惠子·赫里克和他的同事阿拉斯加费尔班克斯大学提出了野生鸟类禽流感病毒（AIV）预测模型，昨日公布的在兽医研究．

这是第一个基于机器学习算法的大规模大型野生鸟类禽流感生态位模型。作者挖掘了2005-2010年的监测数据流感研究数据库，产生了大量地理参考样本点，包括AIV检测状态、病毒亚型和其他相关参数。

然后将采样数据分层到ArcMap，以及41个预测层——考虑了环境和人为变量，如地理海拔、调整后的平均温度和人口密度——所有这些都来自开源项目。

在下一步中，数据层和变量层使用随机森林机器学习算法，产生了一个在野生鸟类中预测禽流感的全球生态模型。该模型还预测，在年降雨量少、气温低的地区，主要是西伯利亚和阿拉斯加内陆等大陆性气候的北部地区，会出现艾滋病毒阳性生态位。

这组作者提出的禽流感预测模型虽然不是确定的，但却是第一个准确的全球范围预测模型。额外的统计分析，包括受试者工作特征曲线，表明该模型对训练数据的准确率为79%，对测试数据的准确率为76%。

这是该领域中少数研究各种野生鸟类种群和所有可用的禽流感亚型的研究之一。尽管公众已经注意到H5N1在家禽中的爆发——与人类感染病例有关——但该病毒在野生鸟类中的流行程度要高得多，因为它们构成了禽流感的主要基因库。

Keiko Herrick详细描述了这项研究的背景:

“最近人类感染H7N9禽流感的爆发强调了在禽流感研究中包括高致病性H5N1以外亚型的重要性。已经建立了许多关于H5N1传播和风险因素的优秀模型，所以是时候开始在野生鸟类种群中大规模观察艾滋病病毒了。

集成数据挖掘是确定野生鸟类禽流感病毒生态位的有效方法。此外，机器学习方法是研究正在收集的大量监控数据的一种新方法。

IRD是这类研究的一个非常有价值的资源，因为它结合了空间数据和遗传和疾病数据。这项研究是一个将艾滋病病毒阳性与生物气候变量相关联的初步模型，因此理想情况下，它将指导未来的监测和数据收集，这将为该模型提供基础事实，加强预测，并开始解决这种关联背后的机制。”

以下地图显示在中央子午线145°的Robinson（球体）投影中，是野生鸟类禽流感病毒预测相对发生指数（ROI）的全球表示。

地图和基础ROI数据表明，与其他地点相比，许多北部地区可能有最高的禽流感暴发风险。该模型可以指导未来艾滋病病毒监测和采样工作。例如，西伯利亚和加拿大北部在该模型中被确定为相对风险较高的地区，但迄今为止对AIV迹象的监测很少。

这项研究提出了一种新的概念证明，并在一份开放获取的期刊上向所有读者提供，这符合作者鼓励禽流感病毒研究界加强合作和数据共享的目标。

未来的合作采样工作将加强该模型、其预测价值以及我们对禽流感病毒生态学的集体理解。

全文可在https://www.veterinaryresearch.org/content/44/1/42/．

马特·兰道
期刊开发编辑器,V以上的研究h
@Matt_Landau

想了解更多关于生物医学中心动植物科学杂志的信息，请继续关注我们推特．