معلومة

هل رقم الاستنساخ الأساسي فريد؟


بالنظر إلى أي نموذج وبائي لمرض معد ، هناك طرق مختلفة لحساب عدد التكاثر الأساسي ($ R_0 $) مثل ؛ طريقة الجيل التالي ، وظيفة البقاء ، أكبر قيمة ذاتية للمصفوفة اليعقوبية وما إلى ذلك.

سؤالي هو،

هل نحصل على نفس $ R_0 $ لنفس النموذج ولكن باستخدام طرق مختلفة لحساب $ R_0 $؟

إذا لم نفعل ذلك (إذا كان $ R_0 $ فريدًا) فما هو التفسير؟ هل يجوز لنا استخدام "هذا" مختلف $ R_0 $ في كتابة ورقة؟


تجدر الإشارة إلى أن العديد من الطرق التي تتحدث عنها ليست بالضرورة للحصول على ملف عدد بل بالأحرى أ معادلة مقابل $ R_0 $ ، يجب أن تكون جميعها مكافئة.

ومع ذلك ، عندما تدخل هذه الأساليب في مجال الحصول على رقم عن طريق ملاءمة المعلمات ، فإنها قد تعطي نتائج مختلفة لأنها تتعامل مع جوانب معينة من البيانات بشكل مختلف.

بالتأكيد "مسموح" لك باستخدام أي صيغة تريدها من $ R_0 $ - فقط وثق ما فعلته.


هيدرات

هذه الأيام أرقام التكاثر لعلم الأوبئة بارزة في وسائل الإعلام الشعبية. كثير من الناس على دراية بفكرة أن وقف عودة ظهور عدوى COVID-19 في منطقة ما له علاقة بصنع شيء يسمى أقل من واحد والاحتفاظ به. قد يكونون أيضًا على دراية بالتعريف غير الرسمي لذلك هو عدد الإصابات الجديدة التي يسببها فرد مصاب. ولكن كيف يتم تعريف (أو كما يطلق عليه العلماء بشكل أكثر شيوعًا)؟ قد لا يتوقع عالم رياضيات العثور على إجابة في وسائل الإعلام ، ولكن قد يكون من المعقول توقع إجابة واحدة في الأدبيات العلمية حول علم الأوبئة. في الماضي شعرت بالإحباط بسبب مدى فشل هذا الأمر. ما يتم تقديمه عادةً هو وصف بكلمات لم أجد أنه من الممكن تحويلها إلى حساب رياضي دقيق ، على الرغم من الجهد الكبير. الآن ، في سياق مشروع عن الكبد C الذي كنت أعمل عليه مع زملائي من الكاميرون ، تم لفت انتباهي إلى ورقة من van den Driessche و Watmough (Math. Biosci.180، 29) والتي تحتوي على بعض الإجابات عن اكتب ما كنت أبحث عنه. كنت على دراية غامضة بهذه الورقة من قبل لكنني لم أحاول قراءتها بجدية لأنني لم أدرك طبيعتها.

السياق الذي كنت أرغب في العثور فيه على إجابات هو نموذج النماذج التي قدمتها أنظمة المعادلات التفاضلية العادية حيث المجهول هو عدد الأفراد في فئات مختلفة (حساس ، مصاب ، متعافي وما إلى ذلك) كوظائف زمنية. كيف يتم حساب الأرقام الواردة في وسائل الإعلام (على أساس البيانات المنفصلة) هو شيء لم أحاول اكتشافه بعد. في الوقت الحالي أود الحصول على إجابة في السياق الذي أزعجني في الماضي وهذا هو السياق الذي تم تناوله في الورقة المذكورة أعلاه. الوضع النموذجي هو ذلك الموجود في النموذج الأساسي لديناميكيات الفيروس ، وهو نظام من ثلاثة ODE يصف ديناميات الفيروس داخل مضيف ، مع كون المجهول الخلايا غير المصابة والخلايا المصابة والفيروسات. هناك كمية يمكن التعبير عنها من حيث معاملات النظام. إذا كانت الحالة المستقرة الوحيدة غير السلبية خالية من الفيروسات. هذه هي الحالة غير المصابة وهي مستقرة بشكل مقارب عالميًا. إذا كانت هناك حالة غير مصابة وغير مستقرة وحالة مصابة تكون إيجابية ومستقرة بشكل مقارب عالميًا. هذا النوع من المواقف ليس فريدًا في هذا المثال ونشاهد أشياء مماثلة في العديد من نماذج العدوى. يوجد رقم تناسلي (أو ربما أكثر من واحد) يحدد العتبة بين الأنواع المختلفة من السلوك المتأخر.

