一种新颖的人工智能知识驱动型预测神经架构，通过纳入暴露媒介区室来分析玉米疾病的病毒感染动力学

《Engineering Applications of Artificial Intelligence》：A novel artificial intelligence knowledge driven predictive neuroarchitecture for analyzing the viral infection dynamics of Maize disease by incorporating the exposed vector compartment

　　

**摘要**

本文探讨了玉米花叶病流行模型的数值处理方法，并强调了该模型在全球粮食安全与可持续农业实践的更广泛背景下的意义。本文提出了一种新颖的人工智能知识驱动的预测神经网络架构，通过采用Levenberg-Marquardt（LM）反向传播技术进行优化的人工神经网络开发实现，该架构被用于求解包含五个微分区室的非线性玉米花叶病毒流行模型，这些区室涵盖了易感型、暴露型和感染型玉米的状态转换，以及易感型和感染型叶蝉的状态。所提出模型的合成数据集是利用隐式Runge-Kutta数值方法生成的，通过变化关键参数实现，这些参数包括易感型叶蝉的出生率、叶蝉的捕食率、易感型玉米植株的感染率、感染型叶蝉向暴露型玉米植株的感染传播率、已感染玉米植株的感染率、易感型叶蝉的自然死亡率以及感染型玉米植株的清除率。所提出的计算框架基于获取的信息进行实施，信息被随机划分为训练样本和测试样本，通过迭代最小化均方误差（MSE）作为适应度指标以确保最优收敛。对预测框架进行了全面分析，并结合基于均方误差的学习曲线、绝对误差评估、回归分析和直方图误差，与玉米花叶病毒系统的标准数值结果进行了比较评估，以证明所提出方法在各种场景下的有效性。与贝叶斯正则化算法和缩放共轭梯度法的比较测试验证了设计策略的有效性和准确性。敏感性分析表明，感染率和清除率是决定疾病流行情况的关键参数，使这些参数成为实际管理中的关键干预点。这些研究结果将该智能计算范式确立为快速流行病学预测中一种计算效率高且具有生物学有效性的替代模型，能够促进未来与观测数据和疾病知情神经网络的整合发展，以改进作物病害响应的可持续策略。

**引言**

玉米是全球消费最广泛的主粮作物之一，每年在超过166个国家的约2亿公顷土地上种植。它是重要的粮食基础，提供矿物质、维生素、脂肪、蛋白质和碳水化合物（Iseghohi等人，2023）。玉米植株高大，少数分枝环绕着粗壮的中心茎。非洲国家通过葡萄牙商人引入了玉米（Devi和Vaishnavi，2023）。在加纳，玉米是维持三百多万小农户生计的重要粮食作物。过渡带、森林区和半落叶林是主要产区，贡献了全年总产量的84%（Adams等人，2023）。尽管玉米在加纳经济增长中发挥着重要作用，但该国玉米产量是全球最低的（Baffour-Ata等人，2023）。加纳于2002年实施了其首个食品与农业发展政策（FASDEP）国内农业战略，以推动农业产业现代化。目前，政府农业部门的主要旗舰项目是"种植粮食与就业"战略（Prah等人，2023）。该研究旨在考察肯尼亚东北部的乌辛基舒县和转录佐伊亚县的各县级行政区，这些地区贡献了肯尼亚玉米总产量的近百分之三十（Kipkulei等人，2024）。尼日利亚是该大陆最大的玉米生产国，贡献了总产量的16%。非洲生产了全球玉米的7.5%，超过2亿人依赖玉米保障营养安全（Abate等人，2017）。从播种到成熟期间，多种疾病影响玉米产量，造成重大作物损失。包括细菌、真菌和线虫在内的病原物影响全球约40%的农业产出。这些病原物利用宿主植物作为营养来源来传播作物疾病（Facchi等人，2023）。植物病毒可通过多种方式在植物体内传播，但昆虫媒介是最常见的传播方式。这些病毒由蚜虫、叶蝉和粉虱等媒介携带和传播（Farman等人，2023）。危害分析与关键控制点以及食品安全方法采用预防措施，以保护食品和消费者免受生产过程中及后处理阶段的物理、化学和生物性危害（Pal和Kumar，2023）。全球植物健康评估计划包括与植物健康相关的非生物因素和其他生物因素，但主要关注传染性植物疾病和植物病原微生物（Reis和Turk，2024）。病毒是专性病原生物，完全依赖宿主执行转录和繁殖等关键功能。媒介，主要是昆虫，负责将病毒从一种作物传播到另一种作物。 geminiviridae（双生病毒科）是一个庞大的病毒家族，感染全球多种植物物种，每年造成巨大的农业经济损失（Kaur等人，2022）。玉米花叶病毒（MSV）流行是最广泛且具有破坏性影响的玉米作物病毒性疾病。在流行年份，MSV病害可导致高达百分之百的产量损失（Muhammad等人，2016）。MSV是撒哈拉以南非洲的一种毁灭性疾病，由叶蝉传播。感染型叶蝉取食易感型植株，而未感染的叶蝉在取食感染型植株时会被感染。MSV不能直接在植株之间传播（Collins和Duffy，2022）。独特双生颗粒以及单链、环状组织的DNA基因组，长度约为2.7 kb，是该病毒物种的特征。MSV基因组表现出双向转录，这是双生病毒科所有成员的共有特征。转录从非编码LIR（启动子间隔区）区域开始，并具有独立的调控（Edema和Gordon，2023）。通过降低玉米基产品的数量和质量，叶蝉传播的MSV是非洲（尤其是尼日利亚）玉米的重要生物传播因子。在适宜的温暖潮湿条件下，该病作为混合病原物发展（Ige等人，2023）。图1展示了MSV病害的症状和阶段。

