气候变化下炭疽杆菌（Bacillus anthracis）的时空动态演变：基于最大熵模型的全球风险评估与预警框架

本综述采用最大熵模型（Maxent）耦合CMIP5气候情景，系统预测了炭疽杆菌（Bacillus anthracis）在当前及未来（2050’s–2070’s）的全球适生区分布。研究发现，气候变化将导致高适宜区向高纬度扩张，RCP-8.5情景下风险显著增强。研究为炭疽热（Anthrax）的主动监测与早期预警提供了关键时空动态数据支撑，对完善“One Health”公共卫生应对策略具有重要科学意义。

　　

引言

气候变化已被广泛认为是影响传染病分布与传播动态的关键因素，尤其对于依赖环境储存库或媒介传播途径的疾病。炭疽病由孢子形成细菌炭疽杆菌（Bacillus anthracis）引起，具有复杂的生态互作关系。其孢子作为感染形态，能在土壤中长期存活，且对特定气候和土壤条件具有依赖性，使得该病的流行病学对环境变化高度敏感。近年来，在以往非 endemic 区域新发的炭疽病例引发了对于气候驱动下炭疽杆菌分布范围扩张的关注，亟需利用先进的预测模型来预估其未来的分布变化。

炭疽杆菌的生态位受到多种生物和非生物因素的影响，包括土壤pH、有机碳含量、温度及降水模式等。这些变量影响孢子的存活率、宿主暴露风险和暴发流行强度，形成特定的空间热点区域。随着全球温度上升和降水模式改变，传统的炭疽 endemic 区可能会经历传播动态的改变，而新的区域可能变得适宜炭疽杆菌定植。理解这些转变对于主动监测和减少向人类及动物群体的溢出风险至关重要。

物种分布模型（SDMs）在流行病学中是预测随环境变量变化的栖息地适宜性的关键工具。最大熵（Maxent）模型因其在处理仅出现位点数据（presence-only）及整合复杂环境因子方面的有效性而备受认可。其机器学习框架即使在出现记录稀疏的情况下也能实现准确预测，非常适用于炭疽这类分布数据常不均衡且报告不足的疾病建模。近期，Maxent 在疾病生态学中的应用已成功预测了媒介传播和土壤传播疾病的范围变化，凸显了其在气候变化影响评估中的适用性。

然而，较少有研究利用机器学习技术来预测气候变化情景下炭疽杆菌的未来分布。先前的研究多依赖于静态生态位模型或集中于区域尺度动态。气候变化的快速进展要求我们进行高分辨率、全球尺度的预测以指导公共卫生准备。耦合模式比较计划第五阶段（CMIP5）提供了基于代表性浓度路径（RCPs）的更新气候预测，使得评估不同未来情景下炭疽杆菌的分布成为可能。将这些数据与机器学习方法相结合，可以生成更精确、可操作的疾病风险图谱。

气候变化与土地利用改变之间的交互作用可能通过改变野生动物-家畜-人类之间的相互作用进一步影响炭疽传播。森林砍伐、农业开发和城市化可能扰乱土壤生态系统，从而在新兴热点区域增加人类暴露于炭疽杆菌孢子的风险。需要一种融合气候和人为因子的空间显式建模方法来进行全面的风险评估。本研究旨在利用高分辨率环境数据集和先进机器学习方法，填补对未来变暖条件下炭疽时空动态理解上的重大空白。

材料与方法

炭疽杆菌的出现数据源自全球生物多样性信息设施（GBIF）及有记录的炭疽暴发数据，初始数据集包含733个地理参考点。为保证数据质量，剔除了重复记录和空间模糊记录（不确定性大于1公里），并利用ArcGIS Pro v3.1进行空间稀疏化以减少采样偏差，最终得到105个高置信度的出现位点。

