Prediction, dynamics, and visualization of antigenic phenotypes of seasonal influenza viruses
人类季节性流感病毒进化迅速，使病毒种群能够逃避免疫并重新感染先前感染的个体。抗原特性主要由表面糖蛋白血凝素（HA）和HA中暴露的表位位点处的氨基酸取代介导抗体识别的丧失决定。在这里，我们表明，通过血清学检测数据测量的抗原差异很好地描述了沿连接病毒的路径在系统发育树的抗原变化的总和。这种到树上的映射允许仅从HA序列数据预测抗原性。该映射可以进一步用于预测未来季节性流感病毒种群的组成，我们比较了血清学和序列数据模型之间的预测。为了使及时的模型输出随时可用，我们开发了一个基于Web浏览器的应用程序，该应用程序在不断更新的免疫原上可视化抗原数据。
2015-10-05 q-bio.PE
Simulating the Spread of Influenza Pandemic of 2009 Considering International Traffic
流行病有可能对社区和社会造成巨大的破坏和损害。在本文中，我们对2009年的流感大流行进行了建模。我们提出了一个混合模型来确定大流行如何在世界范围内传播。该模型既考虑了基于SEIR的局部区域模型，又考虑了参考国际旅行者数据的国家之间全球连接的网络模型。我们的兴趣是利用大流行早期的数据重现情况，并通过延长模拟周期来预测未来的转变。在不考虑季节性流感趋势的情况下，模拟并没有预测到现实世界中大流行的第二个高峰。然而，考虑到季节性趋势，模拟结果预测下一个峰值在冬季。因此，我们认为季节性趋势是疫情蔓延的重要因素。
2010-05-11 physics.soc-ph q-bio.PE
The seasonal flight of influenza: a unified framework for spatiotemporal hypothesis testing
全球流动性数据是用于预测传染病行为的空间流行病学模型的核心，但这种丰富的人类流动性数据在很大程度上被利用病毒遗传数据重建病原体演化动力学所忽视。虽然病毒进化的随机模型可能会被这些数据所告知，但一个主要的挑战在于决定哪些流动性过程是关键的，以及它们在多大程度上有助于塑造病原体多样性的同期分布。在这里，我们开发了一个框架，整合预测的病毒扩散与地理推断和估计人类流感H3N2迁移的历史，同时测试和量化的因素，它的基础上，我们提供的证据，航空旅行管理的全球动态的人类流感，而其他过程中的作用在一个更本地的规模。
2012-10-22 q-bio.PE
Increasing Herd Immunity with Influenza Revaccination
季节性流感是美国和全球的一个重大公共卫生问题。虽然流感疫苗是降低流感发病率和死亡率的唯一最有效的干预措施，但围绕重复季节性疫苗接种的优点和后果存在相当大的争议。在这里，我们描述了一个两个季节的流感流行接触网络模型，并用它来证明，提高跨季节疫苗接种的连续性水平，减少了公共卫生的负担。我们发现，重新接种疫苗降低了流感发作率，不仅因为它减少了易感个体的总数，而且因为它更好地保护了高度联系的个体，否则他们会对流感传播做出不成比例的巨大贡献。因此，我们的工作有助于人口水平的角度来辩论反复接种流感疫苗的优点，并倡导公共卫生政策，以纳入个人的疫苗接种史。
2015-01-06 q-bio.PE
Inferring and Predicting Clade-Level Relative Transmission Fitness in Seasonal Influenza A Using Differential Population Growth Rate and Deep Learning
Old Dominion University（老道明大学）；North Carolina A&T State University（北卡罗来纳农业与州立大学）
本文应用差异种群增长率框架和卷积神经网络，基于全球流感监测数据估计H3N2和H1N1支系的相对传播适应性，并实现从全基因组序列预测适应性，揭示了新兴支系K的适应性优势及基因组贡献位点。
2026-06-23 q-bio.PE
SEIR models with host heterogeneity: theoretical aspects and applications to seasonal influenza dynamics
University of Trento（特伦托大学）；National Laboratory for Health Security, University of Szeged, Bolyai Institute（塞格德大学博莱伊研究所国家健康安全实验室）
本文研究了具有宿主异质性的SEIR模型，通过分析易感性分布对流行病最终规模的影响，提出了一种更实用的模型用于拟合流行病数据。
2026-01-23 math.DS q-bio.PE
Early pathogen replacement in a model of Influenza and Respiratory Syncytial Virus with partial vaccination. A computational study
在本文中，我们进行了一个计算研究，使用谱分解的波动的两个病原体的流行病模型周围的确定性吸引子，即，稳态或极限循环，以检查流感和呼吸道合胞病毒季节性流行期间部分疫苗接种和宿主间病原体相互作用对早期病原体替换的作用。
2017-10-31 physics.bio-ph q-bio.PE
Forecasting influenza hospital admissions within English sub-regions using hierarchical generalised additive models