ليس من الواضح أن تحليل Van den Driessche و Watmough ينطبق على نماذج الديناميكيات داخل المضيف لمسببات الأمراض لأنه من الضروري اختيار الأجزاء المصابة وغير المصابة والتي تتعلق بالتفسير البيولوجي للمتغيرات وليس فقط للهيكل الرياضي للنموذج. ينطبق تحليلهم على النموذج الأساسي لديناميكيات الفيروس إذا تم اختيار الأجزاء المصابة لتكون الخلايا والفيروسات المصابة وتم تقسيم تدفقات التفاعل بطريقة مناسبة. الصورة البسيطة لأهمية العدد التناسلي المذكور أعلاه لا تصح دائمًا. هناك أيضًا سيناريو آخر يمكن أن يحدث ويفعل ذلك في العديد من الأمثلة العملية ويتضمن فكرة التشعب المتخلف. يذهب على النحو التالي. بالنسبة إلى الحالة المستقرة الخالية من الأمراض بدرجة كافية ، تكون مستقرة بشكل مقارب عالميًا ولكن مع زيادة هذه الخاصية تتفكك قبل الوصول إليها. يحدث تشعب الطية مما يخلق حالة ثابتة إيجابية مستقرة وغير مستقرة. تتحرك حالة الاستقرار غير المستقرة بحيث تلبي الحالة الخالية من الأمراض عندما. هناك حالتان ثابتتان بالضبط ، والحالة الإيجابية مستقرة بشكل مقارب عالميًا. هناك تشعب لكن له هيكل مختلف عن ذلك في السيناريو الكلاسيكي (وهو تشعب عبر الحرج). إنه يحمل بعض التشابه مع تشعب هوبف شبه الحرج.

أكثر الأفكار المفيدة التي حصلت عليها من القراءة والتفكير في ورقة فان دن دريش وواتمو هي كما يلي. الأهمية الأساسية للاهتمامات بالحالة المستقرة الخالية من الأمراض واستقرارها. حقيقة أنه يمكن في بعض الأحيان تمييز استقرار حالة مستقرة مصابة هو نوع من المكافآت التي لا تنطبق على جميع النماذج. ما يمكن أن يفعله هو تقديم معلومات حول استقرار حالة الاستقرار الإيجابية في نظام حيث يكون قريبًا من نقطة التشعب حيث ينفصل عن حالة الاستقرار الخالية من الأمراض. تم تحليل هذا الظرف في الورقة باستخدام نظرية متشعب المركز. أهمية استقرار الدولة المستقرة البعيدة هي أهمية ضعيفة. يمكن استخدام وسيطات الاستمرارية لنشر المعلومات حول الاستقرار من خلال مساحة المعلمة ولكن فقط طالما لم تحدث تشعبات. عندما يكون هذا هو الحال ، يعتمد على تفاصيل المثال المعين الذي يتم النظر فيه. ما هو التعريف الوارد في الورقة؟ إنه أكبر معامل لقيمة ذاتية لمصفوفة معينة (مصفوفة الجيل التالي) التي تم إنشاؤها من الخطية للنظام حول الحالة المستقرة الخالية من الأمراض ، حيث يتضمن بناء هذه المصفوفة معلومات حول المعنى البيولوجي للمتغيرات. ضع في اعتبارك مثال النموذج الأساسي لديناميكيات الفيروس مع اختيارات المقصورات المصابة وغير المصابة على النحو الوارد أعلاه. هناك أكثر من طريقة لتقسيم تدفقات التفاعل. حاولت أولاً أن أضع كل من إنتاج الخلايا المصابة وإنتاج الفيروسات في فئة التدفقات المسماة في الورقة. يؤدي تطبيق تعريف رقم الاستنساخ المعطى إلى أين هو رقم الاستنساخ الذي يتم اقتباسه عادة لهذا النموذج. إذا تم بدلاً من ذلك وضع إنتاج الخلايا المصابة فقط في الفئة ، فإن التعريف العام يعطي الإجابة التقليدية. الكميتان اللتان تحددان العتبة مختلفة ولكن تعريف أن تكون أعلى أو أقل من العتبة هي نفسها. (). تظهر إمكانية حدوث هذا النوع من الظاهرة بالمثال في الورقة.


