В Северной и Южной Америке виды приматов, которые могут являться убежищем для вируса Зика и потенциально могут передавать вирус, распространены, многочисленны и часто живут рядом с людьми. Так сообщает новое исследование, опубликованное сегодня в журнале Epidemics. Выводы основаны на инновационной модели, разработанной совместной группой исследователей из Cary Institute of Ecosystem Studies и IBM Research в рамках инициативы «Наука для общественного блага».
Ведущий автор Барбара Хан, эколог болезней в Институте Кэри, объясняет: «При моделировании систем заболеваний пробелы в данных могут подорвать нашу способность предсказывать, где люди подвержены риску. Вирус Зика. Нас интересовало, как объединение двух методов моделирования может помочь нам преодолеть ограниченные данные о биологии и экологии приматов с целью определения приоритетов наблюдения».
Недавняя эпидемия Зика в Северной и Южной Америке была одной из крупнейших вспышек в наше время, заразив более полумиллиона человек. Как и другие переносимые комарами флавивирусы, Зика циркулирует в дикой природе. Приматы могут служить переносчиками инфекции в регионах, где комары питаются как приматами, так и людьми.
Проанализировав данные о флавивирусах и видах приматов, которые, как известно, их несут, и сравнив эти признаки с 364 видами приматов, которые встречаются во всем мире, модель идентифицировала известных носителей флавивируса с точностью 82% и присвоила баллы риска дополнительным видам приматов, которые вероятны. быть переносчиком вируса Зика. Конечный продукт включает в себя интерактивную карту, которая учитывает географические ареалы приматов для определения горячих точек, где люди наиболее подвержены риску распространения вируса Зика.
К видам приматов в Америке с риском Зика более 90% относятся: хохлатый капуцин (Cebus apella), венесуэльский красный ревун (Alouatta seniculus) и белолицый капуцин (Cebus capucinus) - виды, адаптированные к проживающих среди людей в развитых районах. Также в списке: белолобые капуцины (Cebus albifrons), которых обычно содержат в качестве домашних животных и отлавливают для живой продажи, и паукообразные обезьяны (Saimiri boliviensis), на которых охотятся ради мяса диких животных в некоторых частях их ареала.
Эти виды географически широко распространены, с многочисленными популяциями, которые живут рядом с населенными пунктами. Они печально известные налетчики урожая. Их держат в качестве домашних животных. Люди выставляют их в городах как достопримечательности и охотятся на них ради мяса диких животных. с точки зрения риска распространения болезни, это очень тревожный результат», - говорит соавтор Субхо Маджумдар.
Добавление к беспокойству: виды комаров, которые с наибольшей вероятностью распространяют вирус Зика, обычно встречаются рядом с людьми и могут процветать в естественных и измененных ландшафтах.
Модель
Чтобы восполнить пробелы в данных, команда объединила два статистических инструмента - множественное вменение и байесовское машинное обучение с несколькими метками - для присвоения видам приматов оценки риска, указывающей на их потенциал заражения вирусом Зика.
Возбудители
Были оценены признаки шести переносимых комарами болезней: желтой лихорадки, лихорадки денге, японского энцефалита, энцефалита Сент-Луиса, вируса Зика и вируса Западного Нила. У трех из них были известные резервуары приматов.
Приматы
Биологические и экологические характеристики 18 видов приматов, которые дали положительный результат на какой-либо переносимый комарами флавивирус, сравнивали с характеристиками 364 видов приматов, встречающихся во всем мире. Были оценены 33 характеристики, включая такие параметры, как скорость метаболизма, период беременности, размер помета и поведение. Характеристики были взвешены по важности для прогнозирования заражения вирусом Зика.
Хан объясняет: «Как и все патогены, вирус Зика имеет уникальные потребности в том, что ему нужно в животном-хозяине. Чтобы определить, какие виды могут быть носителями вируса Зика, нам нужно знать, каковы эти черты, какие виды обладают этими чертами, и какой из этих видов может передавать возбудителя человеку. Это много информации, большая часть которой неизвестна».
Статистический метод под названием Multiply Imputed Chained Equations (MICE) использовался для преодоления ограничений данных. MICE ставит перед компьютерными алгоритмами задачу поиска в наборах данных признаков организмов, чтобы установить связи между организмами с похожими или родственными признаками. Когда алгоритм обнаруживает отсутствующую запись данных, он использует эти соединения, чтобы вывести недостающую информацию и заполнить «пробелы» в наборе данных.
Машинное обучение было применено к этому «заполненному» набору данных, чтобы предсказать виды приматов, которые с наибольшей вероятностью являются переносчиками вируса Зика. Модель произвела оценку риска для каждого вида, объединив историю заражения флавивирусом и биологические признаки, чтобы предсказать вероятность положительного результата вируса Зика.
Этот метод может помочь улучшить модели прогнозирования для других систем болезней, помимо вируса Зика. Старший автор Куш Варшней из IBM Research объясняет: «Пробелы в данных - это реальность, особенно в отношении инфекционных заболеваний, передающихся от диких животных-хозяев. Модели, подобные той, которую мы разработали, могут восполнить некоторые из этих пробелов и помочь точно определить опасные виды для точной настройки эпиднадзора., прогнозировать сопутствующие события и помогать направлять усилия сообщества общественного здравоохранения».
С Варшни добавил: «Проведение машинного обучения на небольших, неполных и зашумленных наборах данных для поддержки принятия важных решений - это задача, общая для многих отраслей и секторов. Мы обязательно будем использовать опыт, полученный в этом проекте, во многих различные области применения."
Хан заключает: «Это исследование стало возможным благодаря инновациям, предоставленным более широким научным сообществом. Мы полагались на данные о приматах и патогенах, собранные сотнями полевых исследователей, а также на базовые методы машинного обучения и импутации, которые мы адаптировали в этом исследовании. исследования уже существовали. Партнеры из IBM Research взяли на себя львиную долю математики и кодирования. Это было невероятно успешное междисциплинарное сотрудничество, которого нам нужно больше, если мы хотим найти новые решения сложных проблем».