背景资料：季节性流感在冬季给医疗保健服务造成了巨大负担，而这些系统已经处于压力之下。2019冠状病毒病大流行期间的政策抑制了季节性流感的传播，使得潜在疫情复苏的时间和规模难以预测。研究方法：我们开发了一个分层广义加性模型（GAM），用于短期预测英格兰次区域流感病毒检测呈阳性的住院人数。该模型采用了多级结构的时空样条，每周的季节性和空间相关性。使用多个性能指标，包括区间分数，覆盖率，偏差和绝对误差中位数，评估2022/23季节波的预测性能。业绩是衡量对自回归综合移动平均（ARIMA）时间序列模型。结果如下：GAM方法在高和低级别地理区域的评分规则以及包括转折点在内的疫情波不同阶段的表现优于ARIMA模型。GAM的性能与14天的预测范围是类似的误差ARIMA在7天。GAM的性能被发现是最敏感的平滑函数，衡量国家流行趋势的灵活性。释义：本研究介绍了一种新的方法，短期预测住院与流感使用层次，空间和时间的组成部分。该模型是数据驱动的，可使用预测时实际可用的信息进行部署，解决了流行病预测方法的关键局限性。该模型在整个冬季被英国卫生安全局和英格兰国家卫生服务局用于医疗保健运营规划。
2023-02-23 q-bio.PE stat.AP
Exploiting routinely collected severe case data to monitor and predict influenza outbreaks
流感仍然是卫生系统的重大负担。有效的应对措施取决于及时了解疫情的规模和演变。为了监测的目的，每周向英格兰公共卫生部报告英格兰严重流感病例的数据。这些数据既容易获得，又有可能为估计和预测季节性流感和大流行性流感的主要传播特征提供有价值的信息。我们提出了一个流行病模型，该模型将潜在的未观察到的流感传播过程与严重流感病例的数据联系起来。在贝叶斯框架内，我们回顾性地推断了2012年至2015年每个季节性疫情的流行病模型参数，包括：有效繁殖数;初始易感性;给定感染的重症监护入院概率;以及学校关闭对传播的影响。该模型还实时实施，以评估是否有可能早期预测重症监护的入院人数。我们的入院数据模型可以重建潜在的传播动态，揭示：2013/14赛季期间的传播增加，以及2012/13和2014/15赛季期间圣诞节学校假期对疾病传播的显著影响。如果能够获得关于人口初始免疫力的信息，就可以大大改善对重症监护入院人数的预测。现有的严重病例数据可有效地用于估计流行病学特征和预测流行病的演变，至关重要的是可以实时监测疫情的传播和严重程度。
2017-11-13 physics.soc-ph q-bio.PE stat.AP
Forecasting the 2013--2014 Influenza Season using Wikipedia
传染病是世界各地发病率和死亡率的主要原因之一;因此，预测其影响对于规划有效的应对战略至关重要。根据疾病控制和预防中心（CDC）的数据，季节性流感影响了5%至20%的美国人口，并因住院和缺勤而造成重大经济影响。了解流感动态并预测其影响对于制定预防和缓解战略至关重要。我们将现代数据同化方法与维基百科访问日志和CDC流感样疾病（ILI）报告相结合，以创建季节性流感的每周预测。这些方法适用于2013- 2014年流感季节，但根据发病率或病例计数数据，这些方法足够通用，可以预测任何疾病的爆发。我们调整疾病模型的初始化和参数化，并表明这使我们能够确定系统模型的偏差。此外，我们提供了一种方法来确定模型偏离观测和评估预测精度。维基百科的文章访问日志被证明与历史ILI记录高度相关，并允许在ILI数据可用前几周准确预测ILI数据。结果表明，在流感季节高峰之前，我们的预测方法以很高的概率预测了实际结果。然而，由于我们的模型没有考虑再感染或多种流感病毒株，在流感季节高峰过后，流行病的尾部并不能很好地预测。
2014-11-03 q-bio.PE stat.AP
Age-specific contacts and travel patterns in the spatial spread of 2009 H1N1 influenza pandemic
在2009年H1N1 pdm的早期阶段，各国的确诊病例显示，在输入病例和本地传播病例之间存在年龄转移，成年人主要负责在未受影响的地区播种，儿童最常导致社区暴发。我们引入了一个多主机随机集合种群模型，两个年龄段的分析解决的作用，异质混合人口及其相关的非同质旅行行为的风险的重大流行病。我们告知模型的统计数据，人口，混合和旅行行为的欧洲和墨西哥，并校准到2009年H1N1 pdm早期爆发。我们改变了模型参数，以探索不同情况下的入侵条件。我们推导出该流行病的全球入侵潜力的表达式，该表达式取决于疾病传播率、交通网络和流动性特征、人口特征和混合模式。高度分离的混合有利于对流行病的空间遏制，这一效果与成人与儿童的社会活动增加形成对比。移动网络拓扑结构和交通流量的异质性强烈有利于疾病的侵袭，因为儿童旅行的比例也很大。各国人口结构和混合习惯的差异导致不同的疫情。结果与观察到的H1N1空间传播一致。这项工作说明了年龄依赖性的混合配置文件和流动性的特点，在研究的新出现的流感大流行的空间入侵的条件的重要性。其结果使得能够在获得数据后立即评估特定情况下发生重大流行病的风险，并评估针对特定年龄组、其相互作用和流动行为的公共卫生干预措施的有效性。
2013-04-02 physics.soc-ph q-bio.PE
Indirect transmission and the effect of seasonal pathogen inactivation on infectious disease periodicity
每年发生的许多传染病仍然是公共卫生系统的一个持续负担。在温带地区观察到的呼吸道疾病发病率的季节性模式归因于环境条件对病原体存活的影响。本文提出了一个传染病传播的模型，该模型描述了一种能够在宿主生物体外部的环境水库中存活的致病状态。病原体寿命的传染病状态的持续时间的比率被认为是确定疾病动态的关键参数。季节性强制病原体灭活率的引入确定了病原体存活高峰和疾病发病高峰之间的时间延迟。延迟取决于特定的疾病参数，对于流感，随着繁殖数量的增加而减少。发现所观察到的季节性振荡具有与季节性强制灭活率相同的周期，并且与感染获得性免疫的持续时间无关。
2013-01-14 physics.soc-ph q-bio.PE
Influenza Hospitalisations in England during the 2022/23 Season: do different data sources drive divergence in modelled waves? A comparison of surveillance and administrative data
本研究比较了英格兰2022/23冬季流感浪潮中四种监测与管理数据源，发现数据选择在国家以下层面的分析中显著影响关键流行病学特征的估计，多源数据结合能更好评估流感影响。
2023-10-16 q-bio.PE
Detecting Robust Patterns in the Spread of Epidemics: A Case Study of Influenza in the United States and France
在本文中，作者开发了一种方法，检测在不同地区的流行病模式之间的相关性，是由于人类的运动，并引入一个空模型，其中旅行引起的相关性被取消。他们将这种方法应用于美国和法国有充分记录的季节性流感暴发病例。在美国（使用1972-2002年的数据），作者观察到几个州与其近邻之间存在强烈的短程相关性，以及由国内大量空中交通流量造成的强大的长程传播模式。这些结果随时间的稳定性使作者能够得出关于旅行限制对流行病传播可能影响的结论。作者还将这种方法应用于法国（1984-2004）的案例，发现在区域范围内，没有明显主导疾病传播的交通方式。这种方法的简单性和鲁棒性表明，它可能是一个有用的工具，检测传播渠道的流行病的传播。
2008-06-22 physics.soc-ph q-bio.PE
Immunity-induced criticality of the genotype network of influenza A (H3N2) hemagglutinin
季节性流感每年造成数十万人死亡，在任何特定时间都有多种不断变化的毒株在流通。高突变率使流感病毒能够逃避人类免疫系统的识别，包括通过过去的感染和疫苗接种获得的免疫力。在这里，我们捕捉流感病毒株的遗传相似性和它们的演化动力学与基因型网络。我们发现，流感病毒A（H3N2）血凝素的基因型网络的特点是重尾分布的模块大小和连接，这表明临界行为。我们认为：（i）基因型网络由突变和宿主免疫驱动，以探索结构可预测的网络子空间，（ii）基因型网络提供了捕获多菌株流行病模型丰富动态所必需的底层结构。特别是，包括应变超越免疫流行病模型是依赖于一个潜在的基因型网络的结构。这种相互作用表明了一种自组织临界性，其中流感的流行动力学位于其基因型网络的临界区域。我们的结论是，疾病动态和网络结构之间的相互作用可能是未来的网络分析的病原体进化和现实的多菌株流行病模型的关键。
2021-09-25 nlin.AO q-bio.PE
Flexible Modeling of Epidemics with an Empirical Bayes Framework
季节性流感流行每年在经济负担、发病率和死亡率方面造成持续的、相当大的、广泛的损失。有了对当前或即将到来的流感流行行为的准确和可靠的预测，政策制定者可以设计和实施更有效的对策。我们使用半参数经验贝叶斯框架开发了一个流行病季节预测框架，并将其应用于预测流感样疾病的每周门诊医生就诊百分比，以及季节发作，持续时间，高峰时间和高峰高度，有和没有来自Google流感趋势的额外数据，作为CDC 2013- 2014年“预测流感季节挑战”的一部分。以前流行病建模的工作集中在发展疾病行为的机制模型和应用时间序列工具来解释历史数据。然而，这些模型可能无法准确地捕捉我们未来可能看到的可能行为的范围。相反，我们的方法使用前几个季节的数据的修改版本为感兴趣的季节的流行曲线产生了可能性，允许季节性流行病的时间，速度和强度的合理变化，以及观察中的噪声。由于该框架没有做出严格的特定领域假设，因此它也可以很容易地应用于其他疾病。该方法的另一个重要优点是，它为任何期望的预测目标产生完整的后验分布，而不仅仅是点预测。我们报告了对2013- 2014年美国流感季节的前瞻性流感样疾病预测，并将该框架对历史数据的交叉验证预测误差与各种简单基线预测因子的预测误差进行了比较。
2014-10-27 q-bio.PE stat.AP
Identifying the genetic basis of antigenic change in influenza A(H1N1)
从遗传数据中确定表型是一个根本性的挑战。甲型流感病毒经历快速抗原漂移，鉴定新出现的抗原变体对疫苗选择过程至关重要。利用以前的季节性甲型H1N1流感病毒，血凝素序列和相应的抗原性数据结合三维结构信息进行分析。我们将血凝抑制的变化归因于单个氨基酸取代，并量化其抗原性影响，使用反向遗传学实验验证了一个子集。鉴定为低影响的取代被证明是流感抗原进化的关键组成部分，并且通过包括这些以及通常关注的高影响取代，从基因型预测新出现病毒的抗原表型的准确性增加了一倍。量化特定氨基酸取代的表型影响的能力应该有助于改进预测变异病毒的适应性和进化成功的技术，从而为候选疫苗病毒的选择提供更强的理论基础。
2015-09-11 q-bio.PE q-bio.QM
Investigating Spatiotemporal Dynamics and Synchrony of Influenza Epidemics in Australia: An Agent-Based Modelling Approach
在本文中，我们提出了ACEMod，一个基于代理的建模框架，用于研究澳大利亚的流感流行。该模拟器旨在分析全国范围内传染病的时空传播和流感的空间同步性。以个人为基础的流行病学模型考虑了来自2006年澳大利亚人口普查和其他国家数据来源的流动性（工人和学生通勤）模式和人类互动。高精度模拟包括1980万个随机生成的软件代理，并在多个尺度上跟踪流感病毒感染和传播的动态。使用这种方法，我们能够在澳大利亚合成不同爆发地点和严重程度的流行病。对于每一种情况下，我们调查的时空配置文件，这些流行病，定性和定量，通过发病率曲线，流行choropleths，和流行同步。这一分析阐明了澳大利亚境内流感大流行的性质，有助于今后规划有效的干预、缓解和危机管理战略。
2018-06-07 cs.MA physics.soc-ph q-bio.PE
