
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于物理原理的神经网络方法在浮游生物食物网生态流行病学动态研究中的应用
《Scientific Reports》:A physics-informed neural network approach to eco-epidemiological dynamics in planktonic food webs
【字体: 大 中 小 】 时间:2026年08月06日 来源:Scientific Reports 4.9
编辑推荐:
摘要本研究构建并分析了一个非线性生态流行病学模型,用于描述易感浮游植物、因感染而变得脆弱的浮游植物与浮游动物捕食者之间的相互作用。该模型考虑了猎物种群中的病毒感染、浮游植物的毒素防御机制,以及对易感宿主和受感染宿主的差异性捕食行为。当感染率超过临界阈值\(\alpha =\del
本研究构建并分析了一个非线性生态流行病学模型,用于描述易感浮游植物、因感染而变得脆弱的浮游植物与浮游动物捕食者之间的相互作用。该模型考虑了猎物种群中的病毒感染、浮游植物的毒素防御机制,以及对易感宿主和受感染宿主的差异性捕食行为。当感染率超过临界阈值\(\alpha =\delta /K\)时,系统在无感染和无捕食者的平衡点附近会出现超临界分岔;而在正的内部平衡点处则会出现超临界霍普夫分岔,这表明感染率的上升会破坏系统的稳定性,引发持续的振荡现象。为表征疾病的持续传播情况,研究得出了基本再生数\({\mathcal {R}}_0\),其阈值形式表明,只要平衡状态下的宿主密度低于\(x_3^{*TH}\),感染就能被抑制。由于这一阈值会随着浮游动物密度的增加而上升,因此较强的捕食作用可作为一种天然的生物控制机制,防止疾病蔓延。数值模拟结果验证了分析预测的正确性,证实了系统中存在与自然浮游生物周期相符的分岔现象和振荡动态。通过偏秩相关系数分析,确定了影响系统行为的关键参数:浮游植物动态对K、\(\alpha\)和\(\delta\)最为敏感,而受感染的猎物和浮游动物则主要受k、\(p_1\)和m的影响。为补充理论分析,研究还采用了基于物理的神经网络来近似系统轨迹并估算模型参数。与最小二乘法相比,这种方法具有更优的性能,能够获得更低的损失值,且得出的参数估计更具生态学意义。总体而言,本研究结合了动力系统理论、敏感性分析以及基于机器学习的推断方法,进一步深化了对感染引发的浮游生物相互作用及其生态影响的理解。