MSV病害严重程度的田间检查和评级从定植后第14天开始，每7天进行一次，采用传统的整株目视评估方法。采用1至5的评分系统，其中1表示无感染明显症状，2表示部分叶片出现轻微条纹，3表示大多数叶片出现轻度条纹症状，4表示超过60%的叶片普遍出现症状，5表示所有叶片（超过80%）出现严重症状。抗性类别按以下评分定义：1.0（免疫型），1.1至1.4（极抗型），1.5至2.4（抗型），2.5至2.9（微抗型），3.0至5.0（易感型）（Afram等人，2024）。复制增强蛋白突变被认为是该活动中的关键因素，因为它减少了病毒基因组的积累（Wijaya等人，2023）。作物保护主要通过化学产品实现，目前仍处于传统阶段，需要环境和经济社会考量。农民面临寄生攻击和农药使用增加，导致环境污染和化学残留。利用微生物的遗传途径和生物防治等替代方法有助于减少污染并降低合成化学品对环境的负面影响（Lahlali等人，2022）。研究人员已运用数学模型来理解包括MSV疾病在内的传染病的动态变化，提供了有价值的替代性度量方法。Malar等人最近提出了一种有效的数值方法，用于求解非线性分数阶MSV系统（Malar等人，2023）。图2展示了感染玉米的可视化结果。

Zebire等人的研究目的是寻找有效的测试种以将黄色玉米自交系划分为不同的亚种群（Zebire等人，2022）。Bush等人提出的数学模型表明，基芽的生长及其随后的传播对桂疫（一种媒介传播的树木疾病）的长期进程有显著影响，但对其早期动态影响甚微（Buch和Fefferman，2023）。Momoh等人（2023）开发了一个新颖的确定性数学框架，用于研究由媒介传播的RYM感染变化模式。Anwar等人引入了两个非线性数学框架——确定性模型和随机流行系统——来模拟病毒的动态并预测其动态行为（Anwar等人，2023a）。Alemneh等人引入了一个确定性生态流行病学框架来分析玉米中MSV疾病的传播动态，并通过微分方程稳定性理论进行了定性分析。该研究分析了两个种群——玉米和叶蝉媒介——发现控制干预方案可减少玉米感染。疾病传播受感染率和捕食率的影响；因此，需要减少与感染玉米的接触，并通过杀虫剂、清除和焚烧来治愈易感型叶蝉（Alemneh等人，2019）。Alemneh等人通过研究一个最优控制的确定性系统，模拟了病原物-害虫在玉米作物上的交互作用动态，探讨了消除MSV的最有效方法。该模型基于未感染-感染媒介和未感染-暴露-感染玉米的确定性框架，表明禁止与隔离相结合是最有效的控制方法（Alemneh等人，2020）。为对抗MSV，Alemneh等人开发并评估了理解MSV动态的最佳确定性生态流行病学方法。该模型纳入了三种控制干预措施：预防、检疫和化学控制，确定了最佳MSV疾病控制策略。发现经济高效的禁止与隔离组合最为有效（Alemneh等人，2021）。Seidu等人使用Holling型捕食功能性响应研究疾病传播（Seidu等人，2022）。

人工神经网络（ANN）的研究始于20世纪40年代，但最初发展非常缓慢（Pan等人，2025）。20世纪80年代初，在Hopfield的影响及其相关研究成果的推动下，人工神经网络研究得以复兴。过去十年间，通过人工神经网络的研究努力，取得了广阔的发展。人工神经网络（Liu等人，2025）是当代神经科学研究的成果，旨在模拟人类神经系统积累和评估信息的方式，代表大脑运作的基本特征。人工神经网络是一种以分散和并行方式分析数据的计算数学框架，是一种非线性、自适应、自组织系统，由许多基本处理组件组成。它可以学习或建模非线性和复杂的相互作用。根据框架的复杂程度，通过改变大量内部节点之间的连接来实现数据处理的目标。在理解其初始输入及其相互作用时，它可以推断隐藏数据信息之间的不可见连接，从而推断和预测未知信息。人工神经网络应用广泛，涵盖控制、医学、心理学、金融服务、交通和数据领域（Yuan等人，2025；AlKheder等人，2025；Ahmad等人，2024a；Hayat等人，2024）。图3展示了人工神经网络的多种常见应用。