Urbanization affects peak timing, prevalence, and bimodality of influenza pandemics in Australia: results of a census-calibrated model
我们研究了澳大利亚这个迅速城市化的国家流感大流行的显著趋势。为此，我们在大规模随机计算机模拟中实施了最先进的流感传播和进展模型，该模型使用2006年，2011年和2016年的全面澳大利亚人口普查数据集生成。我们的研究结果提供了一个基于模拟的调查，在多个历史时间点的人口对流行病的敏感性，并强调了多年来流行病模式的三个重要趋势：增加的高峰患病率，更快的传播速度和减少时空双峰。我们将这些大流行趋势归因于两个关键数量的增加，这两个数量是城市化的标志：居住在大城市的人口比例和国际航空交通。此外，我们还确定了大流行病地理传播的特征，我们将其归因于通勤流动网络的变化。我们的模型的通用性和世界各地普遍存在的城市化趋势，使我们的结果可能适用于其他快速城市化的国家。
2019-03-26 physics.soc-ph q-bio.PE
On the use of multiple compartment epidemiological models to describe the dynamics of influenza in Europe
我们建立了一个多室易感-感染-传播（SIR）模型来分析几种传染病在不同地理区域的传播。此外，我们还提出了一个数据质量敏感的优化框架，用于将该模型拟合到观察到的数据。我们将该模型与欧洲$7$流感季节中六种流感毒株之一感染人数的时间曲线拟合。除了描述流感的时间和空间传播外，该模型还提供了对每个季节每种毒株的国家间和国家内感染率和恢复率的估计。我们发现，疾病参数保持相对稳定，相关性大于$0.5$的季节和污渍。通过推断的疾病参数对流感毒株进行聚类与基因组亚型一致。令人惊讶的是，我们的分析表明，国家间的人员流动在欧洲流感传播中的作用可以忽略不计。最后，我们表明，该模型可以估计疾病负荷的国家与贫困或不存在的数据，在邻近国家的疾病负荷。我们的研究结果揭示了流感传播机制和疾病参数的信息。这些可用于协助疾病监测和控制流感以及异源环境中的其他传染性病原体。
2019-06-18 physics.soc-ph q-bio.PE stat.AP
Modeling influenza-like illnesses through composite compartmental models
病原体在人群中传播的流行病学模型通常只能描述单一病原体。这使得它们在具有相似症状的多种病原体在同一人群中同时传播的情况下的应用变得不现实。在这里，我们描述了一种方法，它使得在最小条件下应用多个单应变模型成为可能。因此，我们的方法提供了流行病学理论模型和数据驱动方法之间的桥梁，用于流感和其他类似病毒的建模。我们的模型将易感-感染-感染模型扩展到更高的维度，允许对被多种病毒感染的人群进行建模。我们还提供了一种方法，基于SIR解决方案的可行实现的过完备字典，将代表人口中感染人数的时间序列盲目地划分为各个组成部分，每个组成部分代表单个病原体的影响。我们证明了我们所提出的方法对五年季节性流感样疾病（ILI）率的适用性，根据Twitter数据估计。我们证明，我们的方法描述，平均而言，44%的ILI时间序列的方差。从我们的模型中获得的单个感染性成分与人群中已知的病毒谱相匹配，我们证明了这些病毒谱与独立收集的流行病学数据相匹配。我们进一步表明，基本的生殖数（$R0$）的匹配组件是在已知的范围内，这些病原体。我们的研究结果表明，所提出的方法可以适用于其他病原体和地理，提供了一个简单的方法来估计人口中的流行病的参数。
2017-06-07 cs.SI physics.soc-ph q-bio.PE
Could short-lasting non-specific immunity explain seasonal spacing of epidemic diseases?
常见的呼吸道病毒以连续模式引起季节性流行病。这种模式的基本机制已经争论了一段时间。对于流感，竞争者包括温度，湿度和维生素D水平。虽然这些季节性驱动因素可能足以解释仲冬高峰，但尚不清楚其他呼吸道病毒在春季，夏季或秋季的高峰是否有个别环境驱动因素。在这里，我们提出了一个相互作用的疾病的动态模型，在努力解释观察到的季节性模式，而不需要多个季节性驱动程序。我们的模型扩展了经典的SIRS模型，包括多种疾病，通过一个短暂的，非特异性的免疫组件相互作用。这种临时保护是由接触任何流行病引发的，只持续几个星期。我们表明，抑制疾病的相互作用，允许经常性的流行病行为，没有任何季节性的驱动。在存在单一季节性驱动因素的情况下，我们的模型粗略地预测了流行病模式，例如连续发生的流行病。我们还提出了一个两种疾病的模拟再现副流感病毒株PIV-3和两年一次的PIV-1流行模式的时间序列中观察到的多种功能。季节性疾病的复杂流行模式可能是由非特异性先天或云细胞（T细胞）介导的免疫反应，导致不相关的呼吸道流行病之间的相互作用。
2019-08-02 nlin.AO physics.bio-ph physics.soc-ph
Early Detection of Influenza outbreaks in the United States
公共卫生监测系统往往无法发现新出现的传染病，特别是在资源有限的情况下。通过整合相关的临床和互联网来源的数据，我们可以缩小覆盖范围的关键差距，加快疫情检测。在这里，我们提出了一个多变量算法，使用免费提供的在线数据，以提供早期预警的新出现的流感流行在美国。我们评估了240个候选预测因子，发现最具预测性的组合\textit{not}包括监测或电子健康记录数据，但由八个谷歌搜索和维基百科的页面浏览量时间序列组成，反映了流感相关主题的兴趣水平变化。在对2010-2016年数据的交叉验证中，该算法在流感活动达到疾病控制和预防中心（CDC）宣布季节开始的阈值之前平均16.4周发出警报。在对2009年H1N1流感秋季大流行的数据进行的样本外测试中，它在这一监测阈值之前五周就认识到了威胁。更简单的算法，包括固定的一年中的一周触发器，在检测季节性流感时仅滞后优化警报几周，但在2009年大流行情景中无法提供早期预警。这证明了一种用于设计下一代爆发检测算法的鲁棒方法。通过将扫描统计与机器学习相结合，它可以识别出易于处理的数据源组合（从数千个候选数据源中），这些数据源可以为全球新出现的传染病威胁提供早期预警。