داء الكلب في الكلاب ومكافحته

دارين إل كنوبل. كاتي هامبسون ، في داء الكلب (الطبعة الثالثة) ، 2013

2.1 المعايير الوبائية الرئيسية

رقم التكاثر الأساسي (R0) لعامل معدي مثل فيروس داء الكلب على أنه متوسط ​​عدد الإصابات الثانوية التي ينتجها فرد مصاب في مجموعة مضيفة معرضة للإصابة (Anderson & amp May، 1991). ص0 يحدد ما إذا كان يمكن أن يستمر العامل الممرض في مثل هذه المجموعة السكانية ، وهو مفيد لتقييم خيارات المكافحة. عندما ر0 أقل من 1 ، في المتوسط ​​يصيب كل فرد معدي أقل من فرد آخر ، ويموت العامل الممرض في السكان. في المقابل ، عندما R0 يتجاوز 1 هناك ارتفاع أسي في عدد الحالات بمرور الوقت ، ونتائج الوباء. ص0 يُقدَّر باستمرار ما بين 1 و 2 من فاشيات داء الكلب في مجموعات الكلاب حول العالم (Hampson et al. ، 2009) ، وهو قريب نسبيًا من عتبة الانقراض البالغة 1.

هناك مفهوم وثيق الصلة بالموضوع وهو رقم التكاثر الفعال (Rه) ، عندما يحدث انتقال العدوى بين مجموعة سكانية ليست معرضة تمامًا للإصابة بسبب جهود المكافحة المنفذة. بالنسبة لداء الكلب في الكلاب ، ره يتم تحديده من خلال عدد الكلاب المعرضة للإصابة التي يعضها كل كلب مصاب خلال فترة العدوى ، واحتمال استمرار إصابة تلك الكلاب الملدغة بداء الكلب (أي تصبح معدية هي نفسها). قد يعتمد عدد الكلاب التي تم عضها على عوامل وراثية وسلوكية وبيئية وبشرية المنشأ ، في حين أن احتمال الإصابة بداء الكلب بمجرد التعرض للعض يعتمد على حالة التطعيم (نظرًا لعدم وجود مناعة طبيعية ضد داء الكلب) ، فضلاً عن العوامل الداخلية الأخرى بما في ذلك الجرعة الفيروسية وموقع العضة ودرجة إصابة الأنسجة. الهدف من تدابير التحكم هو تقليل الانتقال بحيث يكون Rه يتم تقليله إلى ما دون عتبة 1. بالنسبة لداء الكلب ، يمكن أن تعمل تدابير المكافحة هذه عن طريق تقليل إما عدد الكلاب التي تم عضها أو احتمالية إصابة الكلاب التي تم عضها بداء الكلب.

