Выявления: Недопустимое название — Викисловарь
Росздравнадзор зарегистрировал тест-систему быстрого выявления COVID-19 — РБК
В основе работы теста — метод, который позволяет провести анализ взаимодействия веществ в режиме реального времени после смешивания необходимых компонентов.
При сохранении достаточно высокой чувствительности выполнение теста занимает около 30 минут, что значительно меньше времени, затрачиваемого на традиционный ПЦР-анализ, передает ТАСС заявление ученых. В результате увеличивается количество тестов, выполняемых лабораториями.
Читайте на РБК Pro
Для проведения теста не требуется дорогостоящего оборудования, установленного в стационарных лабораториях, поэтому в перспективе методику можно будет использовать для экспресс-диагностики в нелабораторных условиях.
Подобное тестирование позволит как выявлять пациентов на ранней стадии инфекции для последующей терапии, так и прерывать цепочки заражений, снижая скорость распространения SARS-CoV-2.
РБК обратился за комментарием в пресс-службу ИХБФМ СО РАН.
Роспотребнадзор в 1,5 раза увеличил охват тестированием на COVID-19Коронавирус
Россия Москва Мир
0 (за сутки)
Заразились
0
0 (за сутки)
Умерли
0 (за сутки)
Заразились
0
0 (за сутки)
Умерли
0 (за сутки)
Заразились
0
0 (за сутки)
Умерли
Источник: JHU, федеральный и региональные оперштабы по борьбе с вирусом
В начале сентября 2021 года Федеральное медико-биологическое агентство сообщило, что специалисты ФМБА разработали прибор, который диагностирует заражение коронавирусом у человека менее чем за полчаса.
В том же месяце специалисты ЦНИИ эпидемиологии Роспотребнадзора рассказали, что разработали тест-систему, которая позволяет обнаружить РНК COVID-19 в любых биологических жидкостях.
Первый замминистра здравоохранения России Виктор Фисенко заявил, что точность российских тест-систем на выявление коронавируса при появлении нового штамма не снизилась.
Как меняется число новых случаев заражения Covid-19 в России
Источник: федеральный и региональные оперштабы по борьбе с коронавирусом
Данные по России i
Росздравнадзор зарегистрировал тест-систему для быстрого выявления COVID-19
https://ria.ru/20211125/covid-19-1760695577.html
Росздравнадзор зарегистрировал тест-систему для быстрого выявления COVID-19
Росздравнадзор зарегистрировал тест-систему для быстрого выявления COVID-19 — РИА Новости, 25.11.2021
Росздравнадзор зарегистрировал тест-систему для быстрого выявления COVID-19
Росздравнадзор зарегистрировал и допустил к обращению в России созданную в Институте химической биологии и фундаментальной медицины СО РАН (ИХБФМ СО РАН)… РИА Новости, 25.11.2021
2021-11-25T13:17
2021-11-25T13:17
2021-11-25T13:17
общество
кольцово
федеральная служба по надзору в сфере здравоохранения (росздравнадзор)
российская академия наук
коронавирус в россии
/html/head/meta[@name=’og:title’]/@content
/html/head/meta[@name=’og:description’]/@content
https://cdnn21.img.ria.ru/images/07e5/0a/1b/1756468066_0:160:3072:1888_1920x0_80_0_0_98aa85f8b1a083ac71a81e9c5e62a8d5.jpg
НОВОСИБИРСК, 25 ноя – РИА Новости. Росздравнадзор зарегистрировал и допустил к обращению в России созданную в Институте химической биологии и фундаментальной медицины СО РАН (ИХБФМ СО РАН) тест-систему для быстрого выявления COVID-19 вне специальных помещений, сообщает научный институт в четверг.»Тест-система для оперативного выявления коронавируса, созданная в Институте химической биологии и фундаментальной медицины СО РАН, зарегистрирована в Росздравнадзоре и допущена к обращению на территории Российской Федерации», — говорится в сообщении.В ноябре 2021 года институт получил регистрационное удостоверение на медицинское изделие «Набор реагентов для качественного выявления РНК коронавируса SARS-CoV-2 из мазков носоглотки и/или ротоглотки человека». Коммерческим партнером стало ООО «Современные лабораторные технологии» из наукограда Кольцово.»Ключевые компоненты, используемые в производстве, сделаны в России. Планируется, что набор будет внедрен в клиническую практику с перспективой экспорта в зарубежные страны», — отметили в ИХБФМ СО РАН.В основе тест-системы – метод изотермической амплификации LAMP, с помощью которого выявляется РНК и ДНК вирусов. При сохранении достаточно высокой чувствительности выполнение теста занимает около 30 минут, что значительно меньше времени, затрачиваемого на традиционный ПЦР анализ. В результате увеличивается количество тестов, выполняемых лабораториями.В институте отметили, что для проведения теста не требуется дорогостоящего оборудования, установленного в стационарных лабораториях.»В перспективе методика может быть использована для экспресс-диагностики вне стен специализированных лабораторий, например, прямо в терминале аэропорта. Подобное тестирование позволит как выявлять пациентов на ранней стадии инфекции для последующей терапии, так и прерывать цепочки заражений, снижая скорость распространения SARS-CoV2″, — говорится в сообщении.
https://ria.ru/20211123/roszdravnadzor-1760356305.html
https://ria.ru/20211122/test-sistema-1760243166.html
кольцово
РИА Новости
7 495 645-6601
ФГУП МИА «Россия сегодня»
https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/
2021
РИА Новости
7 495 645-6601
ФГУП МИА «Россия сегодня»
https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/
Новости
ru-RU
https://ria.ru/docs/about/copyright.html
https://xn--c1acbl2abdlkab1og.xn--p1ai/
РИА Новости
7 495 645-6601
ФГУП МИА «Россия сегодня»
https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/
https://cdnn21.img.ria.ru/images/07e5/0a/1b/1756468066_171:0:2902:2048_1920x0_80_0_0_d60f4f3b69417a0970f41f2e5b591859.jpgРИА Новости
7 495 645-6601
ФГУП МИА «Россия сегодня»
https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/
РИА Новости
7 495 645-6601
ФГУП МИА «Россия сегодня»
https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/
общество, кольцово, федеральная служба по надзору в сфере здравоохранения (росздравнадзор), российская академия наук, коронавирус в россии
Росздравнадзор зарегистрировал тест-систему для быстрого выявления COVID-19
НОВОСИБИРСК, 25 ноя – РИА Новости. Росздравнадзор зарегистрировал и допустил к обращению в России созданную в Институте химической биологии и фундаментальной медицины СО РАН (ИХБФМ СО РАН) тест-систему для быстрого выявления COVID-19 вне специальных помещений, сообщает научный институт в четверг.«Тест-система для оперативного выявления коронавируса, созданная в Институте химической биологии и фундаментальной медицины СО РАН, зарегистрирована в Росздравнадзоре и допущена к обращению на территории Российской Федерации», — говорится в сообщении.
23 ноября, 15:29
Росздравнадзор планируется наделить полномочиями по блокировке сайтовВ ноябре 2021 года институт получил регистрационное удостоверение на медицинское изделие «Набор реагентов для качественного выявления РНК коронавируса SARS-CoV-2 из мазков носоглотки и/или ротоглотки человека». Коммерческим партнером стало ООО «Современные лабораторные технологии» из наукограда Кольцово.«Ключевые компоненты, используемые в производстве, сделаны в России. Планируется, что набор будет внедрен в клиническую практику с перспективой экспорта в зарубежные страны», — отметили в ИХБФМ СО РАН.
В основе тест-системы – метод изотермической амплификации LAMP, с помощью которого выявляется РНК и ДНК вирусов. При сохранении достаточно высокой чувствительности выполнение теста занимает около 30 минут, что значительно меньше времени, затрачиваемого на традиционный ПЦР анализ. В результате увеличивается количество тестов, выполняемых лабораториями.
22 ноября, 20:06Распространение коронавирусаВОЗ порекомендовала российскую тест-систему на COVID-19 в качестве эталонаВ институте отметили, что для проведения теста не требуется дорогостоящего оборудования, установленного в стационарных лабораториях.
«В перспективе методика может быть использована для экспресс-диагностики вне стен специализированных лабораторий, например, прямо в терминале аэропорта. Подобное тестирование позволит как выявлять пациентов на ранней стадии инфекции для последующей терапии, так и прерывать цепочки заражений, снижая скорость распространения SARS-CoV2», — говорится в сообщении.
Региональные центры выявления и поддержки одаренных детей
ОснованияРегиональные центры выявления и поддержки одаренных детей создаются в соответствии с поручением Президента Российской Федерации Федеральному Собранию Российской Федерации от 1 декабря 2016 г. № Пр-2346 (пункт 4б) с целью обеспечения условий для реализации Стратегии научно-технического развития Российской Федерации, утвержденной Указом Президента России от 1 декабря 2016 г. № 642, в рамках приоритетного проекта «Доступное дополнительное образование для детей».
В период с 2017 по 2022 год предполагается создание 85-ти региональных центров во всех субъектах Российской Федерации.
Назначение региональных центров
Основная цель — развитие и совершенствование системной работы по развитию таланта в каждом регионе России по следующим направлениям:
1. Выявление проявляющих выдающиеся способности и высокомотивированных детей и молодежи, проживающих в регионе, в том числе координация, организация и проведение особо значимых мероприятий в области образования и науки, искусства, спорта.
2. Разработка и реализация образовательных программ для проявивших выдающиеся способности и высокомотивированных детей и молодежи, в том числе с использованием дистанционных образовательных технологий и электронного обучения.
3. Обеспечение индивидуальной работы с проявившими выдающиеся способности и высокомотивированными детьми и молодежью по формированию и развитию их познавательных интересов, построению индивидуальных образовательных маршрутов, в том числе тьюторской и (или) тренерской поддержки.
4. Развитие партнерской сети из промышленных предприятий, научных и образовательных организаций, организаций культуры и спорта, общественных организаций, ведущих свою деятельность в регионе для обеспечения
5. Проведение мониторинговых исследований, способствующих формированию образовательной политики региона в области выявления, сопровождения и дальнейшего развития проявивших выдающиеся способности и высокомотивированных детей и молодежи в соответствии с задачами социально-экономического, научно-технологического и промышленного развития регионе.
6. Информирование общественности о целях и задачах работы с проявившими выдающиеся способности и высокомотивированными детьми и молодежью, возможностях по развитию их талантов и способностей в регионе.
Региональный центр является самостоятельной единицей, создаваемой с учетом опыта Фонда «Талант и успех» по решению главы субъекта Российской Федерации. Региональный центр использует свой бренд, название, символику.
Задачи регионального центра
1. Консолидация образовательных, культурных, спортивных ресурсов ведущих организаций региона, работающих с проявившими выдающиеся способности и высокомотивированными детьми и молодежью, организаторов мероприятий, способствующих их выявлению.
2. Разработка и реализация образовательных программ для одаренных детей, включая реализацию на своей площадке интенсивных образовательных программ.
3. Координация особо значимых образовательных мероприятий по выявлению выдающихся способностей и высокой мотивации у детей и молодежи, организованных в регионе, в том числе проведение части из них на своей площадке.
4. Участие в формировании образовательной политики региона в области развития таланта в соответствии с приоритетами Стратегии научно-технологического развития Российской Федерации.
5. Организация совместной деятельности с промышленными предприятиями, научными и образовательными организациями, организациями культуры и спорта, общественными организациями, ведущими свою деятельность в регионе по реализации совместных образовательных программ, сопровождению и дальнейшему развитию проявивших выдающиеся способности и высокомотивированных детей и молодежи, организации стажировок, практик для них, а также содействию в их трудоустройстве после получения профессионального образования.
6. Повышение квалификации и профессиональная переподготовка педагогических и управленческих кадров для работы с проявившими выдающиеся способности и высокомотивированными детьми и молодежью;
7. Создание и развитие информационных ресурсов для проявивших выдающиеся способности и высокомотивированных детей, а также работающих с ними педагогов.
8. Анализ данных и разработка предложений по индивидуальному развитию проявивших выдающиеся способности и высокомотивированных детей, включая сбор информации о победителях и призерах олимпиад, конкурсов и иных мероприятий, чьи достижения включены в государственный информационный ресурс о детях, проявивших выдающиеся способности, получателями грантов Президента Российской Федерации и выпускниками Образовательного центра «Сириус» на территории региона.
9. Создание инфраструктуры для дальнейшего развития межрегиональных образовательных программ для проявивших выдающиеся способности и высокомотивированных детей и молодежи.
10. Обмен опытом по выявлению, поддержке, сопровождению и развитию проявивших выдающиеся способности и высокомотивированных детей и молодежи с другими региональными центрами.
Роль Образовательного Фонда «Талант и успех»
Фонд участвует в работе по построению сети на основании соглашения с главами регионов (координация, сопровождение, обмен опытом, информационная и методическая поддержка), но не берет на себя задачу по прямому руководству формированием региональной системы по развитию талантов. Фонд (Образовательный центр «Сириус») обеспечивает следующие формы поддержки деятельности региональных центров:
1. Предоставляет доступ к информационной образовательной среде Образовательного центра «Сириус» и ее ресурсам для получения информации о достижениях учащихся региона.
2. Предоставляет доступ к электронной образовательной среде Образовательного центра «Сириус».
3. Предоставляет учебные и научно-методические материалы для организации работы Регионального центра, в том числе критерии и методики выявления выдающихся способностей детей, организации их обучения и сопровождения.
4. Осуществляет мониторинг реализации и экспертизу образовательных программ Регионального центра.
5. Дает экспертное заключение по результатам работы Регионального центра.
6. Организует дополнительное профессиональное образование управленческих и педагогических кадров для работы в Региональном центре, в том числе по приоритетным направлениям научно-технологического развития Российской Федерации.
ГАУ ЯНАО «Центр выявления и поддержки одаренных детей в ЯНАО»
ГАУ ЯНАО «Центр выявления и поддержки одаренных детей в ЯНАО» Вы используете неподдерживаемый или устаревший браузер. Работа сайта в целом, а также авторизация ЕСИА могут работать некорректно. Для полноценного доступа к сайту рекомендуем установить более современные версии браузеров из списка: Chrome, Firefox, Operа, Safari.Региональные порталы
Войти
Новости
Виды деятельности
Полезные ссылки
Онлайн-курсы Образовательного центра Сириус
edu.sirius.onlineКружок по квантовой физике
rqc.ruТелефон приёмной: +7(34922)3-37-88
Нашли ошибку? Выделите и нажмите
«Ctrl + Enter»
Мы в соцсетях:
Инвитро. Аллергологические исследования, узнать цены на анализы и сдать в Москве
Сельдерей, IgE (Celery, IgE, F85)В процессе исследования проводят определение в сыворотке крови специфических IgE к аллергенам сельдерея.
Томаты, IgE (Tomato, IgE, F25)В процессе исследования проводят определение в сыворотке крови специфических IgE к аллергенам томата.
Треска, IgE (Codfish, IgE, F3)В процессе исследования проводят определение в сыворотке крови специфических IgE к белкам трески.
Шоколад, IgE (Chocolate, IgE, F105)В процессе исследования проводят определение в сыворотке крови специфических IgE к аллергенам шоколада.
Домашняя пыль (h2), аллерген-специфические IgЕВ процессе исследования проводят определение в сыворотке крови специфических IgE к аллергенам домашней пыли (аллерген производства Greer Labs., Inc), особенно к аллергенам микроклещей.
Клещ Dermatophagoides farinae (D2), IgEВ процессе исследования проводят определение в сыворотке крови специфических IgE к аллергенам клеща домашней пыли Dermatophagoides farinae.
Клещ Dermatophagoides pteronyssinus (D1), IgEВ процессе исследования проводят определение в сыворотке крови специфических IgE к аллергенам клеща домашней пыли Dermatophagoides pteronyssinus.
Кошка, IgE (Cat Dander-Epithelium, E1, IgE)В процессе исследования проводят определение в сыворотке крови специфических IgE к аллергенам эпителия кошки.
Курица, перо (Е 85), аллерген-специфические IgЕВ процессе исследования проводят определение в сыворотке крови специфических IgE к аллергенам куриного пера, в основном, на остатки белков слюны и кожных выделений, попадающие на перья в процессе жизнедеятельности птицы.
Плесень Aspergillus fumigatus (M3), IgEВ процессе исследования проводят определение в сыворотке крови специфических IgE к аллергенам плесени Aspergillus fumigatus.
Плесень Candida albicans (M5), IgEВ процессе исследования проводят определение в сыворотке крови специфических IgE к аллергенам грибка Candida albicans.
Плесень Cladosporium herbarum (M2), IgEВ процессе исследования проводят определение в сыворотке крови специфических IgE к аллергенам плесени Cladosporium herbarum.
Плесень Penicillum notatum (M1), IgEВ процессе исследования проводят определение в сыворотке крови специфических IgE к аллергенам плесени Penicillum notatum.
Собака, IgE (Dog Epithelium, IgE, E2)В процессе исследования проводят определение в сыворотке крови специфических IgE к эпидермальным аллергенам собаки.
Таракан, IgE (Cockroach, IgE, FI 6)В процессе исследования проводят определение в сыворотке крови специфических IgE к аллергенам таракана.
Плесень Alternaria tenuis (M6), IgEВ процессе исследования проводят определение в сыворотке крови специфических IgE к аллергенам плесени Alternaria tenuis.
Тополь, IgE (Poplar, IgE, Т14)В процессе исследования проводят определение в сыворотке крови специфических IgE к аллергенам тополя.
Латекс, IgЕ (Latex, IgЕ, K82)В процессе исследования проводят определение в сыворотке крови специфических IgE к латекссодержащим изделиям медицинского, бытового и технического назначения.
Антитела класса IgG к панели пищевых аллергеновОпределение в сыворотке крови субклассов IgG к пищевым аллергенам. Тестирование на IgG-антитела к панели пищевых аллергенов целесообразно проводить в комплексе с другими исследованиями в диагностике пищевой аллергии и пищевой непереносимости.
Alternaria alternata, rAlt a 1 (m229) IgE, ImmunoCAPИсследование IgE к основному аллергокомпоненту плесени Alternaria alternate помогает отличить истинную сенсибилизацию к этому аллергену от кросс-реактивности.
Тропомиозин креветок, rPen a1(f351) IgE, ImmunoCAPТест используют в диагностике аллергии на морепродукты (ракообразных и моллюсков), а также для оценки вероятной кросс-реактивности к тропомиозинам других беспозвоночных.
Омега-5 Глиадин пшеницы, rTri a 19 (f416) IgE, ImmunoCAPТест позволяет оценить сенсибилизацию к одному из важных аллергокомпонентов пшеницы, связанного с риском развития IgE-опосредованной реакции на пшеницу в пище, в том числе анафилаксии на пшеницу, индуцируемой физической нагрузкой.
Овальбумин, альбумин яичный, nGal d 2 (f232) IgE, ImmunoCAP (Egg, Ovalbumin, nGal d 2 (f232), IgE, ImmunoCAP)Исследование, предназначенное для выявления сенсибилизации к овальбумину – одному из главных аллергокомпонентов яичного белка, применяют в комплексном компонентном тестировании для оценки профиля сенсибилизации и прогноза вероятности клинически значимых реакций у пациентов с аллергией на яйцо.
Овомукоид, nGal d 1 (f233) IgE, ImmunoCAP (мукопротеид яичного белка, Egg Ovomucoid, nGal d 1 (f233) IgE, ImmunoCAP)Исследование проводится с целью измерения концентрации специфических IgE к овомукоиду – главному (мажорному) аллергокомпоненту яичного белка, в комплексном компонентном тестировании для оценки уровня сенсибилизации и прогноза вероятности клинически значимых реакций, определения рекомендаций пациентам с аллергией на яйцо.
Лизоцим яйца, nGal d 4 (k208), IgE, ImmunoCAP (Egg Lysozyme, nGal d 4 (k208) IgE, ImmunoCAP)Исследование, предназначенное для выявления сенсибилизации к лизоциму яйца, проводят при подозрении на аллергию к яйцу, на аллергию к лизоциму, связанную с производственными факторами, а также в рамках комплексного тестирования на сенсибилизацию к отдельным аллергокомпонентам яйца для прогноза возможных реакций и определения практических рекомендаций.
Триптаза (Tryptase)Тест применяют для подтверждения активации тучных клеток как следствия анафилаксии, а также в диагностике системного мастоцитоза, синдрома активации тучных клеток и некоторых гематологических расстройств.
Смесь пищевых аллергенов (fx15) (состав смеси: апельсин, яблоко, банан, персик), IgE, ImmunoCAP (Food Allergen Mix: f33, f49, f92, f95, Orange, Apple, Banana, Peach)Исследование направлено на выявление сенсибилизации к смеси пищевых аллергенов наиболее распространенных фруктов. Дается общий ответ по смеси.
Детская смесь пищевых аллергенов (fx5), IgE, ImmunoCAP: яичный белок, молоко, рыба, пшеница, арахис, соя (Infant Food Allergen IgE, mix fx5: Egg white, Milk, Fish, Wheat, Peanut, Soybean – f1, f2, f3, f4, f13, f14)Определение специфических IgE к шести пищевым аллергенам, которые наиболее часто могут служить причиной развития аллергии у детей. Используют для лабораторного подтверждения IgE-сенсибилизации при симптомах кожной/пищевой аллергии. Дается общий ответ по смеси.
Смесь аллергенов мяса (fx73), IgE: свинина, куриное мясо, говядина, IgE, ImmunoCAP (Food Allergy Mix: Fx73 — Meat (Pork, Beef and Chiken), IgE)Тест используют для выявления сенсибилизации к свинине, куриному мясу, говядине, относящимся к аллергенам средней степени аллергизирующей активности.
Дрожжи пекарские (Saccharomyces cerevisiae) (f45) IgE, ImmunoCAPИсследование направлено на определение в крови специфических иммуноглобулинов класса E к дрожжевым грибам Saccharomyces cerevisiae, которые применяются в хлебопечении и пивоварении.
Смесь пищевых аллергенов (fx21) (состав смеси: киви, дыня, банан, персик, ананас), IgE, ImmunoCAP (Food Allergen Mix: f84, f87, f92, f95, f210 Kiwifruit, Melon, Banana, Peach, Pineapple)Исследование направлено на выявление сенсибилизации к смеси аллергенов тропических фруктов. Дается общий ответ по смеси.
Alternaria alternata (m6) IgE, ImmunoCAPИсследование позволяет выявить сенсибилизацию к аллергенам плесени Alternaria alternata/Alternaria tenuis, одному из наиболее значимых респираторных аллергенов.
Смесь аллергенов плесени (mx2), IgE, ImmunoCAP (Mold allergens mix: m1, m2, m3, m5, m6, m8 – Penicillium chrysogenum, Cladosporium herbarum, Aspergillus fumigatus, Candida albicans, Alternaria alternata, Setomelanomma rostratа, IgE)Тест используют для выявления сенсибилизации к аллергенам плесени. Дается общий ответ по смеси.
Стафилококковый энтеротоксин TSST (m226) IgE, ImmunoCAPТест направлен на выявление сенсибилизации к стафилококковому энтеротоксину TSST, чаще используется при обследовании пациентов с атопическим дерматитом для оценки влияния этого фактора на течение заболевания.
Стафилококковый энтеротоксин B (m81) IgE, ImmunoCAPТест направлен на выявление сенсибилизации к стафилококковому энтеротоксину B, чаще используется при обследовании пациентов с атопическим дерматитом для оценки влияния этого фактора на течение заболевания.
Стафилококковый энтеротоксин А (m80) IgE, ImmunoCAPТест направлен на выявление сенсибилизации к стафилококковому энтеротоксину А, чаще используется при обследовании пациентов с атопическим дерматитом для оценки влияния этого фактора на течение заболевания.
Cladosporium herbarum (m2) IgE, ImmunoCAPТест направлен на выявление сенсибилизации к Cladosporium herbarum – одному из распространенных респираторных плесневых аллергенов.
Aspergillus fumigatus (m3) IgE, ImmunoCAPИсследование специфических IgE к Aspergillus fumigatus направлено на выявление сенсибилизации к этому аллергену.
Penicillium notatum (P.chrysogenum) (m1) IgE, ImmunoCAPИсследование направлено на выявление сенсибилизации к аллергенам плесневого гриба Penicillium notatum (не связана с повышенной чувствительностью к пенициллиновым антибиотикам!).
Береза (t3), IgE, ImmunoCAP (Birch, Common Silver Birch, Betula verrucosa (t3), IgE)Тест направлен на выявление сенсибилизации к аллергенам пыльцы березы. Исследование целесообразно проводить при наличии аллергоподобных симптомов (кашель, свистящее дыхание, ринит, конъюнктивит, крапивница).
Полынь горькая (w5) IgE, ImmunoCAPОпределение специфического иммуноглобулина Е к полыни горькой в повышенном количестве указывает на наличие сенсибилизации организма к этому аллергену.
Смесь аллергенов пыльцы деревьев (tx9) – ольха, береза, лещина, дуб, ива, IgE, ImmunoCAP (Tree pollen mix: t2, t3, t4, t7, t12 – Alder, Birch, Hazelnut, Oak, Willow (лат. Alnus incana, Betula verrucosa, Corylus avellana, Quercus alba, Salix caprea))Тест используют для подтверждения или исключения аллергической сенсибилизации к распространенным аллергенам пыльцы деревьев. Дается общий ответ по смеси.
- Чтение занимает 10 мин
Оцените свои впечатления
Да Нет
Хотите оставить дополнительный отзыв?
Отзывы будут отправляться в корпорацию Майкрософт. Нажав кнопку «Отправить», вы разрешаете использовать свой отзыв для улучшения продуктов и служб Майкрософт. Политика конфиденциальности.
Отправить
Спасибо!
В этой статье
ПРИМЕНЯЕТСЯ К: 2013 2016 2019 Subscription Edition SharePoint Microsoft 365
Перед началом обновления продуктов Продукты SharePoint 2010 до SharePoint 2013 необходимо протестировать процесс обновления, чтобы удостовериться в правильности своих действий и достижении нужных результатов обновления. Пробное обновление в целях проверки позволяет разрешить следующие вопросы.
Будет ли план обновления работать, и следует ли внести какие-либо корректировки.
Выявить действие текущих настроек среды на процесс обновления.
Следует ли обновить оборудование, чтобы обновление системы было более эффективным и быстрым.
Время обновления, или сколько займет процесс обновления среды.
Что нужно запланировать, например доступные во время обновления ресурсы.
Кроме того, можно использовать пробное обновление для ознакомления со средствами и процессом обновления, чтобы знать, чего ожидать во время фактического обновления. С помощью тестирования можно узнать следующее.
Как выглядит интерфейс пользователя при обновлении? Как узнать, что один этап завершился и начинается другой?
