基于分数阶建模与ANN-LM算法的沃尔巴克氏体抑制西尼罗病毒传播机制研究

本研究针对西尼罗病毒（WNV）传播控制难题，创新性地结合分数阶微积分模型与人工神经网络（ANN-LM）算法，系统分析了沃尔巴克氏体（Wolbachia）感染蚊媒对病毒传播的阻断效应。研究人员构建了包含12个仓室的分数阶动力学模型，通过Adams-Bashforth-Moulton数值方法生成数据集，并采用70-15-15比例划分训练集与验证集。结果表明，当沃尔巴克氏体垂直传播概率η=1且分数阶α=0.9时，WNV在鸟类宿主中的感染率降低65%以上，ANN-LM框架的相关系数超过0.99，均方误差低至1.6×10-3。该研究为蚊媒传染病防控提供了高精度的智能计算范式。

　　

西尼罗病毒（WNV）作为一种由蚊媒传播的人畜共患病原体，自1937年在乌干达首次发现以来，已扩散至全球五大洲。这种病毒通过鸟类-蚊子的传播循环维持流行，人类感染后可能出现从无症状到致命性脑炎的不同临床表现。尽管杀虫剂曾被广泛用于蚊媒控制，但耐药性发展和生态风险促使科学家寻找更可持续的干预策略。近年来，利用沃尔巴克氏体（Wolbachia）感染蚊虫的生物学防治方法崭露头角——这种共生细菌能通过胞质不相容（Cytoplasmic Incompatibility, CI）机制抑制病毒在蚊体内的复制，同时改变种群结构。然而，传统整数阶模型难以刻画生物系统固有的记忆效应和非线性特征，而复杂多仓室模型的求解又面临计算效率瓶颈。

为突破这些限制，研究人员在《Computers in Biology and Medicine》发表了创新性研究。该团队构建了包含12个仓室的分数阶西尼罗病毒传播模型，分别描述鸟类、沃尔巴克氏体阴性/阳性蚊群的感染动态。研究采用Caputo分数阶导数表征系统记忆效应，通过Adams-Bashforth-Moulton数值方法生成基准数据集。为解决高维非线性系统的求解难题，开发了基于Levenberg-Marquardt算法的人工神经网络（ANN-LM）框架，采用12个隐藏神经元和70-15-15的数据划分策略。

主要技术方法：研究结合分数阶微积分建模与机器学习技术，通过数值模拟生成WNV传播动态数据集，利用ANN-LM算法进行模型训练和验证，重点分析不同沃尔巴克氏体垂直传播概率（η=0.6/0.8/1）和分数阶参数（α=0.7/0.8/0.9）下的流行病学特征。

Mathematical modeling of WNV in the presence of Wolbachia-infected mosquitoes
模型将鸟类分为易感（S_b）、暴露（E_b）、感染（I_b）和康复（R_b）四类，蚊群则按沃尔巴克氏体感染状态平行划分。关键参数包括蚊鸟叮咬率（β_bv=0.5）、病毒外潜伏期（σ_v=0.25）等，引入分数阶导数α描述系统记忆效应。

Methodology: ANN-LBM
ANN-LM框架采用三层前馈网络结构，输入层对应时间变量，输出层预测12个仓室状态。训练过程采用均方误差（MSE）损失函数，当η=1且α=0.9时获得最优性能，测试集绝对误差稳定在10^-4量级。

Findings and discussion based on numerical analysis
案例1（仅存沃尔巴克氏体阴性蚊）显示基本再生数R₀=1.83；而当η=1时，病毒传播被显著抑制。回归分析显示ANN预测值与数值解的决定系数达0.998，误差直方图呈正态分布，验证了方法的可靠性。

Real-world applications
该模型为沃尔巴克氏体释放策略提供了量化工具：当实现蚊群完全感染（η=1）时，可减少65%以上的鸟类感染，这对佛罗里达等WNV流行区的现场干预具有指导意义。分数阶参数α的引入更精准反映了病毒潜伏期的长记忆特征。

Conclusion
研究证实沃尔巴克氏体通过垂直传播可有效阻断WNV传播链，ANN-LM算法为复杂流行病模型提供了误差低于1.6×10^-3的高效求解方案。这种分数阶建模与机器学习融合的范式，不仅适用于蚊媒传染病，还可拓展至其他具有记忆效应的生物系统研究。