關(guān)于COVID-19的許多未解決的科學問題之一是，它是否像流感一樣在季節(jié)性下發(fā)生-在溫暖的夏季逐漸減弱，然后在秋季和冬季恢復?，F(xiàn)在，勞倫斯·伯克利國家實驗室(伯克利實驗室)的科學家正在啟動一個項目，該項目將機器學習方法應用于大量健康和環(huán)境數(shù)據(jù)集，并結(jié)合高分辨率氣候模型和季節(jié)預報來找出答案。
“環(huán)境變量，例如溫度，濕度和紫外線(紫外線)暴露，在生存能力方面可以直接影響病毒。它們還可以影響病毒的傳播和氣溶膠的形成，”他說。伯克利實驗室科學家Eoin Brodie，項目負責人。“我們將使用最先進的機器學習方法，將社會因素和環(huán)境因素的貢獻區(qū)分開來，試圖確定那些疾病動態(tài)最敏感的環(huán)境變量。”
研究團隊將利用縣級的大量健康數(shù)據(jù)，例如COVID-19暴發(fā)的嚴重程度，分布和持續(xù)時間，以及何時實施的公共衛(wèi)生干預措施以及人口統(tǒng)計，氣候變化和天氣因素，以及借助智能手機數(shù)據(jù)，人口流動動態(tài)。該研究的最初目標是針對美國每個縣預測環(huán)境因素如何影響SARS-CoV-2病毒的傳播，該病毒會導致COVID-19。
多學科團隊解決復雜問題
將環(huán)境因素與社會和健康因素區(qū)分開來是一個棘手的問題，其中涉及許多變量，它們以不同的方式相互作用。最重要的是，氣候和天氣不僅影響病毒，還影響人類的生理和行為。例如，取決于天氣，人們可能會在室內(nèi)花更多或更少的時間。而且它們的免疫系統(tǒng)也會隨著季節(jié)而變化。
這是一個復雜的數(shù)據(jù)問題，與伯克利實驗室的研究人員研究流域和農(nóng)業(yè)等系統(tǒng)時所解決的問題類似。挑戰(zhàn)涉及跨尺度集成數(shù)據(jù)以在本地進行預測。布羅迪說：“降低氣候信息的規(guī)模是我們通常要做的，以了解氣候如何影響生態(tài)系統(tǒng)過程。” “它涉及相同類型的變量-溫度，濕度，太陽輻射。”
伯克利實驗室氣候與生態(tài)系統(tǒng)科學部副主任布羅迪(Brodie)領(lǐng)導著一支由科學家組成的跨學科團隊，他們在氣候建模，數(shù)據(jù)分析，機器學習和地理空間分析方面擁有專業(yè)知識。伯克利實驗室生物科學領(lǐng)域的計算生物學家本·布朗(Ben Brown)正在領(lǐng)導機器學習分析。他們的主要目標之一是了解氣候和天氣如何與社會因素相互作用。
布朗說：“我們并不一定期望氣候本身會造成巨大的影響或主導作用。這并不會勝過哪個城市何時關(guān)閉。” “但是，[變量之間]可能存在一些真正重要的相互作用。例如，以紐約和加利福尼亞為例，即使考慮到國家采取干預措施的時機之間的差異，紐約的死亡率也可能比美國高出四倍。在加利福尼亞州，盡管需要確定一些隨機樣本進行額外的測試。了解環(huán)境的相互作用可能有助于解釋為什么這些模式似乎正在出現(xiàn)。這是機器學習和AI(人工智能)的典型問題。”
計算工作將在國家能源研究科學計算中心(NERSC)進行，該中心是位于伯克利實驗室的DOE科學辦公室用戶設(shè)施。
氣候影響的跡象
研究人員指出，已經(jīng)報道了該疾病行為的地理差異。在統(tǒng)計上，溫度，濕度和紫外線指數(shù)均與COVID-19的傳播速率相關(guān)，盡管接觸率仍然是疾病傳播的主要影響因素。在南半球，例如，當它目前下跌，疾病的傳播已經(jīng)比北半球慢。布羅迪說：“與此相關(guān)的還有其他潛在因素。” “問題是，當南半球進入冬季時，傳輸率會上升嗎?或者在秋天和2020年冬季導致在沒有干預的情況下在整個美國復蘇?”
印度是COVID-19似乎還沒有致命的地方。布朗說：“有些城市表現(xiàn)得好像是有史以來最傳染病。然后有些城市表現(xiàn)得更像流感。” “了解為什么我們看到這些巨大差異真的很關(guān)鍵。”
布朗指出，其他實驗表明SARS-CoV-2病毒可能是季節(jié)性的。國家生物防御分析和對策中心(NBACC)特別評估了該病毒在各種表面上的壽命。布朗說：“在陽光和潮濕條件下，他們發(fā)現(xiàn)該病毒在60分鐘內(nèi)喪失了生存能力。” “但是在黑暗和低溫下，它可以穩(wěn)定八天。有一些非常嚴重的差異需要調(diào)查。”
伯克利實驗室小組認為，現(xiàn)在可以提供足夠的數(shù)據(jù)來確定哪些環(huán)境因素可能會影響病毒的毒性。布朗說：“現(xiàn)在我們應該有來自世界各地的足夠數(shù)據(jù)來真正進行評估。”
團隊希望在夏末或初秋之前提供分析的第一階段。下一階段將是在不同情況下進行預測，這將有助于公共衛(wèi)生決策。
“我們將使用模型來預測不同國家的天氣情況，不同的健康干預情況，例如持續(xù)的社會距離或是否在該國不同地區(qū)進行疫苗接種或某種程度的畜群免疫。例如，我們希望成為可以說，如果您的孩子在這種環(huán)境下重返校園，那么該地區(qū)的氣候和天氣將以這種程度影響潛在的傳播。” “這將是我們要完成的一項長期任務。”