2019-03-04 q-bio.PE stat.AP
A Novel Sequence-Based Antigenic Distance Measure for H1N1, with Application to Vaccine Effectiveness and the Selection of Vaccine Strains
H1N1流感导致大量季节性疾病，是2009年流感大流行的亚型。精确测量疫苗和流行病毒株之间的抗原距离有助于研究人员设计具有高疫苗有效性的流感疫苗。我们在这里介绍一种基于序列的方法来预测疫苗在人类中的有效性。历史流行病学数据显示，这种基于序列的方法与雪貂动物模型研究的血凝抑制（HI）试验数据一样可预测疫苗有效性。有趣的是，预期的疫苗对H1N1的有效性大于对H3N2的有效性，这表明对H1N1的免疫应答比对H3N2的免疫应答更强。H1N1中血凝素的进化速率也显示出大于H3N2中的血凝素的进化速率，推测是由于更大的免疫选择压力。
2012-04-27 q-bio.PE
Modeling vaccination campaigns and the Fall/Winter 2009 activity of the new A(H1N1) influenza in the Northern Hemisphere
2009年秋季甲型H1N1流感大流行在北半球的发展仍不确定。疫苗接种运动和疫苗试验的计划正在进行中，第一批疫苗预计将于10月初上市。几项研究指出，预期的大流行高峰可能会破坏疫苗接种战略的有效性。在这里，我们使用一个结构化的全球流行病和流动性集合种群模型来评估2009年秋季/冬季大规模疫苗接种运动的有效性。根据预测的大流行演变和预期的疫苗供应之间的相互作用，探讨了缓解效果。该模型使用最近对新型甲型H1N1流感传染性的估计进行校准。结果显示，如果不采取额外的干预策略来推迟大流行高峰期的时间，即使早在10月中旬就开始大规模疫苗接种运动，疫苗接种也可能无法大幅减少累计病例数。优先接种疫苗对于减缓大流行演变和减轻其负担至关重要。
2010-02-04 physics.soc-ph q-bio.PE q-bio.QM
Cellular reproduction number, generation time and growth rate differ between human- and avian-adapted influenza strains
在分析体外数据时，流感病毒株的生长动力学通常通过计算其生长速率来进行比较，有时将其用作适应性的代理。然而，类似于机械流行病模型，增长率可以定义为两个参数的函数：基本繁殖数（每个感染细胞感染的平均细胞数）和平均世代时间（复制周期的平均长度）。使用一个机制模型，先前发表的来自人类肺细胞实验的数据和新生成的数据，我们比较了六种甲型流感病毒株的所有三个参数的估计值。利用先前发表的数据，我们发现两种人类适应的毒株（2009年前的季节性H1N1和大流行性H1N1）比两种禽类适应的毒株（H5N1和H7N9）具有更低的基本繁殖数，更短的平均世代时间和更慢的生长速率。然后在新实验的数据中观察到这些相同的差异，其中两种菌株被改造为具有不同的内部蛋白（大流行性H1N1和H5N1），但具有相同的表面蛋白（PR8），这证实了我们的初步发现，并暗示菌株之间的差异是由内部基因驱动的。此外，该模型预测，在病毒载量达到峰值时，适应人类的毒株比适应禽类的毒株经历了更多的复制周期，可能更快地积累突变。这些结果表明，在体外繁殖的数量，世代时间和生长速率之间的人类适应和禽流感病毒株不同，因此可以用来评估宿主适应的内部蛋白质，以告知大流行的风险评估。
2019-03-19 q-bio.CB q-bio.PE
Estimating influenza incidence using search query deceptiveness and generalized ridge regression
季节性流感有时是一种影响力惊人的疾病，每年造成数千人死亡，同时还有许多额外的发病率。及时了解疫情状态对于管理有效应对非常重要。目前的技术水平是通过与患者面对面接触来收集这些知识。虽然准确，但这是耗时和昂贵的。这激发了对使用互联网活动痕迹的新方法的研究，其理论基础是对健康状况的观察导致互联网数据中的信息特征。这些方法有被活动痕迹欺骗的风险，这些活动痕迹与疾病发生率的关系是巧合的，而不是信息性的;据我们所知，这种风险尚未得到定量研究。我们评估了模拟和真实的活动痕迹不同的欺骗性流感发病率估计使用线性回归。我们发现，欺骗性知识确实减少了此类估计的错误，它可能有助于自动选择的功能与需要人工策展的功能一样好或更好，并且从维基百科文章类别树中导出的语义距离度量可以作为欺骗性的有用代理。这表明，疾病发病率估计模型不仅应该包含有关互联网特征如何映射到发病率的数据，还应该包含额外的数据来估计特征的欺骗性。通过这样做，我们可以在使用互联网数据进行准确，可靠的疾病发病率估计的道路上再迈出一步。这一能力将通过降低成本和提高此类估计的及时性来改善公共卫生。
2019-01-11 cs.SI q-bio.PE stat.AP
Sensitivity of airborne transmission of enveloped viruses to seasonal variation in indoor relative humidity
在温带气候下，包膜病毒的感染率在冬季达到高峰。虽然这些季节性趋势在流感和人类冠状病毒中已经确立，但对驱动变异的机制仍然知之甚少，因此难以扩展到类似的病毒，如SARS-CoV-2。在这项研究中，我们使用基于正交模型的呼吸气溶胶和液滴（MARAD），以探索空气传播的敏感性，在室内相对湿度的季节性变化在广泛的相关条件下，使用SARS-CoV-2为例。相对湿度影响空气中颗粒的蒸发速率和平衡尺寸，这反过来又可能影响颗粒去除速率和病毒体活力。在一个大的集合的情况下，我们发现，干燥的室内条件下典型的冬季导致较慢的灭活比在更潮湿的夏季;在通风不良的空间，这种灭活率的降低增加了活性病毒体的浓度，但这种效果是重要的，当易感者是远超过2米的下风处的感染者。另一方面，粒子沉降速度随相对湿度的变化并没有显著影响病毒携带场景的去除或传播距离。
