Javier Buceta, profesor asociado de bioingeniería, Paolo Bocchini, profesor asociado de ingeniería civil y ambiental, y el estudiante postdoctoral Graziano Fiorillo de la Universidad de Lehigh han creado un marco de modelado que toma una perspectiva zoonótica del Ébola.
El enfoque del equipo funciona rastreando los patrones migratorios de los murciélagos, que se cree que son los principales portadores del virus del Ébola. Los murciélagos, en este caso, son los reservorios del Ébola. Esto significa que son portadores y transmisores del virus, aunque no les causa daño.
"En nuestro modelo, la aparición de brotes está estrechamente relacionada con las fluctuaciones en las condiciones ambientales que tienen un impacto tanto en los patrones de migración de murciélagos como en las tasas de infección", dice Buceta.
Buceta, Bocchini y Fiorillo trabajaron con información satelital y técnicas de muestreo de parámetros para crear su marco, que integra datos y modelos para predecir las condiciones que vinculan el comportamiento de los murciélagos con el brote de ébola. Han detallado su trabajo en un documento titulado "AMarco predictivo de distribución espacial para murciélagos infectados con filovirus "publicado en línea hoy en Informes científicos .
El modelo utiliza información sobre las tasas de natalidad y mortalidad de los murciélagos, la tasa de infección de los murciélagos con el virus del Ébola y las tasas de recuperación, la movilidad de los murciélagos, los cambios estacionales e información sobre la disponibilidad de alimentos y refugio para pronosticar los picos de infección de los murciélagos en una región determinada. Y los resultados son convincentes.
Se cree que el brote de ébola de 2014 en África occidental que mató a más de 11,000 personas se originó con un niño de dos años en Meliandou, una aldea remota en Guinea, un país que nunca antes había visto un caso de ébola. El tipodel virus fue identificado como la cepa más mortal, encontrada en Zaire, un país a miles de millas de distancia.
¿Cómo llegó allí? La respuesta más probable: murciélagos.
Utilizando su marco, un análisis de los datos de la región cerca de Meliandou en el momento del inicio del brote de 2014 reveló dos picos de infección anuales en Meliandou que coincidían con las temporadas de parto. De hecho, cuando los investigadores analizaron retroactivamente los datos deen ese momento y lugar, su modelo predijo un pico de murciélagos infectados con Ébola en Meliandou durante los meses en que comenzó el brote.
En contraste, cuando los investigadores trabajaron con datos similares de Bamako, Mali, una región a casi 400 millas de Meliandou y con diferentes condiciones climáticas, su enfoque no pronosticó un pico para esa época del año.
"Tales hallazgos sugieren fuertemente que los factores ambientales juegan un papel clave en la propagación del virus del Ébola entre los murciélagos", dice Buceta.
Esta herramienta predictiva podría usarse para brindar orientación sobre las ubicaciones específicas y los períodos del año durante los cuales es más probable que aparezca un brote debido a los murciélagos. También podría ayudar a reducir el riesgo de futuros contagios de animales a humanos.
Disponibilidad de recursos y tasas de infección de murciélagos
Establecer cómo medir los factores ambientales clave que impulsan la migración de murciélagos relacionada con los recursos fue clave para desarrollar el modelo.
Para hacer esto, el equipo usó los datos ambientales y climáticos recuperados usando la herramienta Google Earth Engine para acceder a las bases de datos del Centro de Archivo Activo Distribuido de Procesos Terrestres LP DAAC, uno de varios centros de datos específicos de la disciplina dentro del Sistema de Observación de la Tierra de la NASA.Sistema de datos e información EOSDIS.
Bocchini, un ingeniero civil, había estado trabajando con técnicas de muestreo inteligentes para resolver las fluctuaciones de los parámetros relacionados con su investigación sobre ingeniería estructural y riesgos regionales. A través de ese trabajo, desarrolló una técnica computacional altamente eficiente que aborda problemas probabilísticos de big data y permiteinvestigadores para analizar un pequeño subconjunto de casos verdaderamente representativos.
"Necesitábamos estudiar las fluctuaciones aleatorias de los recursos disponibles en todo el continente africano en alta resolución; fue un desafío computacional y probabilístico masivo", dice Bocchini. "Reconocimos que desde un punto de vista matemático, el problema es similara la propagación aleatoria de ondas sísmicas en una región sujeta a terremotos, y podríamos adaptar nuestras herramientas ".
Aplicaron la técnica de muestreo de Bocchini para dar cuenta eficientemente de las incertidumbres en los datos y establecer parámetros útiles para medir la disponibilidad de recursos, dadas las condiciones fluctuantes en el tiempo y la geografía.
Después de establecer los parámetros, pudieron ingresar datos sobre temperatura, humedad y otros factores.
"Entonces podríamos predecir la concentración de murciélagos infectados que uno esperaría encontrar dadas esas condiciones particulares", dice Buceta.
Fuente de la historia :
Materiales proporcionados por Universidad de Lehigh . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :