Using phylogeographic link‐prediction in primates to prioritize human parasite screening
Notice bibliographique
Résumé
Objectives: The ongoing risk of emerging infectious disease has renewed calls for understanding the origins of zoonoses and identifying future zoonotic disease threats. Given their close phylogenetic relatedness and geographic overlap with humans, non-human primates (NHPs) have been the source of many infectious diseases throughout human evolution. NHPs harbor diverse parasites, with some infecting only a single host species while others infect species from multiple families. Materials and Methods: We applied a novel link-prediction method to predict undocumented instances of parasite sharing between humans and NHPs. Our model makes predictions based on phylogenetic distances and geographic overlap among NHPs and humans in six countries with high NHP diversity: Columbia, Brazil, Democratic Republic of Congo, Madagascar, China and Indonesia. Results: Of the 899 human parasites documented in the Global Infectious Diseases and Epidemiology Network (GIDEON) database for these countries, 12% were shared with at least one other NHP species. The link prediction model identified an additional 54 parasites that are likely to infect humans but were not reported in GIDEON. These parasites were mostly host generalists, yet their phylogenetic host breadth varied substantially. Discussion: As human activities and populations encroach on NHP habitats, opportunities for parasite sharing between human and non-human primates will continue to increase. Our study identifies specific infectious organisms to monitor in countries with high NHP diversity, while the comparative analysis of host generalism, parasite taxonomy, and transmission mode provides insights to types of parasites that represent high zoonotic risk.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».