《Scientific Reports》:Neural network modeling of Lassa fever spread and disability effects
编辑推荐:
本研究针对拉沙热病毒非线性人畜共患传播及致残动力学建模难题,设计单隐层(20神经元)Sigmoid激活的监督神经网络求解器,经Runge-Kutta数据集训练优化(Bayesian正则化),实现高精度状态预测(MSE低至10?2~10?3),为传染病传播机制解析提供高效计算工具。
拉沙热(Lassa Fever)作为一种由拉沙病毒(LASV)引起的急性病毒性出血热,在西非地区长期流行且呈现跨物种传播风险。其传播源主要为受感染的多乳鼠(Mastomys natalensis)及其排泄物,人类接触后可能引发高热、器官衰竭甚至神经系统损伤,部分幸存者遗留永久性听力丧失等残疾——这种"感染-康复-残疾"的特殊病程使传统流行病学模型难以精准刻画疾病负担。更复杂的是,人畜共患传播链中存在种群间动态反馈:啮齿动物宿主的感染波动直接影响人类疫情,而人类干预措施又反向影响啮齿动物生态,形成高度非线性耦合系统。现有研究多依赖常微分方程数值解法,但面对多群体、多状态交互场景时,往往面临计算效率低、参数敏感性分析困难等问题,尤其对"致残效应"这一长期公共卫生影响的量化仍存空白。为此,研究者创新性地引入人工智能方法,探索用监督神经网络突破传统建模瓶颈,相关成果发表于《Scientific Reports》。
研究团队采用理论建模与机器学习融合策略:首先构建包含人类(S:易感者, I?:重症感染者, I?:轻症感染者, R:康复者)和啮齿类(S?:易感鼠, I?:感染鼠)的双群体区室模型,通过非线性项描述种间传播;随后基于四阶龙格-库塔法(Runge-Kutta)生成高分辨率训练数据集,按78%/12%/10%比例划分训练集、验证集与测试集;最终设计单隐层(20神经元+Sigmoid激活函数)前馈神经网络,应用贝叶斯正则化(Bayesian Regularization)优化泛化能力,并通过均方误差(MSE)、相关性分析及误差直方图等多维度验证可靠性。
模型架构有效性验证
通过对比神经网络输出与传统数值解,两者在各类群动态曲线上高度重合,平均绝对误差稳定在10?2至10?3量级。关键转折点如"啮齿动物爆发期→人类输入病例上升拐点"的捕捉偏差小于0.5%,证明网络成功学习了非线性系统的内在动力学规则。
传播阈值敏感性分析
研究发现啮齿动物密度超过临界值(β?/μ? >1)时,即使人类防控力度加大,疫情仍会因动物源持续输入而反复。轻症患者作为隐性传播者的角色被量化——其传染性虽仅为重症的30%,但因未隔离流动导致扩散范围扩大2倍。
致残负担时空演化
模型首次整合残疾权重因子,揭示康复者中15%-25%将发展成永久性听力障碍,在发病后3-6个月达到残疾高峰。若叠加医疗资源匮乏情景,残疾调整寿命年(DALYs)损失较基础情景激增40%。
干预策略效能排序
模拟显示:降低鼠-人接触率的生态干预可使基本再生数R?下降60%;而早期诊断+隔离组合措施能将重症致残率从22%压降至7%,效果优于单纯治疗延迟改善方案。
研究证实监督神经网络可作为复杂人畜共患病动力学的高效代理模型,在保证精度的同时将计算耗时缩减为传统方法的1/50。拉沙热特有的"致残后遗症"被成功嵌入传播框架,填补了既往模型中"健康损失长尾效应"的量化缺口。通过揭示轻症患者与啮齿动物宿主的双重驱动作用,为资源有限地区的分级防控提供了靶向依据——优先阻断动物源输入比单纯扩大检测覆盖面更具成本效益。该模型架构可迁移至其他具有慢性后遗症的人畜共患病(如钩端螺旋体病、汉坦病毒感染),成为全球卫生安全风险评估的通用计算引擎。