2021-06-28 physics.med-ph q-bio.PE
Fractional diffusion emulates a human mobility network during a simulated disease outbreak
从人行道到飞行路线，人员流动网络助长了传染病的传播。控制和消除的努力取决于这些网络的连接和接触节点之间的个人流量率的特征。在某些情况下，运输可以用重力型模型进行参数化，或者用扩散随机游走进行近似。作为一种替代方案，我们已经隔离了国内的商业空中交通作为非扩散，重尾运输模型的效用的案例研究。我们对典型的流感样感染进行了新的随机模拟，重点是密集的，高度连接的美国航空旅行网络。我们发现，在这个网络上的流动性可以描述主要是由幂律，与以前的研究一致。值得注意的是，我们发现这个网络上爆发的全球演变是由一个双参数的空间分数扩散方程准确地再现的，因此这些参数是由航空旅行网络决定的。
2016-01-28 physics.soc-ph q-bio.PE
Distinguishing Infections on Different Graph Topologies
在传染病和流行病的历史上，有许多著名的例子表明，理解、控制和最终治疗疫情始于理解其传播模式。流感、艾滋病毒和大多数计算机病毒通过接触网络在人与人之间、设备与设备之间传播;另一方面，霍乱、癌症和季节性过敏则不会。在本文中，我们研究了检测的两个基本问题：第一，给定一个（可能是微不足道的）感染者比例的快照视图，在什么条件下流行病通过接触传播（例如，流感），区别于独立于任何接触网络的“随机疾病”（例如，季节性过敏）;第二，如果我们确实有一种流行病，在什么条件下有可能确定哪一种相互作用网络是传播的主要原因-致病网络-而除了一个极小的受感染节点子样本的身份之外，对流行病没有任何了解？因此，本文的核心是了解网络信息的诊断能力。我们推导出网络必须满足这些问题是可识别的充分条件，并产生有效的，高度可扩展的算法来解决这些问题。我们表明，我们给出的可识别性条件是相当温和的，特别是，满足两个常见的图形拓扑结构：网格，和Erdos-Renyi图。
2013-09-25 cs.SI q-bio.PE
Emergenet: A Digital Twin of Sequence Evolution for Scalable Emergence Risk Assessment of Animal Influenza A Strains
University of Chicago（芝加哥大学）；Pritzker School of Molecular Engineering, University of Chicago（芝加哥大学普利兹克分子工程学院）；Committee on Immunology, University of Chicago（芝加哥大学免疫学委员会）；Committee on Quantitative Methods in Social, Behavioral, and Health Sciences, University of Chicago（芝加哥大学社会、行为与健康科学定量方法委员会）
本研究针对动物甲型流感病毒株出现潜力评估能力有限的问题，提出Emergenet工具，通过序列进化数字孪生预测变异株出现路径，其性能优于现有方法且速度大幅提升，为大流行预防提供新途径。
2024-11-26 cs.LG q-bio.PE stat.ML
Fever and mobility data indicate social distancing has reduced incidence of communicable disease in the United States
2020年3月，美国多个州政府鼓励或强制限制社交互动，以减缓COVID-19的传播，COVID-19是由新型冠状病毒SARS-CoV-2引起的疾病，已蔓延至近180个国家。评估这些社交距离策略的有效性具有挑战性，因为对COVID-19的监测有限，根据时间和地区不同的标准，通常会优先对高风险或住院病例进行检测。在这里，我们发现，在美国至少有100例COVID-19确诊病例的县，流动性的减少导致了发热发病率的减少，这是由智能温度计捕获的，平均滞后6.5天（$90\%$在3- 10天内），这与COVID-19的潜伏期一致。此外，流动性下降幅度较大的县随后实现了发烧的更大幅度下降（$p<0.01$），纽约市及其邻近地区是一个明显的例外。这些结果表明，社交距离减少了包括COVID-19在内的流感类疾病的传播，并支持社交距离作为减缓COVID-19传播的有效策略。
2020-04-21 physics.soc-ph q-bio.PE
Cointegration of SARS-CoV-2 Transmission with Weather Conditions and Mobility during the First Year of the COVID-19 Pandemic in the United States
天气与SARS-CoV-2传播之间的相关性可能表明其季节性。协整分析可以避免时间序列数据之间的虚假相关。我们研究了美国大流行第一年期间病毒传播与每日温度、露点和流动性测量的混杂因素的协整。我们研究了病毒有效繁殖率Rt与两米处的露点、两米处的温度、苹果驾驶移动性和谷歌工作场所移动性测量的协整。我们发现，露点和苹果驱动的移动性是最好的因素与Rt的共整合，虽然温度和谷歌工作场所的移动性也与Rt在很大程度上共整合。我们发现，最佳的滞后是两天的协整之间的Rt和天气变量，和三天的Rt和流动性。我们观察到集群的状态，共享相似的协整结果的Rt，天气和流动性，这表明区域模式。我们的研究结果支持天气与SARS-CoV-2传播的相关性及其潜在的季节性。
