基于加性贝叶斯网络模型解析日本2022-2023年高致病性禽流感爆发的农场级风险因素

本期推荐：为应对高致病性禽流感(HPAI)对日本禽类养殖业的持续威胁，研究人员采用加性贝叶斯网络(ABN)模型，首次系统评估了生产类型、养殖规模与水体环境等交互因素对H5N1亚型病毒感染风险的影响。研究发现蛋鸡场、大规模养殖场及近水体农场具有显著更高的感染风险，其中蛋鸡场的风险既直接来源于生产特性，又间接通过大规模养殖关联。该研究为精准防控提供了重要科学依据。

　　

近年来，高致病性禽流感(HPAI)在全球家禽和野生鸟类中呈现爆发性增长趋势，仅日本在2020年就报告了52起农场疫情，而2022-2023流行季更是创纪录地出现84起H5N1亚型疫情。特别值得注意的是，蛋鸡场占比高达69%，且感染农场普遍具有大规模养殖特征。这一现象引发了科学界对生产类型与养殖规模是否存在交互影响的深度思考——究竟是蛋鸡场本身特性导致易感，还是因其普遍采用大规模养殖模式所致？传统统计方法难以解析这种复杂关联，亟需创新分析方法揭示潜在风险机制。

针对这一科学问题，日本农业与食品产业技术综合研究机构动物卫生研究所的研究团队创新性地应用加性贝叶斯网络(ABN)模型，对69个感染农场和361个对照农场进行病例对照研究。通过构建包含感染状态、生产类型(蛋鸡/肉鸡)、养殖规模(分S/M/L三级)及周边1公里水体覆盖率等变量的网络模型，首次量化了各因素的直接与间接效应。研究发现：蛋鸡场的感染风险是肉鸡场的4.9倍(OR=1.59)，大规模养殖场风险是中小规模的5.6倍(OR=1.73)，而水体覆盖率每增加1个标准差单位风险提升88%。更关键的是，ABN模型揭示蛋鸡场风险存在"双路径"——既通过直接途径（可能源于开放式的蛋粪输送系统），又通过间接途径（因其90%大规模养殖率）。

研究主要采用三项关键技术：1) 基于5公里半径的病例-对照空间匹配设计，控制区域异质性；2) 应用广义加性模型(GAM)确定养殖规模的最佳分类阈值；3) 采用带随机截距的ABN模型解析变量间复杂网络关系。样本来源于日本农林水产省的全国农场数据库，水体数据源自日本宇宙航空研究开发机构的高分辨率土地利用图。

【风险因素识别】通过广义线性混合模型(GLMM)预筛选发现，1公里半径内的水体覆盖率与感染最强相关(AIC最低)。GAM分析显示养殖规模与生产类型存在非线性关系，据此将规模划分为S(<7千只)、M(7-9万只)、L(>9万只)三级。

【网络模型构建】最优有向无环图(DAG)显示：HPAI感染直接关联三个父节点（生产类型、规模L级、水体覆盖率），链接强度(LS)达15-21%。特别值得注意的是，生产类型→规模L级的系数为1.88，解释蛋鸡场大规模养殖的倾向性。

【交互效应解析】蛋鸡场风险的双重机制被明确量化：直接效应(LS=15.17%)源于其生产特性，如长达2年的养殖周期增加暴露窗口；间接效应通过规模中介(LS=4.71%)，因蛋鸡场90%属于L级规模。相比之下，肉鸡场主要集中在中规模(M级OR=-1.92)。

该研究的突破性发现在于首次用数学模型证实：日本禽流感防控需重点关注蛋鸡场"双重脆弱性"。传统观点认为大规模养殖是主因，但ABN分析表明即使控制规模因素，蛋鸡场仍有独立风险。这可能与其特有的生产模式相关——开放式蛋粪输送系统易引入病毒，而长达2年的生产周期远高于肉鸡的7-8周，显著延长风险暴露期。研究建议对蛋鸡场实施"双轨制"生物安全强化：既需改进养殖设施密封性，又要优化超大规模鸡群的管理流程。这些发现为东亚地区禽流感精准防控提供了新思路，也为复杂流行病学关联的解析建立了方法学范式。

值得注意的是，研究存在未纳入消毒措施、农场分区等潜在混杂因素的局限。未来研究可结合野鸟迁徙路线、病毒基因特征等多元数据，通过扩展ABN网络层级进一步优化风险评估模型。该成果发表于《Scientific Reports》，为应对全球禽流感疫情升级提供了重要的决策支持工具。