使用神经网络和分数阶微积分强化狂犬病流行建模

这项研究为何重要

一旦出现症状，狂犬病几乎总是致命，但在世界许多地区仍然常见，尤其是在流浪犬与人类密切接触的地方。卫生机构需要计算模型来预测暴发并在屏幕上而非实地测试控制策略。本文探讨了一种新的狂犬病建模方法：它能记住过去发生的事件，并利用现代神经网络对病毒在人与犬之间的传播进行快速且精确的预测。

更细致地审视犬与人的风险

作者关注人类感染狂犬病的主要途径：被带毒犬咬伤。他们将犬群和人群各自划分为四类：有感染风险但健康者、最近暴露者、处于传染期者，以及因接种疫苗或康复而受保护者。通过跟踪人群在这些组别间随时间的流动，模型能描述暴发如何开始、规模多大以及持续多长时间。模型还包含关键过程，如出生、自然死亡、疫苗接种以及两种物种免疫力的逐渐丧失。

为疾病传播加入记忆

经典的暴发模型把未来仅视为取决于当前状态。然而，狂犬病因咬伤到出现症状之间往往有较长且可变的潜伏期而闻名。为捕捉这一点，作者采用一种“分数阶”时间导数来构建方程，使系统能够记住过去的事件。在实际意义上，这种记忆使感染曲线更加平滑：它可以推迟病例高峰的出现时间，降低或提高高峰高度，并改变病毒在群体中持续的时间。通过扫描不同的记忆强度，研究表明中等程度的记忆最能反映现实生活中狂犬病缓慢、拖延的病程。

训练神经网络以模拟模型

由于基于记忆的方程反复求解代价高昂，研究团队训练了一个深度神经网络作为快速替代。他们首先使用值得信赖的数值方法生成八个犬与人群组的高精度时间序列。这些数据作为神经网络的示例样本，网络学习将时间映射到各组别的数值水平。网络采用一种专门的优化算法——列文伯格–马夸尔特方法进行训练，该方法在这类平滑问题上收敛迅速。结果是一个紧凑的神经替代模型，它以极小的误差再现完整模型的行为，同时评估速度远快于原模型。

模型对控制策略的启示

除了数值性能外，作者利用他们的框架探讨了哪些要素对控制狂犬病最为重要。他们显示，描述犬间传播率和犬只潜伏期长度的参数对病毒能否在群体中持续存在影响最大。相比之下，人类侧因素的变化对总体动态的影响较小。这一结果强化了长期的公共卫生信息：以犬为中心的干预——如大规模疫苗接种、限制犬只接触以及快速清除传染性动物——对于减少人类死亡至关重要。

总体结论

简而言之，这项工作表明，将对过去暴露有记忆的狂犬病模型提炼为神经网络，既能反映疾病的生物学特性，又能足够快速地用于情景测试。研究表明，中等记忆效应能产生最现实的暴发模式，并确认以犬只传播为目标是保护人类的最有效途径。更广泛地说，该方法为其它具有长潜伏期和持久效应、影响流行病演化的传染病构建快速、易于数据驱动工具提供了范例。

引用: Shafqat, R., Imran, Al-Quran, A. et al. Enhancing rabies epidemic modeling with neural networks and fractional calculus. Sci Rep 16, 10409 (2026). https://doi.org/10.1038/s41598-026-40853-4

关键词: 狂犬病, 传染病建模, 神经网络, 分数阶微积分, 犬只疫苗接种