Где расположены файлы журналов и как их прочитать? Какие сведения в них содержатся?
Следует ли исправлять какие-либо сценарии или команды, которые используются во время процесса обновления, особенно если они зависят от сценариев, использованных при обновлении до продуктов Продукты SharePoint 2010.
Имеется ли допустимый план противодействия сбоям.
В этой статье описываются основные этапы тестирования обновления и даются рекомендации для изучения результатов и настройки планов обновления в зависимости от полученных во время тестирования сведений.
При тестировании процесса обновления также могут быть полезны указанные ниже ресурсы.
Настройка тестовой среды
Для тестирования обновления можно использовать виртуальное или физическое оборудование. Каждая среда уникальна. Поэтому нельзя точно знать, сколько времени займет обновление или насколько трудно будет обновить определенную настройку. Лучший способ узнать, как будет проходить обновление, — выполнить несколько пробных обновлений.
Ниже приведены некоторые факторы, которые следует учитывать при создании тестовой среды.
Сделайте тестовую ферму как можно больше похожей на реальную ферму, например используйте все доступное оборудование, программное обеспечение и пространство.
Используйте в тестовой среде те же URL-адреса, что применяются в реальной ферме. В противном случае будет потрачено время на диагностику проблем, связанных с URL-адресами, которые не будут возникать при фактическом обновлении. Это можно сделать, используя те же URL-адреса и тестируя только с тех компьютеров, на которых были изменены файлы host.
Используйте другие имена компьютеров для веб-серверов и серверов приложений.
Это предотвратит конфликты с доменными службами Active Directory (AD DS).
Используйте для тестовой фермы разные серверы, на которых работает SQL Server
При использовании одних и тех же серверов с SQL Server для производственной и тестовой фермы производительность производственной фермы может заметно снизиться во время тестирования. Рекомендуется использовать разные компьютеры с SQL Server (не только экземпляры) для производственной и тестовой ферм.
Используйте те же имена баз данных в тестовой среде, что и в производственной.
Это позволит проверить любые сценарии, которые используются для управления содержимым. Опять же, следует убедиться, что используются разные сервера с SQL Server, иначе это повлияет на производственную среду.
Убедитесь, что в тестовой среде используются все параметры и настройки. В разделе Определение и установка настроек представлены сведения о сборе таких данных.
Убедитесь, что действия, предпринимаемые в тестовой среде, не влияют на производственную среду. Соблюдайте особую осторожность при работе со следующими элементами.
Внешние подключения к данным
Даже при работе с копией среды ссылки на источники данных остаются реальными. Изменения, внесенные в тестовой среде, повлияют на производственную среду.
Выполнение команд с использованием актуальной базы данных производственной среды
Убедитесь, что используются копии баз данных, предназначенные для тестирования, а не актуальные версии этих БД в производственной среде. Например, при выполнении командлета Test-SPContentDatabase с указанием актуальной базы данных, а не ее копии производительность производственной среды может снизиться.
Использование тестовой среды
При тестировании в виртуализованной среде не требуется много оборудования. Репликацию среды можно выполнить с помощью двух серверов под управлением Hyper-V. На одном сервере хранятся образы интерфейсных веб-серверов и серверы приложений, а на другом хранятся образы серверов баз данных.
Однако по показателям производительности виртуальные среды могут сильно отличаться от физических. Если производственная среда является физической, необходимо учесть эту разницу при вычислении времени, необходимого на обновление производственной среды. В целом примерно точную оценку производительности можно получить, если разместить SQL Server на физическом сервере. Убедитесь, что производительность этого сервера приблизительно равна производительности сервера SQL Server в производственной среде.
Распределение серверов в виртуальной тестовой среде
Использование физической среды
При тестировании в физической среде нужно выполнять репликацию всей тестовой фермы серверов, насколько это возможно. Если значительно уменьшить число интерфейсных веб-серверов, серверов приложений или баз данных, не удастся получить точную оценку времени, которое займет обновление, и не удастся узнать проблемы, которые могут возникнуть при взаимодействии серверов с одной ролью (например, транзакций SQL Server). Если в роли тестовой фермы несколько серверов, следует использовать как минимум два сервера для тестирования этой роли.
Распределение серверов в физической тестовой среде
Определение и установка настроек
Для обеспечения точности тестирования необходимо найти все настройки среды и скопировать их в тестовую среду. Дополнительные сведения о типах настроек, которые нужно найти, см. в статье Создание плана для текущих настроек при обновлении до SharePoint 2013.
Используйте операцию Stsadm -o enumallwebs на всех базах данных контента в среде продуктов SharePoint 2010 для определения настроек на дочерних сайтах. Эта операция создает список идентификаторов каждого семейства веб-сайтов, дочерних сайтов в среде, а также шаблонов, на которых основан сайт. Дополнительные сведения см. в статье Enumallwebs: операция Stsadm.
С помощью средства, такого как WinDiff (средство, поставляемое с большинством операционных систем Майкрософт), сравните серверы производственной среды с серверами тестовой фермы. Это средство можно использовать для просмотра файлов на серверах и поиска различий между ними.
Проверьте все изменения в файлах web.config и просмотрите элементы SafeControls, чтобы определить все пользовательские элементы управления.
Создайте список всех найденных настроек. По возможности определите источники настроек, например надстройки сторонних производителей или шаблоны, измененные пользователями организации. После определения источника можно выполнить поиск обновленных версий настроек.
Совет
К кому обратиться по поводу настроек, созданных другими? > Обратитесь в корпорацию Майкрософт при возникновении проблем с шаблоном, загруженным с веб-сайта Майкрософт. > Обратитесь к производителю решения, если возникли проблемы с шаблоном или компонентом, предоставленным им для предыдущей версии. Может быть доступна обновленная версия.
Определив настройки, скопируйте их на соответствующие серверы тестовой фермы. Убедитесь, что развернуты все настройки.
Решения — по умолчанию решения предыдущих версий развернуты в каталогах /14. Используйте параметр CompatibilityLevel при установке решений для развертывания их в каталоги /15. Дополнительные сведения см. в разделе Install-SPSolution.
Настраиваемые эталонные страницы
Настраиваемый JavaScript
Настраиваемые CSS-файлы (включая файлы, используемые для тем)
Настраиваемые действия рабочих процессов (должны быть включены в файл действий)
Подтвердите параметры регулировки запросов больших списков, чтобы убедиться в правильности отображения больших списков.
При проверке настроек придерживайтесь следующих правил.
Проверяйте появление визуально заметных изменений.
Проверяйте изменение поведения.
Проверяйте работу семейств сайтов в режимах 2010 и 2013.
Проверяйте наличие проблем, связанных с загрузкой любого языка или ресурса.
Эта проблема может возникнуть при наличии настроек в режиме 2010, которые заменяются на новые в режиме 2013. Так как существует только один глобальный каталог для языковых ресурсов, загрузка надлежащего файла может стать проблемой. Убедитесь, что настройки 2013, которые ставятся взамен предыдущих, содержат ресурсы 2010, чтобы настройки работали правильно в обоих режимах.
Убедитесь, что обновление не влияет на настройки. Убедитесь, что настройки не блокируют обновление семейств веб-сайтов.
Вы можете использовать командлет Microsoft PowerShell Test-SPContentDatabase до присоединения базы данных SharePoint 2013, чтобы определить, отсутствуют ли какие-либо настройки в используемой среде. Выполните эту команду для всех баз данных после их восстановления на сервере баз данных, но перед запуском обновления. Учтите, что этот командлет выполняется в автоматическом режиме и в случае отсутствия ошибок никакие выходные данные не предоставляются.
Скопируйте фактические данные в тестовую среду и обновите базы данных
Цели тестирования не удастся достичь, если не использовать фактические данные. Используйте средства резервного копирования и восстановления Microsoft SQL Server для создания копии контента и служебных баз данных.
Лучшим способом предсказать, что будет происходить во время обновления, является тестирование копии всех данных. Однако это не всегда возможно для первоначального тестирования. Можно выполнять тестирование поэтапно по одной базе данных (если они большие), чтобы обеспечить тестирование уникального набора данных. Или можно собрать подмножество данных с соответствующих сайтов среды. Если сначала нужно выполнить тестирование подмножества данных, убедитесь, что подмножество соответствует следующим критериям:
Подмножество данных содержит типичные для среды сайты.
Размер и сложность подмножества данных аналогичны фактическому размеру и сложности среды.
Важно!
Тестирование подмножества данных не дает достоверную оценку времени обработки всех данных среды.
После копирования данных выполните первый проход обновления, чтобы узнать, что получится. Это предварительный этап. Выполните действия, описанные в статье Обновление баз данных контента с SharePoint 2010 до SharePoint 2013, для пробного обновления с переподключением базы данных.
При тестировании процесса обновления убедитесь, что тестовые службы доступны с разных ферм. Рассмотрите все следующие состояния:
Ферма SharePoint Server 2010, подключенная к ферме служб SharePoint 2013.
Ферма SharePoint 2013, подключенная к ферме служб SharePoint 2013.
Различные версии ферм для различных служб.
Используйте тестовые среды для поиска любых проблем, связанных с безопасностью, конфигурацией, совместимостью и производительностью приложений-служб.
Оценка результатов после обновления баз данных
После завершения тестового обновления можно изучить результаты и изменить планы обновления в соответствии с ними. Просмотрите файлы журналов, изучите обновленные сайты и проверьте настройки. Как выполнено обновление среды? Что вы выяснили? Что следует переработать в плане обновления?
Проверка файлов журналов
Просмотрите файл журнала обновления и файл журнала ошибок при обновлении (создаются при выполнении обновления). Файл журнала обновления (LOG) и файл журнала ошибок обновления (ERR) размещены в папке %COMMONPROGRAMFILES%\Microsoft Shared\Web server extensions\15\LOGS. Имена файлов журналов соответствуют следующему формату: Upgrade- ГГГГММДД-ЧЧММСС-ССС.log, где ГГГГММДД — это дата, а ЧЧММСС-ССС — это время (часы в 24-часовом формате, минуты, секунды и миллисекунды).
Формат файлов журналов соответствует соглашениям единой системы ведения журналов (ULS). Просмотр файлов журналов при поиске проблем, вызывающих неполадки, следует начинать из верхней части файла. Ошибки или предупреждения могут повторяться, если они соответствуют нескольким семействам веб-сайтов в среде или если они полностью блокируют процесс обновления. Например, если не удается подключиться к базе данных конфигурации, процесс обновления будет пытаться (безуспешно) сделать это несколько раз, и все эти попытки будут перечислены в файле журнала.
Убедитесь, что семейства сайтов, которые не обновлялись, работают надлежащим образом в режиме SharePoint 2010. По внешнему виду и поведению сайты не должны отличаться от внешнего вида и поведения в продуктах SharePoint 2010. Некоторые изменения ожидаемы. Например, Office Online и функции веб-аналитики были изменены в SharePoint 2013, поэтому изменятся и те сайты, где используются эти функции. Сведения о факторах, которые следует учитывать, см. в статье Обзор процесса обновления SharePoint 2010 до SharePoint 2013.
Повторное обновление (при необходимости)
При необходимости вы можете повторно запустить процесс обновления базы данных с помощью командлета Microsoft PowerShell Upgrade-SPContentDatabase. Дополнительные сведения об этом командлете см. в статье Upgrade-SPContentDatabase. Дополнительные сведения см. в статье Перезапуск обновления с переподключением баз данных или обновления семейства сайтов до SharePoint 2013.
Обновление семейств веб-сайтов и личных сайтов
После тестирования и проверки обновления баз данных контента и служебных баз данных можно проверить процесс обновления семейств веб-сайтов. Выполните действия, описанные в статье Обновление семейств сайтов до SharePoint 2013, чтобы проверить процесс обновления семейства сайтов. Если в среде используются личные сайты, дополнительные сведения о процессе обновления этих сайтов можно найти в статье Обзор процесса обновления с SharePoint 2010 до SharePoint 2013.
Примечание
Материалы, посвященные личным сайтам, относятся только к SharePoint 2013.
Оценка результатов после обновления семейств сайтов
Просмотрите обновленные сайты и определите проблемы, которые необходимо устранить перед обновлением производственной среды. Дополнительные сведения о конкретных аспектах см. в статье Обзор процесса обновления с SharePoint 2010 до SharePoint 2013.
Просмотрите файлы с журналом обновления семейства веб-сайтов, чтобы определить возникшие проблемы. Начните сверху и двигайтесь вниз. Проверьте раздел сводки, который находится практически в конце файла, чтобы увидеть количество ошибок и фактическое состояние обновления (отсутствие такого состояния означает сбой процесс обновления и необходимости повторного запуска). Файл журнала семейства сайтов хранится как в самом семействе (в библиотеке документов catalogs/Upgrade), так и в файловой системе. Файл журнала обновления в файловой системе расположен по следующему пути: %COMMONPROGRAMFILES%\Microsoft Shared\Web server extensions\15\LOGS. Имена файлов журналов соответствуют следующему формату: SiteUpgrade- ГГГГММДД-ЧЧММСС-ССС.log, где ГГГГММДД — это дата, а ЧЧММСС-ССС — это время (часы в 24-часовом формате, минуты, секунды и миллисекунды).
Корректировка планов и повторное тестирование
Повторяйте тестирование до тех пор, пока не найдете все потенциальные проблемы и не узнаете, как их устранить. Цель заключается в том, чтобы знать, что делать, если сейчас 16:00 воскресенья, а система должна работать в понедельник утром, и что-то идет не так. Есть ли точка невозврата? Протестируйте план отката, чтобы убедиться, что он работает, перед реальным обновлением.
См. также
Другие ресурсы
Рекомендации по обновлению SharePoint 2010 до SharePoint 2013
Планирование производительности при обновлении до SharePoint 2013
Обновление баз данных SharePoint 2010 до SharePoint 2013
Upgrade a site collection to SharePoint 2013
Тестирование и устранение неполадок обновления до SharePoint 2013
ВЫЯВЛЕНИЕ — это… Что такое ВЫЯВЛЕНИЕ?
выявление — обнаружение, находка, раскрытие, вскрытие; вскрывание, проявление, открытие, показывание, оказывание, раскрывание, разоблачение, оказательство, оказание, выказывание. Ant. сокрытие Словарь русских синонимов. выявление см. обнаружение Слова … Словарь синонимов
выявление — обнаружение неисправностей — [Л.Г.Суменко. Англо русский словарь по информационным технологиям. М.: ГП ЦНИИС, 2003.] Тематики информационные технологии в целом Синонимы обнаружение неисправностей EN tracing … Справочник технического переводчика
Выявление — 2.1.2. Выявление научное изучение с позиций истории, археологии, архитектуры, градостроительства, искусства, науки и техники, эстетики, этнологии, антропологии или социальной культуры объектов, обнаруженных в процессе реализации мероприятий по… … Словарь-справочник терминов нормативно-технической документации
Выявление — ср. 1. процесс действия по гл. выявлять, выявляться 1. 2. Результат такого действия. Толковый словарь Ефремовой. Т. Ф. Ефремова. 2000 … Современный толковый словарь русского языка Ефремовой
выявление — выявление, выявления, выявления, выявлений, выявлению, выявлениям, выявление, выявления, выявлением, выявлениями, выявлении, выявлениях (Источник: «Полная акцентуированная парадигма по А. А. Зализняку») … Формы слов
выявление — потеря … Словарь антонимов
выявление — выявл ение, я … Русский орфографический словарь
выявление — (2 с), Пр. о выявле/нии … Орфографический словарь русского языка
выявление — Syn: обнаружение, находка, раскрытие, вскрытие Ant: сокрытие … Тезаурус русской деловой лексики
выявление — я; ср. к Выявить выявлять и Выявиться выявляться. В. животных, поражённых вирусом. В. недостатков работы мотора, механизма … Энциклопедический словарь
определение идентификации по The Free Dictionary
Я ни в чем не мог быть уверен — даже в том, чтобы определить почерк доктора по отпечатку на промокательной бумаге.
Офицеры наверняка использовали бы его для идентификации товарищей, которых он предал; и у меня были лучшие в мире причины полагать, что он скорее поможет схватить меня, чем схватить всю остальную банду чеканщиков вместе взятую, за исключением самого доктора.
Не было возможности отождествить эти гнилые и искаженные черты с каким-либо живым существом, которое он видел, — и, тем не менее, он чувствовал смутное и ужасное сомнение, которое потрясло его до глубины души.
Вот уж точно был шанс — если еще оставался шанс — опознать шокирующую реликвию человечества, лежавшую перед ним, тупого свидетеля преступления!
«Мы предлагаем, — продолжал ученый адвокат, — прочитать некоторые отрывки из дневника заключенного, в которых имя, подписанное в конце письма, встречается более одного раза; и мы, возможно, найдем другие способы опознать автора. к удовлетворению вашей светлости, до того, как испытание закончится.»
Этот свидетель подвергся серьезному перекрестному допросу на предмет правильности его воспоминаний о беседе в беседке и его способности опознавать обоих говорящих.
Обеспечение того, чтобы изучающие английский язык (ELL) получали услуги для на которую они имеют право, требует точной идентификации этих студентов. Этот подход также можно использовать для идентификации пользователей веб-сайта, требующего значительного набора текста. Использование мтДНК имеет решающее значение для идентификации останков, оставшихся после Корейской войны.Хилсон также говорит, что «простого выявления рисков недостаточно, и если не будут предприняты соответствующие действия, то подверженность риску останется неизменной. Если полагаться исключительно на аккредитационное агентство для определения стандартов обучения, это может быть слишком шаблонным (см., Dill, 2000). , он может, по крайней мере, дать некоторые рекомендации в отношении того, что должна учитывать программа. До закона Сарбейнса-Оксли многие компании отводили этот контроль к корректирующей роли; поскольку контроль действует после выпуска финансовых отчетов, он эффективен только для выявления искажений. для исправления.Определение воздушно-капельной передачи как доминирующего пути распространения COVID-19
Значимость
Мы выяснили пути передачи коронавирусной болезни 2019 (COVID-19), проанализировав тенденции и меры по смягчению последствий в трех эпицентрах. Наши результаты показывают, что путь передачи воздушно-капельным путем является очень опасным и доминирующим для распространения COVID-19. Меры по смягчению последствий можно отличить от тенденций пандемии. Наш анализ показывает, что разница с обязательным закрытием лица и без него является определяющим фактором в формировании тенденций пандемии.Эта защитная мера значительно снижает количество инфекций. Другие меры по смягчению последствий, такие как социальное дистанцирование, внедренное в Соединенных Штатах, сами по себе недостаточны для защиты населения. Наша работа также подчеркивает необходимость того, чтобы надежная наука имела важное значение при принятии решений в отношении нынешних и будущих пандемий общественного здравоохранения.
Abstract
Для борьбы с пандемией коронавирусного заболевания 2019 (COVID-19) были приняты различные меры по смягчению последствий, включая широко распространенное социальное дистанцирование и обязательное закрытие лица.Однако оценка эффективности этих методов вмешательства зависит от понимания передачи вируса, которое остается неопределенным. Здесь мы показываем, что воздушно-капельная передача очень опасна и представляет собой основной путь распространения болезни. Анализируя тенденции и меры по смягчению последствий в Ухане, Китай, Италия, и Нью-Йорке, с 23 января по 9 мая 2020 г., мы показываем, что влияние мер по смягчению последствий можно отличить от тенденций пандемии. Наш анализ показывает, что разница с обязательным закрытием лица и без него является определяющим фактором в формировании тенденций пандемии в трех эпицентрах.Одна только эта защитная мера значительно снизила количество инфекций, то есть более чем на 75 000 в Италии с 6 апреля по 9 мая и на 66 000 в Нью-Йорке с 17 апреля по 9 мая. Соединенные Штаты сами по себе недостаточны для защиты населения. Мы пришли к выводу, что ношение масок в общественных местах соответствует наиболее эффективным средствам предотвращения передачи инфекции между людьми, и эта недорогая практика в сочетании с одновременным социальным дистанцированием, карантином и отслеживанием контактов представляет собой наиболее вероятную боевую возможность остановить COVID-19. пандемия.Наша работа также подчеркивает тот факт, что надежная наука имеет важное значение для принятия решений в отношении нынешних и будущих пандемий общественного здравоохранения.
Вспышка нового коронавируса, коронавирусная болезнь 2019 (COVID-19), которая была объявлена пандемией Всемирной организацией здравоохранения (ВОЗ) 11 марта 2020 года, заразила более 4 миллионов человек и унесла жизни почти 300000 человек в 188 странах ( 1). Во всем мире продолжаются интенсивные усилия по созданию эффективных методов лечения и разработке вакцины от этого заболевания.Новый коронавирус, названный коронавирусом 2 тяжелого острого респираторного синдрома (SARS-CoV-2), принадлежит к семейству патогенов, ответственных за респираторное заболевание, связанное со вспышкой 2002–2003 годов (SARS-CoV-1) (2) . Оболоченный вирус содержит геном одноцепочечной РНК с положительным смыслом и нуклеокапсид спиральной симметрии ~ 120 нм. Существует несколько вероятных путей передачи вирусов от человека к человеку. Распыление вирусоносных частиц человеком происходит при кашле / чихании и даже при нормальном дыхании / разговоре инфицированного человека (3–6).Эти механизмы распространения вирусов производят большие капли и маленькие аэрозоли (3), которые обычно имеют размер 5 мкм, чтобы характеризовать их отличную эффективность рассеивания и время пребывания в воздухе, а также характер осаждения вдоль дыхательных путей человека (3, 7). Передача вируса происходит прямым (осаждение на людей) или непрямым (осаждение на предметы) контактным и воздушным (капли и аэрозоли) путями (3). Крупные капли легко оседают из воздуха, вызывая заражение человека / предмета; напротив, аэрозоли эффективно рассеиваются в воздухе.В то время как передача через прямой или косвенный контакт происходит на коротких расстояниях, передача по воздуху через аэрозоли может происходить на больших расстояниях и во времени. Вдыхаемые аэрозоли, содержащие вирус, откладываются непосредственно в дыхательных путях человека.
Предыдущие экспериментальные и наблюдательные исследования передачи инфекции между людьми показали значительную роль аэрозолей в передаче многих респираторных вирусов, включая вирус гриппа, SARS-CoV-1 и коронавирус ближневосточного респираторного синдрома (MERS-CoV) (8⇓⇓ –11).Например, переносимый по воздуху коронавирус MERS-CoV продемонстрировал высокую способность к выживанию, при этом около 64% микроорганизмов оставались заразными через 60 минут после распыления при 25 ° C и относительной влажности 79% (9). С другой стороны, происходил быстрый распад вируса с выживаемостью только 5% в течение 60-минутной процедуры при 38 ° C и 24% относительной влажности, что свидетельствует об инактивации. Недавние экспериментальные исследования изучили стабильность SARS-CoV-2, показав, что вирус остается заразным в аэрозолях в течение часов (12), а на поверхности — до дней (12, 13).
Некоторые параметры, вероятно, влияют на выживание и доставку микроорганизмов в воздухе, включая температуру, влажность, устойчивость микробов к внешним физическим и биологическим воздействиям, а также солнечное ультрафиолетовое (УФ) излучение (8). Передача и инфекционная способность вирусов, переносимых по воздуху, также зависят от размера и количества вдыхаемых аэрозолей, которые регулируют количество (дозу) и характер осаждения через дыхательные пути. При типичном носовом дыхании (т. Е. Со скоростью ∼1 м⋅с –1 ) (4) вдыхание переносимых по воздуху вирусов приводит к прямому и непрерывному осаждению в дыхательных путях человека.В частности, мелкодисперсные аэрозоли (например, твердые частицы размером менее 2,5 мкм или PM 2,5 ) глубоко проникают в дыхательные пути и даже достигают других жизненно важных органов (14, 15). Кроме того, выделение вируса зависит от стадии инфекции и варьируется между симптоматическим и бессимптомным носителями. Недавнее открытие (16) показало, что самая высокая вирусная нагрузка в верхних дыхательных путях возникает в начале симптома, что свидетельствует о пике заразности во время или до появления симптомов и значительной бессимптомной передаче SARS-CoV-2.
Вспышка COVID-19 значительно более выражена, чем вспышка SARS 2002/2003 годов, и болезнь продолжает распространяться во всем мире тревожными темпами, несмотря на крайние меры, принятые многими странами для сдерживания пандемии (1). Огромные масштабы и масштабы вспышки COVID-19 отражают не только очень заразный характер, но и чрезвычайно эффективную передачу SARS-CoV-2. В настоящее время механизмы распространения вируса остаются неясными (17), особенно с учетом относительного вклада контакта по сравнению своздушные пути передачи этой глобальной пандемии. Однако имеющиеся эпидемиологические (1) и экспериментальные (12, 18) данные указывают на то, что воздушная передача SARS-CoV-2 через аэрозоли является потенциальным путем распространения болезни.
Отчетливые тенденции пандемии в трех эпицентрах
Чтобы понять механизм путей передачи вируса и оценить эффективность мер по смягчению последствий, мы проанализировали тенденцию развития пандемии во всем мире с 23 января по 9 мая 2020 г. (рис.1). Вспышка COVID-19 первоначально возникла в декабре 2019 года в Ухане, Китай (1). Число подтвержденных инфекций и смертей в Китае преобладало в мировой тенденции в январе и феврале 2020 года (рис.1 A и B ), но рост числа вновь подтвержденных случаев и смертей в Китае резко снизился с февраля ( Рис.1 B ). В отличие от сглаживания кривой в Китае, в других странах эти цифры резко выросли с начала марта.Эпицентр переместился из Ухани в Италию в начале марта и в Нью-Йорк (NYC) в начале апреля. К 30 апреля количество подтвержденных случаев COVID-19 и смертей соответственно достигло более 200000 и 27000 в Италии и более 1000000 и 52000 в США, по сравнению с примерно 84000 и 4600 в Китае (рис.1 B ). . Примечательно, что кривые в Италии демонстрируют тенденцию к замедлению с середины апреля, в то время как цифры в мире и США продолжают расти. Примечательно, что последние тенденции числа инфекций и смертей в мире и в США демонстрируют поразительную линейность с начала апреля (рис.1 С ).
Рис. 1.Четкие глобальные тенденции пандемии COVID-19. ( A ) Подтвержденные инфекции и смертельные случаи во всем мире. ( B ) Сравнение подтвержденных инфекций и смертей в Китае, Италии и США. ( C ) Линейная регрессия подтвержденных инфекций и смертей во всем мире и в США с 1 апреля по 9 мая 2020 г .; линейная регрессия составляет, соответственно, y = 79,398 x + 810,167 ( R 2 = 0.999) для инфекций и y = 6075 x + 39 409 ( R 2 = 0,998) для смертельных случаев во всем мире и y = 28 971 x + 201 187 ( R 2 = 0,999) для инфекций и y = 2,059 x + 243 ( R 2 = 0,995) для смертельных случаев в Соединенных Штатах. Левая ось и черный цвет соответствуют количеству подтвержденных инфекций, а правая ось и красный цвет представляют подтвержденные смертельные случаи.
