A framework for predicting zoonotic hosts using pseudo-absences: the case of Echinococcus multilocularis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Identifying the host range of zoonotic parasites is challenging due to limited data and sampling biases. In particular, while more information exists for susceptible hosts, data on resistant species is extremely scant. Echinococcus multilocularis (Leuckart, 1863) (Cestoda: Taeniidae) is the causative agent of alveolar echinococcosis, one of the most significant food-borne zoonoses worldwide. Using data on susceptibility and competence of Holarctic cricetid and murid rodents, key intermediate hosts for E. multilocularis , we developed models to predict the likelihood of infection for any rodent species in the Holarctic. These models incorporated morphological and ecological characteristics and employed two approaches: Generalized Linear Models (GLM) and Presence-Unlabeled Learning (PU-L), a machine learning technique. To train the models, we defined pseudo-absences based on the bias in research effort. We compared the two algorithms and selected GLM as the most effective, using it to map potentially susceptible rodent species across phylogeny and geographic space. Predictions identified several potentially unreported hosts, suggesting that the current understanding of E. multilocularis host distribution may underestimate the true risk. The predicted richness of intermediate hosts peaked in Central-Eastern Europe, Western North America and Central Asia, while the ratio of predicted hosts to total rodent richness was highest in the northern latitudes and the Tibetan Plateau. The average temperature in the geographic range and range size emerged as the strongest predictors of host susceptibility. The workflow demonstrates promise for application to other host-parasite systems with unknown host ranges.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle