการวิจัยทางฟิโลไดนามิกส์นับตั้งแต่เริ่มก่อตั้งสาขานี้^{[ 1 ]}

แม้ว่าลักษณะทางวิวัฒนาการทั้งสามประการนี้จะเป็นกฎเกณฑ์คร่าวๆ ที่มีประโยชน์ในการระบุถึงกระบวนการทางระบาดวิทยา ภูมิคุ้มกันวิทยา และวิวัฒนาการที่อาจส่งผลกระทบต่อความแปรผันทางพันธุกรรมของไวรัส แต่ก็มีการยอมรับมากขึ้นเรื่อยๆ ว่าการจับคู่ระหว่างกระบวนการและรูปแบบทางวิวัฒนาการอาจเป็นแบบหลายต่อหนึ่ง ตัวอย่างเช่น แม้ว่าต้นไม้แบบขั้นบันไดอาจสะท้อนถึงการมีอยู่ของการคัดเลือกแบบมีทิศทาง แต่ต้นไม้แบบขั้นบันไดก็อาจสะท้อนถึงคอขวดทางพันธุกรรมแบบต่อเนื่องที่อาจเกิดขึ้นพร้อมกับการแพร่กระจายอย่างรวดเร็วในพื้นที่ เช่นในกรณีของไวรัสโรคพิษสุนัขบ้า^{[ 7 ]}เนื่องจากการจับคู่แบบหลายต่อหนึ่งระหว่างกระบวนการและรูปแบบทางวิวัฒนาการนี้ การวิจัยในสาขาพลวัตทางวิวัฒนาการของไวรัสจึงพยายามพัฒนาและประยุกต์ใช้วิธีการเชิงปริมาณเพื่ออนุมานกระบวนการจากแผนภูมิวิวัฒนาการของไวรัสที่สร้างขึ้นใหม่ได้อย่างมีประสิทธิภาพ (ดูวิธีการ ) การพิจารณาแหล่งข้อมูลอื่นๆ (เช่น รูปแบบอุบัติการณ์) อาจช่วยในการแยกแยะระหว่างสมมติฐานทางพลวัตทางวิวัฒนาการที่แข่งขันกัน การรวบรวมแหล่งข้อมูลที่แตกต่างกันเพื่อใช้ในการวิเคราะห์ทางฟิโลไดนามิกยังคงเป็นความท้าทายสำคัญในสาขานี้และเป็นหัวข้อการวิจัยที่กำลังดำเนินอยู่

แบบจำลองฟิโลไดนามิกอาจช่วยในการกำหนดอายุของต้นกำเนิดการระบาดและการระบาดใหญ่อัตราการวิวัฒนาการ ที่รวดเร็ว ของไวรัสทำให้ สามารถประมาณแบบจำลอง นาฬิกาโมเลกุลจากลำดับทางพันธุกรรมได้ จึงให้อัตราการวิวัฒนาการของไวรัสต่อปี ด้วยอัตราการวิวัฒนาการที่วัดได้ในหน่วยเวลาจริง จึงสามารถอนุมานวันที่ของบรรพบุรุษร่วมที่ใกล้ที่สุด (MRCA) สำหรับชุดลำดับไวรัสได้ อายุของ MRCA ของสายพันธุ์เหล่านี้เป็นขอบเขตล่าง บรรพบุรุษร่วมของประชากรไวรัสทั้งหมดจะต้องมีอยู่ก่อน MRCA ของตัวอย่างไวรัส ในเดือนเมษายน พ.ศ. 2552 การวิเคราะห์ทางพันธุกรรมของลำดับ 11 ลำดับของไข้หวัดใหญ่ H1N1 ที่มีต้นกำเนิดจากสุกรชี้ให้เห็นว่าบรรพบุรุษร่วมมีอยู่ ณ หรือก่อนวันที่ 12 มกราคม พ.ศ. 2552 ^{[ 8 ]} การค้นพบนี้ช่วยในการประมาณค่าจำนวนการแพร่พันธุ์พื้นฐาน ของการระบาดใหญ่ได้ตั้งแต่เนิ่นๆ ในทำนองเดียวกัน การวิเคราะห์ทางพันธุกรรมของลำดับที่แยกได้จากภายในตัวบุคคลสามารถใช้เพื่อกำหนดเวลาการติดเชื้อของบุคคลนั้นได้^{[ 9 ]}${\displaystyle R_{0}}$

แบบจำลองฟิโลไดนามิกอาจให้ข้อมูลเชิงลึกเกี่ยวกับพารามิเตอร์ทางระบาดวิทยาที่ยากต่อการประเมินด้วยวิธีการเฝ้าระวังแบบดั้งเดิม ตัวอย่างเช่น การประเมินจากข้อมูลการเฝ้าระวังต้องควบคุมความแปรปรวนของอัตราการรายงานและความเข้มข้นของการเฝ้าระวังอย่างระมัดระวัง การอนุมานประวัติทางประชากรของประชากรไวรัสจากข้อมูลทางพันธุกรรมอาจช่วยหลีกเลี่ยงความยากลำบากเหล่านี้และสามารถเป็นช่องทางแยกต่างหากสำหรับการอนุมาน[ ^{2 ] แนวทาง} ดังกล่าวถูกนำมาใช้เพื่อประมาณการในไวรัสตับอักเสบซี^{[ 10 ]}และเอชไอวี^{[ 2 ]} นอกจากนี้ การแพร่กระจายที่แตกต่างกันระหว่างกลุ่ม ไม่ว่าจะเป็นทางภูมิศาสตร์ อายุ หรือความเสี่ยง ก็ยากที่จะประเมินจากข้อมูลการเฝ้าระวังเพียงอย่างเดียว แบบจำลองฟิโลจีโอกราฟิกมีความเป็นไปได้ที่จะเปิดเผยรูปแบบการแพร่กระจายที่ซ่อนอยู่เหล่านี้ได้โดยตรงมากขึ้น^{[ 11 ]} แนวทางฟิโลไดนามิกได้ทำแผนที่การเคลื่อนไหวทางภูมิศาสตร์ของไวรัสไข้หวัดใหญ่ในมนุษย์^{[ 3 ]}และวัดปริมาณการแพร่ระบาดของไวรัสโรคพิษสุนัขบ้าในแรคคูนในอเมริกาเหนือ^{[ 12 ] [ 13 ]} อย่างไรก็ตาม การสุ่มตัวอย่างที่ไม่เป็นตัวแทนอาจทำให้เกิดอคติในการอนุมานทั้ง^{[ 14 ]}และรูปแบบการย้ายถิ่น^{[ 3 ]} แนวทางฟิโลไดนามิกยังถูกนำมาใช้เพื่อทำความเข้าใจพลวัตการแพร่กระจายของไวรัสและการแพร่กระจายภายในโฮสต์ที่ติดเชื้อได้ดียิ่งขึ้น ตัวอย่างเช่น การศึกษาฟิโลไดนามิกถูกนำมาใช้เพื่ออนุมานอัตราการเติบโตของไวรัสภายในโฮสต์ที่ติดเชื้อและเพื่อโต้แย้งถึงการเกิดการแบ่งส่วนของไวรัสในการติดเชื้อไวรัสตับอักเสบซี^{[ 4 ]}${\displaystyle R_{0}}$${\displaystyle R_{0}}$${\displaystyle R_{0}}$${\displaystyle R_{0}}$

แนวทางฟิโลไดนามิกส์ยังสามารถเป็นประโยชน์ในการตรวจสอบประสิทธิผลของความพยายามในการควบคุมไวรัส โดยเฉพาะอย่างยิ่งสำหรับโรคที่มีอัตราการรายงานต่ำ ตัวอย่างเช่น ความหลากหลายทางพันธุกรรมของไวรัสตับอักเสบ B ที่มีดีเอ็นเอเป็นพื้นฐาน ลดลงในเนเธอร์แลนด์ในช่วงปลายทศวรรษ 1990 หลังจากเริ่มโครงการฉีดวัคซีน^{[ 15 ]}ความสัมพันธ์นี้ถูกนำมาใช้เพื่อโต้แย้งว่าการฉีดวัคซีนมีประสิทธิภาพในการลดการแพร่ระบาดของการติดเชื้อ แม้ว่าจะมีคำอธิบายอื่นที่เป็นไปได้ก็ตาม^{[ 16 ]}

ความพยายามในการควบคุมไวรัสยังสามารถส่งผลกระทบต่ออัตราการวิวัฒนาการของประชากรไวรัส ซึ่งส่งผลต่อรูปแบบทางสายวิวัฒนาการ แนวทางทางฟิโลไดนามิกที่วัดปริมาณการเปลี่ยนแปลงของอัตราการวิวัฒนาการเมื่อเวลาผ่านไป จึงสามารถให้ข้อมูลเชิงลึกเกี่ยวกับประสิทธิภาพของกลยุทธ์การควบคุมได้ ตัวอย่างเช่น การประยุกต์ใช้กับลำดับ HIV ภายในโฮสต์ที่ติดเชื้อแสดงให้เห็นว่าอัตราการแทนที่ของไวรัสลดลงจนเกือบเป็นศูนย์หลังจากเริ่มการรักษาด้วยยาต้านไวรัส^{[ 17 ]}การลดลงของอัตราการแทนที่นี้ถูกตีความว่าเป็นการหยุดการจำลองแบบของไวรัสอย่างมีประสิทธิภาพหลังจากเริ่มการรักษา และคาดว่าจะนำไปสู่ปริมาณไวรัสที่ต่ำลง การค้นพบนี้เป็นกำลังใจอย่างยิ่ง เนื่องจากอัตราการแทนที่ที่ต่ำลงมีความสัมพันธ์กับการดำเนินไปสู่โรคเอดส์ที่ช้าลงในผู้ป่วยที่ไม่เคยได้รับการรักษามาก่อน^{[ 18 ]}

การรักษาด้วยยาต้านไวรัสยังสร้างแรงกดดันในการคัดเลือกเพื่อวิวัฒนาการของความต้านทานยาในประชากรไวรัส และอาจส่งผลต่อรูปแบบของความหลากหลายทางพันธุกรรม โดยทั่วไปแล้ว จะมีการแลกเปลี่ยนระหว่างการจำลองแบบที่เร็วขึ้นของสายพันธุ์ที่ไวต่อยาในกรณีที่ไม่มีการรักษาด้วยยาต้านไวรัส และการจำลองแบบที่เร็วขึ้นของสายพันธุ์ที่ดื้อยาในกรณีที่มีการรักษาด้วยยาต้านไวรัส^{[ 19 ]}ดังนั้น การตรวจสอบระดับแรงกดดันของยาต้านไวรัสที่จำเป็นต่อการเปลี่ยนแปลงผลลัพธ์ทางวิวัฒนาการจึงมีความสำคัญต่อสาธารณสุข แนวทางฟิโลไดนามิกส์ถูกนำมาใช้เพื่อตรวจสอบการแพร่กระจายของ ความต้านทานต่อ โอเซลทามิเวียร์ในไข้หวัดใหญ่ A/H1N1 ^{[ 20 ]}