2022-03-31 q-bio.PE stat.AP
Using sequence data to study spatial scales of interactions driving spread of Highly Pathogenic Avian Influenza in Great Britain
The Roslin Institute, University of Edinburgh（爱丁堡大学罗斯林研究所）；School of Physics and Astronomy, University of Edinburgh（爱丁堡大学物理与天文学院）
本研究结合感染与鸟类种群数据，利用Random Forest模型分析H5N1序列的系统发育数据，量化了影响英国HPAI传播的空间相互作用尺度，发现不同时期的传播预测因子存在差异，为设计针对性监测和干预策略提供了依据。
2026-11-06 q-bio.PE
Concepts and methods for predicting viral evolution
针对季节性人流感病毒快速进化问题，提出整合序列、流行病学、抗原特征及病毒表型数据的预测流程，可估计毒株相对适应性、预测分支频率并评估候选疫苗株保护力，相关预测可通过指定网站获取。
2024-11-27 q-bio.PE
Human mobility networks and persistence of rapidly mutating pathogens
快速变异的病原体可能能够在种群中持续存在，并通过逃避宿主的获得性免疫而达到地方性平衡。对于这类疾病，多种生物、环境和人群层面的机制决定了疫情的动态，包括病原体的流行病学特征（如传播性、感染期和免疫持续时间）、季节性、与其他流行菌株的相互作用以及宿主的混合和空间碎片化。在这里，我们研究了一个易感染的恢复易感模型的集合种群，其中个人分布在通过网络的流动性流连接的亚群。通过大量的数值模拟，我们探索病原体的持久性的相空间和映射的病原体出现后的动力学制度。我们的研究结果表明，空间碎片化和流动性发挥了关键作用，在疾病的持久性，其最大值是在中间的流动性值达到。我们描述了不同现象的发生，包括局部灭绝和流行病波的出现，并评估了大规模传播的条件。研究结果突出显示在参考以前的作品和真实的场景。我们的工作揭示了宿主的移动性对快速突变病原体的生态动力学的关键作用，为在复杂和异质环境中进一步研究疾病生态学开辟了道路。
2016-11-08 physics.soc-ph q-bio.PE
Mobility restrictions for the control of epidemics: When do they work?
行动限制-旅行禁令、贸易和旅行禁令、关闭边境，以及在极端情况下的区域隔离或警戒线-是控制传染病最广泛使用的措施。这种限制在应对SARS（2003年）、H1N1流感（2009年）和埃博拉（2014年）流行病时非常重要。然而，它们并不总是像预期的那样工作。例如，为控制2014年西非埃博拉疫情而实施的防疫线被认为导致隔离区的病例数高于预期。为了确定流动性限制何时减少流行病的规模，我们使用了一个经济上异质的当地连接社区内部和之间的疾病传播模型。一个社区由低风险、资源丰富、低密度的人口组成，可以获得有效的医疗资源。另一类是高风险、资源贫乏、人口密度高，无法获得有效的医疗资源。我们发现，在高风险社区为中心的流行病的整体规模是敏感的两个社区之间的流动性限制的严格性。两个风险社区之间的不受限制的流动增加了低风险社区的继发病例数量，但减少了总体流行规模。相比之下，在高风险社区周围实施防疫线减少了低风险社区的二次感染数量，但增加了总体流行规模。流动限制增加或减少总体流行规模的程度取决于每个社区的风险水平和疾病的特点。
2019-08-14 q-bio.PE
Modeling plant disease spread via high-resolution human mobility networks
Center for Complex Networks and Systems Research, Luddy School of Informatics, Computing, and Engineering, Indiana University（印第安纳大学卢迪信息、计算与工程学院复杂网络与系统研究中心）；Indiana University（印第安纳大学）；School of Public Health, Indiana University（印第安纳大学公共卫生学院）；Onside
本研究通过高分辨率人类移动网络建模植物疾病传播，展示了人类移动对病原体扩散的影响，并提出了一种数据驱动的预测框架，以提升农业病害防控的及时性和有效性。
2026-02-25 physics.soc-ph q-bio.PE
Metapopulation epidemic models with heterogeneous mixing and travel behaviour
人口空间流动和非均匀混合模式之间复杂的相互作用，迄今为止阻碍了通过一般理论框架对空间入侵条件的基本理解。为了解决这个问题，我们提出了一个分析建模方法，考虑到这种相互作用的流动性和相互作用的一般条件下，在简化假设的两个人口类。我们通过一个多宿主随机流行集合种群模型描述了一个具有非齐次混合和旅行行为的空间结构种群。不同的人口分区，混合模式和流动性结构被认为是，随着2009年H1N1流感大流行的早期传播的年龄划分的作用的研究的具体应用。我们提供了一个完整的数学公式的模型，并推导出一个半解析表达式的阈值条件的全球入侵的一种新兴的传染病的集合种群系统。一个丰富的解决方案的空间，取决于社会分区的人口，跨群体的接触模式和他们的相对社会活动，每个类的旅行态度，以及移动网络的拓扑和交通功能。在不太活跃的群体构成旅行者的大多数的情况下，减少不太活跃的群体的活动和减少跨群体的混合预计是控制大流行潜力的最有效的策略。相反，如果旅行是由更多的社会阶层主导，我们的模型预测存在一个最佳的跨群体混合，最大限度地提高疾病的流行潜力，而每个群体的活动变化的影响是不太重要的。
2014-01-20 physics.soc-ph q-bio.PE
