Spatial Spread of Epidemic Diseases in Geographical Settings: Seasonal Influenza Epidemics in Puerto Rico
建立了流行病在地理环境中的空间传播的确定性模型。这些模型的重点是从少数受感染的主机输入到地理环境的子区域所产生的爆发。目的是了解空间异质性如何影响易感人群和感染人群的传播动态。该模型包括系统的偏微分方程与扩散项描述的基本微生物传染性病原体的空间传播。该模型与波多黎各季节性流感流行的真实数据进行了比较。
2018-01-05 math.DS 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
Dynamical prediction of flu seasonality driven by ambient temperature: influenza vs. common cold
这项工作提出了一个比较分析的流感病毒数据流感本身和普通感冒在荷兰在过去的5年中，从建模的角度来看，由线性SIRS方程参数驱动的环境温度。有人认为，这种方法可以预测普通感冒，但不是严格意义上的流感。结合临床背景讨论了它们动力学模型的差异。
2016-02-01 math.CA math.DS physics.bio-ph
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
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
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
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
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
Generative diffusion models for spatiotemporal influenza forecasting
Department of Epidemiology, Gillings School of Global Public Health, University of North Carolina at Chapel Hill（流行病学系，全球公共卫生学院，北卡罗来纳大学查佩尔希尔分校）；Department of Epidemiology, Johns Hopkins Bloomberg School of Public Health, Baltimore, MD 21205, USA（流行病学系，约翰·霍普金斯伯恩斯坦公共卫生学院，巴尔的摩，MD 21205, USA）；Carolina Population Center, University of North Carolina at Chapel Hill（卡罗来纳人口中心，北卡罗来纳大学查佩尔希尔分校）
本文提出Influpaint模型，利用扩散模型对流感流行病进行时空预测，通过将流感季节编码为时空图像，学习疾病动态的丰富分布，并在回顾评估中实现了与领先集成方法相当的预测精度。
2026-09-15 cs.LG q-bio.PE
Seasonal transmission potential and activity peaks of the new influenza A(H1N1): a Monte Carlo likelihood analysis based on human mobility
6月11日，世界卫生组织正式将大流行病警戒级别（针对新的H1N1流感毒株）提高到6级。我们使用一个全球结构化集合种群模型，整合了全球范围内的流动性和运输数据，以估计传播潜力和相关的模型参数，我们使用的是2009年新型甲型流感（H1N1）的年表数据。该方法是基于最大似然分析的到达时间分布模型在12个国家播种墨西哥使用1 M计算模拟流行病。一个扩展的年表，包括全球93个国家在6月18日之前播种，用于确定季节性影响。我们发现基本生殖数的最佳估计值R 0 = 1.75（95%CI 1.64至1.88）。相关性分析允许根据观察到的模式选择最可能的季节性行为，从而确定未来大流行演变的合理情景，并估计不同半球的大流行活动高峰。我们提供了下一波的住院人数和发病率的估计，以及对疾病参数值的广泛敏感性分析。我们还研究了抗病毒药物的系统治疗使用对流行时间轴的影响。分析显示，北半球可能在10月/11月出现早期流行高峰，可能在大规模疫苗接种运动之前。我们认为，计划额外的缓解政策，如系统的抗病毒治疗可能是延迟活动高峰的关键，以恢复疫苗接种计划的有效性。
2009-09-14 cond-mat.stat-mech physics.soc-ph q-bio.PE
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
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
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
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
Spatiotemporal dynamics and ecological risk factors of highly pathogenic avian influenza A(H5N1) in Canadian wildlife: A One Health surveillance analysis
Auckland University of Technology（奥克兰理工大学）
本研究通过分析加拿大2022-2026年野生动物H5N1疫情监测数据，揭示了该病毒的时空动态及与检测数量相关的风险因素，采用描述流行病学、空间聚类方法和负二项混合模型进行分析，发现 Eurasian-North American 病毒谱系主导检测，并识别出年份、季节和谱系是关键预测因子。
2026-05-21 math.ST q-bio.PE stat.AP
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
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
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