โดยส่วนใหญ่แล้ว เป้าหมายของการวิเคราะห์ฟิโลไดนามิกคือการอนุมานกระบวนการทางระบาดวิทยาจากแผนภูมิวิวัฒนาการของไวรัส ดังนั้น การวิเคราะห์ฟิโลไดนามิกส่วนใหญ่จึงเริ่มต้นด้วยการสร้างแผนภูมิวิวัฒนาการขึ้นใหม่ ลำดับพันธุกรรมมักถูกสุ่มตัวอย่างที่จุดเวลาหลายจุด ซึ่งช่วยให้สามารถประมาณอัตราการแทนที่และเวลาของบรรพบุรุษร่วมที่ใกล้ที่สุด (MRCA) โดยใช้แบบจำลองนาฬิกาโมเลกุล^{[ 21 ]} สำหรับไวรัส วิธี การทางวิวัฒนาการแบบเบย์เซียนเป็นที่นิยมเนื่องจากความสามารถในการปรับให้เข้ากับสถานการณ์ทางประชากรที่ซับซ้อนในขณะที่รวมความไม่แน่นอนทางวิวัฒนาการออกไป^{[ 22 ] [ 23 ]}

แนวทางวิวัฒนาการแบบดั้งเดิมใช้ระเบียบวิธีจากพันธุศาสตร์เชิงคำนวณและพันธุศาสตร์ประชากร โดยตรง เพื่อประเมินสมมติฐานเกี่ยวกับการคัดเลือกและโครงสร้างประชากรโดยไม่คำนึงถึงแบบจำลองทางระบาดวิทยาโดยตรง ตัวอย่างเช่น

• ขนาดของการคัดเลือกสามารถวัดได้โดยการเปรียบเทียบอัตราการแทนที่แบบไม่เหมือนกันกับอัตราการแทนที่แบบเหมือนกัน ( dN/dS )
• โครงสร้างประชากรของประชากรเจ้าบ้านสามารถตรวจสอบได้โดยการคำนวณค่าสถิติF ; และ
• สมมติฐานเกี่ยวกับการผสมพันธุ์แบบสุ่มและการเป็นกลางแบบเลือกสรรของไวรัสสามารถทดสอบได้ด้วยสถิติ เช่น ค่า D ของ Tajima

อย่างไรก็ตาม การวิเคราะห์ดังกล่าวไม่ได้ออกแบบมาโดยคำนึงถึงการอนุมานทางระบาดวิทยา และอาจเป็นเรื่องยากที่จะคาดการณ์จากสถิติมาตรฐานไปสู่ปริมาณทางระบาดวิทยาที่ต้องการ

เพื่อเชื่อมช่องว่างระหว่างแนวทางวิวัฒนาการแบบดั้งเดิมและแบบจำลองทางระบาดวิทยา จึงได้มีการพัฒนาวิธีการวิเคราะห์หลายวิธีเพื่อแก้ไขปัญหาที่เกี่ยวข้องกับฟิโลไดนามิกโดยเฉพาะ วิธีการเหล่านี้อิงตามทฤษฎีการรวมตัว แบบจำลองการเกิด และการตาย^{[ 24 ]}และการจำลองและใช้เพื่อเชื่อมโยงพารามิเตอร์ทางระบาดวิทยากับลำดับไวรัสที่สังเกตได้โดยตรงมากขึ้น

แบบจำลองทางคณิตศาสตร์ที่เรียกว่า "การรวมตัวกัน" (coalescent) อธิบายถึงบรรพบุรุษของกลุ่มตัวอย่างยีนที่ไม่เกิดการรวมตัวกันใหม่ ในการสร้างแบบจำลองกระบวนการรวมตัวกันนั้น โดยทั่วไปจะพิจารณาว่าเวลาไหลย้อนกลับจากปัจจุบัน ในประชากรที่มีขนาดคงที่ และรุ่นที่ไม่ทับซ้อนกัน ( แบบจำลองของไรท์ ฟิชเชอร์ ) ซึ่งเป็นประชากรที่เป็นกลางต่อการคัดเลือก เวลาที่คาดหวังสำหรับกลุ่มตัวอย่างยีนสองสำเนาที่จะรวมตัวกัน (เช่น พบบรรพบุรุษร่วมกัน) คือรุ่น โดยทั่วไปแล้ว เวลาที่รอคอยสำหรับสมาชิกสองตัวในกลุ่มตัวอย่างยีนที่จะมีบรรพบุรุษร่วมกันนั้นมีการกระจายแบบเอกซ์ โปเนนเชียล โดยมีอัตรา ${\displaystyle N}$${\displaystyle N}$${\displaystyle n}$

${\displaystyle \lambda _{n}={n \choose 2}{\frac {1}{N}}}$.

ช่วงเวลานี้ถูกกำหนดชื่อเป็นและเมื่อสิ้นสุดช่วงเวลานี้ จะยังมีสายพันธุ์ที่หลงเหลืออยู่ สายพันธุ์ที่เหลือเหล่านี้จะรวมตัวกันในอัตราหลังจากช่วงเวลากระบวนการนี้สามารถจำลองได้โดยการสุ่มตัวแปรแบบเอกซ์โปเนนเชียลด้วยอัตราจนกระทั่งเหลือเพียงสายพันธุ์เดียว (บรรพบุรุษร่วมที่ใกล้ที่สุดของตัวอย่าง) ในกรณีที่ไม่มีการคัดเลือกและโครงสร้างประชากร โครงสร้างของแผนภูมิวิวัฒนาการอาจจำลองได้โดยการเลือกสองสายพันธุ์แบบสุ่มอย่างสม่ำเสมอหลังจากแต่ละช่วงเวลาการรวมตัวกัน ${\displaystyle T_{n}}$${\displaystyle n-1}$${\displaystyle \lambda _{n-1}\cdots \lambda _{2}}$${\displaystyle T_{n-1}\cdots T_{2}}$${\displaystyle \{\lambda _{ni}\}_{i=0,\cdots ,n-2}}$${\displaystyle T_{i}}$

ระยะเวลารอคอยโดยเฉลี่ยในการค้นหาบรรพบุรุษร่วมที่ใกล้ที่สุด (MRCA) ของตัวอย่าง คือ ผลรวมของค่าที่คาดหวังของช่วงเวลาระหว่างปล้อง

${\displaystyle {\begin{aligned}\mathrm {E} [\mathrm {TMRCA} ]&=\mathrm {E} [T_{n}]+\mathrm {E} [T_{n-1}]+\cdots +\mathrm {E} [T_{2}]\\&=1/\lambda _{n}+1/\lambda _{n-1}+\cdots +1/\lambda _{2}\\&=2N(1-{\frac {1}{n}}).\end{aligned}}}$

ข้อสรุปสองประการมีดังนี้:

• ระยะเวลาในการหาบรรพบุรุษร่วมที่ใกล้ที่สุด (TMRCA) ของกลุ่มตัวอย่างนั้น ไม่ได้มีค่าไม่จำกัดตามขนาดของกลุ่มตัวอย่าง${\displaystyle \lim _{n\rightarrow \infty }\mathrm {E} [\mathrm {TMRCA} ]=2N.}$
• ไม่จำเป็นต้องใช้ตัวอย่างจำนวนมากเพื่อให้ค่า TMRCA ที่คาดหวังของตัวอย่างนั้นใกล้เคียงกับขอบเขตบนทางทฤษฎี เนื่องจากความแตกต่างมีค่าน้อย${\displaystyle O(1/n)}$

ด้วยเหตุนี้ ค่า TMRCA ที่ประเมินจากตัวอย่างลำดับพันธุกรรมของไวรัสที่มีขนาดค่อนข้างเล็ก จึงเป็นการประมาณค่าที่ไม่เอนเอียงในเชิงอะซิมโทติกสำหรับช่วงเวลาที่ประชากรไวรัสได้ก่อตัวขึ้นในประชากรโฮสต์

For example, Robbins et al.^[25] estimated the TMRCA for 74 HIV-1 subtype-B genetic sequences collected in North America to be 1968. Assuming a constant population size, we expect the time back to 1968 to represent ${\displaystyle 1-1/74=99\%}$ of the TMRCA of the North American virus population.

If the population size ${\displaystyle N(t)}$ changes over time, the coalescent rate ${\displaystyle \lambda _{n}(t)}$ will also be a function of time. Donnelley and Tavaré^[26] derived this rate for a time-varying population size under the assumption of constant birth rates:

${\displaystyle \lambda _{n}(t)={n \choose 2}{\frac {1}{N(t)}}}$.

Because all topologies are equally likely under the neutral coalescent, this model will have the same properties as the constant-size coalescent under a rescaling of the time variable: ${\displaystyle t\rightarrow \int _{\tau =0}^{t}{\frac {\mathrm {d} \tau }{N(\tau )}}}$.

Very early in an epidemic, the virus population may be growing exponentially at rate ${\displaystyle r}$, so that ${\displaystyle t}$ units of time in the past, the population will have size ${\displaystyle N(t)=N_{0}e^{-rt}}$. In this case, the rate of coalescence becomes

${\displaystyle \lambda _{n}(t)={n \choose 2}{\frac {1}{N_{0}e^{-rt}}}}$.

This rate is small close to when the sample was collected (${\displaystyle t=0}$), so that external branches (those without descendants) of a gene genealogy will tend to be long relative to those close to the root of the tree. This is why rapidly growing populations yield trees with long tip branches.

If the rate of exponential growth is estimated from a gene genealogy, it may be combined with knowledge of the duration of infection or the serial interval${\displaystyle D}$ for a particular pathogen to estimate the basic reproduction number, ${\displaystyle R_{0}}$. The two may be linked by the following equation:^[27]

${\displaystyle r={\frac {R_{0}-1}{D}}}$.

For example, one of the first estimates of ${\displaystyle R_{0}}$ was for pandemic H1N1 influenza in 2009 by using a coalescent-based analysis of 11 hemagglutinin sequences in combination with prior data about the infectious period for influenza.^[8]

การระบาดของโรคติดเชื้อมักมีลักษณะเฉพาะคือการเปลี่ยนแปลงอย่างรวดเร็วและไม่เชิงเส้นในจำนวนผู้ติดเชื้อและขนาดประชากรที่มีประสิทธิภาพของไวรัส ในกรณีเช่นนี้ อัตราการเกิดจะมีความแปรปรวนสูง ซึ่งสามารถลดความสอดคล้องระหว่างขนาดประชากรที่มีประสิทธิภาพและความชุกของการติดเชื้อได้^{[ 28 ]}มีการพัฒนารูปแบบทางคณิตศาสตร์มากมายในสาขาระบาดวิทยาทางคณิตศาสตร์เพื่ออธิบายอนุกรมเวลา ที่ไม่เป็นเชิงเส้น ของความชุกของการติดเชื้อและจำนวนโฮสต์ที่อ่อนแอ ตัวอย่างที่ได้รับการศึกษาอย่างดีคือระบบสมการเชิงอนุพันธ์Susceptible-Infected-Recovered (SIR)ซึ่งอธิบายสัดส่วนของประชากรที่อ่อนแอติดเชื้อ และหายดีเป็นฟังก์ชันของเวลา: ${\displaystyle S(t)}$${\displaystyle I(t)}$${\displaystyle R(t)}$

${\displaystyle {\frac {dS}{dt}}=-\beta SI}$,

${\displaystyle {\frac {dI}{dt}}=\beta SI-\gamma I}$, และ

${\displaystyle {\frac {dR}{dt}}=\gamma I}$.

ในที่นี้คืออัตราการแพร่เชื้อต่อหัวประชากรไปยังโฮสต์ที่อ่อนแอ และคืออัตราที่ผู้ติดเชื้อฟื้นตัว ซึ่งหลังจากนั้นพวกเขาจะไม่สามารถแพร่เชื้อได้อีกต่อไป ในกรณีนี้ อุบัติการณ์ของการติดเชื้อใหม่ต่อหน่วยเวลาคือซึ่งคล้ายคลึงกับอัตราการเกิดในแบบจำลองพันธุศาสตร์ประชากรแบบคลาสสิก สูตรทั่วไปสำหรับอัตราการรวมตัวกันคือ: ^{[ 2 ]}${\displaystyle \beta }$${\displaystyle \gamma }$${\displaystyle f(t)=\beta SI}$

${\displaystyle \lambda _{n}(t)={n \choose 2}{\frac {2f(t)}{I(t)^{2}}}}$.

อัตราส่วนนี้สามารถเข้าใจได้ว่าเกิดจากความน่าจะเป็นที่สายพันธุ์สองสายพันธุ์ที่ถูกเลือกแบบสุ่มอย่างสม่ำเสมอจะเป็นบรรพบุรุษของตัวอย่างทั้งคู่ ความน่าจะเป็นนี้คืออัตราส่วนของจำนวนวิธีในการเลือกสายพันธุ์สองสายพันธุ์โดยไม่ใส่คืนจากเซตของสายพันธุ์และจากเซตของการติดเชื้อทั้งหมด: เหตุการณ์การรวมตัวกันจะเกิดขึ้นด้วยความน่าจะเป็นนี้ในอัตราที่กำหนดโดยฟังก์ชันอุบัติการณ์ ${\displaystyle 2{n \choose 2}/{I(t)^{2}}}$${\displaystyle {n \choose 2}/{I(t) \choose 2}\approx 2{n \choose 2}/{I(t)^{2}}}$${\displaystyle f(t)}$

สำหรับแบบจำลอง SIR แบบง่าย จะได้ผลลัพธ์ดังนี้

${\displaystyle \lambda _{n}(t)={n \choose 2}{\frac {2\beta S(t)}{I(t)}}}$.

นิพจน์นี้คล้ายกับอัตราการรวมตัวของคิงแมนแต่ถูกลดทอนลงด้วยสัดส่วนที่ไวต่อการเปลี่ยนแปลง ${\displaystyle S(t)}$

ในช่วงเริ่มต้นของการระบาดดังนั้นสำหรับแบบจำลอง SIR ${\displaystyle S(0)\approx 1}$

${\displaystyle \lambda _{n}(t)\approx {n \choose 2}{\frac {2\beta }{I(t)}}}$.

สิ่งนี้มีรูปแบบทางคณิตศาสตร์เหมือนกับอัตราใน Kingman coalescent โดยแทนที่ด้วย. ดังนั้น การประมาณขนาดประชากรที่มีประสิทธิภาพโดยอิงจาก Kingman coalescent จะเป็นสัดส่วนกับความชุกของการติดเชื้อในช่วงแรกของการเติบโตแบบทวีคูณของการระบาด^{[ 28 ]}${\displaystyle N_{e}=I(t)/2\beta }$

เมื่อโรคไม่แพร่ระบาดแบบทวีคูณอีกต่อไป แต่กลายเป็นโรคประจำถิ่น อัตราการรวมตัวของสายพันธุ์ก็สามารถหาได้จากแบบจำลองทางระบาดวิทยาที่ควบคุมพลวัตการแพร่กระจายของโรค โดยสามารถทำได้โดยการขยายแบบจำลองของไรท์ ฟิชเชอร์เพื่อให้รองรับการกระจายตัวของลูกหลานที่ไม่เท่ากัน โดยที่รุ่นของไรท์ ฟิชเชอร์มีหน่วยเป็นเวลา อัตราการรวมตัวของสายพันธุ์จะคำนวณได้จากสูตร: ${\displaystyle \tau }$

${\displaystyle \lambda _{n}={n \choose 2}{\frac {1}{N_{e}\tau }}}$,

โดยที่ขนาดประชากรที่มีประสิทธิภาพคือขนาดประชากรหารด้วยความแปรปรวนของการกระจายตัวของลูกหลาน[ ^{29 ] เวลา}ของรุ่นสำหรับแบบจำลองทางระบาดวิทยาที่สมดุลจะกำหนดโดยระยะเวลาของการติดเชื้อ และขนาดประชากรมีความสัมพันธ์อย่างใกล้ชิดกับจำนวนผู้ติดเชื้อที่สมดุล ในการหาความแปรปรวนในการกระจายตัวของลูกหลานสำหรับแบบจำลองทางระบาดวิทยาที่กำหนด เราสามารถจินตนาการได้ว่าผู้ติดเชื้อแต่ละคนอาจแตกต่างกันในด้านความสามารถในการแพร่เชื้อ อัตราการสัมผัส ระยะเวลาของการติดเชื้อ หรือลักษณะอื่นๆ ที่เกี่ยวข้องกับความสามารถในการแพร่เชื้อไวรัสที่พวกเขาติดเชื้อ ความแตกต่างเหล่านี้สามารถรับรู้ได้โดยการสมมติว่าจำนวนการสืบพันธุ์พื้นฐานเป็นตัวแปรสุ่มที่แตกต่างกันไปในแต่ละบุคคลในประชากรและเป็น ไปตาม การกระจายความน่าจะเป็นแบบต่อเนื่อง^{[ 30 ]}ค่าเฉลี่ยและความแปรปรวนของจำนวนการสืบพันธุ์พื้นฐานของแต่ละบุคคลเหล่านี้และตามลำดับ สามารถนำมาใช้ในการคำนวณ ได้นิพจน์ที่เชื่อมโยงปริมาณเหล่านี้มีดังนี้: ^{[ 31 ]}${\displaystyle N_{e}}$${\displaystyle N}$${\displaystyle \sigma ^{2}}$${\displaystyle \tau }$${\displaystyle N}$${\displaystyle \sigma ^{2}}$${\displaystyle \nu }$${\displaystyle \nu }$${\displaystyle \mathrm {E} [\nu ]}$${\displaystyle \mathrm {Var} [\nu ]}$${\displaystyle \sigma ^{2}}$

${\displaystyle \sigma ^{2}={\frac {\mathrm {Var} [\nu ]}{\mathrm {E} [\nu ]^{2}}}+1}$.

ตัวอย่างเช่น สำหรับแบบจำลอง SIR ข้างต้น ซึ่งได้รับการปรับปรุงให้รวมการเกิดในประชากรและการตายออกจากประชากร ขนาดประชากรจะกำหนดโดยจำนวนผู้ติดเชื้อที่สมดุล ค่าเฉลี่ยของจำนวนการแพร่พันธุ์พื้นฐานโดยเฉลี่ยจากผู้ติดเชื้อทั้งหมด จะกำหนดโดยภายใต้สมมติฐานว่าอัตราการตายพื้นฐานนั้นน้อยมากเมื่อเทียบกับอัตราการฟื้นตัวความแปรปรวนของอัตราการแพร่พันธุ์พื้นฐานของแต่ละบุคคลกำหนดโดยเนื่องจากระยะเวลาที่แต่ละบุคคลยังคงติดเชื้อในแบบจำลอง SIR นั้นมีการกระจายแบบเอกซ์โปเนนเชียลดังนั้นความแปรปรวนในการกระจายของลูกหลานจึงเป็น 2 ดังนั้น จึงกลายเป็นและอัตราการรวมตัวกันจะกลายเป็น: ${\displaystyle N}$${\displaystyle I}$${\displaystyle \beta /\gamma }$${\displaystyle \gamma }$${\displaystyle (\beta /\gamma )^{2}}$${\displaystyle \sigma ^{2}}$${\displaystyle N_{e}}$${\displaystyle {\frac {I}{2}}}$

${\displaystyle \lambda _{n}={n \choose 2}{\frac {2\gamma }{I}}}$.

อัตรานี้ซึ่งได้มาจากแบบจำลอง SIR ที่สมดุล เทียบเท่ากับอัตราการรวมตัวที่กำหนดโดยสูตรทั่วไป^{[ 2 ]}อัตราการรวมตัวสามารถหาได้ในทำนองเดียวกันสำหรับแบบจำลองทางระบาดวิทยาที่มีผู้แพร่เชื้อจำนวนมากหรือความไม่สม่ำเสมอของการแพร่เชื้ออื่นๆ สำหรับแบบจำลองที่มีบุคคลที่สัมผัสเชื้อแต่ยังไม่ติดเชื้อ และสำหรับแบบจำลองที่มีระยะเวลาการติดเชื้อที่แปรผันได้ เป็นต้น^{[ 31 ]}เมื่อมีข้อมูลทางระบาดวิทยาบางอย่าง (เช่น ระยะเวลาของการติดเชื้อ) และข้อกำหนดของแบบจำลองทางคณิตศาสตร์ แผนภูมิวิวัฒนาการของไวรัสจึงสามารถใช้เพื่อประมาณค่าพารามิเตอร์ทางระบาดวิทยาที่อาจยากต่อการวัดปริมาณได้

