编辑推荐：
现实世界的感染网络往往不完整，因为接触者追踪无法捕获所有感染事件。因此，许多感染者表现为孤立病例，没有记录的流行病学联系。链接预测方法可用于重建这些缺失链接，从而更完整地表示感染网络。在本研究中，研究人员评估了两种在塞浦路斯前四波COVID-19疫情期间预测缺
现实世界的感染网络往往不完整，因为接触者追踪无法捕获所有感染事件。因此，许多感染者表现为孤立病例，没有记录的流行病学联系。链接预测方法可用于重建这些缺失链接，从而更完整地表示感染网络。在本研究中，研究人员评估了两种在塞浦路斯前四波COVID-19疫情期间预测缺失链接的方法。第一种方法依赖于在工程化边级特征上训练的经典机器学习分类器。对于每一对病例，使用各种算子组合节点级流行病学属性（如年龄、性别、感染日期、NACE和居住地）以形成边特征向量。使用最小冗余最大相关性(mRMR)进行特征选择，随后进行贪心前向特征选择，同时使用排列重要性评估所选特征的贡献。随机森林和梯度提升持续实现了最强的性能，前两波的F1分数约为~0.82至~0.90，平均倒数排名(MRR)值在0.55至0.64之间。对于第三和第四波，F1分数在0.68至0.75之间，MRR值在0.23至0.33之间。第二种方法采用图表示学习，使用GraphSAGE模型。节点嵌入由节点属性和观测到的网络拓扑生成，并评估了几种嵌入组合策略，包括拼接、绝对差、平方差、Hadamard积和点积。基于图表示学习的链接预测在所有疫情波中实现了约~0.70至0.79的F1分数和0.23至0.42的MRR值。在最佳分类器于已知病例上得到验证后，将其应用于未链接节点以推断其最可能的感染源，从而重建出具有更少孤立成分和更大连通结构的网络。结果证实了连接的合理扩展，同时保持了流行病学相关特征，如出度。这些结果表明，机器学习和图表示学习能够识别缺失的感染链接，从而识别可能的感染源。此类工具可通过提供更完整的疾病传播图景来协助流行病学家，尤其是在小规模疫情波期间，以实现更明智和有针对性的干预。
在COVID-19大流行期间，接触者追踪（contact tracing）是控制疫情传播的关键措施之一。然而，手动接触者追踪耗时费力，且随着病例数激增，大量病例无法确定其感染源，成为未关联病例（unlinked cases）。这些未关联病例在感染网络中表现为孤立节点，导致网络碎片化，阻碍了传播链的识别和干预措施的制定。因此，需要自动化的数据驱动工具来重建缺失的传播链接。本研究旨在利用机器学习（machine learning）和图表示学习（graph representation learning）方法，从部分观测的感染网络中推断未关联病例的最可能感染源。
研究人员利用塞浦路斯2020年3月至2021年5月期间前四波疫情的32,244例确诊COVID-19病例数据（其中11,191例为未关联病例），构建了有向感染网络，并评估了两种链接预测（link prediction）方法。研究发现，两种方法均能有效识别缺失链接，重建后的网络减少了孤立成分，并保持了出度（out-degree）等流行病学特征。该研究发表在《PLOS Complex Systems》。
研究人员采用了两种主要技术方法。第一种是基于特征工程的监督学习：对每个病例对构造52个边级特征（如年龄差、地理距离、时间差等），使用最小冗余最大相关性（mRMR）和贪心前向选择进行特征选择，训练了随机森林（RF）、梯度提升（GB）等多个分类器，以排序候选感染源。第二种是基于GraphSAGE的图表示学习：利用两层图卷积编码器聚合邻居信息生成节点嵌入，通过拼接、绝对差等组合算子将节点嵌入转换为边表示，并由多层感知机（MLP）解码为传播概率。训练中采用归纳式节点划分，以时间（0-15天）和地理距离（不超过50公里）约束生成阴性样本。样本队列来自塞浦路斯卫生部提供的匿名感染记录，包含年龄、性别、职业（NACE）、检测日期和居住地等信息。
### 3.1 方法1：基于特征的监督学习（Feature-based supervised learning for link prediction）
通过mRMR特征排序和贪心选择，物理距离在所有波次中均表现出较高的重要性。排除度特征后模型性能提升。在Wave 1和Wave 2中，梯度提升（Gradient Boosting）取得最佳MRR（0.56和0.64），随机森林（Random Forest）取得最高F1-score（0.86和0.90）；在Wave 3和Wave 4中，随机森林表现最佳（MRR 0.23和0.33，F1-score 0.69和0.75）。性能下降归因于网络规模增大和碎片化加剧。
### 3.2 方法2：图神经网络方法（Graph Neural Network approach for link prediction）
GraphSAGE模型结合多种嵌入组合算子。在Wave 1和Wave 2中，平方差（Diff2）算子取得最高F1-score（0.79和0.74），点积（Dot）算子取得最高MRR（0.43和0.41）。在Wave 3和Wave 4中，平均（Average）算子表现最佳（MRR 0.30和0.23，F1-score 0.74和0.70）。图神经网络在Wave 3中优于机器学习方法，但在Wave 1和2中性能较低。
### 3.3 应用于未关联病例（Application to unlinked cases）
将最佳模型应用于未关联病例，为每个未关联病例分配最高概率的感染源。重建网络后，孤立成分减少，连通结构增大。通过比较出度分布和最短路径长度，发现重建网络保持了类似出度分布，但最短路径变长，表明推断链接连接了原本断开的传播链，同时保持了合理的网络拓扑。
讨论部分指出，经典机器学习方法在总体上取得了最高的预测性能，但在大规模疫情波中，图神经网络方法具有优势。重建网络可以识别出未记录的传播集群，例如Wave 1中一个与NACE C10（食品制造业）相关的超级传播事件，该事件通过流行病学调查和公开报道得到证实。然而，推断的链接应视为最可能的传播假设，其准确性取决于数据质量。局限性包括未关联病例的真实来源未知，无法直接验证；未来的研究可利用模拟框架生成已知传播树来评估方法。最终结论为：本研究表明，部分观测的感染网络可以被成功重建，从而支持疫情调查并加强对未来流行病的防范。在先前工作的基础上，所提出的框架扩展了特征工程策略，并引入了基于GraphSAGE的方法，表明经典机器学习模型和图表示学习均能用于推断未关联病例之间的缺失传播链接。重建后的网络捕获了多种合理的传播途径，恢复了长且复杂的传播链，识别了超级传播事件，并提供了比仅凭观测数据更完整的疫情动态视图。