Мы интерпретировали различия в тенденциях пандемии, рассматривая меры по смягчению последствий, реализованные во всем мире. Сглаживание кривой в Китае можно объяснить обширным тестированием, карантином и отслеживанием контактов; другие агрессивные меры, принятые в Китае, включают изоляцию всех городов и сельских районов по всей стране, изоляцию жителей, имеющих тесный контакт с инфицированными людьми, и обязательное ношение масок в общественных местах. Однако эффективность этих смягчающих мер еще предстоит тщательно оценить.Дифференцировать последствия этих мер по смягчению последствий в Китае сложно (19), поскольку реализация произошла почти одновременно в январе 2020 года. Аналогичные меры карантина, изоляции и изоляции городов также были введены 9 марта в Италии после того, как страна стала второй страной. В эпицентре кривая инфекций еще не выровнялась. В Соединенных Штатах федеральное правительство выпустило руководящие принципы по социальному дистанцированию, карантину и изоляции 16 марта, а многие правительства штатов и местных органов власти выполнили приказы о домоседе, начиная, например, с 19 марта по 3 апреля. и 22 марта в Нью-Йорке.Меры социального дистанцирования, применяемые в Соединенных Штатах, включают: держаться на расстоянии не менее 6 футов (∼2 м) от других людей, не собираться группами, держаться подальше от мест массового скопления людей и избегать массовых собраний (20). Очевидно, что непрерывный рост числа инфицированных в США ставит под сомнение эффективность одних только этих профилактических мер (рис. 1 B и C ).
В отличие от Китая, ношение масок не было обязательным и было непопулярным в большинстве западных стран во время ранней вспышки пандемии.Рекомендации по использованию масок для лица не были выпущены ВОЗ до 6 апреля 2020 г. (1), в которых утверждается, что важно только предотвратить передачу вируса инфицированным людям путем фильтрации капель, но не важно предотвращать дыхание неинфицированных людей. вирусосодержащие аэрозоли. В регионах, сильно пострадавших от COVID-19 на севере Италии, таких как Ломбард, с 6 апреля было приказано публично закрывать лицо, а 4 мая итальянские власти потребовали обязательного использования масок в общенациональном масштабе.Всем жителям Нью-Йорка было предписано использовать маскировку лица в общественных местах, начиная с 17 апреля, когда социальное дистанцирование было невозможно. С мерами, реализованными в Соединенных Штатах, которые кажутся сопоставимыми с мерами в Китае, социальное дистанцирование, карантин и изоляция оказали незначительное влияние на прекращение распространения болезни в Соединенных Штатах, о чем свидетельствует линейность с 1 апреля по 9 мая (рис. 1 С ). Однако возможно, что эти меры изменят наклон кривой распространения инфекции, то есть снизят частоту инфекций на ранней стадии пандемии (рис.1). Примечательно, что рекомендуемое физическое разделение для социального дистанцирования полезно для предотвращения прямой контактной передачи, но его недостаточно (без масок) для защиты от вдыхания вирусосодержащих аэрозолей (или даже небольших капель в промежуточной близости) из-за быстрого перемешивания воздуха (7) .
Понимание воздействия прикрытия лица
По сравнению с одновременным внедрением мер в Китае, меры вмешательства последовательно применялись в западном мире (рис.2 A ), что дает возможность оценить их относительную эффективность. Мы количественно оценили влияние прикрытия лица, прогнозируя количество инфекций на основе данных до внедрения масок в Италии 6 апреля и 17 апреля в Нью-Йорке (рис. 2 A ; см. методы ). Такие прогнозы разумны, учитывая отличную линейную корреляцию для данных до начала обязательного закрытия лица (рис.2 B и C и SI, приложение , рис.S1). Наш анализ показывает, что закрытие лица снизило количество инфекций более чем на 75 000 в Италии с 6 апреля по 9 мая и более чем на 66 000 в Нью-Йорке с 17 апреля по 9 мая. Кроме того, изменение корреляции от 15 до 30 дней до заражения. Начало реализации показывает небольшую разницу в проекции для обоих мест из-за высоких коэффициентов корреляции ( SI Приложение , Рис. S1). Примечательно, что тенденции кривых инфицирования в Италии и Нью-Йорке контрастируют с таковыми в мире и США (рис.1 C ), которые показывают небольшое отклонение от линейности из-за того, что меры по закрытию лица не применяются в глобальном и национальном масштабе, соответственно. Неспособность только социального дистанцирования, карантина и изоляции ограничить распространение COVID-19 также очевидна из линейности кривой распространения инфекции до вступления в силу правила о закрытии лица в Италии 6 апреля и в Нью-Йорке 17 апреля. (Рис.2 B и C ). Таким образом, разница, полученная в результате применения маскировки лица, в значительной степени определяет тенденции пандемии во всем мире.
Рис. 2.Эпицентр развития от Ухани до Италии и Нью-Йорка. ( A ) Сравнение тенденций и мер по смягчению последствий в Ухане, Италия, и Нью-Йорке в 2020 г. Вертикальными линиями отмечена дата принятия мер по смягчению последствий. Два черных круга обозначают даты, когда было введено закрытие лица: 6 апреля в северной Италии и 17 апреля в Нью-Йорке. Черные пунктирные линии представляют собой проекцию без покрытия лица на основе линейной регрессии 26-дневных данных до реализации этой меры.( B ) Линейная регрессия числа подтвержденных инфекций для данных за 26 дней до внедрения маскировки лица в Италии. Заштрихованная вертикальная линия обозначает дату, когда на севере Италии было введено закрытие лица — 6 апреля. ( C ) Линейная регрессия количества подтвержденных инфекций для данных за 26 дней до внедрения маскировки лица в Нью-Йорке. Заштрихованная вертикальная линия обозначает дату, когда было введено закрытие лица 17 апреля в Нью-Йорке. В B и C кружки представляют собой сообщенные значения, а пунктирная линия представляет подбор и проекцию подтвержденных инфекций до и после закрытия лица, соответственно.
Далее мы сравнили количество ежедневных новых случаев заболевания между Нью-Йорком и США (исключая данные по штату Нью-Йорк) с 1 марта по 9 мая (рис. 3). Ежедневное количество вновь подтвержденных инфекций в Нью-Йорке и США резко возрастает в конце марта — начале апреля. Наблюдается более медленный рост их числа после введения в действие приказа о домоседе (около 14 дней в Нью-Йорке и вскоре после 3 апреля в Соединенных Штатах), что связано с воздействием этой меры.После 3 апреля единственная разница в мерах регулирования между Нью-Йорком и США заключается в закрытии лица 17 апреля в Нью-Йорке. Мы применили линейную регрессию к данным за период с 17 апреля по 9 мая в Нью-Йорке и с 5 апреля по 9 мая в США. Хотя ежедневное количество вновь подтвержденных инфекций значительно колеблется, наклон регрессии однозначно отражает тенденцию в обоих данных. Ежедневное количество новых инфекций в Нью-Йорке уменьшается со скоростью 106 случаев в день после 17 апреля, что соответствует скорости снижения на ~ 3% в день (по сравнению с 17 апреля).Для сравнения: ежедневное количество новых случаев инфицирования в Соединенных Штатах (исключая штат Нью-Йорк) увеличивается с наклоном в 70 случаев в день после 4 апреля, что соответствует тенденции к увеличению примерно на 0,3% в день (по сравнению с 5 апреля). Следовательно, снижение количества новых случаев заражения в Нью-Йорке с обязательным закрытием лица резко контрастирует с таковым в Соединенных Штатах, где применяются только меры социального дистанцирования и ухода из дома, что еще раз подтверждает важность покрытия лица для борьбы с вирусом. коробка передач.
Рис. 3.Сравнение тенденций новых инфекций между Нью-Йорком и США. Ежедневно новые подтвержденные инфекции в ( A ) Нью-Йорке и ( B ) США. Пунктирные линии представляют собой линейную аппроксимацию данных с 17 апреля по 9 мая в Нью-Йорке и с 4 апреля по 9 мая в США. В B число в штате Нью-Йорк было вычтено из числа в Соединенных Штатах. Вертикальными линиями обозначены даты социального дистанцирования, приказов о непосещении дома (заштрихованная область для диапазона сроков выполнения для разных штатов) и обязательного прикрытия лица.
Доминирующая передача воздушно-капельным путем
Мы дополнительно выяснили вклад передачи воздушно-капельным путем в вспышку COVID-19, сравнив тенденции и меры по смягчению последствий во время пандемии во всем мире и изучив пути передачи вируса (рис. 4). Покрытие лица предотвращает как передачу по воздуху, блокируя распыление и вдыхание аэрозолей, содержащих вирус, так и контактную передачу, блокируя распространение капель вируса. С другой стороны, социальное дистанцирование, карантин и изоляция в сочетании с дезинфекцией рук минимизируют контактную (прямую и косвенную) передачу, но не защищают от передачи через воздух.В условиях социального дистанцирования, карантина и изоляции во всем мире и в Соединенных Штатах с начала апреля передача инфекции воздушным путем представляет собой единственный жизнеспособный путь распространения болезни, когда обязательное прикрытие лица не применяется. Точно так же воздушно-капельная передача также вносит основной вклад в линейное увеличение инфекции до начала обязательного прикрытия лица в Италии и Нью-Йорке (Рис. 2 B и C и SI Приложение , Рис. S1).Таким образом, уникальная функция защиты лица, блокирующая распыление и вдыхание аэрозолей, содержащих вирус, приводит к значительному снижению инфекций в Китае, Италии и Нью-Йорке (рис. 1–3), что указывает на то, что передача COVID-19 воздушным путем является доминирующей. путь заражения.
Рис. 4.Передача COVID-19. Распыление вирусов человеком происходит в результате кашля или чихания инфицированного человека, в результате чего образуются вирусосодержащие капли (> 5 мкм) и аэрозоли (<5 мкм). Передача вируса от человека к человеку происходит при прямом / косвенном контакте и воздушно-капельным путем.Крупные капли в основном оседают из воздуха, вызывая заражение человека / объекта, в то время как аэрозоли эффективно рассеиваются в воздухе. Прямая и воздушная передача происходят на близком расстоянии и на увеличенном расстоянии / времени соответственно. Вдыхаемые воздушно-капельные вирусы попадают непосредственно в дыхательные пути человека.
Недавние измерения выявили РНК SARS-Cov-2 в аэрозолях в больницах Ухани (18) и на открытом воздухе в северной Италии (21), что выявило вероятность передачи вируса воздушно-капельным путем внутри и вне помещений.В замкнутой среде легко накапливаются вирусные аэрозоли в результате распыления человека, а повышенные уровни переносимых по воздуху вирусов способствуют передаче от человека к человеку. Передача вирусов воздушно-капельным путем на открытом воздухе подлежит разбавлению, хотя накопление вирусов по-прежнему происходит из-за застоя в загрязненных городских условиях (7, 22). Удаление вирусосодержащих частиц в результате распыления человека путем осаждения сильно зависит от размера, со скоростью осаждения в диапазоне от 2.8 × 10 −5 м⋅с −1 до 1,4 × 10 −3 м⋅с −1 для размеров 1 и 10 мкм соответственно (7). Для сравнения, типичная скорость ветра составляет примерно 1 м⋅с −1 до 3 м⋅с −1 в помещении (23) и составляет ∼1 м⋅с −1 по горизонтали и 0,1 м⋅с −1 . вертикально в стабильном воздухе (7, 22). В этих внутренних и наружных условиях время пребывания вирусоносных аэрозолей достигает нескольких часов из-за перемешивания воздуха (7).
Мы также изучили условия окружающей среды, связанные со вспышками, в Ухане, Италия, и Нью-Йорке.Первоначальная вспышка COVID-19 в Ухане совпала с сезоном зимнего тумана в Китае (7, 22), в течение которого в воздухе преобладали высокие уровни PM 2,5 ( SI Приложение , рис. S2 и S3). С другой стороны, среднесуточные концентрации PM 2,5 были намного ниже во время вспышек в Риме, Италия, и в Нью-Йорке ( SI Приложение , рис. S2). Пути передачи вируса воздушно-капельным путем (т.е. внутри или вне помещений), а также влияние уровней PM 2,5 в окружающей среде на передачу вируса могут различаться в городских городах.Например, условия зимнего тумана в Китае, вероятно, усугубили распространение вируса на открытом воздухе (24, 25) из-за низкого УФ-излучения, застоя воздуха (отсутствие вентиляции в масштабах города) и низкой температуры (7, 22). Также может существовать синергетический эффект одновременного воздействия вируса и PM 2,5 для повышения инфекционности, тяжести и летальности заболевания (14, 26). Кроме того, возникающие аэрозоли, содержащие вирус, образующиеся в результате распыления человека, вероятно, претерпевают трансформацию в воздухе, включая коагуляцию с уже существующими в окружающей среде ТЧ и / или рост в течение нескольких часов в типичном городском воздухе (27⇓ – 29).Такая трансформация, как недавно было задокументировано на грубодисперсных ТЧ в Италии (21), может смягчить инактивацию вируса (9, 12), обеспечивая среду для сохранения его биологических свойств и продления срока его жизни. Однако остаются ключевые вопросы, касающиеся трансформации и передачи вирусосодержащих аэрозолей в результате распыления человека в воздухе. В частности, каково влияние трансформации аэрозолей, распыленных человеком, на выживаемость и инфекционность вирусов в воздухе?
Хотя влияние влажности на выживаемость вирусов не определено (3, 9), условия во время вспышек в Ухане, Риме и Нью-Йорке соответствуют высокой относительной влажности, но низкой абсолютной влажности из-за низкой температуры ( SI Приложение , рис.S3). Ранняя экспериментальная работа (9) показала замечательную выживаемость для аналогичного коронавируса MERS-CoV на уровне RH, характерном для вспышек COVID-19 в Ухане, Риме и Нью-Йорке. Для сравнения: температура в помещении и относительная влажность обычно колеблются от 21 ° C до 27 ° C и от 20 до 70% соответственно (23).
Особое значение имеют соображения, которые делают SARS-CoV-2 наиболее эффективным среди всех путей передачи. Даже при нормальном носовом дыхании вдыхание аэрозолей, содержащих вирус, приводит к глубокому и постоянному осаждению в дыхательных путях человека, и этот путь передачи обычно требует низких доз (8).Кроме того, вирусы, переносимые по воздуху, обладают высокой мобильностью и достаточно продолжительным временем выживания для распространения (9, 12), а жители, расположенные в густонаселенных средах, очень уязвимы. Кроме того, возникающие аэрозоли микрометрового размера, образующиеся при кашле / чихании инфицированных людей, потенциально могут содержать множество вирусов, особенно бессимптомных носителей (16).
Критически необходимы дальнейшие исследования для оценки передачи, трансформации и рассеивания вирусосодержащих аэрозолей в результате распыления человека в различных условиях окружающей среды, а также связанных с этим воздействий на инфекционность вируса.Не менее важно понимать атомизацию передаваемых по воздуху вирусов человеком: каково количество и распределение по размерам образующихся аэрозолей, а также вирусная нагрузка на частицу от кашля / чихания? Также крайне важно оценить вдыхание вирусов, переносимых по воздуху, на человека: как аэрозоли оседают вдоль дыхательных путей и какова минимальная доза переносимых по воздуху вирусов, необходимая для заражения? Также важно оценить характеристики масок для лица, чтобы количественно оценить эффективность фильтрации переносимых по воздуху вирусов, связанных с распылением и вдыханием человека.Выяснение этих механизмов требует междисциплинарных усилий.
Перспективы политики
Реакция правительств на пандемию COVID-19 до сих пор существенно различалась во всем мире. В Китае были предприняты быстрые меры по устранению первоначальной вспышки, о чем свидетельствует почти одновременное осуществление различных агрессивных мер по смягчению последствий. С другой стороны, реакция на пандемию в западном мире была в целом медленной, и меры вмешательства осуществлялись только последовательно.Очевидно, что реакция смягчающих мер определяла эволюцию, масштабы и масштабы пандемии во всем мире (рис. 1 и 2).
Обуздание COVID-19 зависит не только от решительных и масштабных действий, но и, что особенно важно, от научного понимания путей передачи вируса, которое определяет эффективность мер по смягчению последствий (рис. 5). В Соединенных Штатах меры социального дистанцирования и сохранения дома в сочетании с дезинфекцией рук (рис. 5, путь A) применялись на ранней стадии пандемии (20).Эти меры минимизировали контактную передачу на короткие расстояния, но не предотвратили передачу инфекции воздушно-капельным путем на большие расстояния, что является причиной неэффективного сдерживания пандемии в Соединенных Штатах (рис. 1 и 3). Обязательное закрытие лица, например, применяемое в Китае, Италии и Нью-Йорке, эффективно предотвращало передачу по воздуху, блокируя распыление и вдыхание вирусосодержащих аэрозолей и контактную передачу, блокируя распространение капель вируса. В то время как комбинированные меры по закрытию лица и социальному дистанцированию обеспечивали двойную защиту от путей передачи вируса, время и последовательность реализации этих мер также продемонстрировали различные результаты во время пандемии.Например, меры социального дистанцирования, включая изоляцию города и приказы не выходить из дома, были реализованы задолго до того, как в Италии и Нью-Йорке было введено обязательное закрытие лица (рис.5, путь B), и эта последовательность оставила расширенное окно (28 дней в неделю). Италия и 32 дня в Нью-Йорке) для в основном непрерывной воздушно-капельной передачи с целью распространения болезни (рис. 2 и 3). Одновременное закрытие лица и социальное дистанцирование (рис.5, путь C), подобное тому, которое было предпринято в Китае, было наиболее оптимальным, и эта конфигурация в сочетании с обширным тестированием и отслеживанием контактов была ответственна за сглаживание кривой в Китае. (Инжир.1). Кроме того, вероятно, существовали остатки передачи вируса после принятия мер регулирования из-за обстоятельств, когда меры были непрактичными или не соблюдались, и / или из-за несовершенства мер. Такие ограничения, которые были подчеркнуты ВОЗ (1), вызвали противоречивые взгляды на правомерность ношения масок для предотвращения передачи вируса во время пандемии (30). Однако маловероятно, чтобы ограничения одних только мер по смягчению воздействовали на глобальную тенденцию к пандемии, о чем свидетельствует успех в Китае.Наша работа предполагает, что неспособность сдержать распространение пандемии COVID-19 во всем мире в значительной степени объясняется непризнанной важностью передачи вируса воздушным путем (1, 20).
Рис. 5.Парадигма смягчения последствий. Сценарии передачи вируса только в рамках меры дистанцирования / карантина / изоляции (путь A), меры с дистанцированием / карантином / изоляцией с последующим закрытием лица (путь B) и меры с одновременным закрытием лица и дистанцированием / карантином / изоляцией (путь C).Стрелки с коротким пунктиром обозначают возможные остатки передачи вируса из-за обстоятельств, когда мера невозможна или не соблюдается и / или является несовершенной мерой.
Выводы
Недостаточные знания о передаче вируса неизбежно препятствовали разработке эффективных политик смягчения последствий и привели к безудержному распространению пандемии COVID-19 (рис. 1–3). В этой работе мы показываем, что передача инфекции воздушным путем, особенно через аэрозоли, образующиеся при атомизации человека, очень вирулентна и представляет собой основной путь передачи этой болезни.Однако важность передачи по воздуху не учитывалась при разработке мер по смягчению последствий государственными органами (1, 20). В частности, в то время как ВОЗ и Центры США по контролю и профилактике заболеваний (CDC) уделяли особое внимание предотвращению контактной передачи, как ВОЗ, так и CDC в значительной степени игнорировали важность пути передачи воздушно-капельным путем (1, 20). Текущие меры по смягчению последствий, такие как социальное дистанцирование, карантин и изоляция, внедренные в Соединенных Штатах, сами по себе недостаточны для защиты населения.Наш анализ показывает, что разница с обязательным закрытием лица и без него является определяющим фактором в формировании тенденций пандемии во всем мире. Мы пришли к выводу, что ношение масок в общественных местах соответствует наиболее эффективным средствам предотвращения передачи инфекции между людьми, и эта недорогая практика в сочетании с обширным тестированием, карантином и отслеживанием контактов представляет собой наиболее вероятную боевую возможность остановить пандемию COVID-19. , до разработки вакцины. Также важно подчеркнуть, что достоверные научные данные должны эффективно доводиться до сведения политиков и составлять основную основу для принятия решений в условиях этой пандемии.Осуществление политики без научной основы может привести к катастрофическим последствиям, особенно в свете попыток восстановить экономику во многих странах. Очевидно, что интеграция науки и политики имеет решающее значение для разработки эффективных мер реагирования на чрезвычайные ситуации политиками и обеспечения готовности населения к нынешним и будущим пандемиям общественного здравоохранения.
Методы
Прогнозирование тенденции к пандемии без применения укрытия лица в Италии и Нью-Йорке было выполнено сначала путем установления линейной корреляции между числом инфицированных и датой.Мы рассмотрели данные как за 15, так и за 26 дней до начала покрывания лица ( SI Приложение , рис. S1). Для прогнозов использовались наклон и зарегистрированное число заражений. Число предотвращенных инфекций благодаря покрытию лица было определено по разнице между прогнозируемыми и заявленными значениями на 9 мая 2020 г.
Данные о накопленных подтвержденных инфекциях и смертях в Ухане, Италия, и Нью-Йорке были взяты из отчетов муниципального управления Уханя. Комиссия по здравоохранению (http: // wjw.wuhan.gov.cn/), Европейского центра контроля заболеваний (https://www.ecdc.europa.eu/en) и правительства Нью-Йорка (https://www1.nyc.gov/site/doh/covid/covid-19- data.page) соответственно. Данные о накопленных подтвержденных инфекциях и смертях во всем мире были взяты из отчета ВОЗ о ситуации с COVID-19 (https://www.who.int/emergencies/diseases/novel-coronavirus-2019/situation-reports) (1), а цифры в Китае, Италии и США были взяты из Европейского центра контроля заболеваний.
Наземные измерения PM 2,5 и относительной влажности в Ухане были взяты из Китайского национального центра мониторинга окружающей среды (http: // beijingair.sinaapp.com/). Данные PM 2.5 в Нью-Йорке были взяты из Агентства по охране окружающей среды США (https://www.epa.gov/outdoor-air-quality-data). Данные PM 2.5 в Риме были взяты из Centro Regionale della Qualità dell’aria (http://www.arpalazio.net/main/aria/). Данные о RH в Риме и Нью-Йорке были взяты из 6-часового промежуточного повторного анализа Европейского центра среднесрочных прогнозов погоды (https://www.ecmwf.int/en/forecasts/datasets/reanalysis-datasets/era5).
Мы использовали космические измерения оптической толщины аэрозолей (AOD) для характеристики регионального аэрозольного загрязнения во время вспышки COVID-19 (23 января — 10 февраля 2020 г.) в Китае.Зеленые полосы AOD на 0,55 мкм доступны от Terra и Aqua, объединенного спектрорадиометром среднего разрешения, версия 6, многоугловая реализация атмосферной коррекции (https://lpdaac.usgs.gov/products/mcd19a2v006/). Продукт Level-2 имеет ежедневное глобальное покрытие с разрешением пикселя 1 км. Получение AOD доступно только для ясного неба.
Доступность данных.
Все данные, относящиеся к этому исследованию, доступны в основном тексте и приложении SI .
Благодарности
Эта работа была поддержана Фондом Роберта А. Велча (грант A-1417). A.L.Z. благодарит за поддержку стипендии Фонда Роберта А. Уэлча. Мы благодарны Fang Zhang за данные PM 2.5 в Ухане, Китай.
Сноски
Автор: R.Z. спланированное исследование; Р.З., Ю.Л. и Ю.В. проведенное исследование; R.Z., Y.L., Y.W. и M.J.M. проанализированные данные; и Р.З., А.Л.З. и М.Дж.М. написал газету.
Рецензенты: M.S., Тихоокеанская северо-западная национальная лаборатория; и Т.З., Пекинский университет.
Авторы заявляют об отсутствии конкурирующей заинтересованности.
Эта статья содержит вспомогательную информацию в Интернете по адресу https://www.pnas.org/lookup/suppl/doi:10.1073/pnas.2009637117/-/DCSupplemental.
- Copyright © 2020 Автор (ы). Опубликовано PNAS.