人工智能（AI）目前正被纳入科学研究中，以改善研究、加速假设生成、进行实验、收集和理解大规模数据集，并获得超越传统方法的认识（Noh等人，2025）。基于AI的神经网络系统因其实效性和价值而被广泛用于求解微分方程，在各种研究模型中有众多应用。一些使用基于AI的神经网络方法的当前模型包括：植物病毒感染模型（Anwar等人，2022）、用于混沌分析的SIS流行系统（Anwar等人，2024a）、双疾病流行延迟模型（Anwar等人，2024b）、延迟植物病毒模型（Anwar等人，2024c）、MS病灶检测（Abdelali等人，2024）、霍乱概率模型（Anwar等人，2025）、肿瘤免疫延迟模型（Anwar等人，2023b）、地下采矿安全评估（Liu等人，2023）、乳腺癌图像分类（Ahmad等人，2022）。近期研究激发了研究人员利用预测神经网络架构来分析玉米疾病的病毒感染动态，并整合暴露型媒介区室（Liu等人，2023）。管理植物病原物对于保护作物和确保全球粮食安全至关重要。

使用Levenberg-Marquardt技术优化的人工神经网络（ANN-LBMT）用于预测病毒感染对植物的影响。本研究为现有文献提出了多项创新贡献。尽管其他研究已使用贝叶斯正则化（BR）和缩放共轭梯度（SCG）等神经网络求解非线性微分系统，但本研究将提出一种结合ANN-LBMT的方法，该方法包含两个部分：基于玉米条纹病毒流行病模型（MSV-EM）的Levenberg-Marquardt训练以求解非线性差分系统，以及最优超参数调优过程以实现显著提高的预测精度。与早期方法相比，所提出的方法展示了低至10^-10的测试均方误差，且稳定可靠。所提出方法的重要创新见解概述如下：
• 通过开发ANN-LBMT引入了一种新型的人工智能驱动预测神经架构，强调其在更广泛的全球粮食安全和可持续农业背景下的意义。
• 利用非线性确定性五室微分系统对易感、暴露和感染的玉米以及易感和感染的叶蝉的状态转换进行建模。
• 通过隐式龙格-库塔数值方法生成用于非线性MSV-EM的ANN-LBMT合成数据集，同时改变关键参数，如易感叶蝉的出生率、叶蝉的捕食率、易感玉米植株的感染率、感染叶蝉向暴露玉米植株传播感染的速率、已感染玉米植株的感染率、易感叶蝉的自然死亡率以及感染玉米植株的清除率。
• 所提出的ANN-LBMT计算框架在随机划分为训练样本和测试样本的获取信息上实施，以迭代方式最小化作为适应度指标的MSE，以确保最优收敛。
• 对ANN-LBMT进行了全面分析，并与MSV-EM的标准数值结果进行对比评估，利用基于MSE的学习曲线、绝对误差评估、回归分析和直方图误差来验证所提出方法在各种场景下的有效性。

本文剩余部分结构如下：第II节说明了MSKVD模型的数学表示。第III节描述了求解方法，包括数据预处理方法和模型求解算法。第IV节通过回归分析、直方图、MSE、绝对误差和统计表格展示了ANN-LBMT的结果。第V节总结了研究的主要发现。

数学模型
模型构建中考虑了玉米宿主植物的种群和作为传播媒介的棕白色叶蝉。本研究设计的模型基于玉米和叶蝉群落来研究非线性MSV-EM。在时间(t)创建了三个室：易感玉米（A）、暴露玉米（B）和感染玉米（C），而整个玉米种群由F(t)表示。叶蝉群落M(t)分为两个

提出的方法论
本节介绍了一种全面的两步学习方法来识别非线性MSV-EM的动态趋势。第一步使用隐式龙格-库塔（IR-K）技术生成所提出方法论的数据集，第二步使用LBMT训练ANN权重。

分析与讨论
使用所提出的ANN-LBMT对代表MSV-EM疾病流行动力学特征的非线性常微分方程组(1)进行了数值模拟和深入分析。通过利用Mathematica软件"NDSolve"内置函数求解非线性ODE的数值结果，并改变易感叶蝉的出生率、叶蝉捕食等参数，创建了为期三十天、步长为0.12的MSV-EM参考数据集。

结论
通过开发使用Levenberg-Marquardt反向传播技术优化的人工神经网络，提出了一种新型的人工智能驱动预测神经架构，强调其在更广泛的全球粮食安全和可持续农业背景下的意义。这一先进神经架构旨在通过利用捕获状态转换的五室微分框架来求解非线性玉米条纹病毒流行病模型

CRediT作者贡献声明
Nabeela Anwar：方法论、监督、撰写—初稿。Aqsa Ghaffar：调查、软件、撰写—初稿。Muhammad Asif Zahoor Raja：调查、验证、撰写—审阅与编辑。Iftikhar Ahmad：数据管理、形式分析、软件。Muhammad Shoaib：概念构思、数据管理、方法论。Adiqa Kausar Kiani：形式分析、可视化、撰写—审阅与编辑。

利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

Nabeela Anwar|Aqsa Ghaffar|Muhammad Asif Zahoor Raja|Iftikhar Ahmad|Muhammad Shoaib|Adiqa Kausar Kiani
纳罗瓦尔大学数学系，51600，巴基斯坦