环境变量选自WorldClim（版本2.1）的19个生物气候变量，空间分辨率约为5 km2，反映了1970–2000年的长期气候平均值。为减轻多重共线性，在R v4.3.0中进行Pearson相关分析（|r| > 0.8），最终保留了5个具有生物相关性的预测变量：BIO2（平均日较差）、BIO6（最冷月最低温度）、BIO7（温度年较差）、BIO16（最湿季度降水量）和BIO17（最干季度降水量）。未来气候预测数据（2050和2070年）取自CMIP5下的两种代表性浓度路径（RCP2.6和RCP8.5），并降尺度至与WorldClim一致的分辨率。

使用Maxent v3.4.4评估炭疽杆菌的栖息地适宜性，这是一种出现-背景机器学习方法。模型训练使用75%的出现数据，剩余25%用于测试。关键参数包括10,000个背景点、1,000次迭代和10折交叉验证以增强稳健性。使用线性、二次和铰链特征类别以识别物种与环境变量间的潜在非线性相互作用。另在DIVA-GIS v7.5中构建BIOCLIM模型进行比较分析，使用相同的出现数据和变量生成基于环境包络的预测。

模型性能通过受试者工作特征曲线下面积（AUC）评估，AUC值超过0.8表明预测准确性较强。采用刀切法（jackknife test）评估各生物气候变量的重要性，并绘制响应曲线以展示物种-环境关系。还计算了真实技能统计量（TSS），值超过0.6视为可接受。

栖息地适宜性图在ArcGIS Pro中生成，适宜性得分采用Jenks自然断点法分为5类：不适宜（< 0.2）、低（0.2–0.4）、中（0.4–0.6）、高（0.6–0.8）和极适宜（> 0.8）。未来预测通过最大训练灵敏度加特异性阈值转换为二值（出现/缺席）图。制作变化图以展示未来气候情景下适宜性的变化，分类为增益、损失或未变化。

在DIVA-GIS中进行二维生态位包络检验，以确定炭疽杆菌分布的主要限制因素，重点关注BIO1（年平均温度）和BIO12（年降水量）。该分析定义了物种预期存活的环境限制范围。还生成了限制因子图，以识别哪些生物气候因子（如BIO6或BIO17）对栖息地适宜性影响最显著的区域。

结果

生物气候变量相关性分析与选择

为解决可能削弱模型效力和解释力的多重共线性问题，我们对所有19个生物气候变量进行了全面的Pearson相关分析，采用|r| > 0.8作为变量选择的阈值。相关矩阵显示许多变量间存在显著共线性，需谨慎选择以保留仅生态相关且统计独立的预测因子。

分析显示，BIO1（年平均温度）与BIO6（最冷月最低温度，r = 0.93）、BIO9（最干季度平均温度，r = 0.95）、BIO10（最暖季度平均温度，r = 0.86）及BIO11（最冷季度平均温度，r = 0.97）高度相关。降水变量同样表现出显著的相互关联，BIO13（最湿月降水量）与BIO16（最湿季度降水量，r = 0.99）高度相关，而BIO12（年降水量）与多个降水变量显著相关。温度季节性变量也存在多重共线性。

依据与炭疽杆菌孢子生物学相关的生态相关性标准，最终选择了5个在统计上独立（|r| < 0.8）且具有生物重要性的变量：BIO2、BIO6、BIO7、BIO16和BIO17。这些变量分别代表了日温度波动、极端低温耐受性、季节温度变化、峰值湿度可用性和干旱期水分胁迫，对孢子存活、萌发和长期 persistence 至关重要。最终所选变量间的所有两两相关性均低于|r| = 0.8的阈值，表明达到了足够的统计独立性。

模型验证与气候因子影响

Maxent模型性能通过ROC曲线验证，AUC值为0.831，显著高于随机预测，表明模型区分炭疽杆菌存在与 absence 的能力优异。TSS值为0.78，进一步表明模型准确性良好。

通过二维生态位分析（BIO1 vs. BIO12）揭示了炭疽杆菌出现的环境条件主要集中于一个特定的包络内，多数记录集中在年平均温度约5°C–28°C、年降水量约500–3000 mm的范围内，表明该细菌具有一定的适应性。