ในระดับพื้นฐานที่สุด การมีอยู่ของโครงสร้างประชากรทางภูมิศาสตร์สามารถเปิดเผยได้โดยการเปรียบเทียบความสัมพันธ์ทางพันธุกรรมของไวรัสที่แยกได้กับความสัมพันธ์ทางภูมิศาสตร์ คำถามพื้นฐานคือว่าป้ายกำกับลักษณะทางภูมิศาสตร์มีการกระจุกตัวบนแผนภูมิวิวัฒนาการมากกว่าที่คาดไว้ภายใต้แบบจำลองที่ไม่เป็นโครงสร้างอย่างง่ายหรือไม่ คำถามนี้สามารถตอบได้โดยการนับจำนวนการเปลี่ยนแปลงทางภูมิศาสตร์บนแผนภูมิวิวัฒนาการผ่านความประหยัดความน่าจะเป็นสูงสุดหรือผ่านการอนุมานแบบเบย์เซียนหากมีโครงสร้างประชากรอยู่ จะมีการเปลี่ยนแปลงทางภูมิศาสตร์บนแผนภูมิวิวัฒนาการน้อยกว่าที่คาดไว้ในแบบจำลองแบบแพนมิคติก^{[ 32 ]} สมมติฐานนี้สามารถทดสอบได้โดยการสุ่มสลับป้ายกำกับลักษณะที่ปลายของแผนภูมิวิวัฒนาการและนับจำนวนการเปลี่ยนแปลงทางภูมิศาสตร์ที่มีอยู่ในข้อมูลที่สุ่มสลับ โดยการสุ่มสลับข้อมูลซ้ำๆ และคำนวณจำนวนการเปลี่ยนแปลงสามารถสร้างการกระจายแบบว่าง และคำนวณ ค่าpโดยการเปรียบเทียบจำนวนการเปลี่ยนแปลงที่สังเกตได้กับการกระจายแบบว่างนี้^{[ 32 ]}

นอกเหนือจากการมีอยู่หรือไม่มีอยู่ของโครงสร้างประชากรแล้ว วิธีการทางฟิโลไดนามิกยังสามารถใช้เพื่ออนุมานอัตราการเคลื่อนที่ของสายพันธุ์ไวรัสระหว่างตำแหน่งทางภูมิศาสตร์และสร้างตำแหน่งทางภูมิศาสตร์ของสายพันธุ์บรรพบุรุษขึ้นใหม่ได้ ที่นี่ ตำแหน่งทางภูมิศาสตร์ถือเป็นสถานะลักษณะทางฟิโลเจเนติกส์ คล้ายกับ 'A', 'T', 'G', 'C' ดังนั้นตำแหน่งทางภูมิศาสตร์จึงถูกเข้ารหัสเป็นแบบจำลองการแทนที่ กลไก ทางฟิโลเจเนติกส์เดียวกันที่ใช้ในการอนุมานแบบจำลองวิวัฒนาการของ DNAจึงสามารถใช้เพื่ออนุมานเมทริกซ์การเปลี่ยนผ่านทางภูมิศาสตร์ได้^{[ 33 ]} ผลลัพธ์สุดท้ายคืออัตราที่วัดในแง่ของปีหรือในแง่ของการแทนที่นิวคลีโอไทด์ต่อไซต์ ที่สายพันธุ์ในภูมิภาคหนึ่งเคลื่อนไปยังอีกภูมิภาคหนึ่งตลอดระยะเวลาของแผนภูมิฟิโลเจเนติกส์ ในเครือข่ายการส่งผ่านทางภูมิศาสตร์ บางภูมิภาคอาจผสมผสานกันได้ง่ายกว่าและบางภูมิภาคอาจแยกตัวออกจากกันมากกว่า นอกจากนี้ การเชื่อมต่อการส่งผ่านบางอย่างอาจไม่สมมาตร ดังนั้นอัตราที่สายพันธุ์ในภูมิภาค 'A' เคลื่อนไปยังภูมิภาค 'B' อาจแตกต่างจากอัตราที่สายพันธุ์ใน 'B' เคลื่อนไปยัง 'A' ด้วยตำแหน่งทางภูมิศาสตร์ที่เข้ารหัสไว้เช่นนี้ การสร้างสถานะบรรพบุรุษขึ้นใหม่สามารถใช้เพื่ออนุมานตำแหน่งทางภูมิศาสตร์บรรพบุรุษของโหนดเฉพาะในแผนภูมิวิวัฒนาการได้^{[ 33 ]}แนวทางประเภทนี้สามารถขยายได้โดยการแทนที่คุณลักษณะอื่น ๆ ด้วยตำแหน่งทางภูมิศาสตร์ ตัวอย่างเช่น ในการประยุกต์ใช้กับไวรัสโรคพิษสุนัขบ้า Streicker และเพื่อนร่วมงานได้ประมาณอัตราการส่งผ่านข้ามสายพันธุ์โดยพิจารณาสายพันธุ์โฮสต์เป็นคุณลักษณะ^{[ 7 ]}

ดังที่กล่าวมาข้างต้น เป็นไปได้ที่จะอนุมานพารามิเตอร์ของแบบจำลองทางระบาดวิทยาแบบแบ่งส่วน อย่างง่าย เช่น แบบจำลอง SIR ได้โดยตรงจากข้อมูลลำดับพันธุกรรมโดยพิจารณาจากรูปแบบทางสายเลือด นอกจากนี้ รูปแบบทั่วไปของการเคลื่อนย้ายทางภูมิศาสตร์สามารถอนุมานได้จากข้อมูลลำดับพันธุกรรม แต่การอนุมานเหล่านี้ไม่ได้เกี่ยวข้องกับแบบจำลองที่ชัดเจนของพลวัตการแพร่กระจายระหว่างผู้ติดเชื้อ สำหรับแบบจำลองทางระบาดวิทยาที่ซับซ้อนกว่า เช่น แบบจำลองที่เกี่ยวข้องกับภูมิคุ้มกันข้ามสายพันธุ์โครงสร้างอายุของอัตราการสัมผัสของโฮสต์ ฤดูกาล หรือประชากรโฮสต์หลายกลุ่มที่มีลักษณะทางชีวประวัติที่แตกต่างกัน มักเป็นไปไม่ได้ที่จะทำนายรูปแบบทางสายเลือดจากพารามิเตอร์ทางระบาดวิทยาได้ด้วยวิธีการวิเคราะห์ ดังนั้น กลไก การอนุมานทางสถิติ แบบดั้งเดิม จึงใช้ไม่ได้กับแบบจำลองที่ซับซ้อนกว่าเหล่านี้ และในกรณีนี้ มักจะใช้วิธีการจำลองแบบไปข้างหน้าแทน

แบบจำลองที่ใช้การจำลองต้องมีการระบุแบบจำลองการแพร่กระจายสำหรับกระบวนการติดเชื้อระหว่างโฮสต์ที่ติดเชื้อและโฮสต์ที่อ่อนแอ และสำหรับกระบวนการฟื้นตัวของโฮสต์ที่ติดเชื้อ แบบจำลองที่ใช้การจำลองอาจเป็นแบบแบ่งส่วน โดยติดตามจำนวนโฮสต์ที่ติดเชื้อและฟื้นตัวจากสายพันธุ์ไวรัสที่แตกต่างกัน^{[ 34 ]}หรืออาจเป็นแบบรายบุคคลโดยติดตามสถานะการติดเชื้อและประวัติภูมิคุ้มกันของโฮสต์แต่ละตัวในประชากร^{[ 5 ] [ 35 ]} โดยทั่วไป แบบจำลองแบบแบ่งส่วนมีข้อดีอย่างมากในแง่ของความเร็วและการใช้หน่วยความจำ แต่การนำไปใช้กับสถานการณ์วิวัฒนาการหรือระบาดวิทยาที่ซับซ้อนอาจทำได้ยาก แบบจำลองการจำลองไปข้างหน้าอาจคำนึงถึงโครงสร้างประชากรทางภูมิศาสตร์หรือโครงสร้างอายุโดยการปรับอัตราการแพร่กระจายระหว่างโฮสต์แต่ละตัวในกลุ่มทางภูมิศาสตร์หรืออายุที่แตกต่างกัน นอกจากนี้ อาจมีการรวมฤดูกาลโดยอนุญาตให้ช่วงเวลาของปีมีอิทธิพลต่ออัตราการแพร่กระจายในลักษณะเป็นขั้นบันไดหรือแบบ ไซน์

การเชื่อมโยงแบบจำลองทางระบาดวิทยาเข้ากับลำดับวงศ์ของไวรัส จำเป็นต้องมีสายพันธุ์ไวรัสหลายสายพันธุ์ที่มีลำดับนิวคลีโอไทด์หรือกรดอะมิโนแตกต่างกันอยู่ในแบบจำลอง ซึ่งมักจะใช้แทนกลุ่มผู้ติดเชื้อที่แตกต่างกัน ในกรณีนี้ การกลายพันธุ์จะทำให้โฮสต์ในกลุ่มผู้ติดเชื้อหนึ่งเปลี่ยนไปอยู่ในกลุ่มผู้ติดเชื้ออื่น ในระหว่างการจำลอง ไวรัสจะกลายพันธุ์และสร้างลำดับขึ้น ซึ่งสามารถนำมาใช้สร้างและวิเคราะห์แผนภูมิวิวัฒนาการได้ ${\displaystyle I_{1}\cdots I_{n}}$

สำหรับ ไวรัส ที่มีการเปลี่ยนแปลงแอนติเจน การสร้างแบบจำลองความเสี่ยงของการแพร่เชื้อจากบุคคลที่ติดเชื้อไวรัสสายพันธุ์ 'A' ไปยังบุคคลที่เคยติดเชื้อไวรัสสายพันธุ์ 'B', 'C' เป็นต้น... กลายเป็นสิ่งสำคัญ ระดับการป้องกันไวรัสสายพันธุ์หนึ่งโดยไวรัสสายพันธุ์ที่สองเรียกว่าภูมิคุ้มกันข้ามสายพันธุ์นอกจากความเสี่ยงของการติดเชื้อแล้ว ภูมิคุ้มกันข้ามสายพันธุ์อาจปรับเปลี่ยนความน่าจะเป็นที่โฮสต์จะแพร่เชื้อได้และระยะเวลาที่โฮสต์ยังคงแพร่เชื้อได้^{[ 36 ]} บ่อยครั้งที่ระดับของภูมิคุ้มกันข้ามสายพันธุ์ระหว่างไวรัสสายพันธุ์ต่างๆ ถือว่าเกี่ยวข้องกับระยะห่างของลำดับ ของพวก มัน

โดยทั่วไปแล้ว การที่ต้องทำการจำลองแทนที่จะคำนวณความน่าจะเป็น อาจทำให้การอนุมานในระดับละเอียดเกี่ยวกับพารามิเตอร์ทางระบาดวิทยาทำได้ยาก และงานวิจัยนี้มักจะมุ่งเน้นไปที่คำถามที่กว้างขึ้น เช่น การทดสอบว่ารูปแบบทางพันธุกรรมโดยรวมสอดคล้องกับแบบจำลองทางระบาดวิทยาแบบใดแบบหนึ่งหรือไม่ นอกจากนี้ วิธีการจำลองมักใช้เพื่อตรวจสอบความถูกต้องของผลการอนุมาน โดยให้ข้อมูลทดสอบที่ทราบคำตอบที่ถูกต้องล่วงหน้า เนื่องจากการคำนวณความน่าจะเป็นสำหรับข้อมูลทางพันธุกรรมภายใต้แบบจำลองการจำลองที่ซับซ้อนนั้นทำได้ยาก วิธีการทางสถิติทางเลือกที่เรียกว่าApproximate Bayesian Computation (ABC) จึงได้รับความนิยมในการปรับแบบจำลองการจำลองเหล่านี้ให้เข้ากับรูปแบบของความแปรผันทางพันธุกรรม หลังจากที่วิธีการนี้ประสบความสำเร็จในการประยุกต์ใช้กับโรคแบคทีเรีย^{[ 37 ] [ 38 ] [ 39 ]}ทั้งนี้เพราะ ABC ใช้สถิติสรุป ที่คำนวณได้ง่าย เพื่อประมาณความน่าจะเป็น แทนที่จะใช้ความน่าจะเป็นโดยตรง