Идентификация естественных изображений по активности человеческого мозга
Haynes, J.Д. и Рис, Г. Предсказание ориентации невидимых стимулов на основе активности первичной зрительной коры головного мозга человека. Nature Neurosci. 8 , 686–691 (2005)
CAS Статья Google ученый
Камитани Ю. и Тонг Ф. Расшифровка визуального и субъективного содержимого человеческого мозга. Nature Neurosci. 8 , 679–685 (2005)
CAS Статья Google ученый
Тирион, Б.и другие. Обратная ретинотопия: вывод визуального содержания изображений из паттернов активации мозга. Neuroimage 33 , 1104–1116 (2006)
Артикул Google ученый
Кокс, Д. и Савой, Р. Л. Функциональная магнитно-резонансная томография (фМРТ) «чтение мозга»: обнаружение и классификация распределенных паттернов активности фМРТ в зрительной коре головного мозга человека. Neuroimage 19 , 261–270 (2003)
Артикул Google ученый
Хэксби, Дж.V. et al. Распределенные и перекрывающиеся изображения лиц и предметов в вентральной височной коре. Наука 293 , 2425–2430 (2001)
ADS CAS Статья Google ученый
Хейнс, Дж. Д. и Рис, Г. Расшифровка психических состояний по активности мозга у людей. Nature Rev. Neurosci. 7 , 523–534 (2006)
CAS Статья Google ученый
Hung, C.П., Крейман, Г., Поджио, Т. и ДиКарло, Дж. Дж. Быстрое считывание идентичности объекта из нижней височной коры макака. Наука 310 , 863–866 (2005)
ADS CAS Статья Google ученый
Tsao, D. Y., Freiwald, W. A., Tootell, R. B. & Livingstone, M. S. Кортикальная область, полностью состоящая из клеток, отобранных для лица. Наука 311 , 670–674 (2006)
ADS CAS Статья Google ученый
Симончелли, Э.П. и Ольсхаузен, Б. А. Статистика естественных изображений и нейронная репрезентация. Annu. Rev. Neurosci. 24 , 1193–1216 (2001)
CAS Статья Google ученый
Ву, М. К., Дэвид, С. В. и Галлант, Дж. Л. Полная функциональная характеристика сенсорных нейронов посредством системной идентификации. Annu. Rev. Neurosci. 29 , 477–505 (2006)
CAS Статья Google ученый
Даугман, Дж.G. Соотношение неопределенности для разрешения в пространстве, пространственной частоты и ориентации, оптимизированных двумерными визуальными кортикальными фильтрами. J. Opt. Soc. Являюсь. А 2 , 1160–1169 (1985)
ADS CAS Статья Google ученый
Джонс, Дж. П. и Палмер, Л. А. Оценка двухмерной модели фильтра Габора простых рецептивных полей в полосатой коре головного мозга кошки. J. Neurophysiol. 58 , 1233–1258 (1987)
CAS Статья Google ученый
Ли Т.S. Представление изображения с помощью двумерных вейвлетов Габора. IEEE Trans. Pattern Anal. 18 , 959–971 (1996)
Артикул Google ученый
DeYoe, E.A. et al. Картирование полосатых и экстрастриарных зрительных областей в коре головного мозга человека. Proc. Natl Acad. Sci. США 93 , 2382–2386 (1996)
ADS CAS Статья Google ученый
Дюмулен, С.О. и Ванделл Б. А. Оценка рецептивного поля популяции в зрительной коре головного мозга человека. Neuroimage 39 , 647–660 (2008)
Артикул Google ученый
Энгель С.А. и др. ФМРТ зрительной коры головного мозга человека. Природа 369 , 525 (1994)
ADS CAS Статья Google ученый
Хансен, К. А., Дэвид, С.В. и Галлант, Дж. Л. Параметрическая обратная корреляция показывает пространственную линейность ретинотопного ответа человека V1 BOLD. Neuroimage 23 , 233–241 (2004)
Артикул Google ученый
Sereno, M. I. et al. Границы множественных зрительных зон у человека выявляются с помощью функциональной магнитно-резонансной томографии. Наука 268 , 889–893 (1995)
ADS CAS Статья Google ученый
Смит, А.Т., Сингх, К. Д., Уильямс, А. Л. и Гринли, М. В. Оценка размера рецептивного поля по данным фМРТ в полосатой и экстрастриальной зрительной коре человека. Cereb. Cortex 11 , 1182–1190 (2001)
CAS Статья Google ученый
Sasaki, Y. et al. Радиальное смещение: разные взгляды на чувствительность к зрительной ориентации у человека и нечеловеческих приматов. Нейрон 51 , 661–670 (2006)
CAS Статья Google ученый
Ольман, К.А., Угурбил, К., Шратер, П. и Керстен, Д. БОЛД ФМРТ и психофизические измерения контрастного отклика на широкополосные изображения. Vision Res. 44 , 669–683 (2004)
Артикул Google ученый
Сингх К. Д., Смит А. Т. и Гринли М. В. Пространственно-временная частота и направленная чувствительность областей зрения человека, измеренная с помощью фМРТ. Нейроизображение 12 , 550–564 (2000)
CAS Статья Google ученый
Хейнс, Дж.Д. и Рис, Г. Прогнозирование потока сознания на основе активности зрительной коры головного мозга человека. Curr. Биол. 15 , 1301–1307 (2005)
CAS Статья Google ученый
Heeger, D. J. & Ress, D. Что фМРТ говорит нам о нейронной активности? Nature Rev. Neurosci. 3 , 142–151 (2002)
CAS Статья Google ученый
Логотетис, Н.К. и Ванделл, Б. А. Интерпретация ЖИВОГО сигнала. Annu. Rev. Physiol. 66 , 735–769 (2004)
CAS Статья Google ученый
Стэнли, Г. Б., Ли, Ф. Ф. и Дэн, Ю. Реконструкция естественных сцен на основе ансамблевых ответов в латеральном коленчатом ядре. J. Neurosci. 19 , 8036–8042 (1999)
CAS Статья Google ученый
Хейнс, Дж.Д., Лотто, Р. Б. и Рис, Г. Ответы зрительной коры человека на однородные поверхности. Proc. Natl Acad. Sci. США 101 , 4286–4291 (2004)
ADS CAS Статья Google ученый
Райнер, Г., Аугат, М., Тринат, Т. и Логотетис, Н. К. Немонотонная шумовая настройка сигнала BOLD фМРТ на естественные изображения в зрительной коре головного мозга обезьяны под наркозом. Curr. Биол. 11 , 846–854 (2001)
CAS Статья Google ученый
Салинас, Э.И Эбботт, Л. Ф. Реконструкция вектора по скоростям стрельбы. J. Comput. Neurosci. 1 , 89–107 (1994)
CAS Статья Google ученый
Zhang, K., Ginzburg, I., McNaughton, B. L. & Sejnowski, T. J. Интерпретация активности популяции нейронов путем реконструкции: унифицированная структура с применением к клеткам места гиппокампа. J. Neurophysiol. 79 , 1017–1044 (1998)
CAS Статья Google ученый
Выявление и приоритезация потенциально инфицированных людей вирусов по их геномным последовательностям
Abstract
Определить, какие вирусы животных могут инфицировать людей, в настоящее время невозможно на момент их открытия, что исключает приоритизацию вирусов высокого риска для раннего расследования и обеспечения готовности к вспышкам.Учитывая растущее использование геномики в открытии вирусов и скудность знаний о биологии недавно обнаруженных вирусов, мы разработали модели машинного обучения, которые идентифицируют зоонозов-кандидатов исключительно с использованием сигнатур диапазона хозяев, закодированных в вирусных геномах. В наборе данных из 861 вирусного вида с известным зоонозным статусом наш подход превзошел модели, основанные на филогенетическом родстве вирусов с известными вирусами, заражающими человека (площадь под кривой рабочих характеристик приемника [AUC] = 0.773), выделяя вирусы высокого риска внутри семейств, которые содержат меньшинство видов, заражающих человека, и выявляя предположительно необнаруженные или пока нереализованные зоонозы. Анализ оснований модельных прогнозов предполагает существование обобщаемых характеристик вирусных геномов, которые не зависят от таксономических взаимоотношений вирусов и могут пре-адаптировать вирусы к заражению людей. Наша модель сократила второй набор из 645 вирусов, связанных с животными, которые были исключены из обучения, до 272 зоонозов-кандидатов с высоким и 41 очень высокого риска и показала значительно повышенный прогнозируемый зоонозный риск для вирусов от нечеловеческих приматов, но не других групп млекопитающих или птиц-хозяев.Второе приложение показало, что наши модели могли идентифицировать Коронавирус 2 с тяжелым острым респираторным синдромом (SARS-CoV-2) как штамм коронавируса с относительно высоким риском, и что для этого прогноза не требовалось предварительных знаний о зоонозном тяжелом остром респираторном синдроме (SARS). коронавирусы. Оценка зоонозного риска на основе генома обеспечивает быстрый и недорогой подход, позволяющий осуществлять надзор за вирусами на основе фактических данных и повышает возможность последующей биологической и экологической характеристики вирусов.
Образец цитирования: Молленце Н., Бабаян С.А., Штрайкер Д.Г. (2021 г.) Выявление и определение приоритетности потенциальных вирусов, заражающих человека, на основе их геномных последовательностей. ПЛоС Биол 19 (9): e3001390. https://doi.org/10.1371/journal.pbio.3001390
Академический редактор: Джейсон Т. Ладнер, Университет Северной Аризоны, США
Поступила: 30 ноября 2020 г .; Принята к печати: 10 августа 2021 г .; Опубликован: 28 сентября 2021 г.
Авторские права: © 2021 Mollentze et al.Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.
Доступность данных: Все данные и код анализа заархивированы на Zenodo (DOI: 10.5281 / zenodo.4271479).
Финансирование: D.G.S. и N.M. были поддержаны старшим научным сотрудником Wellcome (217221 / Z / 19 / Z). Дополнительное финансирование было предоставлено Советом по медицинским исследованиям в рамках программных грантов MC_UU_12014 / 8 и MC_UU_12014 / 12.Финансирующие организации не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.
Конкурирующие интересы: Авторы заявили, что никаких конкурирующих интересов не существует.
Сокращения: AUC, площадь под кривой рабочей характеристики приемника; AUCm, медианная площадь под кривой рабочей характеристики приемника; CI, доверительный интервал; COVID-19, Коронавирус заболевание 2019; GBM, машина с градиентным усилением; ICTV, Международный комитет по таксономии вирусов; ISG, интерферон-стимулированный ген; ОРВИ, Острое респираторное заболевание; SARS-CoV-2, Тяжелый острый респираторный синдром Коронавирус 2; SHAP, Разъяснения по добавкам Шапли; UPGMA, невзвешенный парно-групповой метод со средним арифметическим; ЗАП, цинковый палец противовирусный протеин
Введение
Большинство новых инфекционных заболеваний человека вызываются вирусами, происходящими от других видов животных.Выявление этих зоонозных угроз до их появления является серьезной проблемой, поскольку только небольшая часть из примерно 1,67 миллиона вирусов животных может инфицировать людей [1–3]. Существующие модели риска инфицирования человека основываются на вирусной фенотипической информации, которая неизвестна для вновь обнаруженных вирусов (например, разнообразие видов, которые вирус может заразить) или которая варьируется в недостаточной степени, чтобы различать риск на уровне вида или штамма вируса (например, репликация на уровне вируса). цитоплазма), что ограничивает их прогностическую ценность до того, как рассматриваемый вирус будет охарактеризован [4–6].Поскольку большинство вирусов в настоящее время обнаруживается с помощью нецелевого геномного секвенирования, часто включающего множество одновременных открытий с ограниченными фенотипическими данными, идеальный подход мог бы количественно оценить относительный риск заражения человека при соответствующем воздействии только на основе данных о последовательности. Путем выявления вирусов высокого риска, требующих дальнейшего исследования, такие прогнозы могут смягчить растущий дисбаланс между быстрыми темпами обнаружения вирусов и низкой производительностью полевых и лабораторных исследований, необходимых для всесторонней оценки риска.
Современные модели могут идентифицировать хорошо охарактеризованные вирусы, инфицирующие человека, по геномным последовательностям [7,8]. Однако за счет обучения алгоритмов на очень близкородственных вирусах (т. Е. Штаммов одного вида) и потенциального исключения вторичных характеристик вирусных геномов, связанных со способностью инфицирования, такие модели с меньшей вероятностью обнаружат сигналы зоонозного статуса, которые распространяются на вирусы. Следовательно, прогнозы могут быть очень чувствительны к существенным ошибкам в текущих знаниях о вирусном разнообразии [3,9].
Эмпирические и теоретические данные свидетельствуют о том, что обобщенные сигналы об инфицированности человека могут существовать в вирусных геномах. Вирусы, связанные с широкими таксономическими группами животных-резервуаров (например, приматы по сравнению с грызунами), могут быть выделены с использованием аспектов их геномного состава, включая динуклеотидные, кодонные и аминокислотные отклонения [10]. Достаточно ли специфичны такие измерения состава вирусного генома, чтобы различать круг хозяев на уровне видов, остается неясным, но их специфичность может возникать благодаря нескольким обычно предполагаемым механизмам.Во-первых, аспекты противовирусного иммунитета, которые нацелены на нуклеотидные мотивы в вирусных геномах, могут приводить к отбору общих мутаций в различных вирусах, ассоциированных с человеком [11,12]. Например, истощение динуклеотидов CpG в геномах РНК-вирусов, инфицированных позвоночными, могло возникнуть, чтобы уклониться от антивирусного белка «цинковый палец» (ZAP), гена, стимулированного интерфероном (ISG), который инициирует деградацию молекул РНК, богатых CpG [12] . В то время как ZAP широко встречается среди позвоночных, все более широко признаваемая клональная специфичность в противовирусной защите позвоночных открывает возможность того, что аналогичная, неописанная нацеленная защита нуклеиновых кислот может быть специфичной для человека (или приматов) [13].Во-вторых, частоты специфических кодонов в вирусных геномах часто напоминают частоты их резервуарных хозяев, возможно, из-за повышенной эффективности и / или точности трансляции мРНК [14]. За счет сходства состава генома с вирусами, адаптированными к человеку, или с геномом человека, такие процессы могут преадаптировать вирусы к инфекции человека [15,16]. Наконец, даже при отсутствии механизмов, которые оказывают общее селективное давление на дивергентные вирусные геномы, филогенетическое родство вирусов может позволить прогнозировать потенциальную инфекционность человека, поскольку обычно предполагается, что близкородственные вирусы имеют общие фенотипы и диапазон хозяев.Однако, несмотря на то, что это общепринятое практическое правило оценки риска вирусов, насколько нам известно, вопрос о том, может ли эволюционная близость к вирусам с известной способностью инфицировать человека зоонозным статусом, остается непроверенным.
Мы стремились разработать модели машинного обучения, которые используют функции, созданные на основе последовательностей вирусного и человеческого генома, для прогнозирования вероятности того, что любой вирус, заражающий животных, заразит людей с учетом биологически значимого воздействия (в данном случае зоонозный потенциал). Используя большой набор данных о вирусах, которые ранее оценивались на предмет заражения человека на основе опубликованных отчетов, мы сначала строим модели машинного обучения, которые определяют вероятность заражения человека на основе таксономии вирусов и / или филогенетического родства с известными вирусами, заражающими человека, и контраста. эти модели к альтернативам, основанным на гипотезе селективного давления на состав вирусного генома, которое способствует инфицированию человека.Затем мы применяем наиболее эффективную модель для изучения закономерностей в прогнозируемом зоонозном потенциале дополнительных вирусных геномов, взятых у ряда видов.
Результаты
Мы собрали единую репрезентативную последовательность генома из 861 видов РНК и ДНК вирусов, охватывающих 36 вирусных семейств, которые содержат виды, заражающие животных (S1 Рис). Мы пометили каждый вирус как способный заражать людей или не использовали опубликованные отчеты как основную истину и обучили модели для соответствующей классификации вирусов.Эти классификации инфицированности человека были получены путем объединения 3 ранее опубликованных наборов данных, в которых были представлены данные на уровне видов вирусов, и поэтому не учитывалась возможность вариации диапазона хозяев внутри видов вирусов [5,9,17]. Важно отметить, что с учетом диагностических ограничений и вероятности того, что не все вирусы, способные заразить человека, имели возможность появиться и быть обнаруженными, вирусы, о которых не сообщается о заражении людей, могут представлять собой нереализованные, недокументированные или действительно не зоонозные виды.Выявление потенциальных или недокументированных зоонозов в наших данных было априорной целью нашего анализа.
Сначала мы оценили, повышает ли филогенетическая близость к заражающим человека вирусам зоонозный потенциал. Классификаторы с градиентным усилением (GBM), обученные таксономии вирусов или частоте заражения людей вирусами среди близких родственников, идентифицированных с помощью поиска по сходству последовательностей («филогенетическое соседство», определяемое с помощью нуклеотидного BLAST [10]), превзошли шанс (медианная площадь под работающим приемником) характеристическая кривая [AUC m ] = 0.604 и 0,558 соответственно), но были не лучше, чем ручное ранжирование новых вирусов по доле вирусов, заражающих человека в каждом семействе («эвристика на основе таксономии», AUC m = 0,596, рис. 1A). Это указывает на то, что модели, основанные на родстве, были не только неспособны идентифицировать новые зоонозы, которые не являются близкими родственниками известных вирусов, заражающих человека, но также в значительной степени не могли точно различить риск среди близкородственных вирусов (S2 Рис). Более того, эффективность этих моделей зависела от данных, доступных для обучения моделей, иногда даже хуже, чем случайно, что делало их очень чувствительными к текущим знаниям о вирусном разнообразии.
Рис. 1. Прогнозирование с помощью машинного обучения заразности человека на основе вирусных геномов.
(A) Скрипки и диаграммы показывают распределение оценок AUC по 100 повторным тестам. (B) Кривые рабочих характеристик приемника, показывающие производительность модели, обученной на всех наборах функций состава генома в течение 1000 итераций (серый цвет), и производительность модели с мешком, полученной из верхних 10% итераций (зеленый цвет). Точки указывают на дискретные ограничения вероятности отнесения вирусов к категории заражающих людей.(C и D) показывают бинарные прогнозы и дискретные категории зоонозного потенциала из упакованной модели с использованием порогового значения, которое уравновешивает чувствительность и специфичность (0,293). (C) Тепловая карта, показывающая долю предсказанных вирусов в каждой категории. (D ) Совокупное обнаружение видов, инфицирующих человека, когда вирусы имеют приоритет для последующего подтверждения в порядке, предложенном упакованной моделью. Пунктирными линиями выделена доля всех вирусов в данных обучения и оценки, которые необходимо проверить для обнаружения определенной доли известных вирусов, заражающих человека.Цвет фона выделяет присвоенные категории зоонозного потенциала отдельных обнаруженных вирусов (красный: очень высокий, оранжевый: высокий, желтый: средний и зеленый: низкий). Числовые данные, лежащие в основе этого рисунка, можно найти по адресу https://github.com/nardus/zoonotic_rank/tree/main/FigureData (doi: 10.5281 / zenodo.4271479). AUC — площадь под кривой рабочей характеристики приемника.
https://doi.org/10.1371/journal.pbio.3001390.g001
Затем мы количественно оценили производительность GBM, обученных составу генома (т. е.е., смещения использования кодонов, смещения аминокислот и смещения динуклеотидов), рассчитанные либо непосредственно из вирусных геномов («особенности вирусного генома»), либо на основе сходства состава вирусного генома с составом 3 различных наборов транскриптов генов человека (« черты человеческого сходства »): ISG, гены домашнего хозяйства и все остальные гены. Мы предположили, что если вирусам необходимо адаптироваться, чтобы либо уклоняться от надзора врожденным иммунитетом на чужеродные нуклеиновые кислоты, либо оптимизировать экспрессию генов у людей, они должны напоминать ISG, поскольку оба, как правило, одновременно экспрессируются в инфицированных вирусом клетках.Мы выбрали 2 дополнительных набора, включающих гены домашнего хозяйства, не относящиеся к ISG, и все оставшиеся гены, чтобы выяснить, являются ли сигналы специфичными для ISG. GBM, обученные с использованием наборов функций состава генома, при отдельном тестировании выполнялись аналогично (AUC m = 0,688–0,701) и неизменно превосходили модели, основанные только на родстве (как эвристические модели, основанные на таксономии, так и модели машинного обучения, обученные таксономии вирусов или филогенетическому соседству, рис. 1А). Объединение всех 4 наборов функций состава генома еще больше улучшило и уменьшило разброс в производительности (AUC m = 0.740, рис. 1А), предполагая, что показатели сходства с человеческими транскриптами содержали информацию, недоступную только на основе вирусных геномных особенностей. Напротив, добавление признаков родства к этой комбинированной модели снизило точность (AUC м = 0,726) и увеличило дисперсию (рис. 1A). Усреднение выходных вероятностей по лучшим 100 из 1000 итераций обучения на случайных тестовых / обучающих разделах данных (процесс, похожий на пакетирование, с использованием производительности ранжирования нецелевых вирусов для выбора высокопроизводительных моделей) дополнительно улучшило комбинированную модель на основе характеристик генома. (площадь под кривой рабочей характеристики приемника [AUC] = 0.773, рис. 1Б).
Чтобы оценить чувствительность и специфичность модели, мы преобразовали среднее значение прогнозируемых вероятностей заражения человека из упакованной модели в бинарные классификации (т.е. заражение человека или нет), предсказав вирусы с прогнозируемой вероятностью> 0,293 как заражающие человека. Это пороговое значение уравновешивает чувствительность и специфичность (оба значения 0,705, рис. 1C), хотя в принципе могут быть выбраны более высокие или более низкие пороговые значения для определения приоритета уменьшения ложноположительных или ложноотрицательных результатов, соответственно (рис. 1B).Эти бинарные прогнозы правильно идентифицировали 71,9% вирусов, которые преимущественно или исключительно инфицируют людей, и 69,7% зоонозных вирусов как заражающие человека, хотя эффективность варьировалась в зависимости от вирусных семейств (рис. 1С, рис. S3). Поскольку бинарные классификации игнорируют как изменчивость между итерациями, так и ранг вирусов относительно друг друга, мы дополнительно преобразовали прогнозируемые вероятности зоонозного потенциала в 4 категории зоонозного потенциала, описывая перекрытие доверительных интервалов (ДИ) с 0.293 отсечки сверху (низкий: весь 95% доверительный интервал предсказанной вероятности ≤ отсечки; средний: средний прогноз ≤ отсечка, но ДИ пересекает его; высокий: средний прогноз> отсечка, но ДИ пересекает его; очень высокий: весь ДИ> отсечка). Согласно этой схеме, большинство (92%) известных вирусов, инфицирующих человека, имеют либо средний (21,5%), либо высокий (47,1%), либо очень высокий (23,4%) зоонозный потенциал, в то время как только 8% ( N = 21) имели низкий зоонозный потенциал (S4 рис, S1 таблица). Было предсказано, что в общей сложности 18 вирусов, которые в настоящее время не считаются инфицированными людьми по нашим критериям, обладают очень высоким зоонозным потенциалом (S5 рис.), Хотя по крайней мере 3 из них ( Aura virus , Ndumu virus и Uganda S virus ). ) имеют серологические доказательства инфицирования человека [5,17], что позволяет предположить, что они могут быть достоверными зоонозами, а не модельными ошибочными классификациями.По всему набору данных 77,2% вирусов, которые, по прогнозам, обладают очень высоким зоонозным потенциалом, могут инфицировать людей (таблица S1). Следовательно, исследования, направленные на подтверждение инфекционности человека (например, путем попытки инфицирования клеточных линий человеческого происхождения или серологического тестирования людей в группах высокого риска) при скрининге вирусов в порядке, предлагаемом нашим рейтингом, позволили бы выявить 23,4% всех известных заражающие человека вирусы в этом наборе данных после скрининга только вирусов с очень высоким зоонозным потенциалом (9.2% всех вирусов). В более общем плане, 50% известных вирусов, заражающих человека, были бы обнаружены после скрининга 23,3% самых популярных вирусов и 75% после скрининга 48% самых популярных вирусов (рис. 1D). Напротив, если полагаться только на родство с известными зоонозами, для подтверждения первых 50% известных в настоящее время зоонозов потребовался бы скрининг либо 40,2% (модель на основе таксономии), либо 41,5% (модель на основе филогенетического соседства) вирусов, то есть 1,7- в 1,8 раза больше усилий по сравнению с нашей лучшей моделью (S6 Рис).
Поскольку особенности состава генома частично отслеживают эволюционную историю вирусов [10], вполне вероятно, что наши модели делали прогнозы, реконструируя таксономию более точно, чем оценка филогенетического соседства, или более детально, чем доступно для модели, основанной на таксономии. Поэтому мы сравнили дендрограммы, которые сгруппировали вирусы либо по таксономии, необработанным геномным признакам, либо по относительному влиянию каждой геномной особенности на предсказание модели для каждого вируса. Относительное влияние каждого геномного признака на результаты прогнозирования измерялось с помощью алгоритма аддитивных объяснений Шэпли (SHAP), который вычисляет значение Шепли для каждого признака и все чаще используется для улучшения интерпретируемости решений, принимаемых моделями машинного обучения [18].Значения Шепли получены из теории игр и представляют собой средний предельный вклад характеристики в прогноз для всех возможных комбинаций характеристик [19]. Таким образом, SHAP представляет сложные модели как более интерпретируемую линейную комбинацию значений, которые складываются в окончательный прогноз модели. Таким образом, значения SHAP дают независимую от модели меру того, насколько важны характеристики по отношению друг к другу при прогнозировании способности человека заражаться данным вирусом. Здесь высокий уровень сходства значений SHAP между вирусами может указывать на то, что они, по прогнозам, будут иметь одинаковый статус инфицирования человека из-за одинаковых паттернов в их геномных особенностях [20].Поэтому наш анализ спросил, в какой степени подобное использование одних и тех же геномных признаков соответствует установленным таксономическим отношениям между вирусами. В то время как дендрограммы с использованием необработанных значений признаков тесно коррелировали с таксономией вирусов как для заражающих людей, так и для других вирусов (γ = 0,617 и 0,492 по Бейкеру [21] соответственно, p <0,001), дендрограммы сходства SHAP имели 10,28 и 2,07 раз. снижение корреляции с таксономией вируса (γ = 0,060 и 0,238, хотя это все еще более коррелировано, чем ожидалось случайно, p ≤ 0.008; S7 Рис). Среди вирусов, заражающих человека, корреляция между кластеризацией на основе сходства SHAP и таксономией вирусов ослабевала на более глубоких таксономических уровнях, даже несмотря на то, что исходные геномные характеристики предоставили достаточно информации для частичного восстановления таксономии вирусов на уровнях царства, царства и типа (S8 рис.). Эти результаты показывают, что было доступно больше таксономической информации, чем было использовано обученной моделью для прогнозирования способности инфицирования человека. Интересно, что дендрограммы сходства SHAP показали, что даже вирусы с разными типами генома — что указывает на древнюю эволюционную дивергенцию или разное происхождение — объединяются в кластеры (Рис. 2A).Наряду с более ранними наблюдениями за производительностью классификатора (рис. 1A), это предполагает, что модель, основанная на составе генома, превзошла подходы, основанные на родстве, поскольку она обнаружила общие особенности вирусного генома, которые увеличивают вероятность заражения человека различными вирусами.
Рис. 2. Геномные детерминанты вирусов, инфицирующих человека.