Prediction of flu epidemic activity with dynamical model based on weather forecast
呼吸道疾病的季节性（普通感冒、流感等）是一个从古代就开始研究的著名现象。预测模型的发展不仅是数学流行病学中一个尚未解决的实际问题，而且对公共卫生安全具有重要意义。在这里，我们表明，SIRS（易感-感染-感染-易感）模型足够准确地再现流感活动的真实曲线。它包含可变的反应速率，这是一个函数的平均日温度。提出的变量交替表示SIRS方程作为二阶常微分方程与外部激励。它揭示了这种预测效率的起源，并解释了分析1：1动力学共振，这是众所周知的流行病行为的一个重要属性。我们的工作打开了基于天气预报的流感活动正常水平的即时短期预测的发展前景，并允许更精确地估计当前的流行水平。后一个事实是基于预期的天气活动和即时异常之间的明显差异。
2014-04-25 math.DS physics.med-ph q-bio.PE
Periodic forcing in a three level cellular automata model for a vector transmitted disease
利用周期强制二维元胞自动机模型分析了具有复杂时空模式的病媒传染病的传播。该系统，它包括三个人口水平，被引入到描述复杂的功能的动态的载体传播的登革热流行病，已知是非常敏感的季节性变量。三个耦合水平代表人类、成年和未成熟的载体群体。动态包括外部季节性强迫（降雨强度数据），人类和蚊子的流动性，以及病媒控制效果。模型的参数，即使有界的明确定义的间隔从报告的数据，可以选择重现特定的流行病爆发。在目前的研究中，明确的结果是通过与实际数据的比较，从时间序列的登革热疫情在巴西的两个城市。结果表明，不捕获的平均场模型的波动。它还揭示了流行病的时空模式的定性行为。在没有外部周期驱动的极端情况下，模型预测了完全不同的长时间演化。该模型是强大的意义上说，它是能够再现的时间序列的登革热疫情的不同城市，提供强迫项考虑到当地的降雨调制。最后，由于人类流动的影响，传染病阈值与媒介控制之间的关系经历了从幂律到拉伸指数的转变。
2008-10-02 nlin.CG q-bio.PE
EpiGNN: Exploring Spatial Transmission with Graph Neural Network for Regional Epidemic Forecasting
National University of Defense Technology（国防科技大学）
疫情预测是有效控制疫情传播的关键，有助于世界缓解威胁公共卫生的危机。为了更好地理解流行病的传播和演变，我们提出了EpiGNN，一种基于图神经网络的流行病预测模型。具体而言，我们设计了一个传播风险编码模块，以表征区域在流行病过程中的局部和全局空间效应，并将其纳入模型。同时，我们开发了一个区域感知图学习器（RAGL），考虑到传播风险，地理依赖性和时间信息，以更好地探索时空依赖性，使地区意识到相关地区的疫情。RAGL还可以与外部资源（如人员流动性）相结合，以进一步提高预测性能。在五个真实世界的疾病相关数据集（包括流感和COVID-19）上的综合实验证明了我们提出的方法的有效性，并显示EpiGNN在RMSE方面优于最先进的基线9.48%。
2022-08-23 cs.AI cs.LG physics.soc-ph
Geographically-dependent individual-level models for infectious diseases transmission
传染病模型对于理解影响疾病传播的潜在机制和预测未来疾病进展非常有用。建模越来越多地用于评估不同控制措施的潜在影响，并指导公共卫生政策决策。近年来，传染病的时空建模取得了快速的进展，离散时间个体水平模型（ILM）就是其中的一个例子。这些模型发展得很好，为许多疾病系统的建模提供了一个通用的框架，然而，它们假设两个个体之间的疾病传播概率仅取决于他们的空间分离，而不是他们的空间位置。在空间位置本身对于理解新出现的传染病的传播和确定其原因很重要的情况下，将空间位置的影响纳入模型将是有益的。因此，在这项研究中，我们将ILM推广到一类新的地理依赖性ILM（GD-ILM），以评估空间变化的风险因素（例如，教育、环境）以及未观察到的空间结构对传染病传播的影响。具体来说，我们考虑一个条件自回归模型来捕捉未观察到的空间结构的潜在协变量或测量误差的影响。这导致灵活的传染病模型，可用于制定病因假设和确定异常高风险的地理区域，以制定预防行动。这些模型的可靠性进行了研究，结合模拟流行病数据和艾伯塔省季节性流感爆发数据（2009年）。这类新的模型是使用MCMC方法拟合贝叶斯统计框架内的数据。
2019-08-15 physics.soc-ph q-bio.PE stat.AP
A Novel Methodology for Epidemic Risk Assessment of COVID-19 outbreak
我们提出了一个新的数据驱动的框架，用于评估一个地理区域的先验流行病风险，并确定一个国家内的高风险地区。我们的风险指数被评估为三个不同组成部分的功能：疾病的危害，该地区的暴露和其居民的脆弱性。作为应用，我们讨论了意大利爆发的COVID-19疫情。我们使用现有的历史数据，空气污染，人类流动，冬季温度，住房集中，医疗保健密度，人口规模和年龄的20个意大利地区的特点。我们发现，与意大利中部和南部相比，北部一些地区的流行病风险更高。相应的风险指数显示了与感染者人数、重症监护患者和死亡患者人数的现有官方数据的相关性，并有助于解释为什么伦巴第、艾米利亚-罗马涅、皮埃蒙特和威尼托等地区比该国其他地区遭受的痛苦要多得多。尽管2019冠状病毒病疫情几乎同时在意大利北部（伦巴第大区）和中部（拉齐奥大区）爆发，但当首批病例于2020年初被正式认证时，该疾病在疫情风险较高的地区传播更快，后果更严重。我们的框架可以扩展并在其他流行病数据上进行测试，例如季节性流感，并应用于其他国家。我们还提出了一个政策模型与我们的方法，这可能有助于政策制定者采取明智的决定。
2021-01-22 physics.soc-ph q-bio.PE