ไข้หวัดใหญ่ในมนุษย์เป็นการติดเชื้อทางเดินหายใจเฉียบพลันที่เกิดจากไวรัสไข้หวัดใหญ่ชนิด Aและชนิด B เป็น หลัก ไวรัสไข้หวัดใหญ่ชนิด A สามารถจำแนกย่อยได้อีก เช่นA/H1N1และA/H3N2โดยชนิดย่อยจะระบุตามยีนเฮมากลูตินิน (H หรือ HA) และ ยีน นิวรามินิเดส (N หรือ NA) ซึ่งเป็นโปรตีนบนพื้นผิวที่ทำหน้าที่เป็นเป้าหมายหลักของการตอบสนองทางภูมิคุ้มกันแบบฮิวโมรัล ไวรัสไข้หวัดใหญ่ยังแพร่ระบาดในสัตว์ชนิดอื่นด้วย โดยเฉพาะอย่างยิ่งไข้หวัดหมูและไข้หวัดนกผ่านกระบวนการรีแอสซอร์ชัน ลำดับพันธุกรรมจากไข้หวัดหมูและไข้หวัดนกอาจเข้าสู่ประชากรมนุษย์ได้ในบางครั้ง หากเฮมากลูตินินหรือนิวรามินิเดสชนิดใดชนิดหนึ่งมีการหมุนเวียนอยู่นอกประชากรมนุษย์ มนุษย์จะขาดภูมิคุ้มกันต่อโปรตีนนี้ และอาจเกิดการระบาดใหญ่ของไข้หวัดใหญ่ ตามมาหลังจากเหตุการณ์ การเปลี่ยนโฮสต์ดังที่เห็นในปี 1918, 1957, 1968 และ 2009 หลังจากนำเข้าสู่ประชากรมนุษย์แล้ว สายพันธุ์ของไข้หวัดใหญ่โดยทั่วไปจะคงอยู่ผ่านการเปลี่ยนแปลงแอนติเจนซึ่ง HA และ NA จะสะสมการกลายพันธุ์อย่างต่อเนื่อง ทำให้ไวรัสสามารถติดเชื้อโฮสต์ที่มีภูมิคุ้มกันต่อไวรัสในรูปแบบก่อนหน้าได้ สายพันธุ์ของไข้หวัดใหญ่เหล่านี้แสดงให้เห็นการระบาดตามฤดูกาลซ้ำๆ ในเขตอบอุ่น และการแพร่กระจายที่ไม่เป็นช่วงๆ ในเขตร้อน โดยทั่วไป ในแต่ละเหตุการณ์การระบาดใหญ่ รูปแบบใหม่ของไวรัสจะแข่งขันกับสายพันธุ์ที่มีอยู่^{[ 35 ]} การศึกษาพลวัตทางสายพันธุ์ของไวรัสในไข้หวัดใหญ่ส่วนใหญ่มุ่งเน้นไปที่การหมุนเวียนอย่างต่อเนื่องและวิวัฒนาการของไข้หวัดใหญ่ระบาด มากกว่าการเกิดขึ้นของการระบาดใหญ่ สิ่งที่น่าสนใจอย่างยิ่งในการศึกษาพลวัตเชิงวิวัฒนาการของไวรัสคือแผนภูมิวิวัฒนาการที่โดดเด่นของไข้หวัดใหญ่ระบาด A/H3N2 ซึ่งแสดงให้เห็นสายพันธุ์หลักที่โดดเด่นเพียงสายพันธุ์เดียวที่คงอยู่ตลอดเวลาและกิ่งก้านสาขาที่คงอยู่เพียง 1–5 ปี ก่อนที่จะสูญพันธุ์^{[ 40 ]}

เทคนิคฟิโลไดนามิกได้ให้ข้อมูลเชิงลึกเกี่ยวกับผลกระทบเชิงคัดเลือกสัมพัทธ์ของการกลายพันธุ์ไปยังตำแหน่งต่างๆ และยีนต่างๆ ทั่วทั้งจีโนมของไวรัสไข้หวัดใหญ่ ตำแหน่งที่เปิดเผยของเฮมากลูตินิน (HA) บ่งชี้ว่าควรมีแรงกดดันเชิงคัดเลือกที่รุนแรงสำหรับการวิวัฒนาการไปยังตำแหน่งเฉพาะบน HA ที่ได้รับการจดจำโดยแอนติบอดีในระบบภูมิคุ้มกันของมนุษย์ ตำแหน่งเหล่านี้เรียกว่า ตำแหน่ง เอพิโทปการวิเคราะห์ทางวิวัฒนาการของไวรัสไข้หวัดใหญ่ H3N2 แสดงให้เห็นว่าตำแหน่งเอพิโทปที่คาดการณ์ไว้ของโปรตีน HA วิวัฒนาการเร็วกว่าบนลำต้นของแผนภูมิวิวัฒนาการประมาณ 3.5 เท่าเมื่อเทียบกับกิ่งก้านสาขา^{[ 41 ] [ 42 ]}สิ่งนี้ชี้ให้เห็นว่าไวรัสที่มีการกลายพันธุ์ไปยังตำแหน่งที่เปิดเผยเหล่านี้ได้รับประโยชน์จากการคัดเลือกเชิงบวกและมีแนวโน้มที่จะเข้าครอบครองประชากรไวรัสไข้หวัดใหญ่มากกว่าไวรัสที่ไม่มีการกลายพันธุ์ดังกล่าว ในทางกลับกัน ตำแหน่งที่คาดว่าไม่ใช่เอพิโทปของโปรตีน HA วิวัฒนาการเร็วขึ้นประมาณสองเท่าบนกิ่งด้านข้างมากกว่าบนลำต้นของแผนภูมิวิวัฒนาการ H3 ^{[ 41 ] [ 42 ]}ซึ่งบ่งชี้ว่าการกลายพันธุ์ในตำแหน่งเหล่านี้ถูกคัดเลือกออกไป และไวรัสที่มีการกลายพันธุ์ดังกล่าวมีโอกาสน้อยที่จะเข้าครอบครองประชากรไวรัสไข้หวัดใหญ่ ดังนั้น การวิเคราะห์รูปแบบทางวิวัฒนาการจึงให้ข้อมูลเชิงลึกเกี่ยวกับแรงผลักดันในการคัดเลือกที่อยู่เบื้องหลัง การวิเคราะห์ที่คล้ายกันซึ่งรวมตำแหน่งต่างๆ ข้ามยีนแสดงให้เห็นว่าในขณะที่ทั้ง HA และ NA อยู่ภายใต้การคัดเลือกเชิงบวกอย่างมาก ยีนภายในแสดงอัตราการตรึง กรดอะมิโนต่ำ เมื่อเทียบกับระดับของความหลากหลายทางพันธุกรรมซึ่งบ่งชี้ว่าไม่มีการคัดเลือกเชิงบวก^{[ 43 ]}

การวิเคราะห์เพิ่มเติมของ HA แสดงให้เห็นว่ามีขนาดประชากรที่มีประสิทธิภาพ น้อยมาก เมื่อเทียบกับขนาดประชากรของไวรัสตามที่คาดไว้สำหรับยีนที่อยู่ภายใต้การคัดเลือกเชิงบวกที่รุนแรง^{[ 44 ]}อย่างไรก็ตาม ทั่วทั้งจีโนมของไวรัสไข้หวัดใหญ่ มีความแปรผันของขนาดประชากรที่มีประสิทธิภาพน้อยมากอย่างน่าประหลาดใจ ยีนทั้งหมดมีค่าต่ำเกือบเท่ากัน^{[ 45 ]} การค้นพบนี้ชี้ให้เห็นว่าการจัดเรียงใหม่ระหว่างส่วนต่างๆ เกิดขึ้นช้าพอเมื่อเทียบกับการกระทำของการคัดเลือกเชิงบวก ทำให้การเกาะติดทางพันธุกรรมก่อให้เกิดการกลายพันธุ์ที่เป็นประโยชน์ใน HA และ NA เพื่อลดความหลากหลายในความแปรผันที่เป็นกลางที่เชื่อมโยงกันในส่วนอื่นๆ ของจีโนม

ไวรัสไข้หวัดใหญ่ A/H1N1 แสดงให้เห็นขนาดประชากรที่มีประสิทธิภาพที่ใหญ่กว่าและความหลากหลายทางพันธุกรรมที่มากกว่าไวรัสไข้หวัดใหญ่ H3N2 ^{[ 45 ]}ซึ่งบ่งชี้ว่า H1N1 มีวิวัฒนาการแบบปรับตัวน้อยกว่า H3N2 สมมติฐานนี้ได้รับการสนับสนุนจากรูปแบบเชิงประจักษ์ของวิวัฒนาการของแอนติเจน มีการปรับปรุงวัคซีน 9 ครั้งที่องค์การอนามัยโลก แนะนำ สำหรับ H1N1 ในช่วงระหว่างการระบาดใหญ่ระหว่างปี 1978 ถึง 2009 ในขณะที่มีการปรับปรุงวัคซีน 20 ครั้งที่แนะนำสำหรับ H3N2 ในช่วงเวลาเดียวกันนี้^{[ 46 ]} นอกจากนี้ การวิเคราะห์รูปแบบของวิวัฒนาการลำดับบนลำต้นและกิ่งข้างแสดงให้เห็นว่า H1N1 มีการคัดเลือกเชิงบวกน้อยกว่า H3N2 อย่างมาก^{[ 42 ] [ 43 ]}อย่างไรก็ตาม สาเหตุทางวิวัฒนาการหรือระบาดวิทยาที่อยู่เบื้องหลังความแตกต่างระหว่าง H3N2 และ H1N1 ยังคงไม่ชัดเจน