(A) Значение SHAP кластеризация вирусов, которые, как известно, заражают людей (в первую очередь, ассоциированных с человеком, темно-фиолетовый и зоонозный, розовый), и вирусов, у которых неизвестна история заражения человека (синий цвет), показывает, что аналогичные характеристики предсказывают заражение человека различными вирусами. с разными типами генома (строками).Второй набор панелей показывает прогнозируемую вероятность заражения людей каждым вирусом, а пунктирная линия указывает порог, который уравновешивает чувствительность и специфичность. (B) Относительная важность отдельных признаков в формировании прогнозов, определяемая ранжированием признаков по среднему значению абсолютных значений SHAP для всех вирусов. Серые линии обозначают индивидуальные особенности; Коробчатые диаграммы показывают медианное значение 25 -го /75 -го процентилей и диапазон рангов для каждого набора характеристик. (C) Различие в рангах признаков, когда как без ссылки («Unref.»), Так и схожесть с геномами человека («Sim.») Формы были сохранены в окончательной модели. Линии окрашиваются в соответствии с наивысшим рангом представления в каждом попарном сравнении; цвета как в B. (D) Состав 25 наиболее важных кластеров коррелированных признаков, формирующих прогнозы. Дискретные кластеры коррелированных признаков были идентифицированы кластеризацией распространения сродства. Кластеры показаны ранжированными по суммарной величине эффекта составляющих признаков, определенной как сумма средних абсолютных значений SHAP для всех признаков в кластере, а типовая особенность каждого кластера представлена на правой оси.Столбцы представляют собой средние значения (± SEM) для 1000 итераций и закрашены в соответствии с долей кластера из каждого набора функций; цвета, как в B. Числовые данные, лежащие в основе этого рисунка, можно найти по адресу https://github.com/nardus/zoonotic_rank/tree/main/FigureData (doi: 10.5281 / zenodo.4271479). SHAP, Пояснения к добавкам Шапли.
https://doi.org/10.1371/journal.pbio.3001390.g002
Хотя наш анализ не был разработан для окончательного определения биологических механизмов, лежащих в основе геномных предикторов инфицирования человека, мы, тем не менее, смогли изучить новые закономерности, связанные с определением генома. особенности состава и группы признаков связаны с инфекционностью человека.Сначала мы сравнили относительное влияние признаков из разных категорий состава генома (то есть геномных признаков по сравнению с 3 наборами признаков человеческого сходства). Представители всех категорий состава генома были сохранены в окончательной модели, хотя мы обнаружили некоторые свидетельства того, что сходство состава с генами домашнего хозяйства человека и ISG влияло на прогнозы сильнее, чем на неосуществленные вирусные геномные особенности (рис. 2B и 2C, текст S1). Затем мы более подробно исследовали влияние отдельных функций на прогнозы модели.Неудивительно, что с учетом того, что GBM предназначены для прогнозирования большого количества малоинформативных признаков [22], ни одна особенность не выделялась в качестве движущей силы, и многие особенности сформировали коррелированные кластеры (Рис. 2D, S9, Рис.). Что еще более интересно, многие особенности имели сложные нелинейные отношения с инфекцией человека (S10 Рис.), Так что повышенное сходство с транскриптами генов человека не всегда увеличивало вероятность заражения людей (S1 Text). Мы предполагаем, что это может отражать компромиссы между различными особенностями вирусных геномов или зависимости от контекста, в результате чего и мимикрия человеческих транскриптов (например,g., для повышения эффективности трансляции) или расхождения с человеческими транскриптами (например, из-за уклонения от защиты от нацеливания на нуклеотидные мотивы) могут иметь место для различных признаков (текст S1).
Наконец, мы провели 2 тематических исследования, чтобы проиллюстрировать полезность нашей системы прогнозирования. Во-первых, мы использовали комбинированную модель на основе характеристик генома для ранжирования 758 видов вирусов, которые не присутствовали в наших обучающих данных. Мы включили все виды в последний выпуск таксономии Международного комитета по таксономии вирусов (ICTV) (№ 35, 24 апреля 2020 г.), принадлежащие к семействам вирусов, заражающих животных, и которые были первоначально обнаружены или секвенированы у млекопитающих (включая человека), птиц. , 2 отряда насекомых, содержащих распространенные вирусные векторы (Diptera и Ixodida), или в которых отобранный хозяин не был указан.Этот набор данных содержал представителей 38 вирусных семейств, в том числе 2 ( Anelloviridae и Genomoviridae ), которые не присутствовали в данных, используемых для обучения нашей модели. В целом, 70,8% вирусов, взятых у людей, были правильно идентифицированы как имеющие либо очень высокий ( N = 36), либо высокий зоонозный потенциал ( N = 44; Рис. 3A). Остальные вирусы, ассоциированные с человеком, были в первую очередь классифицированы как средний зоонозный потенциал ( N = 30), причем 3 вида, по прогнозам, имели низкий зоонозный потенциал ( ортореовирус млекопитающих и Человеческий гемикибивирус 2 и 3 ; Рис. 3A) .Внутри вирусных семейств, никогда ранее не наблюдавшихся нашей моделью, большинство связанных с человеком анелловирусов (39/45, 86,6%) были правильно идентифицированы как имеющие очень высокий или высокий зоонозный потенциал, что согласуется с выводом о том, что особенности вирусного генома, которые усиливают человеческий инфекционность может распространяться на вирусные семейства. Напротив, все 6 геномовирусов, ассоциированных с человеком, были классифицированы как зоонозные со средним или низким потенциалом. Более низкая эффективность геномовирусов может отражать необычную геномную структуру этого семейства (кольцевая, одноцепочечная ДНК), которая была плохо представлена при обучении (только 2 представителя из семейства Circoviridae; S1 Fig) и может накладывать разные селективные силы.Кроме того, небольшие размеры геномов геномовирусов (от 2,2 до 2,4 т.п.н.) могут усложнять расчет геномных характеристик из-за малого количества доступных нуклеотидов, динуклеотидов и кодонов (см. S3 Рис.). Среди 645 вирусов с неизвестной инфекционной способностью человека, которые были секвенированы на образцах нечеловеческих животных или потенциальных переносчиков, 45,0% имели либо очень высокий ( N = 41), либо высокий зоонозный потенциал ( N = 272; S11 Рис, S1 Стол). В категории с очень высоким зоонозным потенциалом доминировали Papillomaviridae (34.1%) и Peribunyaviridae (19,5%).
Рис. 3. Вероятность заражения человека, предсказанная на основе имеющихся вирусных геномов.
(A) Прогнозируемая вероятность заражения человека 758 видами вирусов, которых не было в обучающих данных. Цвета показывают присвоенные категории зоонозного потенциала, с дополнительной панелью, показывающей хозяина или группу векторов, из которых был взят образец каждого вирусного генома. Отметки по верхнему краю первой панели показывают расположение вирусных геномов, взятых у людей, а пунктирная линия показывает границу, которая уравновешивает чувствительность и специфичность обучающих данных.Первые 25 вирусов, образцы которых не были взяты у людей (выделены серым прямоугольником), более подробно проиллюстрированы в (B) . Столбцы показывают 95% межквартильный диапазон предсказанных вероятностей для 10% наиболее эффективных итераций (на основе данных обучения), а сплошная линия (A) или кружки (B) показывают среднюю предсказанную вероятность для этих итераций. Числовые данные, лежащие в основе этого рисунка, можно найти в таблице S1 и на https://github.com/nardus/zoonotic_rank/tree/main/FigureData (doi: 10.5281 / zenodo.4271479).
https://doi.org/10.1371/journal.pbio.3001390.g003
Затем мы использовали бета-регрессионную модель, чтобы изучить, как прогнозы зоонозного потенциала различаются между группами хозяев и вирусами. Как и ожидалось, учитывая эффективность наших данных обучения и оценки (рис. 1), 113 видов вирусов, которые были секвенированы на человеческих образцах, имели стабильно более высокие оценки, чем те, которые были обнаружены у других хозяев ( p <0,001; рис. 3A и 4D). Хотя вирусы от предполагаемых групп хозяев с высоким риском, включая летучих мышей, грызунов и парнокопытных, составляли значительную часть наших данных (при этом количество вирусов от летучих мышей превышало количество вирусов даже от человека, S11 Fig), они не имели повышенной прогнозируемой вероятности зоонозности ( Рис. 4C), и никаких различий не было обнаружено на более высоких таксономических уровнях хозяина (Рис. 4A и 4B).Это подчеркивает потенциальное несоответствие между текущими усилиями по отбору проб для обнаружения / сообщения о вирусах и распределением зоонозного риска. Напротив, вирусы, связанные с приматами, имели более высокую прогнозируемую вероятность заражения людей, даже с учетом связанных с человеком вирусов и эффектов семейства вирусов (рис. 3 и 4, рис. S11). Эти модели, основанные на составе генома, предсказывали повышенный зоонозный потенциал у вирусов, не связанных с человеческими приматами, несмотря на то, что не получали никакой информации об отобранных хозяевах, что дополнительно подтверждает опосредованные хозяином селективные процессы в качестве биологической основы для прогнозов нашей модели.В дополнение к относительно редким и небольшим эффектам хозяина, мы наблюдали более распространенные положительные и отрицательные эффекты семейства вирусов на прогнозируемый зоонозный статус (рис. 4E). Взятые вместе, наши результаты согласуются с ожиданием, что относительно близкая филогенетическая близость нечеловеческих приматов может способствовать обмену вирусом с людьми, и предполагают, что это может частично отражать общее избирательное давление на состав вирусного генома как у людей, так и у нечеловеческих приматов. Однако широкие различия между другими группами животных, по-видимому, меньше влияют на зоонозный потенциал, чем характеристики вируса [9].
Рис. 4. Факторы коррелировали с вероятностью заражения человека, предсказанной на основе вирусных геномов.
Графики частичных эффектов показаны для модели бета-регрессии, пытающейся объяснить среднюю вероятность, присвоенную упакованной моделью всем вирусам на рис. 3A, с учетом того, был ли предсказанный геном секвенирован от членистоногих (в отличие от хордовых), (A) , случайные эффекты для таксономического класса и порядка отобранных хозяев (B и C) , представляет ли последовательность, полученная из человеческого образца (D) , и случайный эффект для семейства вирусов (E ) .Точки указывают на частичные остатки, а линии и заштрихованные области соответственно показывают максимальную вероятность и 95% доверительный интервал частичных эффектов. КЭ, не включающие 0, выделены синим цветом. ДИ, доверительный интервал.
https://doi.org/10.1371/journal.pbio.3001390.g004
В нашем втором тематическом исследовании коронавирусы использовались для изучения способности нашей комбинированной модели, основанной на особенностях генома, различать разные виды вирусов в одном семействе и разные геномы внутри одного семейства. один вид вируса.В частности, мы прогнозировали зоонозный потенциал всех признанных в настоящее время видов коронавирусов, а также 62 геномов человеческого и животного происхождения Sarbecovirus , которые в настоящее время классифицируются ICTV как тяжелый острый респираторный синдром (SARS) — , связанный с коронавирусом [23] . Все известные коронавирусы, заражающие человека, были классифицированы как зоонозные со средним или высоким зоонозным потенциалом (рис. 5A). Мы также идентифицировали 2 дополнительных коронавируса, ассоциированных с животными, — Alphacoronavirus 1 и недавно описанный Sorex araneus coronavirus T14 — которые, по крайней мере, или более вероятно способны инфицировать людей, чем известные, высокопоставленные, заражающие людей. коронавирусы; их следует считать приоритетными для дальнейших исследований.В то время как эта рукопись находилась на пересмотре, рекомбинантный альфа-коронавирус 1 был обнаружен в мазках из носоглотки от пациентов с пневмонией, что еще больше усилило аргументы в пользу того, что этот вид может быть зоонозом [24]. Мы также наблюдали вариации в прогнозируемом зоонозном потенциале в пределах родов коронавирусов, что соответствовало нашему текущему пониманию этих вирусов. Alphacoronavirus и Betacoronavirus (роды, которые содержат известные виды, заражающие человека) также содержали незоонозные виды, которые, как было правильно предсказано, имеют низкий зоонозный потенциал, в то время как большинство дельта- и гаммакоронавирусов получили относительно низкие прогнозы (рис. 5A).Эти результаты дополнительно иллюстрируют способность наших моделей распознавать риск ниже уровня семейства или рода вирусов.
Рис. 5. Вероятность заражения человека, прогнозируемая на основе геномов коронавируса.
(A) Прогнозы для признанных в настоящее время видов Coronaviridae и для 3 вариантов коронавируса, связанного с SARS: SARS-CoV (изолят HSZ-Cc, образцы взяты в начале пандемии 2003 г.), SARS-CoV-2 (изолят Wuhan -Hu-1, отобранный в начале текущей пандемии) и близкородственный RaTG13 (отобранный из Rhinolophus affinis в 2013 г.).Дендрограмма иллюстрирует таксономические отношения с сокращенными названиями родов, аннотированными справа. Стрелками выделены известные виды, заражающие людей. Звездочки указывают на виды, отсутствующие в обучающих данных, также присутствующих на рис. 3А. (B) Прогнозы для разных представителей коронавируса, связанного с SARS. Источник выделения геномов, ассоциированных с животными, указан в скобках. Филогения максимального правдоподобия иллюстрирует отношения и была создана, как описано в [6]. Внешняя группа, BtKy72 (выборка в Кении в 2007 г.), не показана.На обеих панелях столбцы показывают 95% межквартильный диапазон предсказанных вероятностей для 10% наиболее эффективных итераций, исключая предсказываемые виды, а кружки показывают среднюю предсказанную вероятность для этих итераций. Числовые данные, лежащие в основе этого рисунка, можно найти в таблице S1 (панель A) и на https://github.com/nardus/zoonotic_rank/tree/main/FigureData (панель B; doi: 10.5281 / zenodo.4271479). MERS-CoV, Коронавирус, связанный с ближневосточным респираторным синдромом ; М . ricketti CoV Sax-2011, Myotis ricketti alphacoronavirus Sax-2011 ; CoV летучих мышей, родственный NL63, Штамм коронавируса летучих мышей, родственный NL63, BtKYNL63-9b ; N . velutinus CoV SC-2013, Nyctalus velutinus alphacoronavirus SC-2013 ; Р . ferrumequinum CoV HuB-2013, Rhinolophus ferrumequinum alphacoronavirus HuB- 2013; ОРВИ, тяжелый острый респираторный синдром; SARS-CoV-2, тяжелый острый респираторный синдром, коронавирус 2.
https://doi.org/10.1371/journal.pbio.3001390.g005
Среди сарбековирусов большинство геномов (85,5%) были классифицированы как имеющие средний зоонозный потенциал, включая возбудителя вспышки атипичной пневмонии 2003 года (рис. 5B). Интересно, однако, что тяжелый острый респираторный синдром Коронавирус 2 (SARS-CoV-2; возбудитель текущей пандемии коронавирусного заболевания 2019 [COVID-19]), близкородственный RaTG13 от летучих мышей-ринолофидов и все 5 близкородственных панголинов — Было предсказано, что ассоциированные протестированные изоляты обладают высоким зоонозным потенциалом (хотя ДИ между всеми протестированными сарбековирусами перекрывались, рис. 5В).Важно отметить, что эти прогнозы были сделаны с использованием итераций нашей модели, которые исключили из обучения геном SARS-CoV 2003 года или любой другой сарбековирус. Это открытие, вместе с нашим наблюдением, что относительно небольшое количество других заражающих животных, предположительно незоонозных коронавирусов имели аналогичные высокие баллы, предполагает, что повышенный риск SARS-CoV-2 и близкородственных геномов, обнаруженных у животных, можно было ожидать с помощью надзора на основе секвенирования. и, возможно, привели к действенным исследованиям или надзору до появления зоонозов любого сарбековируса (рис. 5).
Обсуждение
В эпоху быстрого открытия вирусов на основе генома рациональная приоритезация исследований и мероприятий по надзору остается нерешенной проблемой. Хотя были разработаны подходы к приоритизации известных, относительно хорошо охарактеризованных вирусов, основанные на ряде общих факторов риска [4–6], большое количество вирусов, которые все еще обнаруживаются, представляет собой узкое место для самой характеристики, необходимой для применения таких схем приоритезации, что требует использования заключения экспертов или суррогатных данных по родственным видам [6].Наши результаты показывают, что зоонозный потенциал вирусов может быть выведен в удивительно большой степени на основе их геномной последовательности, что превосходит существующие альтернативы. Действительно, наши результаты показывают, что обычные прокси зоонозного риска, которые могут быть применены к плохо охарактеризованным вирусам, включая таксономию вирусов и относительную филогенетическую близость к видам, заражающим человека [5,9,25], имеют ограниченную дискриминационную силу. Это имеет далеко идущие последствия для восприятия риска — хотя интуитивно предположить, что новые вирусы, которые тесно связаны с известными вирусами, заражающими человека, представляют собой угрозу, насколько нам известно, это предположение никогда не проверялось.Вызывает беспокойство то, что с некоторыми наборами обучающих данных такие модели, основанные на родстве, работали хуже, чем случайное предположение (AUC <0,5, рис. 1A), предполагая, что текущие неполные знания о разнообразии вирусов могут привести к совершенно неверным приоритетам при таких подходах. Напротив, модели, которые использовали особенности вирусных геномов, которые, по крайней мере, частично не зависели от таксономии вирусов, обобщали прогнозы для разных вирусов и обеспечивали возможность различать риски среди близкородственных видов вирусов.
Требуя только последовательности генома, наш подход имеет количественные и качественные преимущества перед альтернативными моделями оценки зоонозного риска. Наиболее полная альтернативная модель требует информации на уровне видов вируса о количестве публикаций (косвенный показатель для исследовательских усилий), разнообразии инфицированных хозяев, переносимости вируса переносчиками или нет и способности реплицироваться в цитоплазме [5]. Мы оцениваем аналогичную прогностическую эффективность для этой модели (AUC м = 0.770) с использованием только подмножества вирусов млекопитающих (см. Методы). Однако для новых вирусов нет ни исследований, ни знаний о диапазоне хозяев, и ограничение этой модели факторами, которые могут быть обоснованно выведены из таксономии вируса (статус передачи переносчиков и способность реплицироваться в цитоплазме), дает значительно худшие результаты (AUC m = 0,647), чем наш подход. Нам не удалось сравнить эффективность нашей модели с недавно разработанной системой приоритезации, основанной на экологических переменных, взвешенных по мнению экспертов, поскольку показатели эффективности не были предоставлены и не могли быть рассчитаны для сопоставимого набора вирусов с известным зоонозным статусом [6 ].Хотя мы подчеркиваем, что включенные вирусы и цели исследования различались, это ранжирование на основе генома, по-видимому, работает сопоставимо или лучше, чем доступные в настоящее время альтернативы, которые требуют гораздо большего и часто недоступны, данные подчеркивают удивительно информативные сигналы способности человека к заражению, содержащиеся в вирусах. геномы. Важно отметить, что с точки зрения оценки риска вирусов, модели, основанные исключительно на геномных последовательностях, могут быть применены намного раньше для выявления многих потенциальных зоонозов сразу после обнаружения вируса и секвенирования генома, когда данные о большинстве других факторов риска все еще неизвестны.В конечном итоге рейтинги на основе генома могут быть объединены с данными о дополнительных известных факторах риска по мере их появления [5,6].
Выделяя вирусы с наибольшим потенциалом превращения в зоонозные, ранжирование на основе генома позволяет более эффективно проводить дальнейшую экологическую и вирусологическую характеристику. Действительно, изучение вирусов в порядке, предлагаемом ранжированием на основе генома, обнаружит многие зоонозные вирусы намного раньше, чем современные таксономические или филогенетически обоснованные подходы (рис. 1D, рис. S6).Тем не менее, мы признаем, что даже после применения наших моделей значительному количеству вирусов, возможно, потребуется пройти подтверждающее тестирование (например, эксперименты на инфекционность на линиях клеток человеческого происхождения [26]) перед значительными дальнейшими инвестициями в исследования, и эта потребность будет только увеличиваться по мере продолжения обнаружение вирусов. Хотя эти цифры более поддаются контролю, учитывая, что экспериментальная проверка будет рассредоточена по таксономическим группам вирусов, которые будут изучены разными экспертами, усилия по увеличению успешности выделения вируса (необходимое условие для текущих методов проверки in vitro) и создание систем для высоких -пропускное тестирование диапазона хостов вирусов явно необходимо для повышения эффективности этого процесса [26,27].Такие усилия могут в дальнейшем генерировать ценные данные обратной связи, многократно улучшая производительность модели и, следовательно, уменьшая относительную долю новых вирусов, требующих дополнительных лабораторных испытаний.
Несколько линий доказательств, включая кластеризацию SHAP вирусов с разной структурой генома, точное предсказание заражения человека вирусами из семей, не участвующих в обучении, и предсказание зоонозного риска SARS-CoV-2 при утаивании данных от других зоонозных сарбековирусов — предположили, что наши модели делают прогнозы с использованием геномных характеристик, которые позволяют прогнозировать инфицирование человека в различных таксонах вирусов.С практической точки зрения это большое преимущество, поскольку это означает, что наша модель заимствует информацию из разных семейств и, следовательно, может предвидеть зоонозный потенциал вирусов, который из-за их редкости или отсутствия исторических прецедентов в противном случае не мог бы считаться высоким риском (иногда именуемой Болезнью X) [28]. С более широкой эволюционной точки зрения предполагаемое существование конвергентно эволюционирующих свойств в вирусных геномах, которые, по-видимому, предрасполагают к инфицированию человека, является открытием, заслуживающим дальнейшего механистического изучения.Обнадеживает тот факт, что обширная литература по разработке вакцин способствует синонимичному перекодированию вирусного геномного состава в масштабе всего генома и установила, что эти изменения могут резко повлиять на приспособленность вируса [29,30]. Наши результаты предоставляют путь, с помощью которого аналогичные подходы могут проверить, как выявленные нами особенности влияют на круг вирусных хозяев в целом и на способность инфицирования человека в частности. Это может выявить новые механизмы вирусной адаптации к человеку, которые могут представлять как биологически подтвержденные факторы риска для улучшения будущих моделей зоонозного потенциала, так и потенциальные терапевтические мишени.
Мы использовали отдельные образцы геномов от каждого вида вирусов, чтобы максимизировать вероятность обнаружения обобщаемых признаков заражения человека, избегая при этом показателей эффективности, которые были бы чрезмерно оптимистичными для новых вирусов. Потенциальным недостатком этого подхода было то, что мы упустили существенное вирусное разнообразие, которое еще официально не признано ICTV [3]. Однако мы утверждаем, что включение нераспознанных в настоящее время вирусов вряд ли улучшит прогнозы наших моделей, потому что (а) большинство из них будут заражены нечеловеческим образом (класс уже представлен в избытке) и, следовательно, предоставят мало дополнительной информации; (b) те, которые действительно заражают людей, обычно не будут известны из-за отсутствия исторических тестов, добавляющих вводящие в заблуждение сигналы; и (c) идентифицируемые прогностические характеристики часто охватывают разные семьи, что снижает влияние таксономических пробелов.Однако использование единичных геномов означает, что полученные здесь ранги относятся только к конкретным протестированным геномам (в большинстве случаев, эталонная последовательность NCBI, таблица S1) и могут не применяться одинаково ко всем штаммам внутри вида (рис. 5B). Мы также подчеркиваем, что наша модель предсказывает исходный зоонозный потенциал (т.е. способность инфицировать людей), который в конечном итоге будет зависеть от экологических возможностей для появления [31,32]. Кроме того, социальное воздействие эмерджентности будет зависеть от способности распространения от человека к человеку и от тяжести человеческого заболевания, что, вероятно, потребует дополнительных негеномных данных для прогнозирования [31,33].
Таким образом, мы построили геномную модель, которая может ретроспективно или проспективно предсказать вероятность того, что вирусы смогут заразить людей. Успех наших моделей требовал, чтобы аспекты состава генома рассчитывались как непосредственно из вирусных геномов, так и в единицах сходства с человеческими транскриптами, а некоторые вирусы были предсказаны как зоонозные из-за общих геномных признаков, несмотря на древнее эволюционное расхождение. Это подчеркивает потенциальное существование неизвестных в настоящее время фенотипических последствий состава вирусного генома, которые, по-видимому, влияют на диапазон вирусных хозяев в разных вирусных семействах.Независимо от задействованных механизмов эффективность наших моделей показывает, как все более распространенные и недорогие данные о последовательностях генома могут информировать решения о приоритетах исследования вирусов и надзора на самом раннем этапе обнаружения вируса практически без дополнительных финансовых или временных затрат.
Методы
Данные
Хотя нас в первую очередь интересовала зоонозная передача, мы обучили модели предсказывать способность заражать людей в целом, рассуждая о том, что паттерны, обнаруженные в вирусах, преимущественно поддерживаемых передачей от человека к человеку, могут содержать геномные сигналы, которые также применимы к зоонозным вирусам.Данные о способности заражать людей были получены путем объединения данных [5,9,17], которые содержат записи о зарегистрированных инфекциях человека на уровне видов, что привело к окончательному набору данных из 861 вида вирусов из 36 семейств. Во всех случаях считалось, что только вирусы, обнаруженные у людей с помощью ПЦР или секвенирования, обладают доказанной способностью инфицировать людей. Все вирусы, для которых не было обнаружено таких сообщений, считались не заражающими людей (при условии, что они были оценены на предмет потенциального заражения человека по крайней мере в одном из вышеуказанных исследований), хотя мы подчеркиваем, что многие из этих вирусов плохо охарактеризованы и, следовательно, могут быть нераспознанными или незарегистрированными зоонозами.Поэтому мы ожидаем дальнейшего улучшения наших моделей по мере того, как эти и новые вирусы будут лучше охарактеризованы. Для рисунков вирусы, заражающие человека, были далее разделены на вирусы, передаваемые главным образом от человека, и зоонозные вирусы на основе резервуаров вирусов, описанных в [9]. Вирусы, инфицирующие человека, резервуар для которых остается неизвестным, считались зоонозными, в то время как вирусы с резервуарным циклом как человека, так и нечеловеческого происхождения (например, вирус денге ) регистрировались как передаваемые в первую очередь от человека, что отражает основной источник заражения человека.Для каждого вида вируса был выбран репрезентативный геном, по возможности отдавая предпочтение последовательностям из базы данных RefSeq. Последовательности RefSeq, которые имели проблемы с аннотацией, представляли изоляты, подвергнутые обширному пассированию, или которые иным образом не считались репрезентативными для циркулирующего в природе вируса, были заменены альтернативными геномами.
Характеристики
Мы сравнили предсказательную силу всех классификаторов с той, которую можно было получить только на основе знания таксономического положения вируса.Это отражает интуитивное ожидание того, что вирусы могут быть оценены по риску на основе знаний о способностях заражения человека их ближайших известных родственников. Чтобы формализовать эту идею, мы сначала создали простую эвристику, которая ранжирует вирусы на основе доли других вирусов в том же семействе, которые, как известно, заражают людей («эвристика на основе таксономии» на рис. 1). Семейство вирусов было выбрано в качестве уровня сравнения, потому что не все вирусы классифицируются по схеме, включающей подсемейства, а более низкие таксономические уровни страдают из-за ограниченного размера выборки.Чтобы дополнительно охарактеризовать прогностическую силу таксономии вирусов, мы также включили потенциальные переменные-предикторы (здесь называемые функциями), описывающие таксономию вирусов, при обучении классификаторов. Они включали долю заражающих людей вирусов в каждом семействе (рассчитанную только по видам в обучающих данных) вместе с категориальными характеристиками, описывающими тип, подтип, класс, подкласс, порядок, подотряд и семейство, к которым был отнесен каждый вид (« таксономический набор признаков », 8 признаков). Эта информация была взята из версии 2018b основного списка видов ICTV (https: // talk.ictvonline.org/files/master-species-lists/). Чтобы уловить таксономические эффекты с более высокой разрешающей способностью, мы суммировали способность инфицирования человека ближайших родственников каждого вируса в обучающих данных (следуя [10], здесь называемому «набором признаков филогенетического соседства», 2 признака). Для расчета этих характеристик геном (или сегменты генома, если применимо) каждого вида вируса подвергался BLAST-нуклеотидной обработке в базе данных, содержащей геномы или сегменты генома для всех видов в обучающих данных.Все совпадения BLAST с е-значением ≤ 0,001 были сохранены и использованы для расчета доли вирусов, заражающих человека, в филогенетическом соседстве каждого вируса (за исключением текущего вида). Мы также рассчитали версию этой пропорции с поправкой на расстояние путем повторного взвешивания совпадений в соответствии с долей нуклеотидов p , соответствующих геному фокального вируса: где N — количество сохраненных совпадений BLAST для основных видов вируса и x i = 1, если совпадающие виды i способны инфицировать людей, и равны 0 в противном случае.Как исходная, так и скорректированная на расстояние пропорции использовались в унисон для определения филогенетического соседства, что позволяло классификаторам выбрать наиболее информативное представление или при необходимости объединить обе части информации. В случаях, когда вирус не получил совпадений с е-значением ≤ 0,001, обе пропорции были установлены на NA, чтобы отразить тот факт, что информация о филогенетическом соседстве не была доступна. Это происходило в среднем для 2% вирусов в каждом произвольном обучающем и тестовом наборе (см. Ниже).
