2026年，中非和东非暴发的本迪布焦埃博拉疫情已导致至少49人死亡，卫生当局正争分夺秒阻止疾病蔓延。
但如果他们能提前预知疫情将从何而起呢？
这正是去年由卡森·特尔福德与美国疾病控制中心（CDC）的一群研究人员共同发表的一项研究试图回答的问题。他们想知道，通过分析病毒已从动物宿主“溢出”到人类的区域特征，是否可能预测埃博拉疫情的暴发地点。特尔福德及其同事分析了2001年至2022年间的24次疫情，利用人口密度和森林覆盖率等变量来训练他们的模型。
当他们对这些疫情发生的地点进行分析时，发现这些区域与森林丧失和破碎化高度相关。
他们利用这些数据构建的模型准确得惊人。该模型将刚果民主共和国的一个小镇列为风险最高的0.1%地区——就在2022年该地暴发疫情的几个月前。随后在乌干达暴发的另一次疫情，也位于该模型识别为该国风险最高的前6%的地区。
Mongabay的阿肖卡·穆克波与特尔福德进行了对话，探讨埃博拉与森林砍伐之间的联系，以及理解这种联系如何有助于在早期阻止疫情。
机器学习算法的妙处在于其目标是预测。我们并不真正关心模型为何准确，或哪些特定变量在驱动它。问题在于：它预测得好不好？
这些算法能处理大量变量，并从数据中学习，以区分病毒溢出发生和未发生的地点。
在这个模型中，我在多个空间尺度上量化了变量。以森林砍伐为例，我观察了预测地点周围10公里、25公里、50公里和100公里范围内的森林变化。这使我们能够考虑局部变化和更广泛的景观变化，并让机器学习模型决定什么对病毒溢出最重要。
其价值在于突出那些可以针对高风险群体加强沟通的区域。这些人可能包括依赖丛林肉作为蛋白质来源的人群、猎人，或与野生动物频繁接触的其他人群。
医生可能是最好的例子。你可以告诉他们：“请注意，这是一个高风险区域，与去年相比，这里的环境条件与增加的溢出风险一致。”
这确实是其价值所在：沟通和早期检测。当疫情真的发生时，尽量快速抓住它。
另一个重要的预测因子是局部尺度的森林变化。当我们观察溢出地点周围10公里区域时，随着记录的森林损失增加，疫情暴发的几率也更高。
微妙之处在于，我们不能肯定地说这是因果效应。森林损失可能与某些未被测量的其他相关因素有关。我怀疑森林损失正在影响储存宿主的行为，但这并不是一项正式的因果分析。
这是一个利用所有可用信息的预测模型。
照片 2
次年发生了两次疫情。一次在刚果民主共和国，发生在去年预测的单个最高风险地点。该地点大约在前0.1%的预测风险范围内。
理论上，如果我们带着这些模型结果，前往这些最高风险地点，并通知医生这些是赤道非洲风险最高的区域，我们就能正确预测那一次疫情。
另一次疫情发生在乌干达。它不在总体最高的风险地点之列，但当我们观察年度风险增长时，它排在前1%之内。
这就是为什么同时关注整体风险和可能改变风险的环境变化非常重要。结合这两种方法，我们正确识别了这两次疫情。我承认这是个小样本，有些偶然，但这令人鼓舞。
人类居住区一直延伸到森林边缘。这个边缘地带——人类土地利用与森林栖息地的交界处——是一个主要的预测因子。它代表了人类更可能接触野生动物的区域。
澳大利亚的瑞娜·普洛赖特对果蝠进行了一些出色的研究，表明当蝙蝠处于免疫压力下时，病毒脱落会增加。我的假说是，可能有几个驱动因素。
假设蝙蝠是储存宿主——我们仍不确定这一点——改变它们的栖息地可能因食物来源变化而导致压力。它们可能更多地依赖人类食物来源，这在澳大利亚已经观察到。如果情况如此，并且它们越来越多地利用人类定居点周围的资源，那么它们也会与人类更紧密接触。例如，水果种植可能吸引蝙蝠，增加传播机会。
另一种可能性是，栖息地干扰迫使动物移动。如果蝙蝠不留在人类定居点周围，而是被迫迁移到新区域，它们仍然要应对陌生环境，这也可能产生压力并增加病毒脱落。
这种病毒脱落可能随后溢到非人类灵长类动物中，并最终进入人类群体。我们看到过疫情调查中，指示病例是一名猎人，他在处理丛林肉时接触到感染灵长类动物的血液而感染。
所以有很多可能的途径，它们相互关联。但主要结论是，环境变化可能增加人类与储存宿主之间的接触，无论最终确定的是哪种储存宿主。
本文由吉伊网原创发布，未经许可，不得转载！
本文链接：http://www.jkiyi.com/kx/60143.html