การหมุนเวียนของประชากรไวรัสไข้หวัดใหญ่ที่รวดเร็วมากหมายความว่าอัตราการแพร่กระจายทางภูมิศาสตร์ของสายพันธุ์ไวรัสไข้หวัดใหญ่ก็ต้องรวดเร็วในระดับหนึ่งเช่นกัน ข้อมูลการเฝ้าระวังแสดงให้เห็นรูปแบบที่ชัดเจนของการระบาดตามฤดูกาลที่รุนแรงในเขตอบอุ่นและการระบาดที่ไม่เป็นช่วงๆ ในเขตร้อน^{[ 47 ]} แหล่งกำเนิดทางภูมิศาสตร์ของการระบาดตามฤดูกาลในซีกโลกเหนือและซีกโลกใต้เป็นคำถามสำคัญที่ยังเปิดอยู่ในสาขานี้ อย่างไรก็ตาม การระบาดในเขตอบอุ่นมักจะเกิดขึ้นจากแหล่งสะสมทั่วโลกมากกว่าที่จะเกิดขึ้นจากความหลากหลายทางพันธุกรรมของฤดูกาลก่อนหน้า^{[ 45 ] [ 48 ]}งานวิจัยนี้และงานวิจัยต่อมาได้ชี้ให้เห็นว่าการคงอยู่ของประชากรไวรัสไข้หวัดใหญ่ทั่วโลกนั้นเกิดจากไวรัสที่ส่งต่อจากการระบาดหนึ่งไปยังอีกการระบาดหนึ่ง โดยไม่มีภูมิภาคใดในโลกที่แสดงให้เห็นถึงการคงอยู่อย่างต่อเนื่อง^{[ 3 ] [ 49 ]}อย่างไรก็ตาม มีการถกเถียงกันอย่างมากเกี่ยวกับโครงสร้างเฉพาะของเครือข่ายไข้หวัดใหญ่ทั่วโลก โดยมีสมมติฐานหนึ่งที่เสนอว่ามีประชากรย่อยในเอเชียตะวันออกและเอเชียตะวันออกเฉียงใต้ที่แพร่เชื้อไข้หวัดใหญ่ไปยังส่วนอื่นๆ ของโลกอย่างต่อเนื่อง^{[ 48 ]}และอีกสมมติฐานหนึ่งสนับสนุนประชากรย่อยทั่วโลกที่สายพันธุ์ในเขตอบอุ่นมักจะกลับไปยังเขตร้อนเมื่อสิ้นสุดการระบาดตามฤดูกาล^{[ 3 ] [ 49 ]}

การศึกษาทางภูมิศาสตร์เชิงวิวัฒนาการทั้งหมดนี้ย่อมมีข้อจำกัดในการสุ่มตัวอย่างไวรัสไข้หวัดใหญ่ทั่วโลก ตัวอย่างเช่น ความสำคัญสัมพัทธ์ของแอฟริกาเขตร้อนและอินเดียยังไม่ได้รับการเปิดเผย นอกจากนี้ วิธีการทางภูมิศาสตร์เชิงวิวัฒนาการที่ใช้ในการศึกษาเหล่านี้ (ดูหัวข้อเกี่ยวกับวิธีการทางภูมิศาสตร์เชิงวิวัฒนาการ ) อนุมานตำแหน่งบรรพบุรุษและอัตราการอพยพจากตัวอย่างที่มีอยู่เท่านั้น ไม่ใช่จากประชากรที่ตัวอย่างเหล่านี้ฝังตัวอยู่ ด้วยเหตุนี้ ขั้นตอนการสุ่มตัวอย่างเฉพาะของการศึกษาจึงเป็นข้อกังวลในการอนุมานในระดับประชากร อย่างไรก็ตาม การประมาณอัตราการอพยพที่อิงร่วมกันจากการจำลองทางระบาดวิทยาและวิวัฒนาการดูเหมือนจะมีความแข็งแกร่งต่อการสุ่มตัวอย่างที่น้อยเกินไปหรือมากเกินไปในภูมิภาคใดภูมิภาคหนึ่ง^{[ 3 ]}จำเป็นต้องมีความก้าวหน้าทางระเบียบวิธีเพิ่มเติมเพื่อแก้ไขปัญหาเหล่านี้ให้สมบูรณ์ยิ่งขึ้น

แนวทางการจำลองแบบไปข้างหน้าเพื่อแก้ไขปัญหาว่าการคัดเลือกภูมิคุ้มกันสามารถกำหนดรูปแบบวิวัฒนาการของโปรตีนเฮมากลูตินินของไวรัสไข้หวัดใหญ่ A/H3N2 ได้อย่างไร ได้รับการพัฒนาอย่างต่อเนื่องโดยนักสร้างแบบจำลองโรคตั้งแต่ช่วงต้นทศวรรษ 2000 แนวทางเหล่านี้รวมถึงแบบจำลองแบบแบ่งส่วนและแบบจำลองแบบตัวแทนหนึ่งในแบบจำลองแบบแบ่งส่วนแรกสำหรับไข้หวัดใหญ่ได้รับการพัฒนาโดย Gog และ Grenfell ^{[ 34 ]}ซึ่งจำลองพลวัตของสายพันธุ์จำนวนมากที่มีภูมิคุ้มกันข้ามสายพันธุ์บางส่วนต่อกัน ภายใต้การกำหนดพารามิเตอร์ของอายุขัยของโฮสต์ที่ยาวนานและระยะเวลาการติดเชื้อที่สั้น พวกเขาพบว่าสายพันธุ์จะก่อตัวเป็นชุดที่จัดระเบียบตนเองซึ่งจะเกิดขึ้นและแทนที่กัน แม้ว่าผู้เขียนจะไม่ได้สร้างแผนภูมิวิวัฒนาการขึ้นใหม่จากผลการจำลองของพวกเขา แต่พลวัตที่พวกเขาพบนั้นสอดคล้องกับแผนภูมิวิวัฒนาการของไวรัสแบบขั้นบันไดที่แสดงความหลากหลายของสายพันธุ์ต่ำและการหมุนเวียนของสายพันธุ์อย่างรวดเร็ว

งานวิจัยต่อมาของ Ferguson และเพื่อนร่วมงาน^{[ 35 ]}ได้นำวิธีการแบบตัวแทนมาใช้เพื่อระบุปัจจัยทางภูมิคุ้มกันและนิเวศวิทยาของการวิวัฒนาการของไข้หวัดใหญ่ได้ดียิ่งขึ้น ผู้เขียนได้จำลองเฮมากลูตินินของไข้หวัดใหญ่เป็นอีพิโทปสี่อีพิโทป โดยแต่ละอีพิโทปประกอบด้วยกรดอะมิโนสามตัว พวกเขาแสดงให้เห็นว่าภายใต้ภูมิคุ้มกันเฉพาะสายพันธุ์เพียงอย่างเดียว (โดยมีภูมิคุ้มกันข้ามสายพันธุ์บางส่วนตามความคล้ายคลึงกันของกรดอะมิโน) คาดว่าวิวัฒนาการของ HA ของไข้หวัดใหญ่ A/H3N2 จะแสดง 'ความหลากหลายทางพันธุกรรมที่ระเบิด' ซึ่งเป็นรูปแบบที่ไม่สอดคล้องกับข้อมูลเชิงประจักษ์ สิ่งนี้ทำให้ผู้เขียนตั้งสมมติฐานเกี่ยวกับการมีอยู่ของภูมิคุ้มกันข้ามสายพันธุ์ชั่วคราว: บุคคลจะมีภูมิคุ้มกันต่อการติดเชื้อซ้ำด้วยสายพันธุ์ไข้หวัดใหญ่อื่น ๆ เป็นเวลาประมาณหกเดือนหลังจากการติดเชื้อ ด้วยสมมติฐานนี้ แบบจำลองแบบตัวแทนสามารถสร้างวิวัฒนาการแบบขั้นบันไดของโปรตีน HA ของไข้หวัดใหญ่ A/H3N2 ขึ้นมาใหม่ได้

งานของ Koelle และเพื่อนร่วมงาน^{[ 5 ]}ได้ทบทวนพลวัตของการวิวัฒนาการของไวรัสไข้หวัดใหญ่ A/H3N2 อีกครั้งหลังจากการตีพิมพ์บทความของ Smith และเพื่อนร่วมงาน^{[ 50 ]}ซึ่งแสดงให้เห็นว่าวิวัฒนาการของแอนติเจนของไวรัสเกิดขึ้นในลักษณะที่ไม่ต่อเนื่อง แบบจำลองทางฟิโลไดนามิกที่ออกแบบโดย Koelle และผู้ร่วมเขียนได้โต้แย้งว่ารูปแบบนี้สะท้อนถึงการจับคู่จีโนไทป์กับฟีโนไทป์แบบหลายต่อหนึ่ง โดยมีความเป็นไปได้ที่สายพันธุ์จากกลุ่มไวรัสไข้หวัดใหญ่ที่มีแอนติเจนแตกต่างกันจะมีความคล้ายคลึงกันทางพันธุกรรมในระดับสูง ด้วยการรวมการจับคู่จีโนไทป์ของไวรัสเข้ากับฟีโนไทป์ของไวรัส (หรือกลุ่มแอนติเจน) ในแบบจำลองของพวกเขา ผู้เขียนจึงสามารถสร้างแผนภูมิวิวัฒนาการแบบขั้นบันไดของโปรตีน HA ของไวรัสไข้หวัดใหญ่ขึ้นมาใหม่ได้โดยไม่ต้องอาศัยภูมิคุ้มกันข้ามสายพันธุ์โดยทั่วไป การสร้างแผนภูมิวิวัฒนาการแบบขั้นบันไดขึ้นมาใหม่นี้เป็นผลมาจากการที่ประชากรไวรัสผ่านการคัดเลือกซ้ำๆ การกำจัดไวรัสครั้งนี้เกิดขึ้นจากภูมิคุ้มกันหมู่และมีผลในการจำกัดความหลากหลายทางพันธุกรรมของไวรัส

แทนที่จะสร้างแบบจำลองจีโนไทป์ของสายพันธุ์ไวรัส แบบจำลองการจำลองแบบแบ่งส่วนโดย Gökaydin และเพื่อนร่วมงาน^{[ 51 ]}พิจารณาวิวัฒนาการของไข้หวัดใหญ่ในระดับคลัสเตอร์แอนติเจน (หรือฟีโนไทป์) แบบจำลองนี้แสดงให้เห็นว่าการเกิดขึ้นและการทดแทนของแอนติเจนสามารถเกิดขึ้นได้ภายใต้เงื่อนไขทางระบาดวิทยาบางประการ พลวัตของแอนติเจนเหล่านี้จะสอดคล้องกับวิวัฒนาการแบบขั้นบันไดของไข้หวัดใหญ่ที่แสดงให้เห็นถึงความหลากหลายทางพันธุกรรมต่ำและการหมุนเวียนของสายพันธุ์อย่างต่อเนื่อง