Различные характеристики, обобщающие систематические ошибки в каждом вирусном геноме, были рассчитаны, как описано в [10]. К ним относятся смещения использования кодонов, смещения аминокислот, смещения динуклеотидов по всему геному, смещения динуклеотидов только по кодирующим областям, смещения динуклеотидов, охватывающих мостики между кодонами (то есть по основанию 3 предыдущего кодона и основанию 1 текущего кодона), и динуклеотидные предубеждения в небриджных позициях («вирусные геномные особенности», 146 признаков). Признаки сходства с транскриптами РНК человека были получены путем первого расчета вышеуказанных систематических ошибок для генов человека.Для каждого гена последовательность канонического транскрипта была получена из версии 96 Ensembl [34]. Гены были разделены на 3 взаимоисключающих набора, включающих ISG (взяты из [13]; N = 2054), гены домашнего хозяйства, не относящиеся к ISG ([35]; N = 3172) и остальные гены ( N = 9 565). Распределение наблюдаемых значений для каждой особенности генома было суммировано по всем генам в наборе путем вычисления эмпирической функции плотности вероятности с использованием версии 2.3.1 библиотеки EnvStats в R версии 3.5.1 [36]. Затем рассчитывалась окончательная оценка сходства для каждой особенности генома каждого вируса путем оценки этой функции плотности при значении, наблюдаемом в геноме вируса, что дает вероятность наблюдения этого значения среди транскриптов рассматриваемого набора генов человека (S12, рис.) . Это дало 3 набора признаков, названных «сходство с ISG», «сходство с генами домашнего хозяйства» и «сходство с остальными генами», каждый из которых содержит 146 признаков.
Обучение
Деревья классификации с градиентным усилением были обучены с использованием библиотек xgboost и caret (версии 0.90 и 6.0–85 соответственно) в R [37,38]. Обратите внимание: хотя на некоторых рисунках мы разделяем вирусы, передаваемые человеком, и зоонозные вирусы, во время обучения эти вирусы считались одним классом. Таким образом, модели были обучены отличать вирусы, заражающие людей, от вирусов, о которых не сообщалось.
Ряд моделей был обучен с использованием различных комбинаций отдельных наборов функций, описанных выше. Чтобы сократить время выполнения и возможное переоснащение на последующих этапах, функции были подвергнуты этапу предварительной проверки, чтобы удалить те, которые имеют небольшую прогнозную ценность или не имеют ее.На этом этапе предварительного отбора модели были обучены на случайном выборе 70% данных с использованием всех функций в соответствующей группе функций (например, всех функций сходства ISG). Обучающие наборы были отобраны с использованием стратифицированной выборки (т. Е. Путем раздельного отбора положительных и отрицательных примеров) для сохранения наблюдаемых частот положительных (известное заражение человека) и отрицательных (неизвестно, заражающих людей) видов вируса. Мы не смогли дополнительно стратифицировать выбор обучающей выборки по семействам вирусов из-за небольшого количества видов во многих семействах.Для всех гиперпараметров были сохранены значения по умолчанию, за исключением количества циклов обучения, которое было зафиксировано на 150. Важность каждой функции была суммирована по 100 итерациям, в которых одни и те же функции использовались для обучения модели на разных выборках из полной набор данных и большинство прогнозных функций N были сохранены. Диапазон возможных значений для N был оценен путем объединения всех наборов функций и использования выбранных функций для оптимизации и обучения окончательного набора итераций модели, как описано ниже.Окончательное значение N = 125 было выбрано в качестве точки, в которой дополнительные функции не обеспечивали дальнейшего улучшения производительности, измеренной как AUC (S13, фиг.). Здесь AUC измеряет вероятность того, что случайно выбранный вирус, заражающий человека, будет иметь более высокий рейтинг, чем случайно выбранный вирус, о котором не сообщалось, что он заражает людей. Когда данный набор функций или комбинация наборов функций содержала <125 функций, все функции сохранялись.
Окончательные модели были обучены с использованием сокращенных наборов функций.Чтобы оценить вариабельность точности в разных тренировочных наборах, тренировку повторяли 100 раз [10]. На каждой итерации обучение выполнялось на случайном, стратифицированном по классам выборе 70% доступных данных (здесь обучающий набор). Выходные вероятности были откалиброваны с использованием половины оставшихся данных (калибровочный набор, снова выбранный случайным образом и стратифицированный по статусу инфицирования человека), оставив 15% полного набора данных для оценки прогнозов модели (тестовый набор). На каждой итерации гиперпараметры выбирались с использованием 5-кратной перекрестной проверки обучающего набора с поиском по случайной сетке из 500 комбинаций гиперпараметров.Эта перекрестная проверка была адаптивной, оценивая каждую комбинацию параметров минимум в 3 раза, прежде чем продолжить перекрестную проверку только с наиболее многообещающими кандидатами [38]. Комбинация параметров, максимизирующая AUC по складкам, была выбрана и использована для обучения окончательной модели на всем обучающем наборе. Затем эту модель использовали для получения количественных оценок для каждого вида в калибровочном и тестовом наборах.
Затем выходы были откалиброваны, чтобы их можно было интерпретировать как вероятности с использованием метода бета-калибровки [39].Калибровочная модель соответствовала оценкам, полученным для калибровочного набора с использованием версии 0.1.0 пакета Betacal R. Подобранная калибровочная модель использовалась для получения окончательных выходных вероятностей для видов вирусов в тестовой выборке. Наконец, чтобы суммировать предсказанные вероятности от одной и той же модели, обученной на разных обучающих наборах, мы усреднили откалиброванные вероятности по наиболее эффективным итерациям (процесс, похожий на упаковку [10]; выполнено 1000 итераций). Получение видов вирусов из обучающих данных основывалось на 10% лучших итераций, в которых каждый вирус встречался в тестовой выборке.Таким образом, фокальный вирус не влиял на обучение или калибровку итераций, используемых при упаковке. Кроме того, производительность каждой итерации модели пересчитывалась при исключении фокальных видов из тестового набора, чтобы не допустить влияния точного предсказания фокального вируса на выбор итераций, используемых для упаковки в мешки. При прогнозировании вероятности заражения человека вирусами, которые были полностью отделены от обучения (то есть вирусов в нашем первом тематическом исследовании), мы использовали лучшие 10% итераций в целом.
Расчет функций филогенетического соседства представлял собой узкое место в итеративной стратегии обучения, описанной выше, потому что каждая итерация имела свою базовую базу данных BLAST, соответствующую конкретному выбранному обучающему набору. Это потребовало бы повторения поиска BLAST на каждой итерации. Чтобы преодолеть это, был выполнен одиночный поиск по принципу «все против всех», результаты которого и значения e впоследствии корректировались на каждой итерации, чтобы имитировать результат, который был бы получен при взрыве только по текущему набору обучающих данных.В частности, е-значения были пересчитаны, как описано в [40]: где m — длина запрашиваемой последовательности (в нуклеотидах), n — общее количество нуклеотидов в обучающем наборе (т. е. размер искомой базы данных), а S ‘- битовый ядро для этого конкретного выравнивание в исходном поиске взрыва.
Важность функций и кластеризация
Чтобы оценить изменчивость важности функций при учете всех вирусов, важность функций оценивалась на всех 1000 итерациях, произведенных для упаковки выше.В каждой итерации влияние характеристик оценивалось с использованием значений SHAP, аппроксимации значений Шепли, которые здесь описывают изменение прогнозируемых логарифмических вероятностей заражения людей, приписываемых каждой характеристике состава генома, использованной в окончательной модели [18]. На каждой итерации это давало значение SHAP для каждой комбинации вирус – признак. Общая важность каждой функции рассчитывалась как среднее абсолютных значений SHAP для всех вирусов в обучающей выборке данной итерации [20].
Поскольку функции, как правило, сильно коррелированы, мы также указываем значения важности для кластеров коррелированных функций, при этом важность каждого кластера для отдельных вирусов рассчитывается как сумма абсолютных значений SHAP для всех функций в кластере: где I c , j , i — важность кластера признаков c в определении выходной оценки вируса j в итерации i , N c — это количество компонентов в этом кластере, а S f , i , j — это значение SHAP для элемента f .Затем общая важность каждого кластера функций в данной итерации была рассчитана как среднее значение этих значений важности для всех вирусов в обучающих данных этой итерации:
кластеров признаков были получены с помощью кластеризации распространения сродства, которая направлена на выявление дискретных кластеров признаков, сосредоточенных вокруг репрезентативного признака (характерного признака) [41]. Функции были кластеризованы с использованием парных корреляций Спирмена в качестве меры сходства с использованием версии 1.4.8 библиотеки apcluster в R [42].
Для дальнейшего изучения закономерностей важности функций для разных видов вирусов мы следовали стратегии, аналогичной [20], кластеризации вирусов на основе средних значений SHAP, присвоенных отдельным функциям для каждого вируса на всех итерациях:
Эти значения были использованы для расчета попарных евклидовых расстояний между всеми видами вирусов с использованием версии 2.1.0 кластерной библиотеки в R [43]. Затем вирусы были кластеризованы с использованием агломеративной иерархической кластеризации, при этом расстояния между кластерами вычислялись как среднее расстояние между всеми точками в соответствующих кластерах (т.е.е., невзвешенный метод парных групп с кластеризацией среднего арифметического [UPGMA]). Чтобы изучить закономерности, общие для вирусов каждого класса, кластеризация проводилась отдельно для известных вирусов, заражающих человека, и других вирусов.
Чтобы сравнить эту основанную на объяснении кластеризацию с таксономией вирусов, мы также построили дендрограмму на основе таксономических назначений, записанных в версии 2018b основного списка видов ICTV, с использованием всех таксономических уровней от типа до подрода. Поскольку некоторые уровни таксономии ICTV не используются последовательно для всех вирусов, отсутствующие таксономические уровни были интерполированы для обеспечения точного представления основной таксономии.Например, для вирусов, которые не классифицируются в схеме, включающей подсемейства, повторяли следующий уровень ниже — род, тем самым рассматривая каждый род как принадлежащий к отдельному подсемейству. Категориальные таксономические распределения использовались для расчета попарных расстояний Гауэра между видами вирусов [44] перед выполнением агломеративной иерархической кластеризации, как описано выше. Мы также оценили способность основных значений признаков генома реконструировать таксономию вируса, выполнив иерархическую кластеризацию на матрице евклидовых расстояний, рассчитанной непосредственно на основе всех признаков состава генома (т.е., геном без ссылки, сходство ISG, сходство генов домашнего хозяйства и остающиеся наборы признаков сходства генов). Сходство между дендрограммами оценивалось с использованием индекса гамма-корреляции [21], реализованного в dendextend версии 1.12.0 в R [45]. Нулевое распределение для этой статистики было рассчитано путем случайного перемешивания меток (т. Е. Названий видов вирусов) обеих дендрограмм 1000 раз. Чтобы оценить таксономическую глубину, на которой дендрограммы были согласованными, индекс Фаулкса-Маллоуз был рассчитан в каждой возможной точке разреза в сравниваемых дендрограммах [46], снова с использованием библиотеки dendextend.Как и раньше, нулевое распределение генерировалось путем случайного перетасовки меток обеих дендрограмм 1000 раз.
Рейтинг удерживающих вирусов
Чтобы проиллюстрировать использование наших моделей на практике, модель с наилучшими характеристиками (т. Е. Упакованная модель, обученная с использованием 125 лучших характеристик, выбранных из всех наборов функций на основе состава генома, здесь называется «комбинированная модель на основе характеристик генома») был использован для создания прогнозов для набора удерживаемых вирусов. Мы включили все виды вирусов, признанные в последней версии таксономии ICTV (выпуск №35, 2019 г .; https: // talk.ictvonline.org/taxonomy), которые были из семейств, которые, как известно, содержат виды, которые заражают животных, но которые не встречались в наших обучающих данных, потому что они отсутствовали в ранее описанных базах данных о способности человека к заражению, используемых для формирования обучающих данных [5,9, 17]. Они включали все 36 семейств, представленных в данных обучения, а также Anelloviridae и Genomoviridae . Имена вирусов в обучающих данных были обновлены до последней таксономии и проверены на совпадения в соответствующем списке основных видов ICTV перед извлечением несоответствующих видов.Для каждого вида последовательность генома, указанная в ресурсе метаданных вируса ICTV, соответствующем этой версии таксономии (https://talk.ictvonline.org/taxonomy/vmr), была извлечена и использована для расчета характеристик состава генома, как описано выше. Хозяин, из которого был сгенерирован геном каждого вируса, был получен либо из соответствующей записи GenBank, либо из публикации, в которой впервые описана последовательность, либо из базы данных ArboCat. Эта информация о хозяевах была использована для дальнейшего подмножества вирусов, чтобы включить только те вирусы, отобранные у птиц, млекопитающих, двукрылых (включая распространенные переносчики, такие как комары и москиты) и Ixodida (клещи), или для которых отобранный хозяин не мог быть идентифицирован.Оценка проводилась с использованием каждого из 10% лучших из 1000 итераций, как описано выше, и усреднялась для получения окончательной вероятности выхода. ДИ для этих средних вероятностей были рассчитаны как квантили вероятностей 2,5% и 97,5%, полученные 10% лучших классификаторов. Тесты на влияние семейства вирусов и выбранных хозяев на прогнозируемую вероятность заражения людей были выполнены путем подбора модели бета-регрессии с использованием версии 1.8–27 библиотеки mgcv в R. Эта модель соответствовала средней прогнозируемой вероятности для каждого вируса как функции от того, был ли взят образец от человека-хозяина, получен ли образец от членистоногих (оба бинарных фиксированных эффекта), случайные эффекты для таксономического порядка и класса отобранных хозяев и случайный эффект для семейства вирусов.Графики частичных эффектов были созданы с использованием кода из [9].
Оценка производительности существующей модели
Чтобы сравнить характеристики наших моделей с ранее опубликованными экологическими моделями, мы загрузили подогнанные модели из [5]. Модель наилучших вирусных признаков, подобранная с исключением серологических обнаружений (названная «строгими данными» в [5], N = 408), затем была подвергнута режиму тестирования, аналогичному тому, который использовался для наших моделей. На протяжении 100 итераций модели обновлялись с использованием случайно выбранного подмножества, состоящего из 85% видов вирусов, использованных в [5].Затем каждая подобранная модель использовалась для прогнозирования вероятности зоонозности для оставшихся 15% видов. Это соответствовало стратегии оценки, используемой для наших собственных моделей (как показано на рис. 1A), с 85% данных, используемых во время обучения и калибровки, оставляя 15% данных для проверки точности модели. Прогнозы для каждой итерации использовались для расчета AUC с использованием версии 1.2.0 пакета ModelMetrics в R.
.Вспомогательная информация
S1 Текст. Предикторы состава вирусного генома инфицирования человека.
Расширенное обсуждение особенностей вирусного генома, определенных нашей моделью как важных для прогнозирования статуса инфицирования человека и потенциальных биологических механизмов, лежащих в основе их взаимосвязи с статусом инфицирования человека.
https://doi.org/10.1371/journal.pbio.3001390.s001
(PDF)
S1 Рис. Данные, использованные в этом исследовании для разработки и оценки модели.
Вирусы ( N = 861 вид), преимущественно передаваемые от человека (пурпурный) или от животных к человеку (зоонозы, розовый), были объединены в положительный класс вирусов, инфицирующих человека.Все остальные виды вирусов, для которых не было обнаружено человеческих инфекций (синий цвет), использовались в качестве отрицательного класса при обучении моделей. Числовые данные, лежащие в основе этого рисунка, можно найти по адресу https://github.com/nardus/zoonotic_rank/tree/main/FigureData (doi: 10.5281 / zenodo.4271479).
https://doi.org/10.1371/journal.pbio.3001390.s003
(PDF)
S2 Рис. Ранги вирусов, полученные с помощью моделей на основе родства, имеют ограниченную способность различать зоонозный потенциал близкородственных вирусов.
Вирусы из обучающих данных показаны ранжированными по их прогнозируемой вероятности заражения людей, произведенной упакованными версиями (A), модели на основе таксономического набора признаков и (B) модели на основе PN. На верхней панели каждого графика сплошная серая линия показывает средние вероятности суммирования, в то время как цветные полосы ошибок выделяют область, содержащую 95% прогнозов на основе итераций, используемых при упаковке. Пунктирная линия показывает границу, которая уравновешивает чувствительность и специфичность.Нижняя панель на каждом графике выделяет расположение вирусов из разных семейств (цветные полосы) и содержит темно-серый фон для ясности. Кластеризация зоонозного риска по семействам вирусов в модели, основанной на наборе таксономических признаков (A, нижняя панель), показывает, что эта модель неспособна различать вирусные таксоны высокого и низкого риска внутри вирусных семейств. Это было ожидаемо, поскольку эта модель содержала только функции, разрешенные на уровне семейства или выше. Ожидалось, что подход, основанный на сходстве последовательностей, будет работать лучше, но, хотя модель PN (B) действительно показывает улучшенное разрешение, она по-прежнему не позволяет разделить риск в рамках определенных вирусных семейств.Например, папилломавирусы и большинство флавирусов относятся к группе высокого риска, несмотря на присутствие незоонозных видов в каждом семействе. Напротив, модель состава генома была значительно более точной (рис. 1, рис. S3) и позволяла отнести вирусы из одного семейства к более широкому диапазону категорий риска (см. Рис. S4), что согласуется с нашим текущим биологическим пониманием того, что зоонозная способность варьируется в пределах вирусных семейств. Числовые данные, лежащие в основе этого рисунка, можно найти на https: // github.com / nardus / zoonotic_rank / tree / main / FigureData (doi: 10.5281 / zenodo.4271479). ПН, филогенетическое соседство.
https://doi.org/10.1371/journal.pbio.3001390.s004
(PDF)
S3 Рис. Специфические для семейства меры точности для комбинированной модели генома на основе признаков.
AUC здесь измеряет вероятность точного ранжирования известных вирусов, инфицирующих человека, над другими вирусами из того же семейства при ранжировании вирусов с использованием выходных данных модели с мешками на основе всех наборов признаков генома.Значения AUC не могли быть рассчитаны для семейств, содержащих <2 вируса, заражающего человека, или менее 2 вирусов, которые, как известно, не заражают людей. Эти семейства проиллюстрированы на нижнем графике в (A) , где ось y безразмерна, а перекрывающиеся точки сложены, и серыми полосами на (B). ДИ были рассчитаны с использованием метода [47, 48] и подчеркивают сложность оценки внутрисемейной AUC, учитывая относительно небольшое количество вирусов, известных в настоящее время в большинстве семейств. Мы не обнаружили очевидной таксономической закономерности в изменении значений AUC внутри семейства.Числовые данные, лежащие в основе этого рисунка, можно найти по адресу https://github.com/nardus/zoonotic_rank/tree/main/FigureData (doi: 10.5281 / zenodo.4271479). AUC — площадь под кривой рабочей характеристики приемника; ДИ, доверительный интервал.
https://doi.org/10.1371/journal.pbio.3001390.s005
(PDF)
S4 Рис. Неоднородные прогнозы зоонозного риска для видов внутри вирусных семейств.
Вирусы в обучающих данных ранжированы по их средней прогнозируемой вероятности заражения людей, полученной путем объединения итераций комбинированной модели на основе характеристик генома.На верхней панели сплошная серая линия показывает средние вероятности упаковки, а цветные полосы ошибок выделяют область, содержащую 95% прогнозов на основе итераций, используемых при упаковке. Пунктирная линия показывает границу, которая уравновешивает чувствительность и специфичность. Нижняя панель выделяет расположение вирусов из каждого семейства с помощью цветных полос и содержит темно-серый фон для ясности. Подробный список вирусов, их ранги и приоритеты см. В таблице S1. Прогнозы моделей внутри вирусных семейств охватывают категории риска, демонстрируя способность различать риск при более высоком таксономическом разрешении, чем модели, основанные на сохраненных характеристиках биологии вируса (например,g., способность реплицироваться в цитоплазме или передаваться членистоногими векторами) или альтернативные модели, основанные на таксономии или PN (S2 фиг.). Числовые данные, лежащие в основе этого рисунка, см. В таблице S1. ПН, филогенетическое соседство.
https://doi.org/10.1371/journal.pbio.3001390.s006
(PDF)
S5 Рис. Предполагаемые нераспознанные зоонозы, выявленные в данных обучения.
Точки и ДИ на левой панели показывают суммированное среднее значение и 95% доверительный интервал прогнозируемой вероятности заражения человека при использовании комбинированной модели на основе характеристик генома.Каждый показанный вид вируса был включен в обучающие данные, поскольку в настоящее время не известно, что он заражает людей, но, тем не менее, был отнесен к категории «очень высокий зоонозный потенциал» при включении в наборы тестов, что означает, что ≥95% упакованных итераций предсказывают, что эти вирусы как заражение человека. На правой панели показаны доказательства серологической инфекции 3 из этих вирусов (оранжевый) из [5,17]. Отсутствие серологических доказательств может отражать отсутствие диагностических тестов, отсутствие количественных ответов антител, отсутствие воздействия на человека или неспособность заразить людей.Числовые данные, лежащие в основе этого рисунка, см. В таблице S1. ДИ, доверительный интервал.
https://doi.org/10.1371/journal.pbio.3001390.s007
(PDF)
S6 Рис. Кумулятивная оценка видов, инфицирующих человека, когда вирусы имеют приоритет для последующих исследований или надзора в порядке, предложенном моделями, обученными различным наборам функций.
Для каждого набора функций (или комбинации наборов функций) вирусы были ранжированы на основе суммированных прогнозов для 100 лучших из 1000 итераций обучения.Пунктирными линиями выделена доля всех вирусов в данных обучения и оценки, которые необходимо проверить для обнаружения 50% известных вирусов, заражающих человека. Серые линии показывают диапазон кривых накопления, ожидаемых при случайном скрининге в наборе данных такого размера, смоделированном путем случайного перемешивания вирусов 1000 раз. Числовые данные, лежащие в основе этого рисунка, можно найти по адресу https://github.com/nardus/zoonotic_rank/tree/main/FigureData (doi: 10.5281 / zenodo.4271479).
https://doi.org/10.1371 / journal.pbio.3001390.s008
(PDF)
S7 Рис. Соответствие и несоответствие между особенностями состава вирусного генома, используемыми в моделях машинного обучения и таксономии вирусов.
Танглограммы сравнивают иерархическую кластеризацию вирусов по таксономии (слева на всех панелях) с кластеризацией по (A и B), признакам генома или (C и D) объяснения модели из комбинированной модели на основе признаков генома (значения SHAP) . Линии соединяют отдельные виды в каждой дендрограмме.Концевые ветви окрашены по семействам, а соединительные линии окрашены, чтобы обозначить вирусы, передаваемые человеком (фиолетовый), зоонозные (розовый) и другие вирусы (синий). Обратите внимание, что цвета, назначенные каждому семейству, зависят от порядка семейств в дендрограмме и были оптимизированы для различимости соседних семейств, то есть цвета не совпадают на разных панелях. Числовые значения, используемые для кластеризации, отображаются на рис. S10 и могут быть найдены по адресу https://github.com/nardus/zoonotic_rank/tree/main/FigureData (doi: 10.5281 / zenodo.4271479). SHAP, Пояснения к добавкам Шапли.
https://doi.org/10.1371/journal.pbio.3001390.s009
(PDF)
S8 Рис. Связь между вирус-специфическими объяснениями модельных прогнозов и таксономией.
Каждая панель измеряет сходство кластеризации (фиолетовая / синяя линия) при разделении таксономии вирусов и дендрограмм на основе признаков (верхняя строка) или на основе значений SHAP (нижняя строка) на различное количество кластеров. Таким образом, увеличение количества кластеров (k) сравнивает кластеризацию на все более мелких участках соответствующих дендрограмм (т.е.е., сравнивая более близкие вирусы). Подмножество таксономических уровней, соответствующих различным уровням подразделения, помечено для ориентации. Сходство кластеризации, равное 1, будет указывать на полное согласие в членстве всех кластеров, в то время как подобие 0 указывает на отсутствие согласия [46]. На всех панелях эмпирические нулевые распределения (серый цвет) были получены путем случайного перетасовки меток обеих дендрограмм 1000 раз. Сходства кластеризации, значимые на уровне 0,05 (после коррекции Бонферрони), показаны фиолетовым цветом, а значения, которые статистически не отличимы от эмпирического нулевого распределения, показаны синим цветом.Соответствие между всеми дендрограммами и таксономией вирусов в целом оказалось выше, чем ожидалось случайно. Однако кластеризация вирусов, инфицирующих человека, показывает несоответствие между тем, как функции генома используются в модели (измеренные с использованием значений SHAP, нижняя строка), и высшими уровнями таксономии вирусов, даже если такая информация была доступна среди входных функций. (Верхний ряд). В частности, как для вирусов, инфицирующих человека, так и для вирусов, не заражающих человека, соответствие между кластеризацией и таксономией вирусов снижается от семейства к уровням области в кластеризации на основе SHAP, но увеличивается в кластеризации на основе характеристик генома.Это указывает на то, что в то время как кластеризация на основе признаков генома близко отражает высокоуровневую таксономию вирусов, кластеризация на основе SHAP связывает различные вирусы (см. Рис. S7, панель C), что подразумевает использование аналогичных функций даже среди вирусов, не относящихся к таксономии. Числовые данные, лежащие в основе этого рисунка, можно найти по адресу https://github.com/nardus/zoonotic_rank/tree/main/FigureData (doi: 10.5281 / zenodo.4271479). SHAP, Пояснения к добавкам Шапли.
https://doi.org/10.1371/journal.pbio.3001390.s010
(PDF)
S9 Рис. Кластеризация показывает высокую корреляцию между различными типами признаков состава генома.
