《Ecology and Evolution》：Borrowing Data From Other Populations to Forecast Epidemic Size
编辑推荐：
预测传染病动态对于生态管理和新发疾病防范具有重要意义，然而许多系统缺乏建立可靠预测所需的长期数据集。空间重复可能提供一种替代方案，允许信息在不同种群之间共享，但这种做法在多大程度上能够改进预测仍不明确。为此，研究人员利用来自20个重复半自然水蚤–寄生虫池塘种群
预测传染病动态对于生态管理和新发疾病防范具有重要意义，然而许多系统缺乏建立可靠预测所需的长期数据集。空间重复可能提供一种替代方案，允许信息在不同种群之间共享，但这种做法在多大程度上能够改进预测仍不明确。为此，研究人员利用来自20个重复半自然水蚤–寄生虫池塘种群、监测四个季节（共80次流行病）的流行病与温度数据，检验来自多个种群的信息是否能够改进预测，以及环境相似性是否能识别出信息丰富的种群。研究人员使用基准模型、自回归积分滑动平均（ARIMA）模型和时间序列回归模型，对疾病患病率、感染宿主密度和健康宿主密度进行了预测。模型仅使用焦点种群数据、其他种群的平均动态，或来自环境相似种群经温度加权的平均动态进行训练。流行病表现出强烈的季节性结构，患病率和感染宿主密度通常在季节最温暖的时期达到峰值。然而，没有任何一种预测方法在所有变量上始终优于其他方法。温度改善了患病率和感染宿主密度的预测，但未改善健康宿主密度的预测。多种群训练在某些情况下改善了预测，特别是对于ARIMA模型，而经温度加权的平均相比简单平均并未带来额外收益。回归模型在预测健康宿主密度方面始终表现出最高的准确性。这些结果表明，在特定条件下，跨种群借用信息能够改进预测，但这种收益并非普遍存在，强调了预测方法和数据来源需要与所预测的生态过程相匹配。
传染病流行对自然种群的生态、进化与保护具有深远影响，准确量化并预测流行规模是疾病生态学的核心目标。然而，野生动物流行病学中预测方法的发展远落后于人类流行病学，主要原因在于许多自然系统缺乏长期、连续的疾病时间序列数据。为此，研究人员提出利用空间重复种群之间的信息共享，以弥补焦点种群历史数据不足的问题。本研究基于20个重复半自然Daphnia magna–Pasteuria ramosa宿主–寄生虫池塘种群、跨越四个季节共80次流行病的监测数据，系统检验了“借用”其他种群数据能否改进流行规模预测，以及根据温度相似性加权是否能够识别更信息丰富的种群。研究预测了三个流行病学变量：疾病患病率、感染宿主密度和健康宿主密度，并比较了三种预测模型（基准模型、ARIMA模型和时间序列回归模型）在三种训练数据（仅焦点种群、其他种群均值、温度加权均值）下的表现。结果表明，没有任何一种模型–数据组合在所有变量上一致最优，但多种群训练在某些条件下能够降低预测误差，温度对患病率和感染密度的预测有显著改善作用，而回归模型对健康密度的预测始终最佳。这一研究揭示了跨种群信息借用的条件性价值，为生态预测实践中方法选择提供了重要依据。
研究人员在方法上主要采用了三类时间序列预测模型：以季节性朴素法为基础的基准模型、使用auto.arima()函数自动选择最优结构（按校正赤池信息准则AICc）的ARIMA模型，以及以温度为环境预测变量的时间序列回归模型。训练数据分别来自焦点种群单一种群时间序列、其余19个种群的平均动态、以及按季节温度相似度加权的平均动态；其中温度加权权重通过构造相似度函数计算。模型在春季至秋季监测期以周为时间单位，前三年共31周数据作为训练集，第四年26周数据作为测试集。预测误差以均方根误差（RMSE）衡量，并使用广义最小二乘（GLS）模型和似然比检验分析误差来源。样本数据来自此前（Paplauskas et al. 2021）的更大实验设计，包括20个1000 L PVC半自然池塘，每个池塘初始投放120只来自12个基因型的Daphnia（每种10只）及标准化Pasteuria孢子接种物，并在2015至2018年间每周采样记录。
### 3.1 季节性变化
通过绘制并目视比较各群温度、患病率、感染宿主密度与健康宿主密度的季节轨迹，研究发现疾病患病率呈现明显的季节性流行病模式：春季快速上升，在第10至18周达到高峰，随后下降至季末接近零。感染宿主密度呈现相似的季节轨迹，而健康宿主密度在早春上升后随疫情发展而下降。温度在所有种群中表现出高度一致的季节变化，峰值出现时间与患病率及感染宿主密度峰值大致吻合。这些结果表明流行病动态具有强烈的季节性结构，且温度可能是影响疫情时序的重要驱动因素。
### 3.2 预测误差的一般预测因子
通过嵌套GLS模型似然比检验，研究发现预测模型与训练数据类型之间存在交互作用的证据不足。预测模型类别对患病率和感染宿主密度的RMSE无显著影响，但对健康宿主密度有显著影响。训练数据类型对三个预测变量的RMSE均有显著影响。温度显著改善患病率和感染宿主密度模型的拟合，但对健康宿主密度无显著改善。这说明训练数据来源和温度是影响预测误差的普遍因素，而模型类别的影响则依赖于所预测的变量。
### 3.3 模型与训练数据组合的预测性能
基于估计边际均值（EMMs）的配对比较显示，对于患病率，当使用焦点种群数据训练时，回归模型的RMSE高于ARIMA模型；而多种群训练（均值或温度加权均值）相比仅使用焦点种群数据降低了基准模型和ARIMA模型的RMSE。对于感染宿主密度，ARIMA模型采用多种群训练时的RMSE显著低于仅焦点种群训练。对于健康宿主密度，回归模型在所有训练数据类型下均显著优于基准模型和ARIMA模型；ARIMA模型在多种群训练下的误差低于焦点种群训练，但回归模型在训练数据类型间无显著差异。这些结果表明，跨种群数据借用的优势主要体现在ARIMA模型中，而回归模型对健康宿主密度的预测具有最稳定且一致的优势。
在讨论部分，研究人员指出，尽管温度与流行病季节动态高度同步，但包含温度信息的预测方法并未一致优于简单基准模型，说明温度虽然是重要驱动因素，但种群间大量未解释变异可能来自宿主种群动态、传播过程、资源可利用性或随机因素。多种群训练对ARIMA模型的改善表明，在焦点种群历史数据有限时，跨种群平均能够提供更稳定的时间动态估计，降低单种群随机波动的影响。然而，按温度相似性加权并未比简单平均产生额外收益，提示仅依据温度可能不足以准确刻画种群的生态相似性，未来需整合多种环境与生态特征。回归模型对健康密度的稳定优势则说明，对于受多过程调控的种群变量，显式纳入环境驱动因子比纯自回归结构更有效。研究还讨论了局限性，包括预测方法相对简单、仅用温度作为环境预测因子，以及样本来自单一宿主–寄生虫系统，因此结论的普适性有待更多系统验证。最后，研究结论指出：重复种群可以为生态预测提供有价值的信息，但跨种群借用信息的益处是有条件的；多种群训练主要改善了ARIMA模型和部分变量的预测，而回归模型对健康宿主密度的预测改进最为清晰；这些发现强调了预测方法应与生态响应变量和可用训练数据相匹配，并表明利用重复生态系统在缺乏长期种群特异性数据时是改善预测的一个有前景的途径。