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
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
Antigenic waves of virus-immune co-evolution
许多微生物和病原体的进化，包括季节性流感等循环病毒，都是由宿主群体的免疫压力驱动的。反过来，受感染人群的免疫系统得到更新，将病毒追得更远。定量地了解这些动态如何导致观察到的快速病原体和免疫适应模式，有助于流行病学和进化预测。在这里，我们提出了一个数学理论的免疫系统和病毒之间的共同进化在有限维抗原空间，它描述了交叉反应的病毒株和免疫系统由以前的感染。我们展示了一种抗原波的出现，这种抗原波被交叉反应性向前推动并疏通。我们得到的波的形状，速度和角扩散的分析结果。特别是，我们表明，病毒免疫协同进化产生了一个新的涌现的时间尺度，波的方向在抗原空间的持续时间，这可能是远远长于病毒种群的聚结时间。我们比较这些动态观察到的流感病毒株的抗原周转，我们讨论了抗原空间的维度如何影响的可预测性的演化动力学。我们的研究结果提供了一个具体的和易处理的框架来描述病原体-宿主的协同进化。
2021-05-07 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
A Probabilistic Framework for Imputing Genetic Distances in Spatiotemporal Pathogen Models
University of New South Wales（新南威尔士大学）；Arizona State University（亚利桑那州立大学）；Emory University（埃默里大学）
提出概率框架，利用时间感知进化距离模型，在无需序列比对或传播链的情况下插补未测序病例的遗传距离，应用于禽流感数据，增强时空建模。
2025-09-09 cs.LG q-bio.GN q-bio.PE
From Ecological Connectivity to Outbreak Risk: A Heterogeneous Graph Network for Epidemiological Reasoning under Sparse Spatiotemporal Data
University of New South Wales（新南威尔士大学）；Arizona State University（亚利桑那州立大学）；Emory University（埃默里大学）
本文提出zooNet框架，通过整合机制性传播模拟和时空图学习，从稀疏时空数据中推断野生动物爆发风险与生态连通性。
2026-01-08 cs.SI q-bio.PE
The Impact of Past Epidemics on Future Disease Dynamics
许多病原体主要通过感染宿主和易感宿主之间的直接接触传播。因此，人群的接触模式或接触网络从根本上塑造了流行病的进程。虽然有一个强大的和不断增长的理论，在网络中的单一流行病的动力学，我们知道的很少网络结构的影响，长期的流行病或地方病的传播。对于像流感这样的季节性疾病，病原体反复返回到具有复杂和不断变化的易感性模式和通过先前感染获得的免疫力的人群中。在这里，我们开发了两种数学方法来模拟连续的季节性爆发的部分免疫感染的接触异质性的人口。使用渗透理论的方法，我们考虑了泄漏免疫，其中所有先前感染的个体获得部分免疫，和完美免疫，其中一部分先前感染的个体完全免疫。通过重组宿主人口中流行病学活跃的部分，这些疾病限制了未来爆发的可能性。我们推测，这些动态可能导致进化压力，以增加传染性。
2009-10-12 q-bio.PE q-bio.QM
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
Inferring Heterogeneous Evolutionary Processes Through Time: from sequence substitution to phylogeography
分子系统发育和地理分布的重建通常假设时间上的同质替换过程。受计算便利性的影响，这种假设牺牲了生物现实主义，几乎没有机会揭示进化历史中的时间动态。在这里，我们扩展和推广的进化方法，放宽时间均匀的过程假设，允许在不同的时间间隔，称为时代，沿进化历史的规范不同的无穷小替代率矩阵。我们专注于一个时代的模型实现的贝叶斯推断框架，提供了很大的建模灵活性，在绘制任何离散数据类型的特征为一个连续时间马尔可夫链，包括地理特征的推断。为了减轻额外的时间异质性施加的计算负担，我们采用了大规模并行的方法，实现了细粒度和粗粒度的并行计算跨分支，适应时代的过渡，广泛使用的图形处理单元。通过合成的例子，我们评估模型的性能，从根据不同的进化方案，包括不同数量的时代的核苷酸和密码子取代过程中产生的数据恢复进化参数。我们说明了我们的推理框架在两个不同的应用经验数据集的有用性：在整个感染和全球流感流行的季节性的宿主内艾滋病毒种群的选择动态。在这两种情况下，我们的历元模型捕捉到了时间异质性的关键特征，这些特征仍然难以使用特设程序进行测试。
2013-09-12 q-bio.PE stat.CO
Inference for stochastic kinetic models from multiple data sources for joint estimation of infection dynamics from aggregate reports and virological data
流感和呼吸道合胞病毒（RSV）是全球季节性急性呼吸道感染（ARI）的主要病原体。医生通常仅根据患者的症状诊断ARI，并不总是进行必要的病毒学测试来识别单个病毒，这限制了研究多种病原体之间相互作用的能力，并提出公共卫生建议。我们考虑一个随机动力学模型（SKM）的两个相互作用的ARI病原体在一个大的人口和经验为动机的背景过程中与其他病原体感染引起类似的症状。一个扩展的边缘采样方法的基础上的线性噪声近似的SKM集成了多个数据源和额外的模型组件。我们推断的参数定义的病原体的动态和相互作用的贝叶斯分层模型，并探讨感染的后向轨迹为每种疾病的基础上，从六个流行季节收集的国家卫生部门的总感染报告，和一个子集的病毒学测试从一个哨兵计划在圣路易斯波托西，墨西哥的综合医院。我们根据真实和模拟数据解释了结果，并为未来的数据收集策略提出了建议。在线提供补充材料和软件。
2019-03-28 q-bio.PE stat.AP
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