Дискретные кластеры объектов были получены с использованием кластеризации сродства распространения на основе корреляции Спирмена между всеми объектами, присутствующими в окончательной модели. Кластеры пронумерованы в соответствии с их относительной важностью, как показано на рис. 2D. Расстояния между объектами показаны в двух измерениях, полученных путем многомерного масштабирования попарной корреляционной матрицы.Отдельные кластеры показаны в разных масштабах в (A) для удобства чтения, а (B) показывает все кластеры в одном масштабе. Все точки показаны связанными с образцом этого кластера, который также выделен жирным шрифтом. Цвета показывают степень воздействия каждой функции на выходные данные комбинированной модели на основе функций генома, рассчитанную как среднее абсолютных значений SHAP для всех вирусов в обучающих данных и усредненные по всем 1000 итерациям обучения модели.Названия функций, сокращенные до одной буквы, указывают на смещения аминокислот, в то время как трехбуквенные коды, написанные заглавными буквами, указывают смещения кодонов. Динуклеотидные смещения сокращенно обозначаются формой «CpG» и рассчитывались отдельно для положений мостикового кодона (аббревиатуре предшествует «b», например, «bCpG»), положений без мостикового соединения (которым предшествует «n», например, «nCpG») и также во всех кодирующих последовательностях данного генома (без префикса, например, «CpG») или во всем геноме вируса (суффикс «.e», например, «CpG.e»). Числовые данные, лежащие в основе этого рисунка, можно найти на https: // github.com / nardus / zoonotic_rank / tree / main / FigureData (doi: 10.5281 / zenodo.4271479). SHAP, Пояснения к добавкам Шапли.
https://doi.org/10.1371/journal.pbio.3001390.s011
(PDF)
S10 Рис. Направленность взаимосвязей между значениями признаков состава генома и предполагаемой вероятностью заражения людей.
Каждая панель показывает дискретный кластер коррелированных функций, пронумерованных по относительной важности (см. Рис. 2D). Точки окрашены, чтобы показать влияние каждой функции на прогнозируемые логарифмические шансы того, что отдельный вирус заразит людей (т.е. значение SHAP для этой функции для данного вируса, полученное из комбинированной модели на основе характеристик генома и усредненное по всем 1000 итерациям). По оси абсцисс показаны наблюдаемые значения характеристик (с масштабом от 0 до 1 для размещения всех функций в одном масштабе) с точками, смещенными для приблизительной локальной плотности в местах перекрытия. Аббревиатуры признаков следуют шаблону, аналогичному таковому на S9 Fig, за исключением того, что смещению мостиковых и небриджных динуклеотидов предшествуют «br» или «nbr», соответственно. Заглавные буквы в круглых скобках обозначают набор человеческих генов, используемых в качестве базовых для расчета показателей композиционного сходства (I = ISG, H = гены домашнего хозяйства и R = оставшиеся гены).Имена, оканчивающиеся на «(e)», представляют характеристики, рассчитанные по всему геному; все остальные характеристики рассчитывались только с учетом кодирующих последовательностей. Образец каждого кластера выделен жирным шрифтом. Числовые данные, лежащие в основе этого рисунка, можно найти по адресу https://github.com/nardus/zoonotic_rank/tree/main/FigureData (doi: 10.5281 / zenodo.4271479). SHAP, Пояснения к добавкам Шапли.
https://doi.org/10.1371/journal.pbio.3001390.s012
(PDF)
S12 Рис. Иллюстративный расчет значений сходства признаков генома.
Гистограмма (светло-серые столбцы) показывает распределение систематической ошибки использования кодонов CTG, наблюдаемой среди человеческих генов, не относящихся к ISG. Это распределение использовалось для оценки эмпирической функции плотности вероятности (темно-серая линия). Оценка этой функции для значений одного и того же признака, наблюдаемого для конкретных вирусов, дала окончательные оценки сходства (красные точки, ось X представляет наблюдаемые значения, а ось Y — новую оценку сходства). Использование этого показателя сходства для оценки того, насколько хорошо геном каждого вируса имитирует конкретную популяцию генов человека, привело к перегруппировке вирусов, которая может помочь предсказать способность инфицировать людей.Поскольку оценки сходства рассчитывались с помощью функции плотности, вирусы со значениями признаков, значительно выходящими за пределы диапазона, наблюдаемого для данного набора генов человека, получали оценку 0, но такие случаи были редкими (0,025% рассчитанных оценок сходства, влияющих на 5% сходства). -связанные функции). Числовые данные, лежащие в основе этого рисунка, можно найти по адресу https://github.com/nardus/zoonotic_rank/tree/main/FigureData (doi: 10.5281 / zenodo.4271479).
https://doi.org/10.1371/journal.pbio.3001390.s014
(PDF)
S13 Рис. Ранжирование производительности при обучении классификаторов ограниченному количеству функций со всеми включенными наборами функций.
Коробчатые диаграммы и заштрихованные области иллюстрируют распределение значений AUC, полученных при обучении классификаторов на 100 случайных тестах: поезд: калибровка разбиений. Для каждого набора классификаторов были сохранены верхние N наиболее прогнозирующие признаки, выбранные из всех наборов функций, с указанием N на оси x. Числовые данные, лежащие в основе этого рисунка, можно найти на https: // github.com / nardus / zoonotic_rank / tree / main / FigureData (doi: 10.5281 / zenodo.4271479). AUC — площадь под кривой рабочей характеристики приемника.
https://doi.org/10.1371/journal.pbio.3001390.s015
(PDF)
Благодарности
Мы благодарим Лору Бергнер, Ричарда Ортона, Эндрю Шоу, Сэма Уилсона и Дэвида Робертсона за полезные обсуждения и предложения.
Ссылки
- 1. Кэрролл Д., Дашак П., Вулф Н. Д., Гао Г. Ф., Морель С. М., Морзария С. и др.Глобальный проект виром. Наука. 2018; 359: 872–4. pmid: 29472471
- 2. Холмс Е.К., Рамбаут А., Андерсен К.Г. Пандемии: тратьте деньги на наблюдение, а не на прогнозы. Природа. 2018; 558: 180–2. pmid: 29880819
- 3. Вилле М., Геогхеган Дж. Л., Холмс Э. Насколько точно мы можем оценить зоонозный риск? PLoS Biol. 2021; 19: e3001135. pmid: 33878111
- 4. Pulliam JRC, Dushoff J. Способность к репликации в цитоплазме предсказывает зоонозную передачу вирусов домашнего скота.J Infect Dis. 2009; 199: 565–8. pmid: 19281304
- 5. Оливал К.Дж., Хоссейни П.Р., Замбрана-Торрелио С., Росс Н., Богич Т.Л., Дашак П. Признаки хозяина и вируса предсказывают распространение зоонозов у млекопитающих. Природа. 2017; 546: 646–50. pmid: 28636590
- 6. Grange ZL, Goldstein T, Johnson CK, Anthony S, Gilardi K, Daszak P и др. Ранжирование риска передачи недавно обнаруженных вирусов от животных к человеку. Proc Natl Acad Sci U S A. 2021; 118. pmid: 33822740
- 7. Zhang Z, Cai Z, Tan Z, Lu C, Jiang T, Zhang G и др.Быстрая идентификация вирусов, заражающих человека. Transbound Emerg Dis. 2019; 66: 2517–22. pmid: 31373773
- 8. Бартошевич Ю.М., Зайдель А., Ренард Б. Интерпретируемое обнаружение новых вирусов человека на основе данных секвенирования генома. НАР Геном Биоинформ. 2021; 3. pmid: 33554119
- 9. Молленце Н, Штрайкер Д.Г. Риск вирусных зоонозов однороден среди таксономических отрядов млекопитающих и птиц-резервуаров-хозяев. Proc Natl Acad Sci U S. A. 2020; 117: 9423–30. pmid: 32284401
- 10.Бабаян С.А., Ортон Р.Дж., Штрейкер Д.Г. Прогнозирование резервуарных хозяев и векторов членистоногих по эволюционным сигнатурам в геномах РНК-вирусов. Наука. 2018; 362: 577–80. pmid: 30385576
- 11. Ротенбург С., Бреннан Г. Специфичные для вида взаимодействия хозяев и вирусов: последствия для диапазона вирусных хозяев и вирулентности. Trends Microbiol. 2020; 28: 46–56. pmid: 31597598
- 12. Таката М.А., Гонсалвес-Карнейро Д., Занг Т.М., Солл С.Дж., Йорк А., Бланко-Мело Д. и др. Подавление динуклеотидов CG делает возможной противовирусную защиту, нацеленную на чужеродную РНК.Природа. 2017; 550: 124–7. pmid: 28953888
- 13. Шоу А.Е., Хьюз Дж., Гу К., Бехденна А., Зингер Дж. Б., Деннис Т. и др. Основные свойства врожденной иммунной системы млекопитающих, выявленные при многовидовом сравнении ответов интерферона I типа. PLoS Biol. 2017; 15: 1–23. pmid: 29253856
- 14. Дженкинс GM, Холмс EC. Степень предвзятости использования кодонов в вирусах РНК человека и ее эволюционное происхождение. Virus Res. 2003; 92: 1–7. pmid: 12606071
- 15. Гринбаум Б.Д., Левин А.Дж., Бханот Г., Рабадан Р.Паттерны эволюции и мимикрия генов-хозяев у вирусов гриппа и других РНК. PLoS Pathog. 2008; 4: e1000079. pmid: 18535658
- 16. Шакелтон Л.А., Пэрриш К.Р., Холмс Е.С. Эволюционные основы использования кодонов и смещения нуклеотидного состава в вирусах ДНК позвоночных. J Mol Evol. 2006; 62: 551–63. pmid: 16557338
- 17. Woolhouse MEJ, Brierley L. Эпидемиологические характеристики инфекционных РНК-вирусов человека. Научные данные. 2018; 5: 180017. pmid: 29461515
- 18.Лундберг С.М., Ли С.И. Единый подход к интерпретации прогнозов модели. В: Guyon I, Luxburg UV, Bengio S, Wallach H, Fergus R, Vishwanathan S и др., Редакторы. Материалы 31-й международной конференции по нейронным системам обработки информации. Лонг-Бич, Калифорния, США; 2017. с. 4765–74.
- 19. Шепли LS. Ценность игр для n человек. В: Kuhn HW, Tucker AW, редакторы. Вклад в теорию игр. Princeton: Princeton University Press; 1953. с. 307–18.Доступно по ссылке: https://doi.org/10.1515/9781400881970-018
- 20. Лундберг С.М., Эрион Дж., Чен Х., ДеГрав А., Пруткин Дж. М., Наир Б. и др. От локальных объяснений до глобального понимания с объяснимым ИИ для деревьев. Nat Mach Intell. 2020; 2: 56–67. pmid: 32607472
- 21. Бейкер FB. Устойчивость двух методов иерархической группировки. Случай 1: чувствительность к ошибкам в данных. J Am Stat Assoc. 1974; 69: 440–5.
- 22. Friedman JH. Аппроксимация жадной функции: машина для повышения градиента.Ann Stat. 2001; 29: 1189–232.
- 23. Coronaviridae Study Group Международного комитета по таксономии вирусов. Виды Коронавирус, связанный с тяжелым острым респираторным синдромом: классификация 2019-nCoV и присвоение ему названия SARS-CoV-2. Nat Microbiol. 2020; 5: 536–44. pmid: 32123347
- 24. Власова А.Н., Диаз А., Дамти Д., Сю Л., То Т-Х, Ли Дж. С.-Й и др. Новый собачий коронавирус, выделенный у госпитализированного пациента с пневмонией в Восточной Малайзии. Clin Infect Dis.2021. pmid: 34013321
- 25. Washburne AD, Crowley DE, Becker DJ, Olival KJ, Taylor M, Munster VJ, et al. Таксономические закономерности зоонозного потенциала вирусов млекопитающих. PeerJ. 2018; 6: e5979. pmid: 30519509
- 26. Летко М, Зайферт С.Н., Оливал К.Дж., Плаурайт Р.К., Мюнстер В.Дж. Разнообразие вирусов, переносимых летучими мышами, распространение и появление. Nat Rev Microbiol. 2020; 18: 461–71. pmid: 32528128
- 27. Летко М., Марзи А., Мюнстер В. Функциональная оценка входа в клетки и использования рецепторов для SARS-CoV-2 и других бета-коронавирусов линии B.Nat Microbiol. 2020; 5: 562–9. pmid: 32094589
- 28. Всемирная организация здравоохранения. Ежегодный обзор болезней, приоритетных в Плане исследований и разработок, 2018 г. Женева, Швейцария: Всемирная организация здравоохранения; 2018. Доступно по адресу: https://www.who.int/news-room/events/detail/2018/02/06/default-calendar/2018-annual-review-of-diseases-prioritized-under-the-research -anddevelopment-blueprint
- 29. Коулман Дж. Р., Папамихаил Д., Скиена С., Футчер Б., Виммер Е., Мюллер С.Ослабление вируса из-за изменений в масштабе генома при смещении пар кодонов. Наука. 2008; 320: 1784–7. pmid: 18583614
- 30. Мартинес М.А., Джордан-Пайс А., Франко С., Невот М. Перекодирование синонимического вирусного генома как инструмент воздействия на вирусную пригодность. Trends Microbiol. 2016; 24: 134–47. pmid: 26646373
- 31. Морс С.С., Мазет Дж.К., Вулхаус М., Пэрриш С.Р., Кэрролл Д., Кареш В.Б. и др. Прогнозирование и предотвращение следующей пандемии зоонозов. Ланцет. 2012; 380: 1956–65. pmid: 23200504
- 32.Плаурайт Р.К., Пэрриш С.Р., МакКаллум Х., Хадсон П.Дж., Ко А.И., Грэм А.Л. и др. Пути распространения зоонозов. Nat Rev Microbiol. 2017; 15: 502–10. pmid: 28555073
- 33. Геогеган Дж. Л., старший менеджер по специальности, Джаллонардо Ф. Д., Холмс ЕС. Вирусологические факторы, повышающие трансмиссивность возникающих вирусов человека. Proc Natl Acad Sci U S. A. 2016; 113: 4170–5. pmid: 27001840
- 34. Каннингем Ф., Ачутан П., Аканни В., Аллен Дж., Амод М. Р., Армеан И. М. и др. Ансамбль 2019.Nucleic Acids Res. 2019; 47: D745–51. pmid: 30407521
- 35. Айзенберг Э., Леванон Э.Ю. Возвращение к генам домашнего хозяйства человека. Тенденции Genet. 2013; 29: 569–74. pmid: 23810203
- 36. Миллард SP. EnvStats: пакет R для статистики окружающей среды. Нью-Йорк: Спрингер; 2013.
- 37. Чен Т., Гестрин С. XGBoost: масштабируемая система повышения качества дерева. Материалы 22-й Международной конференции ACM SIGKDD по открытию знаний и интеллектуальному анализу данных.Сан-Франциско, Калифорния, США: Ассоциация вычислительной техники; 2016. с. 785–94. https://doi.org/10.1145/2939672.2939785
- 38. Кун М. Построение прогнозных моделей в R с помощью пакета каретки. J Stat Softw. 2008; 28. pmid: 27774042
- 39. Kull M, Filho TMS, Flach P. Помимо сигмоидов: как получить хорошо откалиброванные вероятности от бинарных классификаторов с бета-калибровкой. Электрон Дж. Статист. 2017; 11: 5052–80.
- 40. Альтшул С.Статистика оценок сходства последовательностей. В: Документация BLAST [Интернет]. [цитируется 2 сентября 2020 г.]. Доступно по адресу: https://www.ncbi.nlm.nih.gov/BLAST/tutorial/Altschul-1.html.
- 41. Фрей Б.Дж., Дюк Д. Кластеризация путем передачи сообщений между точками данных. Наука. 2007. 315: 972–6. pmid: 17218491
- 42. Bodenhofer U, Kothmeier A, Hochreiter S. APCluster: пакет R для кластеризации сродства распространения. Биоинформатика. 2011; 27: 2463–4. pmid: 21737437
- 43.Maechler M, Rousseeuw P, Struyf A, Hubert M, Hornik K. Кластер: основы и расширения кластерного анализа. 2019.
- 44. Gower JC. Общий коэффициент подобия и некоторые его свойства. Биометрия. 1971; 27: 857.
- 45. Galili T. dendextend: пакет R для визуализации, настройки и сравнения деревьев иерархической кластеризации. Биоинформатика. 2015; 31: 3718–20. pmid: 26209431
- 46. Фаулкс Э.Б., Мальвас CL. Метод сравнения двух иерархических кластеров.J Am Stat Assoc. 1983; 78: 553.
- 47. Делонг ER, Делонг DM, Кларк-Пирсон DL. Сравнение областей под двумя или более коррелированными кривыми рабочих характеристик приемника: непараметрический подход. Биометрия. 1988; 44: 837. pmid: 3203132
- 48. Sun X, Xu W. Быстрое внедрение алгоритма Делонга для сравнения областей под коррелированными кривыми рабочих характеристик приемника. IEEE Signal Process Lett. 2014; 21: 1389–93.
Выявление сотрудников, работающих полный рабочий день | Налоговая служба
Основная информация
Определение того, какие сотрудники являются штатными сотрудниками, является центральным элементом положений о совместной ответственности работодателя.Работодатель должен указать своих штатных сотрудников в рамках определения:
- Если это ООВ и, следовательно, на него распространяются положения о совместной ответственности работодателя;
- Кому он должен предлагать минимально необходимое покрытие, чтобы избежать выплаты работодателю за совместную ответственность; и
- Сумма любой потенциальной ответственности по выплате совместной ответственности работодателя. Обратите внимание, что работодатель не обязан рассчитывать размер своих обязательств и не должен производить платеж, не связавшись с IRS.
Определение штатного сотрудника
Для целей положений о совместной ответственности работодателя, штатным сотрудником в течение календарного месяца считается сотрудник, работающий в среднем не менее 30 часов в неделю или 130 часов работы в месяц.
Существует два метода определения статуса штатного сотрудника:
- Ежемесячный метод измерения и
- Метод ретроспективного измерения.
При ежемесячном методе измерения работодатель ежемесячно определяет, является ли сотрудник штатным сотрудником, проверяя, отработал ли сотрудник не менее 130 часов в месяц.
Согласно методу ретроспективного измерения, работодатель может определить статус сотрудника как штатного сотрудника в течение периода, называемого периодом стабильности, на основе количества часов службы сотрудника в предыдущем периоде, т.е. называется периодом измерения. Метод ретроспективного измерения может , а не использоваться для определения статуса штатного сотрудника в целях определения статуса ALE.
Для получения дополнительной информации о каждом из этих методов см. Раздел 54.4980H-3 правил ESRP.
Часы работы
Час обслуживания составляет:
- Каждый час, за который работник получает оплату или имеет право на оплату за выполнение своих обязанностей перед работодателем, и
- Каждый час, за который работник получает оплату или имеет право на получение оплаты от работодателя в течение периода времени, в течение которого не выполняются обязанности из-за отпуска, отпуска, болезни, нетрудоспособности (включая инвалидность), увольнения, работы присяжных, военной службы или отпуск.
Исключение из определения часа работы относится к услугам, выполняемым в определенных рамках, которые не учитываются как часы работы в соответствии с положениями о совместной ответственности работодателя:
- Волонтеры — Часы добросовестной волонтерской работы в государственном учреждении или освобожденной от налогов организации не считаются часами работы.
- Студенты, выполняющие работу-учебу — Часы работы не включают часы, выполняемые студентами в рамках федеральной программы рабочего обучения или по существу аналогичной программы штата или политического подразделения.
- Члены религиозных орденов — До тех пор, пока не будет выпущено дальнейшее руководство, при определенных обстоятельствах религиозному ордену разрешается не засчитываться в качестве часа служебной работы, выполняемой лицом, получившим обет бедности. Чтобы это исключение применялось, служащий должен быть членом религиозного ордена и выполнять задачи, которые обычно требуются от активных членов этого ордена.
- Компенсация, не являющаяся источником дохода в США — Часы работы не включают часы, за которые сотрудник получает компенсацию, которая облагается налогом как доход из источников за пределами США (обычно это означает определенную работу за границей).
Для получения дополнительной информации об этих исключениях см. Нашу страницу вопросов и ответов и раздел 54.4980H-1 (a) (24) правил ESRP.
Применение часов работы к определенным категориям сотрудников
Определенные категории сотрудников имеют часы работы, которые особенно сложно определить или отследить. В других случаях общие правила определения часов работы в положениях о совместной ответственности работодателя могут представлять особые трудности.Для этих работников работодатели должны использовать разумный метод начисления часов работы, который соответствует положениям о совместной ответственности работодателя. В преамбуле положений о совместной ответственности работодателя содержится руководство для следующих категорий по определенным методам определения часов работы, которые являются разумными, и по некоторым другим методам, которые являются необоснованными:
- Дополнительный факультет
- Сотрудники авиационной отрасли и другие лица, работающие в часы простоя
- Сотрудники, работающие в дежурное время
Дополнительную информацию об определении часов работы для определенных категорий сотрудников см. В разделе «Вопросы и ответы» №23 на нашей странице «Вопросы и ответы» и в разделе VI.C преамбулы к регламенту ESRP .
Дополнительная информацияБолее подробную информацию о положениях о совместной ответственности работодателя можно найти в наших вопросах и ответах. Министерство финансов и IRS также выпустили следующие юридические инструкции, касающиеся положений о совместной ответственности работодателя:
Дополнительная информация также доступна в этом информационном бюллетене PDF, выпущенном Министерством финансов США.
Управление безопасностью — идентификация и оценка опасностей
Одной из «основных причин» травм, заболеваний и происшествий на рабочем месте является неспособность идентифицировать или распознать опасности, которые присутствуют или которые можно было предвидеть.Важнейшим элементом любой эффективной программы по охране труда и технике безопасности является непрерывный упреждающий процесс выявления и оценки таких опасностей.
Для выявления и оценки опасностей, работодатели и работники:
- Соберите и изучите информацию об опасностях, существующих или вероятных на рабочем месте.
- Проводить первоначальные и периодические проверки рабочего места на рабочем месте для выявления новых или повторяющихся опасностей.
- Расследуйте травмы, заболевания, инциденты и близкие вызовы / опасные ситуации, чтобы определить основные опасности, их причины и недостатки программы безопасности и здоровья.
- Сгруппируйте похожие инциденты и определите тенденции в сообщаемых травмах, заболеваниях и опасностях.
- Учитывайте опасности, связанные с чрезвычайными или нестандартными ситуациями.
- Определите серьезность и вероятность инцидентов, которые могут возникнуть для каждой идентифицированной опасности, и используйте эту информацию для определения приоритетности корректирующих действий.
Некоторые опасности, такие как домашнее хозяйство и опасность споткнуться, можно и нужно устранять по мере их обнаружения. Устранение опасностей на месте подчеркивает важность безопасности и здоровья и позволяет воспользоваться преимуществами лидерства в области безопасности.Чтобы узнать больше об устранении других опасностей, выявленных с помощью описанных здесь процессов, см. «Предотвращение и контроль опасностей».
Действие 1: Сбор существующей информации об опасностях на рабочем месте
Мероприятие 2: Проверить рабочее место на предмет угроз безопасности
Действие 3: Определить опасность для здоровья
Мероприятие 4: Провести расследование инцидентов
Действие 5: Выявление опасностей, связанных с чрезвычайными и нестандартными ситуациями
Пункт действий 6: охарактеризовать характер выявленных опасностей, определить временные меры контроля и определить приоритеты опасностей для контроля
Действие 1: Сбор существующей информации об опасностях на рабочем месте
Информация об опасностях на рабочем месте может быть уже доступна работодателям и работникам как из внутренних, так и из внешних источников.
Как этого добитьсяСобирайте, систематизируйте и просматривайте информацию вместе с рабочими, чтобы определить, какие типы опасностей могут присутствовать и какие рабочие могут подвергаться или потенциально подвергаться воздействию. Информация, доступная на рабочем месте, может включать:
- Руководство по эксплуатации оборудования и машин.
- Паспорта безопасности (SDS), предоставляемые производителями химикатов.
- Отчеты о самопроверках и отчеты о проверках от страховых компаний, государственных учреждений и консультантов.
- Записи о предыдущих травмах и заболеваниях, такие как журналы OSHA 300 и 301, а также отчеты о расследованиях инцидентов.
- Записи и отчеты о компенсациях рабочим.
- Паттерны частых травм и болезней.
- Результаты мониторинга воздействия, оценки промышленной гигиены и медицинские записи (отредактированы соответствующим образом для обеспечения конфиденциальности пациента / работника).
- Существующие программы безопасности и здоровья (блокировка / маркировка, замкнутые пространства, управление безопасностью процесса, средства индивидуальной защиты и т. Д.)).
- Вклад работников, включая опросы или протоколы заседаний комитета по безопасности и охране труда.
- Результаты анализа опасностей на рабочем месте, также известного как анализ безопасности труда.
Информация об опасностях может быть получена из внешних источников, например:
- OSHA, Национальный институт профессиональной безопасности и здоровья (NIOSH), а также веб-сайты, публикации и предупреждения Центров по контролю и профилактике заболеваний (CDC).
- Торговые ассоциации.
- Профсоюзы, комитеты / коалиции по безопасности и гигиене труда на уровне штатов и местные («группы COSH») и группы защиты интересов работников.
- Консультанты по безопасности и охране здоровья.
Мероприятие 2: Проверить рабочее место на предмет угроз безопасности
Опасности могут возникать со временем, когда рабочие станции и процессы меняются, оборудование или инструменты изнашиваются, не выполняется техническое обслуживание или ухудшаются методы ведения домашнего хозяйства. Выделение времени для регулярного осмотра рабочего места на предмет опасностей может помочь выявить недостатки, чтобы их можно было устранить до того, как произойдет инцидент.
Как этого добиться- Проводить регулярные проверки всех операций, оборудования, рабочих зон и сооружений. Попросите рабочих принять участие в инспекционной группе и поговорить с ними об опасностях, о которых они видят или о которых они сообщают.
- Обязательно документируйте проверки, чтобы позже можно было убедиться, что опасные условия устранены. Сделайте фотографии или видео проблемных областей, чтобы облегчить последующее обсуждение и мозговой штурм о том, как их контролировать, а также для использования в качестве учебных пособий.
- Включите в эти проверки все области и виды деятельности, такие как хранение и складирование, техническое обслуживание помещений и оборудования, закупки и офисные функции, а также деятельность местных подрядчиков, субподрядчиков и временных сотрудников.
- Регулярно проверяйте как заводские транспортные средства (например, вилочные погрузчики, промышленные грузовики с приводом), так и транспортные средства (например, легковые и грузовые автомобили).