五个关键生物气候变量的响应曲线揭示了复杂的物种-环境关系：BIO2的适宜性随日较差增大而总体降低；BIO6的适宜性随最冷月最低温度升高而增加；BIO7的适宜性在中等年温度变幅时最高；BIO16的适宜性随最湿季度降水增加先升后缓；BIO17的适宜性在最干季度有一定降水时较高，极低降水时有害。

刀切法测试表明，BIO17、BIO2和BIO6各自单独使用时对模型性能提升最大，且排除任一变均会导致正则化训练增益下降，证实它们为模型提供了必要且非冗余的信息。

当前状况建模

使用Maxent和BIOCLIM两种模型评估了炭疽杆菌的当前潜在分布。Maxent模型预测的全球适宜性分布显示，美国中部和南部、南美大部、撒哈拉以南非洲、中亚、印度和东南亚部分地区存在“极适宜”和“高”适宜区。高纬度地区、大片沙漠和高海拔地区则被预测为不适宜。

BIOCLIM模型预测的适宜栖息地范围更为有限，识别出高适宜区但显得更碎片化。尽管如此，两大模型在美国中部和南部、南美部分区域以及非洲和亚洲多处均一致预测出高适宜区，表明对这些核心 endemic 区环境条件存在 robust 共识。

模型比较图清晰显示了两者的一致与分歧区域。“两者均适宜”区域（绿色）是最可靠的生态位预测，与全球已知炭疽 endemic 区高度吻合。“仅Maxent适宜”和“仅BIOCLIM适宜”区域则体现了两模型算法差异：Maxent作为机器学习算法能捕捉物种与环境间的复杂非线性关系，可能识别出更精细的适宜区；而BIOCLIM基于气候包络方法，可能对出现数据中的异常更敏感。

未来预测

基于四种未来气候情景（2050 RCP2.6、2050 RCP8.5、2070 RCP2.6、2070 RCP8.5）的MaxEnt建模结果表明，炭疽杆菌的整体栖息地适宜性将发生变化。

在所有情景下，高适宜区（“高”和“极适宜”）的空间模式与当前已知适宜区大体对应，包括美国中部和南部、南美、撒哈拉以南非洲、中亚、印度和东南亚的部分地区。但在更乐观的RCP2.6情景下，高适宜区空间范围与当前分布相似，仅局部有扩张或收缩；而在高排放的RCP8.5情景下，部分区域的高适宜性显示出轻微转移或强化，另一些区域则可能出现衰退。所有未来情景中，高纬度、沙漠和高海拔地区持续被预测为“不适宜”，表明这些关键环境限制在气候变化下依然存在。

变化图则更清晰地显示了与当前状况相比，未来适宜栖息地的预期变化。所有情景中一个显著特征是“未变化”区域（黄色）广泛存在，特别是在炭疽杆菌当前流行的大陆中南部地区，表明大部分现有适宜生境预计将保持稳定。

然而，所有情景下均一致预测部分关键区域会出现适宜栖息地的“增益”，包括北美部分区域、南美南部、非洲南部和东部、中亚零星地区及澳大利亚。这些增益表明炭疽杆菌的生态位可能向先前不适宜或较不适宜的区域扩张。增益的程度和分布因RCP和时间框架而异，RCP8.5情景下通常增益更显著。与此同时，也预测了适宜栖息地的“损失”，尽管通常面积较小且更孤立，多见于北美北部、欧洲部分地区和亚洲一些地点。“不适宜”区域与极端南北纬度、主要沙漠和山地地形吻合。

限制因子图

揭示了全球尺度上显著限制炭疽杆菌分布的主要生物气候因子。该图根据限制效应最强的变量对区域进行分类，显示了环境变量在塑造病原体全球分布中复杂的交互作用。极地和高原地区主要受极端低温和严酷环境限制，而温带和热带地区则受更复杂的因子限制，如日较差、年温度变幅和极端降水。理解这些特定的限制因子对于优化生态位模型、预测未来分布变化以及指导有针对性的监测和控制策略至关重要。

讨论

本研究凸显了生态位建模在理解气候变化情景下炭疽杆菌时空动态中的关键作用。Maxent模型阐明了该细菌当前和未来的栖息地适宜性，揭示了与气候变化一致的区域分布显著变化。这些发现与先前利用SDMs预测其他微生物栖息地变化的研究相呼应。

