《Journal of Applied Ecology》：Detecting disease progression from animal movement using hidden Markov models
編輯推薦：
本文介紹了如何利用隱馬爾可夫模型（HMM）從動物移動數據（如步長、轉角）中推斷野生動物（以非洲劍羚為例）的疾病狀態（如易感、感染、死亡），為難以直接采樣診斷的野生動物種群提供了一種基于行為變化的疾病早期監測與預警方法，具有重要的保護和管理應用價值。
1 引言
傳染病是動物生活史的重要組成部分，會影響宿主的移動，并導致發病率和死亡率升高。許多病原體會改變宿主行為，包括減少移動。這表明動物追蹤數據（如GPS）可能提供一種推斷感染狀態的方法。然而，直接在野外從自由活動的動物身上收集診斷樣本在后勤上非常困難且成本高昂，這限制了我們對疾病與野生動物移動之間復雜關系的理解。近年來，高致病性禽流感（HPAI）H5N1病毒和嚴重急性呼吸系統綜合征冠狀病毒2（SARS-CoV-2）在野生動物中的出現，凸顯了開發新工具來檢測疾病和量化疾病進展的迫切需求。將動物移動與傳染病動態聯系起來，不僅可以揭示病原體-宿主相互作用發生的時間和地點，還為符合“同一個健康”（One Health）框架的綜合疾病生態學研究提供了機會。
隱馬爾可夫模型（HMM）在流行病學中常用于從監測數據中檢測疾病進展，在移動生態學中也已成熟用于從追蹤數據推斷動物行為變化。然而，利用HMM從移動數據推斷野生動物疾病進展的應用仍然很少見。本研究旨在開發一個建�？蚣�，將動物移動與疾病過程聯系起來，使用HMM來推斷感染狀態，其中感染狀態被視為隱藏（未觀測）狀態，而移動模式（如步長和轉角）則作為狀態依懶的觀測值。
2 材料與方法
2.1 研究系統
本研究以重新引入乍得Ouadi Rimé–Ouadi Achim動物保護區（RFOROA）的非洲劍羚（Oryx dammah）為案例。劍羚是一種大型非洲羚羊，由于過度捕獵等原因，在野外一度滅絕。自2016年起，阿布扎比環境署（EAD）與乍得政府合作，將人工繁殖的劍羚重新引入該保護區。大部分（>95%）重新引入的劍羚佩戴了GPS項圈，以1-4小時的頻率收集位置數據。
2.2 大規模死亡事件
2018年8月下旬至11月初，重新引入的劍羚種群發生了一次大規模死亡事件（MME），原因是多種病原體、細菌和寄生蟲感染，包括裂谷熱（RVF）、小反芻獸疫（PPR）和巴貝斯蟲病。2018年雨季異常高的降雨量與昆蟲數量激增，為疾病傳播創造了有利條件。在研究期間（2018年7月11日至10月1日），有38只劍羚死亡。
2.3 病原體感染
在一次獸醫現場任務中，從10只劍羚（5只活體，5只尸體）收集了樣本進行檢測。所有被采樣的劍羚都對多種傳染病檢測呈陽性，存在共感染現象，且除一例外全部死亡。最終分析中包含了其中6只個體的數據。
2.4 動物移動數據與環境協變量
研究使用了84只劍羚的GPS移動數據。在分析前，排除了釋放后24小時內的數據以消除可能的釋放應激影響。從移動數據中計算了步長和轉角作為主要分析變量。此外，還計算了灌叢覆蓋度和釋放后時間作為可能影響狀態轉移的協變量。
2.5 隱馬爾可夫模型（HMM）構建
研究使用R語言中的momentuHMM包擬合了一系列HMM。模型假設步長服從伽馬分布，轉角服從馮·米塞斯分布，其參數依賴于隱藏狀態。研究測試了多種模型結構，以反映不同的宿主-疾病動態假設：
- 1.
無約束4狀態HMM（SIS模型）：包含易感探索（SE）、易感休息（SR）、感染（I）和死亡（D）狀態，允許所有狀態間（除死亡外）相互轉移，代表易感-感染-易感過程。
- 2.
約束4狀態HMM（SI模型）：基于觀察，約束了轉移概率，不允許從感染狀態恢復，且假設感染只能從休息狀態發生，死亡只能從休息或感染狀態發生。這反映了研究系統中恢復罕見的情況。
- 3.
約束4狀態HMM（SIR模型）：包含易感（S）、感染（I）、恢復（R）和死亡（D）狀態，假設個體恢復后獲得免疫。此模型在研究案例中未識別出恢復個體，但通過模擬數據展示了其潛力。
- 4.