ในการทำงานล่าสุด Bedford และเพื่อนร่วมงาน^{[ 52 ]}ใช้แบบจำลองตามตัวแทนเพื่อแสดงให้เห็นว่าวิวัฒนาการในพื้นที่แอนติเจนแบบยุคลิดสามารถอธิบายรูปแบบทางวิวัฒนาการของ HA ของไวรัสไข้หวัดใหญ่ A/H3N2 ได้ เช่นเดียวกับรูปแบบแอนติเจน ระบาดวิทยา และภูมิศาสตร์ของไวรัส แบบจำลองแสดงให้เห็นว่าการสร้างวิวัฒนาการแบบขั้นบันไดของไวรัสไข้หวัดใหญ่ขึ้นอยู่กับอัตราการกลายพันธุ์ของไวรัสอย่างมาก เช่นเดียวกับระยะทางภูมิคุ้มกันที่เกิดจากการกลายพันธุ์แต่ละครั้ง

แม้ว่างานวิจัยส่วนใหญ่เกี่ยวกับพลวัตทางวิวัฒนาการของไวรัสไข้หวัดใหญ่จะมุ่งเน้นไปที่ไวรัสไข้หวัดใหญ่ตามฤดูกาล A/H3N2 ในมนุษย์ แต่ไวรัสไข้หวัดใหญ่ก็แสดงรูปแบบทางวิวัฒนาการที่หลากหลาย ไวรัสไข้หวัดใหญ่ A/H1N1 มีลักษณะทางวิวัฒนาการคล้ายบันได โดยมีความหลากหลายทางพันธุกรรมค่อนข้างต่ำในทุกช่วงเวลา และมีการเปลี่ยนแปลงสายพันธุ์อย่างรวดเร็ว ซึ่งคล้ายคลึงกับวิวัฒนาการของโปรตีนเฮมากลูตินินของไวรัสไข้หวัดใหญ่ A/H3N2 ^{[ 35 ]} อย่างไรก็ตาม วิวัฒนาการของ โปรตีนเฮมากลูตินินของ ไวรัสไข้หวัดใหญ่ Bมีสายพันธุ์หมุนเวียนอยู่สองสายพันธุ์ ได้แก่ สายพันธุ์ยามากาตะและสายพันธุ์วิกตอเรีย^{[ 53 ]} ยังไม่ชัดเจนว่าพลวัตของประชากรไวรัสไข้หวัดใหญ่ B มีส่วนช่วยในรูปแบบวิวัฒนาการนี้อย่างไร แม้ว่าแบบจำลองการจำลองหนึ่งแบบจะสามารถจำลองรูปแบบทางวิวัฒนาการนี้ได้ด้วยระยะเวลาการติดเชื้อที่ยาวนานขึ้นของโฮสต์^{[ 54 ]}

ความแปรผันทางพันธุกรรมและแอนติเจนของไวรัสไข้หวัดใหญ่ยังพบได้ในสัตว์เจ้าบ้านหลากหลายชนิด ผลกระทบของโครงสร้างประชากรเจ้าบ้านสามารถเห็นได้จากการวิวัฒนาการของไวรัสไข้หวัดใหญ่ในม้าสายพันธุ์ A/H3N8 : แทนที่จะเป็นลำต้นเดียวที่มีกิ่งก้านสาขาสั้นๆ โปรตีนเฮมากลูตินินของไวรัสไข้หวัดใหญ่ A/H3N8 จะแยกออกเป็นสองสายพันธุ์ที่แตกต่างกันตามภูมิศาสตร์ ซึ่งแสดงถึงไวรัสในอเมริกาและยุโรป^{[ 55 ] [ 56 ]} เชื่อกันว่าการวิวัฒนาการของสองสายพันธุ์นี้เกิดขึ้นเนื่องจากมาตรการกักกัน^{[ 55 ]} นอกจากนี้ ยังมีการตั้งสมมติฐานว่าการตอบสนองทางภูมิคุ้มกันของเจ้าบ้านจะปรับเปลี่ยนพลวัตการวิวัฒนาการของไวรัส ไวรัส ไข้หวัดใหญ่ในสุกรสายพันธุ์ A/H3N2 เป็นที่ทราบกันว่ามีการวิวัฒนาการทางแอนติเจนในอัตราที่ช้ากว่าไวรัสชนิดเดียวกันที่แพร่ระบาดในมนุษย์ถึงหกเท่า แม้ว่าอัตราการวิวัฒนาการทางพันธุกรรมของไวรัสเหล่านี้จะคล้ายคลึงกันก็ตาม^{[ 57 ]} มีการตั้งสมมติฐานว่าไข้หวัดใหญ่ในนกน้ำแสดงให้เห็นถึง 'ภาวะหยุดนิ่งทางวิวัฒนาการ' ^{[ 58 ]}แม้ว่างานวิจัยทางวิวัฒนาการล่าสุดจะบ่งชี้ว่าอัตราการเปลี่ยนแปลงทางวิวัฒนาการในโฮสต์เหล่านี้คล้ายคลึงกับในโฮสต์อื่นๆ รวมถึงมนุษย์^{[ 59 ]} ในกรณีเหล่านี้ เชื่อกันว่าอายุขัยของโฮสต์ที่สั้นจะขัดขวางการสร้างภูมิคุ้มกันของโฮสต์ที่จำเป็นต่อการขับเคลื่อนการเปลี่ยนแปลงแอนติเจนอย่างมีประสิทธิภาพ

ความหลากหลายทั่วโลกของเชื้อ HIV-1 กลุ่ม M นั้นมีต้นกำเนิดมาจากแอฟริกาตอนกลางในช่วงต้นศตวรรษที่ 20 การระบาดเติบโตอย่างรวดเร็วตลอดช่วงต้นศตวรรษที่ 20 โดยมีการแพร่กระจายหลายครั้งจากแอฟริกาตอนกลาง แม้ว่าข้อมูลการเฝ้าระวังทางระบาดวิทยาแบบดั้งเดิมแทบจะไม่มีอยู่เลยในช่วงแรกของการแพร่ระบาดของโรค แต่การวิเคราะห์ทางฟิโลไดนามิกโดยใช้ข้อมูลลำดับพันธุกรรมสมัยใหม่สามารถใช้เพื่อประมาณเวลาที่การระบาดเริ่มต้นขึ้นและประมาณอัตราการเติบโตในช่วงแรกได้ การเติบโตอย่างรวดเร็วในช่วงแรกของ HIV-1 ในแอฟริกาตอนกลางสะท้อนให้เห็นในแผนภูมิวิวัฒนาการแบบดาวของไวรัส โดยเหตุการณ์การรวมตัวส่วนใหญ่เกิดขึ้นในอดีตอันไกลโพ้นเหตุการณ์การก่อตั้ง หลายครั้ง ทำให้เกิดชนิดย่อยของ HIV-1 กลุ่ม M ที่แตกต่างกัน ซึ่งพบได้มากในส่วนต่างๆ ของโลก ชนิดย่อย B พบมากที่สุดในอเมริกาเหนือและยุโรปตะวันตก ในขณะที่ชนิดย่อย A และ C ซึ่งคิดเป็นมากกว่าครึ่งหนึ่งของการติดเชื้อทั่วโลก พบได้ทั่วไปในแอฟริกา^{[ 60 ]} สายพันธุ์ย่อยของ HIV มีความแตกต่างกันเล็กน้อยในด้านการแพร่กระจาย ความรุนแรง ประสิทธิภาพของการบำบัดด้วยยาต้านไวรัส และพยาธิกำเนิด^{[ 61 ]}

อัตราการเติบโตแบบทวีคูณของเชื้อ HIV ในแอฟริกาตอนกลางในช่วงต้นศตวรรษที่ 20 ก่อนการก่อตัวของสายพันธุ์ย่อยสมัยใหม่ ได้รับการประมาณการโดยใช้แนวทางการรวมตัวกัน การประมาณการหลายรายการโดยอิงจากแบบจำลองการเติบโตแบบทวีคูณเชิงพารามิเตอร์แสดงอยู่ในตารางที่ 1สำหรับช่วงเวลา กลุ่มเสี่ยง และสายพันธุ์ย่อยที่แตกต่างกัน การแพร่กระจายในช่วงแรกของเชื้อ HIV-1 ยังได้รับการกำหนดลักษณะโดยใช้การประมาณการแบบไม่ใช้พารามิเตอร์ ("skyline") ของ^{[ 62 ]}${\displaystyle N_{e}}$

อัตราการเติบโตโดยประมาณต่อปีของการระบาดย่อยของเชื้อ HIV ในระยะเริ่มต้น ${\displaystyle N_{e}}$

อัตราการเติบโต	กลุ่ม	ชนิดย่อย	กลุ่มเสี่ยง
0.17 [ 63 ]	เอ็ม	เอ็นเอ	แอฟริกากลาง
0.27 [ 64 ]	เอ็ม	ซี	แอฟริกากลาง
0.48 [ 65 ] -0.83 [ 25 ]	เอ็ม	บี	อเมริกาเหนือ/ยุโรป/ออสเตรเลีย, MSM
0.068 [ 66 ]	โอ	เอ็นเอ	แคเมรูน

การเติบโตในช่วงแรกของสายพันธุ์ย่อย B ในอเมริกาเหนือค่อนข้างสูง อย่างไรก็ตาม ระยะเวลาของการเติบโตแบบทวีคูณค่อนข้างสั้น โดยถึงจุดอิ่มตัวในช่วงกลางและปลายทศวรรษ 1980 ^{[ 2 ]} ในทางตรงกันข้าม เชื้อ HIV-1 กลุ่ม O ซึ่งเป็นกลุ่มที่ค่อนข้างหายากและจำกัดอยู่ในพื้นที่ทางภูมิศาสตร์ของแคเมรูน และแพร่กระจายส่วนใหญ่ผ่านการมีเพศสัมพันธ์ต่างเพศ มีอัตราการเติบโตที่ต่ำกว่าทั้งสายพันธุ์ย่อย B และ C

ลำดับ HIV-1 ที่สุ่มตัวอย่างในช่วงห้าทศวรรษถูกนำมาใช้ร่วมกับวิธีการทางวิวัฒนาการของนาฬิกาโมเลกุลแบบผ่อนคลายเพื่อประมาณเวลาของการแพร่กระจายของไวรัสข้ามสายพันธุ์เข้าสู่มนุษย์ในช่วงต้นศตวรรษที่ 20 ^{[ 67 ]} TMRCA ที่ประมาณไว้สำหรับ HIV-1 ตรงกับการปรากฏตัวของเมืองใหญ่ที่มีประชากรหนาแน่นแห่งแรกในแอฟริกาตอนกลาง วิธีการที่คล้ายกันนี้ถูกนำมาใช้เพื่อประมาณเวลาที่ HIV มีต้นกำเนิดในส่วนต่างๆ ของโลก ต้นกำเนิดของสายพันธุ์ย่อย B ในอเมริกาเหนือคาดว่าอยู่ในช่วงทศวรรษที่ 1960 ซึ่งไม่ถูกตรวจพบจนกระทั่งเกิดการระบาดของโรคเอดส์ในช่วงทศวรรษที่ 1980 ^{[ 25 ]} มีหลักฐานว่าบรรพบุรุษของสายพันธุ์ย่อย B ในปัจจุบันได้เข้ามาตั้งถิ่นฐานในแคริบเบียนก่อนที่จะมีการแพร่กระจายหลายครั้งไปยังอเมริกาเหนือและอเมริกาใต้^{[ 68 ]} สายพันธุ์ย่อย C มีต้นกำเนิดในช่วงเวลาเดียวกันในแอฟริกา^{[ 65 ]}