- Используйте контрольные списки, которые выделяют то, что нужно искать. Типичные опасности делятся на несколько основных категорий, например перечисленные ниже; у каждого рабочего места будет свой список:
- Общие хозяйственные работы
- Опасность поскользнуться, споткнуться и упасть
- Опасность поражения электрическим током
- Эксплуатация оборудования
- Техническое обслуживание оборудования
- Противопожарная защита
- Организация работы и последовательность процессов (включая укомплектование персоналом и расписание)
- Практика работы
- Насилие на рабочем месте
- Эргономические проблемы
- Отсутствие экстренных процедур
- Перед изменением операций, рабочих станций или рабочего процесса; внесение серьезных организационных изменений; или внедрять новое оборудование, материалы или процессы, запрашивать мнение работников и оценивать запланированные изменения на предмет потенциальных опасностей и связанных с ними рисков.
Примечание: Многие опасности можно идентифицировать с помощью общих знаний и доступных инструментов. Например, вы можете легко определить и устранить опасности, связанные со сломанными перилами лестницы и изношенными электрическими шнурами. Рабочие могут быть очень полезным внутренним ресурсом, особенно если они обучены тому, как выявлять и оценивать риски.
Действие 3: Выявить опасности для здоровья
Выявление подверженности работников опасностям для здоровья, как правило, более сложно, чем выявление угроз физической безопасности.Например, газы и пары могут быть невидимыми, часто без запаха и могут не оказывать сразу заметного вредного воздействия на здоровье. Опасности для здоровья включают химические опасности (растворители, клеи, краски, токсичная пыль и т. Д.), Физические опасности (шум, радиация, тепло и т. Д.), Биологические опасности (инфекционные заболевания) и факторы эргономического риска (подъем тяжестей, повторяющиеся движения, вибрация). Просмотр медицинских записей работников (отредактированных надлежащим образом для обеспечения конфиденциальности пациента / работника) может быть полезным при выявлении опасностей для здоровья, связанных с воздействием на рабочем месте.
Как этого добиться- Определите химические опасности — просмотрите паспорт безопасности и этикетки продуктов, чтобы определить химические вещества на вашем рабочем месте, которые имеют низкие пределы воздействия, являются очень летучими или используются в больших количествах или в непроветриваемых помещениях. Определите действия, которые могут привести к воздействию химических веществ на кожу.
- Определите физических опасностей — определите любое воздействие чрезмерного шума (области, где вы должны повышать голос, чтобы вас услышали другие), повышенной температуры (внутри и снаружи) или источников излучения (радиоактивные материалы, рентгеновские лучи или радиочастоты радиация).
- Выявить биологических опасностей — определить, могут ли рабочие подвергаться воздействию источников инфекционных заболеваний, плесени, токсичных или ядовитых растений или материалов животного происхождения (мех или помет), способных вызвать аллергические реакции или профессиональную астму.
- Определите факторы эргономического риска. — изучите рабочие виды деятельности, требующие подъема тяжестей, работы выше уровня плеч, повторяющихся движений или задач со значительной вибрацией.
- Проведите количественных оценок воздействия. — по возможности, используя отбор проб воздуха или приборы для прямого считывания.
- Изучите медицинские записи — чтобы выявить случаи травм опорно-двигательного аппарата, раздражения кожи или дерматита, потери слуха или заболеваний легких, которые могут быть связаны с воздействием на рабочем месте.
Примечание: Выявление и оценка опасностей для здоровья могут потребовать специальных знаний. Малые предприятия могут получить бесплатные и конфиденциальные консультации по вопросам безопасности и гигиены труда, включая помощь в выявлении и оценке опасностей на рабочем месте, через Программу консультаций OSHA на местах.
Действие 4: Провести расследование инцидентов
Инциденты на рабочем месте — включая травмы, болезни, близкие вызовы / опасные ситуации и сообщения о других проблемах — дают четкое указание на то, где существуют опасности. Тщательно исследуя инциденты и отчеты, вы определите опасности, которые могут нанести вред в будущем. Целью расследования всегда должно быть определение первопричин (а их часто более одной) инцидента или беспокойства, чтобы предотвратить их появление в будущем.
Как этого добиться- Разработайте четкий план и процедуру для проведения расследования инцидентов, чтобы расследование могло начаться немедленно, когда инцидент произошел. План должен охватывать такие вопросы, как:
- Кто будет задействован
- Линии связи
- Необходимые материалы, оборудование и принадлежности
- Формы и шаблоны отчетности
- Обучите следственные группы методам расследования инцидентов, уделяя особое внимание объективности и непредвзятости на протяжении всего процесса расследования.
- Проведите расследования с помощью обученной группы, в которую входят представители как руководства, так и рабочих.
- Расследуйте близкие вызовы / промахи.
- Выявить и проанализировать основные причины для устранения основных недостатков программы, которые привели к возникновению инцидентов.
- Сообщите результаты расследования менеджерам, руководителям и работникам, чтобы предотвратить повторение.
Эффективное расследование инцидентов не останавливается на выявлении единственного фактора, спровоцировавшего инцидент.Они задают вопросы «Почему?» и «Что привело к провалу?» Например, если какое-то оборудование выходит из строя, хорошее расследование спрашивает: «Почему оно вышло из строя?» «Это было должным образом поддержано?» «Это было вне срока его службы?» и «Как можно было предотвратить эту неудачу?» Точно так же хорошее расследование инцидента не прекращается, когда делается вывод о том, что работник допустил ошибку. Он задает такие вопросы, как: «Был ли работник обеспечен соответствующими инструментами и временем для выполнения работы?» «Был ли рабочий должным образом обучен?» и «Правильно ли контролировался работник?»
Примечание: OSHA предъявляет особые требования к отчетности о производственных происшествиях, которые приводят к серьезным травмам или смертельному исходу (29 CFR 1904.39). OSHA должна быть уведомлена в течение 8 часов после смертельного случая на работе и в течение 24 часов после ампутации, потери глаза или госпитализации.
Действие 5: Определить опасности, связанные с чрезвычайными и нестандартными ситуациями
Чрезвычайные ситуации представляют собой опасности, которые необходимо распознать и понять. Нерегулярные или нечастые задачи, в том числе работы по техническому обслуживанию и запуску / останову, также представляют потенциальную опасность. Необходимо разработать планы и процедуры для надлежащего и безопасного реагирования на опасности, связанные с предсказуемыми сценариями аварийных ситуаций и нестандартными ситуациями.
Как этого добиться- Определите прогнозируемые сценарии чрезвычайных ситуаций и нестандартные задачи, принимая во внимание типы используемых материалов и оборудования, а также расположение на предприятии. Возможны следующие сценарии:
- Пожары и взрывы
- Химические выбросы
- Разливы опасных материалов
- Ввод в эксплуатацию после плановых или внеплановых остановок оборудования
- Нерегулярные задачи, такие как редко выполняемые работы по техническому обслуживанию
- Обрушение конструкции
- Вспышки болезней
- Чрезвычайные погодные условия и стихийные бедствия
- Скорая медицинская помощь
- Насилие на рабочем месте
Пункт действий 6: охарактеризовать характер выявленных опасностей, определить временные меры контроля и определить приоритеты опасностей для контроля
Следующим шагом является оценка и понимание выявленных опасностей и типов инцидентов, которые могут возникнуть в результате воздействия этих опасностей на рабочих.Эта информация может быть использована для разработки временных мер контроля и определения приоритетов опасностей для постоянного контроля.
Как этого добиться- Оцените каждую опасность, учитывая серьезность потенциальных последствий, вероятность того, что событие или воздействие произойдет, а также количество рабочих, которые могут подвергнуться воздействию.
- Используйте временные меры контроля для защиты работников до тех пор, пока не будут реализованы более постоянные решения.
- Расставьте по приоритетам опасности, чтобы в первую очередь устранять те, которые представляют наибольший риск.Однако обратите внимание, что работодатели несут постоянное обязательство контролировать все серьезные опасные факторы и защищать работников.
Примечание: «Риск» — это продукт опасности и воздействия. Таким образом, риск можно снизить, контролируя или устраняя опасность или уменьшая подверженность работников опасностям. Оценка риска помогает работодателям понимать опасности в контексте их собственного рабочего места и расставлять приоритеты для постоянного контроля.
Идентификация рисков | Корпорация MITRE
Определение: Идентификация риска — это процесс определения рисков, которые потенциально могут помешать программе, предприятию или инвестициям достичь своих целей.Это включает в себя документирование и сообщение о проблеме.
Ключевые слова: риск, идентификация рисков, управление рисками
MITER SE Роли и ожидания: Системные инженеры (SE) MITRE, работающие над государственными программами, должны выявить риски, которые могут повлиять на проект и программу. Ожидается, что они напишут и проанализируют заявления о рисках, которые будут ясными, недвусмысленными и подтвержденными доказательствами [1].
Фон
Идентификация рисков — критически важный первый шаг процесса управления рисками, изображенного на Рисунке 1.
Рис. 1. Основные этапы управления рисками [2]Целью идентификации рисков является раннее и постоянное выявление событий, которые, если они произойдут, окажут негативное влияние на способность проекта достичь поставленных целей по производительности или возможностям. Они могут поступать как внутри проекта, так и из внешних источников.
Существует несколько типов оценок рисков, включая оценки программных рисков, оценки рисков для поддержки инвестиционного решения, анализ альтернатив и оценки операционной или стоимостной неопределенности.Идентификация рисков должна соответствовать типу оценки, необходимой для принятия решений с учетом рисков. Для программы приобретения первым шагом является определение целей и задач программы, что способствует общему пониманию в команде того, что необходимо для успеха программы. Это дает контекст и ограничивает объем, в котором выявляются и оцениваются риски.
Выявление рисков в программе системного проектирования
Есть несколько источников риска. Для выявления рисков команда проекта должна проанализировать объем программы, оценку затрат, график (включая оценку критического пути), техническую зрелость, ключевые параметры производительности, проблемы производительности, ожидания заинтересованных сторон итекущий план, внешние и внутренние зависимости, проблемы реализации, интеграция, совместимость, возможность поддержки, уязвимости цепочки поставок, способность справляться с угрозами, отклонения в стоимости, ожидания тестовых событий, безопасность, безопасность и многое другое. Кроме того, исторические данные по аналогичным проектам, интервью с заинтересованными сторонами и списки рисков дают ценную информацию об областях для рассмотрения риска.
Идентификация рисков — это итеративный процесс. По мере продвижения программы будет собираться дополнительная информация о программе (например,g., конкретный дизайн), а заявление о рисках будет скорректировано, чтобы отразить текущее понимание. Новые риски будут выявляться по мере продвижения проекта по жизненному циклу.
Передовой опыт и извлеченные уроки
Операционный риск. Поймите операционный характер поддерживаемых вами возможностей и риск для конечных пользователей, их задач и операций, связанных с возможностями. Понимание эксплуатационных потребностей / миссии (см. Тему «Разработка концепции» Руководства по системному проектированию) поможет вам оценить серьезность рисков и их влияние на конечных пользователей.Это критически важная часть анализа рисков — осознание реального воздействия, которое может произойти, если риск возникает во время эксплуатационного использования. Обычно операционные пользователи готовы принять некоторый уровень риска, если они могут выполнить свою миссию (например, обеспечение выполнения миссии), но вам необходимо помочь пользователям понять риски, которые они принимают, и оценить доступные варианты, балансы и альтернативы. .
Техническая зрелость. Работайте с отраслью и академическими кругами и используйте их, чтобы понять, какие технологии будут рассматриваться в качестве усилий, и о вероятном переходе технологии с течением времени.Один из подходов — работать с поставщиками в соответствии с соглашением о неразглашении, чтобы понять возможности и куда они идут, чтобы можно было оценить риск.
Предметы, не связанные с развитием (NDI). NDI включает коммерческие и государственные товары. Чтобы управлять рисками, подумайте о жизнеспособности провайдера NDI. Есть ли у провайдера доля рынка? Достаточно ли долговечен провайдер по сравнению с конкурентами? Как поставщик решает проблемы с возможностями, выпускает исправления и т. Д.? Какова пользовательская база конкретного NDI? Может ли провайдер продемонстрировать NDI, желательно в условиях, аналогичных настройкам вашего клиента? Может ли правительство использовать NDI для создания прототипа? Все эти факторы помогут оценить риск жизнеспособности NDI и поставщика. Поищите ответы на эти вопросы у других сотрудников MITRE, которые работали в данной области или использовали оцениваемый NDI.
Комплектующие драйверы. Подчеркните критически важные возможности, особенно те, которые имеют ограниченные альтернативы.Оцените и определите основные движущие силы приобретения и подчеркните связанный с ними риск при формулировании рекомендаций по снижению рисков. Если конкретный аспект возможности не является критическим для ее успеха, необходимо оценить его риск, но не обязательно, чтобы он был в центре внимания управления рисками. Например, если есть риск для предлагаемого пользовательского интерфейса, но на рынке есть множество альтернатив, успех предлагаемого подхода, вероятно, менее важен для общего успеха возможности.С другой стороны, функция информационной безопасности может иметь решающее значение. Если потребность удовлетворяет только один альтернативный подход, на него следует делать упор. Определите основные движущие силы успеха, оценив потребности и планы, а также определив существующие альтернативы. На пути к успеху находится уникальное решение? Убедитесь, что анализ критического пути включает весь цикл системного проектирования, а не только разработку (т.е. разработка системы сама по себе может быть «простым делом», но выход в активную операционную ситуацию может быть серьезным риском).
Используйте развитие возможностей для управления рисками. Если конкретные требования приводят к реализации возможностей, которые сопряжены с высоким риском из-за уникальной разработки, требований к производительности и т. Д., Требования следует обсудить с пользователями на предмет их критичности. Может случиться так, что потребность может быть отложена, и сообществу разработчиков следует оценить, когда она может быть удовлетворена в будущем. Помогите пользователям и разработчикам оценить, какой риск (а также влияние на график и стоимость) должна принять на себя конкретная возможность по сравнению с требованиями, чтобы получить менее рискованные возможности раньше.При разработке рекомендаций учитывайте техническую осуществимость и знание соответствующих успехов и неудач в реализации, чтобы оценить риск реализации сейчас, а не в будущем. Откладывая возможности, будьте осторожны, чтобы не попасть в ловушку откладывания окончательного отказа, обменяв краткосрочные легкие успехи на будущее с множеством требований с высоким риском, которые могут иметь важное значение для общего успеха.
Ключевые параметры производительности (КПП). Работайте в тесном сотрудничестве с пользователями, чтобы установить KPP.Общий риск отмены программы может быть связан с невыполнением КПП. Работайте с пользователями, чтобы убедиться, что параметры соответствуют потребностям миссии и технически осуществимы. Параметры не должны быть настолько мягкими, чтобы их можно было легко выполнить, но они не должны соответствовать потребностям миссии; при этом они не должны быть настолько строгими, чтобы их нельзя было выполнить без значительных усилий или развития технологий, которые могут поставить программу под угрозу. Ищите результаты прошлых операций, экспериментов, оценок производительности и отраслевых внедрений, чтобы определить выполнимость производительности.
Внешние и внутренние зависимости. Наличие корпоративной точки зрения может помочь покупателям, менеджерам программ, разработчикам, интеграторам и пользователям оценить риск, связанный с зависимостями усилий по разработке. С появлением сервис-ориентированных подходов программа станет более зависимой от доступности и работы сервисов, предоставляемых другими, которые они намереваются использовать при разработке своей программы. Работайте с разработчиками сервисов, чтобы гарантировать создание качественных сервисов, и продумывается их поддержка и развитие.Работайте с персоналом программы развития, чтобы оценить доступные услуги, их качество и риски, которые несет программа при использовании и использовании услуги. Точно так же существует риск, связанный с созданием сервиса, а не с использованием сервисов другого предприятия. Помогите определить риски и потенциальные преимущества создания внутренней службы разработки с возможным переходом на корпоративную службу в будущем.
Интеграция и взаимодействие (I&I). I&I почти всегда будет основным фактором риска. Это формы зависимостей, в которых ценность интеграции или взаимодействия оценивается как преодоление присущих им рисков. Такие методы, как создание архитектуры корпоративной федерации, возможности комбинирования по требованию и шаблоны проектирования, могут помочь правительству спланировать и реализовать маршрут для управления рисками I&I. Обратитесь к разделу Enterprise Engineering Руководства по системному проектированию, чтобы найти статьи о методах устранения рисков, связанных с I&I.
Информационная безопасность. Информационная безопасность — это риск почти в каждом развитии. Отчасти это связано с уникальностью потребностей и требований государства в этой области. Отчасти это связано с присущими им трудностями в противодействии кибератакам. Создание защитных возможностей, позволяющих охватить весь спектр атак, сложно и рискованно. Помогите правительству разработать подходы к обеспечению отказоустойчивости (например, планы действий в чрезвычайных обстоятельствах, резервное копирование / восстановление и т. Д.). Обеспечение обмена информацией между системами в коалиционных операциях с международными партнерами создает технические проблемы и вопросы политики, которые приводят к риску развития.Вопросы информационной безопасности, связанные с управлением цепочкой поставок, настолько обширны и сложны, что даже поддержание элементарной осведомленности об угрозах является огромной проблемой.
Уровень умения. Уровень навыков или опыта разработчиков, интеграторов, правительства и других заинтересованных сторон может привести к рискам. Следите за тем, чтобы у вас не хватило навыков, и охватите всю корпорацию, чтобы заполнить все пробелы. Поступая таким образом, помогайте обучать членов правительственной команды, одновременно применяя корпоративные навыки и опыт.
Риски затрат. Программы обычно создают государственную смету расходов с учетом рисков. По мере того, как вы разрабатываете и уточняете технические и другие риски программы, соответствующие сметы также должны изменяться. Оценка стоимости не является разовым мероприятием.
Историческая информация как руководство по идентификации рисков. Историческая информация из аналогичных государственных программ может дать ценную информацию о будущих рисках. Ищите информацию об операционных проблемах и рисках в различных извлеченных уроках эксплуатации, после отчетов о действиях, сводок учений и результатов экспериментов.У клиентов часто есть их репозитории для доступа. Руководители правительства обычно сообщают о своих стратегических потребностях и проблемах. Поймите их и учитывайте при оценке наиболее важных возможностей, необходимых вашему клиенту, и в качестве основы для оценки рисков.
Исторические данные, помогающие оценить риск, часто можно получить из прошлых оценок эффективности и уроков, извлеченных из программ закупок и подрядчиков. Во многих случаях сотрудники MITRE будут помогать правительству в подготовке информации об эффективности конкретного приобретения.У AF есть Руководство по оценке прошлых результатов (PPEG), в котором определяется тип информации, которую необходимо собирать, которая может быть использована для выбора источников в правительстве в будущем [3]. Это хранилище информации может помочь предоставить справочную информацию о предыдущих проблемах и о том, где они могут возникнуть снова — как для конкретного типа деятельности по разработке, так и для конкретных подрядчиков.
Существует множество технических оценок продуктов поставщиков, к которым можно получить доступ, чтобы определить риск и жизнеспособность различных продуктов.Одним из хранилищ MITER оценок инструментов является Analysis Toolshed, который содержит руководство и опыт работы с аналитическими инструментами. Использование подобных ресурсов и поиск других, кто опробовал продукты и методы на прототипах и в экспериментах, могут помочь оценить риски для конкретных усилий.
Как написать риск — — передовой опыт [2]. Лучшим протоколом для написания заявления о риске является конструкция Condition-If-Then . Этот протокол применяется к процессам управления рисками, разработанным практически для любой среды.Это признание того, что риск по своей природе вероятен и, если он возникает, имеет нежелательные последствия.
Что такое конструкция Condition-If-Then ? Condition отражает то, что известно сегодня. Это основная причина идентифицированного события риска. Таким образом, Условие — это событие, которое произошло, происходит в настоящее время или обязательно произойдет. Рисковые события — это будущие события, которые могут произойти из-за существующего условия Condition .Ниже приведена иллюстрация этого протокола.
Если — это событие риска, связанное с присутствующим Условие . Критически важно распознать If и Condition как двойные. При совместном рассмотрении могут быть способы прямого вмешательства или устранения основного корня рискового события (, условие ), чтобы последствия этого события, если оно произойдет, больше не угрожали проекту. If — это вероятностная часть заявления о риске.
Тогда — это следствие или набор последствий, которые повлияют на проект инженерной системы, если произойдет событие риска. Пример конструкции Condition-If-Then показан на рисунке 2.
Рис. 2. Написание риска — передовой опыт «Условие-если-Тогда»Поощряйте команды выявлять риски. Культура некоторых государственных проектов и программ не способствует выявлению рисков. Это может возникнуть из-за того, что действия по управлению рисками по отслеживанию, мониторингу и снижению рисков считаются обременительными и бесполезными.В этой ситуации может быть полезно поговорить с командами о преимуществах выявления рисков и неспособности управлять всем этим в ваших головах (например, определить приоритетность, кто должен быть вовлечен, действия по смягчению). Помогите правительственным командам в выполнении процесса, который уравновешивает управленческие инвестиции и ценность результатов проекта. В целом, хороший баланс достигается, когда объем проекта, график и целевые показатели затрат выполняются или успешно смягчаются планами действий, и команда проекта считает, что действия по управлению рисками приносят пользу проекту.Межкомандное представительство — must ; риски не должны определяться отдельным лицом или строго группой инженеров систем (см. источники риска выше).
Учитывайте организационные факторы и факторы окружающей среды. Организационные, культурные, политические и другие факторы окружающей среды, такие как поддержка заинтересованных сторон или приоритеты организации, могут представлять для проекта такой же или больший риск, чем одни только технические факторы. Эти риски следует выявлять и активно снижать на протяжении всего срока реализации проекта.Действия по смягчению последствий могут включать мониторинг законодательных мандатов или чрезвычайных изменений, которые могут повлиять на миссию программы или проекта, организационные изменения, которые могут повлиять на требования пользователей или полезность возможностей, или изменения в политической поддержке, которые могут повлиять на финансирование. В каждом случае рассмотрите риск для программы и определите варианты действий для обсуждения с заинтересованными сторонами. Дополнительные сведения см. В статье «Планирование, внедрение и мониторинг процесса снижения рисков».
Включите заинтересованные стороны в идентификацию рисков. У проектов и программ обычно есть несколько заинтересованных сторон, которые привносят различные аспекты риска в результаты. В их число входят операторы, которые могут быть перегружены новыми системами; пользователи, которые могут быть не обучены должным образом или опасаются за свою работу; руководители, которые могут не поддерживать новую способность, потому что она, кажется, снижает их авторитет; и лица, определяющие политику, которые озабочены утверждением законодательства и затратами. Кроме того, важно включить все заинтересованные стороны, такие как органы сертификации и аккредитации, которые, если их случайно упустить из виду, могут создать серьезные риски на более поздних этапах программы.Заинтересованные стороны могут быть хорошо осведомлены о различных экологических факторах, таких как незаконченное законодательство или поддержка политической программы, которые могут представлять риски для проекта, неизвестные правительству или проектной группе MITRE. Включите заинтересованные стороны в процесс выявления рисков, чтобы помочь выявить эти риски.
Напишите четкие заявления о рисках. Использование формата Condition-If-Then помогает сообщить и оценить заявление о рисках и разработать стратегию снижения рисков. Основная причина — это лежащее в основе Условие , которое привело к возникновению риска (например,g., причиной может быть проектный подход), If отражает вероятность (например, оценку вероятности того, что часть заявления о риске If должна была произойти), а Then сообщает о воздействии на программу. (например, увеличение ресурсов для поддержки тестирования, дополнительный график и забота о производительности). Стратегия смягчения последствий почти всегда лучше, если она основана на четко сформулированном заявлении о рисках.
Ожидайте изменений в заявлении о рисках по мере разработки стратегии оценки и снижения рисков. Обычно формулировки рисков уточняются после того, как группа оценивает влияние. При оценке и документировании потенциального воздействия риска (стоимость, график, технические или временные рамки) понимание и формулировка риска могут измениться. Например, при оценке влияния риска отставания в расписании программного обеспечения, заявление о риске может быть уточнено, чтобы включить дату необходимости и / или дальнейшее уточнение воздействия (например, если программное обеспечение xyz не будет доставлено к марту 2015 г., тогда не будет достаточно времени для тестирования обменов интерфейсом перед ограниченным пользовательским тестом).
Не включайте заявление о снижении риска в заявление о риске. Будьте осторожны, чтобы не попасть в ловушку включения заявления о снижении риска в заявление о риске. Риск — это неопределенность с потенциальным негативным воздействием. Некоторые быстро приходят к выводу о снижении риска и вместо определения риска, который следует уменьшить (с определенными вариантами снижения), они определяют риск как неоптимальный подход к проектированию. Например, заявление о риске может быть таким: Если подрядчик не использует XYZ для тестирования, то тест завершится неудачно.Проблема действительно в достаточности тестов. Если подрядчик не проводит тест с измеримыми результатами для анализа, тогда программа может не пройти ограниченное пользовательское тестирование. Использование XYZ может быть вариантом снижения риска недостаточности теста.
Не переходите к стратегии смягчения последствий до оценки вероятности и воздействия риска. Риск может быть уточнен или изменен с учетом дальнейшего анализа, который может повлиять на наиболее эффективное / желаемое снижение риска. Инженеры часто переходят к решению; Лучше всего перейти к следующему шагу, описанному в статье «Оценка воздействия рисков и приоритезация», чтобы сначала разложить и понять проблему.В конечном итоге это приведет к стратегии, которая тесно связана с проблемой.
Ссылки и ресурсы
- Институт MITRE, 1 сентября 2007 г., Модель компетенции MITRE Systems Engineering (SE) , версия 1, стр. 10, 40-41.
- Гарви, П.Р., 2008, Аналитические методы управления рисками: перспектива системного проектирования , Chapman-Hall / CRC-Press, Taylor & Francis Group (Великобритания), Бока-Ратон, Лондон, Нью-Йорк, ISBN: 1584886374.ВВС США, январь 2008 г., Air Force Past Performance Evaluation Guide (PPEG), IG5315.305 (a).
- ВВС США, январь 2008 г., Руководство по оценке прошлых показателей ВВС (PPEG) , IG5315.305 (a).
Дополнительные ссылки и ресурсы
MITER E520 Контрольные списки технической группы по анализу и управлению рисками, проверки рисков, анализ рисков и документы управления.
Project Management Institute, A Guide to the Project Management Body of Knowledge, (PMBOK Guide), Fourth Edition, ANSI / PMI 99-001-2008, pp.273-312, по состоянию на 2 марта 2010 г.
SEPO, «Стандартный процесс / этапы процесса, шаг 2: определение рисков и опасностей», MITER SEPO Risk Management Toolkit , по состоянию на 5 мая 2010 г.