基于机器学习的猪繁殖与呼吸综合征病毒 2 型变异株快速增长潜力预测与防控策略优化

《Epidemics》：Real-time forecasting of porcine reproductive and respiratory syndrome virus type 2 genetic variant expansion in the field

　　**摘要**猪繁殖与呼吸综合征（PRRS）在美国仍呈地方性流行和散发状态，其主要驱动因素是PRRSV-2不断扩大的遗传多样性。近期建立的基于ORF5的分类系统将病毒划分为不同的遗传变异株，以改善疾病追踪。预测哪些变异株最有可能迅速增加发病率、潜在地导致类似流行波状的传播，将能显著提升当前的监测和控制工作。为满足这一需求，我们开发了一种机器学习模型，用于预测PRRSV-2各变异株的年度同比增长率，并将其分类为快速增长（>15%）或缓慢增长（≤15%）以预测下一年的趋势。该模型使用了17,158条ORF5序列（2015–2024年），并分类为191个变异株。评估了30个特征，包括指数加权移动平均（EWMA）、遗传距离和系统发育树指标。我们测试了14种机器学习算法，最终选择了表现最佳的模型——一个包含27个特征的LightGBM模型。该模型达到了74.1%的平衡准确率，对快速增长变异株的灵敏度为79.5%。最重要的预测因子是该变异株当前累积序列数与其3个月EWMA之间的相对差异，其次是变异株规模、其他EWMA指标和遗传距离特征。新兴变异株通常表现为近期频率增加、在过去三年内至少有50条序列的代表性，并表现出适中的变异株内遗传多样性。该模型每季度重新训练一次，更新后的预测结果可通过PRRS-Loom在线工具获取。在实施后的前六个季度中，该模型展现出改进的预测性能，平衡准确率最高达84%，同时灵敏度最高达79%。通过基于快速增长潜力标记值得关注的变异株，该方法为养猪行业提供了一种主动的风险管理优先排序工具，从而最终改善PRRS的防控策略。Nakarin Pamornchainavakul | Mariana Kikuti | Cesar A. Corzo | Kimberly VanderWaal