microbius
РОССИЙСКИЙ МИКРОБИОЛОГИЧЕСКИЙ ПОРТАЛ
Поиск
rss

ООО "АЛИФАКС"

ИНН 7718314415

ID 2Vtzqx7tLnC

Реклама

ООО "АЛИФАКС"

ИНН 7718314415

ID 2VtzqwzYS9e

Реклама

ООО "АЛИФАКС"

ИНН 7718314415

ID 2VtzqvtsLHv

Реклама

Оптимизация прогностических моделей для приоритетного обнаружения вирусов в зоонозных резервуарах (аннотация)
Оптимизация прогностических моделей для приоритетного обнаружения вирусов в зоонозных резервуарах

Автор/авторы:
share
36
backnext
Рис.: flickr.com

Несмотря на глобальные инвестиции в эпиднадзор за болезнями в рамках программы "Единое здоровье", выявление и мониторинг резервуаров новых зоонозных вирусов в дикой природе остается сложной и дорогостоящей задачей. 

   Статистические модели могут служить руководством при определении приоритетности целей отбора проб, однако прогнозы любой конкретной модели могут быть весьма неопределенными; кроме того, систематическая проверка моделей проводится редко, а факторы, определяющие эффективность модели, как следствие, недостаточно документированы. 

   В данной работе мы используем хозяев бетакоронавирусов - летучих мышей - в качестве примера процесса сравнения и проверки прогностических моделей. В начале 2020 года мы создали группу из восьми статистических моделей, которые предсказывали ассоциации хозяин-вирус и разработали рекомендации по приоритетному отбору проб для потенциальных резервуаров бетакоронавирусов летучих мышей и промежуточных хозяев для SARS-CoV-2.

   В течение более года мы отслеживали обнаружение 47 новых хозяев бетакоронавирусов летучих мышей, проверяли первоначальные прогнозы и динамически обновляли нашу аналитическую систему. Мы обнаружили, что модели, основанные на экологических признаках, хорошо справляются с прогнозированием этих новых хозяев, в то время как сетевые методы постоянно показывают примерно такие же или худшие результаты. Эти результаты иллюстрируют важность группового моделирования и подчеркивают ценность включения экологии хозяина в прогностические модели. 

   Наши обновленные модели показали улучшенную производительность по сравнению с исходным алгоритмом и предсказали более 400 видов летучих мышей во всем мире, которые могут быть необнаруженными носителями бетакоронавируса. Мы показываем, что модели машинного обучения могут помочь оптимизировать отбор проб в дикой природе для выявления необнаруженных вирусов, и иллюстрируем, как такие подходы лучше всего реализовать через динамический процесс прогнозирования, сбора данных, проверки и обновления.

Комментариев: 0
Вам также может быть интересно
Узнайте о новостях и событиях микробиологии
Первыми получайте новости и информацию о событиях
up