炭疽杆菌的生态位受多种生物和非生物因子塑造，这与先前研究认为土壤pH、温度和湿度是影响病原体存活和传播的关键因素一致。识别出高风险区域，特别是在土地利用模式变化的地区，强调了需要综合考量气候和人为因素的策略。本研究增进了不断增长的文献体系，倡导在公共卫生规划和监测中采取主动策略应对新发风险。

模型的预测准确性经过严格统计方法验证，与先前应用机器学习于流行病学的研究结果一致。高AUC值表明模型在区分适宜与非适宜栖息地方面表现有效，证实了机器学习在预测病原体分布上的可靠性。模型生成的响应曲线为了解影响炭疽存活的环境阈值提供了关键见解。

研究发现对理解气候变化与传染病模式改变之间的关联具有重要意义。在某些区域观察到的炭疽杆菌栖息地适宜性增益，与其他研究记录的类似现象模式相符。炭疽暴发风险可能在气候条件增强细菌存活的区域增加，尤其是在当前准备不足的地区。

本研究强调了将生态建模与社会经济因素结合以进行全面风险评估的必要性。所使用的CMIP5数据凸显了需要动态模型来整合气候和社会经济轨迹。通过识别未来适宜性可能增加的潜在“增益”区域，本研究为有针对性的监测和干预策略奠定了关键基础。这种主动方法对于减轻人畜共患病风险至关重要。

我们的方法学和发现与近期关于其他病原体的物种分布建模研究一致，均表明气候驱动的方法抓住了调控全球气候变化下微生物传播的基本生态原理，从而增强了我们针对炭疽杆菌的预测框架的可靠性。

我们识别出的未来气候适宜性热点区域，同时也是全球主要的 livestock 生产中心。集约化的 livestock 生产系统可能通过不当处置 carcass 导致的土壤污染、促进疾病快速传播的集中动物饲养操作以及改变自然放牧模式从而影响土壤-孢子动态，造成局部炭疽风险热点。此外，疫苗接种政策、监测能力和兽医基础设施在地区间差异巨大，造成了实际疾病风险的差异，这是我们仅基于气候的模型无法捕捉的。未来的综合建模工作应纳入 livestock 密度数据、生产系统分类和影响疾病控制能力的社会经济变量，以提供更可操作的风险评估。虽然我们的研究建立了炭疽杆菌气候适宜性的基础理解，但将环境适宜性转化为实际暴发风险，需要明确考虑界定现代炭疽流行病学的复杂 livestock-土壤-人类界面。

本研究的一个显著局限在于使用GBIF出现数据进行病原体风险评估的固有限制。GBIF记录主要基于分子检测技术，能确认细菌遗传物质的存在，但无法提供孢子存活力、浓度或致病潜能的信息，尤其无法区分可存活的感染性孢子和无活力的遗传物质或缺乏关键毒力质粒的无毒环境分离株。这种区分具有流行病学重要性，因为环境中炭疽杆菌DNA的持久存在并不必然与 active 感染风险相关，可能导致在存在遗传残留但无存活病原体群体的地区高估疾病威胁。此外，GBIF数据缺乏关于孢子存续时间及检测条件环境背景的 temporal 信息，限制了我们评估预测适宜环境中病原体种群可持续性的能力。

尽管存在这些数据局限，我们的研究为理解全球尺度上炭疽杆菌气候驱动的环境适宜性模式提供了必要的基础知识。识别气候适宜区域对于在环境变化背景下指导主动监测策略和资源分配仍然至关重要。这些局限凸显了我们的建模方法是迈向综合风险评估框架的第一步，该框架可通过整合更具体的区域尺度生物和流行病学数据来不断完善。

结论

总而言之，我们的研究增进了对变化环境中炭疽杆菌传播的理解，与传染病生态学的全球趋势一致。利用先进机器学习方法和高分辨率气候数据，我们提供了可指导公共卫生政策和环境管理措施的关键见解，以减轻在变暖气候中炭疽及类似人畜共患威胁的影响。