約束4狀態分層隱馬爾可夫模型（HHMM）：包含兩個時間尺度，粗尺度（3天）處理流行病學狀態（易感、感染、死亡）間的轉移，細尺度（每小時）處理易感個體內的行為狀態（探索、休息）轉移。
2.6 模擬框架與模型驗證
研究還通過模擬數據生成了20個體30天的每小時移動軌跡，用于測試SIR模型在恢復情景下的表現。對于劍羚案例，通過將估計的狀態依懶分布與經驗分布疊加、繪制個體步長時間序列、并使用偽殘差和自相關函數（ACF）圖來驗證模型。同時評估了模型對38只確認死亡個體的分類能力。
3 結果
3.1 無約束（H）HMM（SIS模型）的表現
無約束4狀態HMM預測狀態間頻繁轉換，例如個體每天在“易感”和“感染”狀態間轉換多次，這與研究中觀察到的疾病動力學（恢復罕見）不符，表明其狀態未能對應真實的流行病學狀態。無約束HHMM雖然狀態轉換頻率較低，但仍預測了部分不現實的恢復事件。
3.2 約束（H）HMM（SI模型）的表現
約束4狀態HMM估計的狀態依懶分布符合預期：易感探索狀態對應長步長和小轉角（快速、定向移動）；易感休息和感染狀態對應短步長和無定向轉角；死亡狀態步長最短。該模型成功捕捉到許多個體移動性的整體下降，并將這些變化歸因于從易感狀態到感染狀態的轉移。
模型正確分類了38只確認死亡劍羚中的33只。對于6只經檢測呈陽性的個體，模型推斷的狀態序列與獸醫檢測時間有較好的對應，其中4只個體在軌跡末期觀察到“體重不足”的體況評分。灌叢覆蓋度和釋放后時間對狀態轉移概率沒有明顯影響。約束HHMM的結果與約束HMM相似，但在某些個體（如個體80）的感染和死亡時間推斷上存在差異。
3.3 約束HMM（SIR模型）的表現
應用于劍羚數據的SIR HMM未將任何觀測分類為恢復狀態，這與該案例研究中恢復 unlikely 的情況一致。然而，當應用于模擬數據時，SIR HMM成功恢復了已知狀態，在易感、感染、恢復和死亡狀態上均取得了很高的F1分數（>0.987），證明了該模型框架在個體可能恢復的場景下的有效性。
4 討論
本研究證明，基于觀察到的疾病情景對結構、狀態數量和轉移概率進行參數化的HMM，能夠從動物移動數據中準確預測感染狀態和個體命運。對轉移概率矩陣施加合理的生物學約束（如禁止恢復）顯著提高了模型性能。研究展示了如何構建HMM來反映不同的流行病學動態（SIS, SI, SIR），并鼓勵分析人員根據其研究系統的可用數據和生物學知識來制定模型。
該框架要求患病個體表現出移動行為的變化。本研究側重于每小時尺度的移動特征，但更粗的匯總尺度或其他數據流（如加速度計、心率）可能有助于檢測對移動影響較小的疾病或亞臨床感染。模型解釋需要仔細檢查估計參數，并確保狀態標簽與有生物學意義的行為狀態一致。當部分研究期間動物的感染或行為狀態已知時（例如通過直接觀察），可采用半監督方法改進模型。
無約束模型（SIS）產生了生物上不可信的頻繁狀態轉換，強調了先驗知識和約束的重要性。分層HMM（HHMM）在整合不同時間尺度數據方面具有潛力，但粗尺度時間間隔的選擇需要反映疾病動力學。
未來研究方向包括在HMM中納入隨機效應以解釋個體異質性，以及將模型應用于結合了移動和病原體數據的多模態數據集。模擬代碼可供其他研究系統適配和使用。
4.1 管理意義
HMM對野生動物疾病管理具有直接意義。管理人員可利用可用的檢測結果和生物學證據，為觀察到的疾病情景開發HMM結構，根據移動數據和現場觀察評估模型性能，并基于所選模型進行種群或地點水平的推斷。HMM可用于估計感染時間、將感染事件與特定地點和環境條件聯系起來，以及理解受影響種群個體間的疾病傳播動態。
隨著生物記錄技術的進步，在更多疑似或確認感染的個體上部署移動傳感器成為可能。將這些數據集與更精細時間尺度的診斷樣本配對，結合HMM分析，可使保護區和研究人員能夠評估受管理種群或個體是否表現出受疾病影響的移動行為，從而允許獸醫干預并為預防性護理方案提供信息�？傊�，HMM為疾病和移動生態學家提供了新的機會，以解決曾經局限于理論或實驗方法的問題，是理解疾病-宿主相互作用生態動力學的寶貴工具。