ในระยะเวลาที่สั้นลงและระดับทางภูมิศาสตร์ที่ละเอียดขึ้น แผนภูมิวิวัฒนาการของ HIV อาจสะท้อนถึงพลวัตทางระบาดวิทยาที่เกี่ยวข้องกับพฤติกรรมเสี่ยงและเครือข่ายทางเพศการสุ่มตัวอย่างลำดับไวรัสอย่างหนาแน่นภายในเมืองในช่วงเวลาสั้น ๆ ทำให้เห็นภาพรายละเอียดของรูปแบบการแพร่เชื้อ HIV ในการระบาดสมัยใหม่ การจัดลำดับไวรัสจากผู้ป่วยที่ได้รับการวินิจฉัยใหม่เป็นเรื่องปกติในหลายประเทศสำหรับการเฝ้าระวัง การกลายพันธุ์ ที่ดื้อยาซึ่งทำให้ได้ฐานข้อมูลขนาดใหญ่ของข้อมูลลำดับในพื้นที่เหล่านั้น มีหลักฐานว่าการแพร่เชื้อ HIV ภายในเครือข่ายทางเพศที่หลากหลายทิ้งร่องรอยไว้ในแผนภูมิวิวัฒนาการของ HIV โดยเฉพาะอย่างยิ่งทำให้แผนภูมิวิวัฒนาการไม่สมดุลมากขึ้นและรวมเหตุการณ์การรวมตัวกันไว้ที่สายพันธุ์ส่วนน้อย^{[ 69 ]}

จากการวิเคราะห์แผนภูมิวิวัฒนาการที่ประมาณจากลำดับ HIV จากผู้ชายที่มีเพศสัมพันธ์กับผู้ชายในลอนดอน สหราชอาณาจักร Lewis และคณะ พบหลักฐานว่าการแพร่เชื้อมีความเข้มข้นสูงในช่วงระยะเวลาสั้นๆ ของการติดเชื้อ HIV ระยะแรก (PHI) ซึ่งประกอบด้วยระยะเวลาประมาณ 6 เดือนแรกของการติดเชื้อ^{[ 70 ]} ในการวิเคราะห์แยกต่างหาก Volz และคณะ^{[ 71 ]}พบว่าพลวัตทางระบาดวิทยาอย่างง่ายสามารถอธิบายการรวมกลุ่มทางวิวัฒนาการของไวรัสที่เก็บรวบรวมจากผู้ป่วยที่มี PHI ได้ ผู้ป่วยที่เพิ่งติดเชื้อมีแนวโน้มที่จะมีไวรัสที่มีความสัมพันธ์ทางวิวัฒนาการใกล้เคียงกับตัวอย่างจากผู้ป่วยที่เพิ่งติดเชื้อรายอื่น การรวมกลุ่มดังกล่าวสอดคล้องกับการสังเกตในพลวัตทางระบาดวิทยาจำลองที่มีช่วงแรกของการแพร่เชื้อที่รุนแรงขึ้นในช่วง PHI ดังนั้นผลลัพธ์เหล่านี้จึงให้การสนับสนุนเพิ่มเติมสำหรับข้อค้นพบของ Lewis และคณะที่ว่าการแพร่เชื้อ HIV เกิดขึ้นบ่อยครั้งจากบุคคลในช่วงเริ่มต้นของการติดเชื้อ

การคัดเลือกภูมิคุ้มกันแบบบริสุทธิ์มีบทบาทสำคัญในการวิวัฒนาการของ HIV ภายในโฮสต์ แต่การวิวัฒนาการระหว่างโฮสต์นั้นแยกออกจากการวิวัฒนาการภายในโฮสต์เป็นส่วนใหญ่^{[ 72 ]}การคัดเลือกภูมิคุ้มกันมีอิทธิพลค่อนข้างน้อยต่อวิวัฒนาการของ HIV ในระดับประชากรด้วยเหตุผลสามประการ ประการแรก มีคอขวดอย่างมากในความหลากหลายของไวรัสในช่วงเวลาของการแพร่เชื้อทางเพศสัมพันธ์^{[ 73 ]}ประการที่สอง การแพร่เชื้อมีแนวโน้มที่จะเกิดขึ้นในช่วงต้นของการติดเชื้อก่อนที่การคัดเลือกภูมิคุ้มกันจะมีโอกาสทำงาน^{[ 74 ]}สุดท้าย ความเหมาะสมในการจำลองแบบของสายพันธุ์ไวรัส (วัดจากการแพร่เชื้อต่อโฮสต์) ส่วนใหญ่ไม่ได้ขึ้นอยู่กับปัจจัยทางไวรัสวิทยา แต่ขึ้นอยู่กับพฤติกรรมในประชากรโฮสต์มากกว่า ซึ่งรวมถึงพฤติกรรมทางเพศและการใช้ยาเสพติดที่แตกต่างกัน

มีหลักฐานบางอย่างจากการวิเคราะห์เชิงวิวัฒนาการเปรียบเทียบและการจำลองการระบาดที่แสดงให้เห็นว่าเชื้อ HIV ปรับตัวในระดับประชากรเพื่อเพิ่มศักยภาพในการแพร่เชื้อระหว่างโฮสต์ให้สูงสุด^{[ 75 ]}การปรับตัวนี้มุ่งไปสู่ ระดับ ความรุนแรง ปานกลาง ซึ่งจะสร้างสมดุลระหว่างช่วงชีวิตที่มีประสิทธิภาพของโฮสต์ (เวลาจนกว่าจะเกิดโรคเอดส์) กับความน่าจะเป็นในการแพร่เชื้อต่อครั้ง ตัวชี้วัดความรุนแรงที่มีประโยชน์คือ ปริมาณไวรัสที่จุดสมดุล(SPVL) ซึ่งมีความสัมพันธ์กับเวลาจนกว่าจะเกิดโรคเอดส์^{[ 76 ]} SPVL คือระดับอนุภาคไวรัสในเลือดที่อยู่ในภาวะสมดุลระหว่างการติดเชื้อเรื้อรังเพื่อให้การปรับตัวไปสู่ความรุนแรงปานกลางเป็นไปได้ SPVL จำเป็นต้องถ่ายทอดทางพันธุกรรมได้ และต้องมีความสมดุลระหว่างการแพร่เชื้อไวรัสกับช่วงชีวิตของโฮสต์ SPVL ได้รับการพิสูจน์แล้วว่ามีความสัมพันธ์กันระหว่างผู้ให้และผู้รับเชื้อ HIV ในคู่การแพร่เชื้อ^{[ 77 ]}ซึ่งเป็นหลักฐานที่แสดงว่า SPVL สามารถถ่ายทอดทางพันธุกรรมได้อย่างน้อยบางส่วน ความน่าจะเป็นของการแพร่เชื้อ HIV ต่อการมีเพศสัมพันธ์แต่ละครั้งมีความสัมพันธ์เชิงบวกกับปริมาณไวรัส^{[ 78 ] [ 79 ]}ซึ่งแสดงให้เห็นถึงความสมดุลระหว่างความสามารถในการแพร่เชื้อและความรุนแรง ดังนั้นในทางทฤษฎีแล้ว HIV จึงอาจวิวัฒนาการเพื่อเพิ่มศักยภาพในการแพร่เชื้อให้สูงสุด การจำลองทางระบาดวิทยาและการศึกษาทางวิวัฒนาการเชิงเปรียบเทียบแสดงให้เห็นว่าการปรับตัวของ HIV ไปสู่ ​​SPVL ที่เหมาะสมที่สุดนั้นคาดว่าจะเกิดขึ้นได้ภายใน 100–150 ปี^{[ 80 ]}ผลลัพธ์เหล่านี้ขึ้นอยู่กับการประมาณเชิงประจักษ์สำหรับความสามารถในการแพร่เชื้อของ HIV และอายุขัยของโฮสต์ที่เป็นฟังก์ชันของ SPVL

จนถึงปัจจุบัน วิธีการทางฟิโลไดนามิกส์มุ่งเน้นไปที่ไวรัส RNA เกือบทั้งหมด ซึ่งมักมีอัตราการกลายพันธุ์อยู่ในระดับ 10 ⁻³ถึง 10 ⁻⁴การแทนที่ต่อไซต์ต่อปี^{[ 81 ]} ซึ่งทำให้ตัวอย่างที่มีเบสประมาณ 1000 เบสมีพลังในการให้ความมั่นใจในระดับที่เหมาะสมในการประมาณลำดับวงศ์ตระกูลพื้นฐานที่เชื่อมโยงไวรัสที่สุ่มตัวอย่าง อย่างไรก็ตาม เชื้อโรคอื่นๆ อาจมีอัตราการวิวัฒนาการที่ช้ากว่ามาก ไวรัส DNAเช่นไวรัสเริม (herpes simplex virus ) มีวิวัฒนาการช้ากว่าหลายเท่า^{[ 82 ]} ไวรัสเหล่านี้มีจีโนมที่ใหญ่กว่าตามไปด้วย เชื้อโรคแบคทีเรีย เช่นนิวโมค็อกคัสและวัณโรคมีวิวัฒนาการช้ากว่าและมีจีโนมที่ใหญ่กว่ามาก อันที่จริง มีความสัมพันธ์เชิงลบโดยทั่วไประหว่างขนาดจีโนมและอัตราการกลายพันธุ์ในระบบที่สังเกตได้^{[ 83 ]} ด้วยเหตุนี้ ปริมาณสัญญาณทางวิวัฒนาการที่คล้ายคลึงกันจึงมีแนวโน้มที่จะเกิดขึ้นจากการจัดลำดับจีโนมทั้งหมดของไวรัส RNA ไวรัส DNA หรือแบคทีเรีย เมื่อเทคโนโลยีการจัดลำดับดีขึ้นเรื่อยๆ การวิเคราะห์ทางวิวัฒนาการของสิ่งมีชีวิตที่ก่อโรคที่มีความหลากหลายทั้งหมดจึงเป็นไปได้มากขึ้นเรื่อยๆ

นอกจากนี้ การพัฒนาเทคโนโลยีการจัดลำดับดีเอ็นเอจะช่วยให้สามารถตรวจสอบวิวัฒนาการภายในโฮสต์ได้อย่างละเอียด เนื่องจากความหลากหลายทั้งหมดของกลุ่มจุลินทรีย์ ที่ก่อให้เกิดการติดเชื้อ อาจถูกเปิดเผยได้หากมีการจัดลำดับดีเอ็นเออย่างเพียงพอ

• พลวัตเชิงวิวัฒนาการของแบคทีเรีย