تاريخيًا ، قبل ظهور اللقاحات الفعالة ، ركزت تدابير مكافحة داء الكلب في الكلاب المحلية على تقليل عدد الكلاب المعرضة للعض ، من خلال قيود الحركة وإعدام الكلاب المسعورة والعضة و "الضالة" (Bögel، 2002 Fooks، Roberts، Lynch، Hersteinsson، & amp Runolfsson، 2004 Meldrum، 1988 Muir & amp Roome، 2005 Tierkel، 1959 WHO، 1987). القيمة المنخفضة لـ ص0 والسياق الثقافي للحبس الصارم وتكميم الكلاب ربما ساهم في نجاح هذه التدابير في مواقع معزولة مثل المملكة المتحدة ، ولكن تم الإبلاغ عن عدد قليل من النجاحات الأخرى باستخدام هذه التدابير فقط. ومع ذلك ، مع ظهور لقاحات حيوانية فعالة ، أصبح التطعيم الشامل الدعامة الأساسية للسيطرة الناجحة على داء الكلب في الكلاب وإجراء مقبول أخلاقياً وثقافياً. تعتمد مكافحة الأمراض المعدية من خلال التطعيم الشامل على مفهوم مناعة القطيع ، عندما يوفر تطعيم نسبة من السكان (أو "القطيع") ​​الحماية للأفراد الذين لم يتم تطعيمهم. تلك النسبة من السكان التي تحتاج إلى التطعيم لتحقيق مناعة القطيع وبالتالي السيطرة على المرض تعتمد على R.0. بالنسبة لداء الكلب ، فإن قيم R منخفضة0 تشير إلى تغطية التطعيم الحرجة ، صنقد، المطلوب للسيطرة على المرض يجب أن يكون بين 20 و 40٪ تقريبًا (أي 20-40٪ من الكلاب يجب أن يكونوا محصنين في أي وقت لمنع تفشي داء الكلب المستمر ، على الرغم من أن سلاسل الانتقال القصيرة يمكن أن تحدث في مثل هذا جزئيًا السكان الملقحين هامبسون وآخرون ، 2009). بالمقارنة ، فإن بعض الأمراض المعدية الأخرى التي تم السيطرة عليها بنجاح عن طريق التطعيم الشامل (مثل الحصبة أو الطاعون البقري) لديها قيم أعلى بكثير من ص0، وتتطلب تغطيات أعلى بكثير من 90٪. وبالتالي تشير هذه الأرقام إلى أن داء الكلب في الكلاب قابل للسيطرة عليه عن طريق التطعيم الشامل.


رقم الاستنساخ الأساسي (R 0) الحصبة: مراجعة منهجية

رقم الاستنساخ الأساسي ، R لا شيء (R0) ، على أنه متوسط ​​عدد الحالات الثانوية لمرض معدي ناشئ عن حالة نموذجية في مجموعة سكانية معرضة تمامًا للإصابة ، ويمكن تقديرها في السكان إذا كان من الممكن حساب المناعة الموجودة مسبقًا في الحساب. ص0 يحدد عتبة مناعة القطيع وبالتالي تغطية التحصين المطلوبة لتحقيق القضاء على الأمراض المعدية. مثل R0 الزيادات ، مطلوب تغطية تحصين أعلى لتحقيق مناعة القطيع. في يوليو 2010 ، خلص فريق من الخبراء شكلته منظمة الصحة العالمية إلى أن الحصبة يمكن ويجب القضاء عليها. على الرغم من وجود لقاح فعال ، فقد حققت المناطق نجاحًا متفاوتًا في مكافحة الحصبة ، ويرجع ذلك جزئيًا إلى أن الحصبة هي واحدة من أكثر أنواع العدوى المعدية. للحصبة ، ر0 غالبًا ما يتم الاستشهاد بها على أنها 12-18 ، مما يعني أن كل شخص مصاب بالحصبة سوف يصيب ، في المتوسط ​​، 12-18 شخصًا آخر في مجموعة سكانية معرضة تمامًا للإصابة. لقد أجرينا مراجعة منهجية للعثور على دراسات تُبلغ عن تقديرات ومحددات صارمة للحصبة R0. تم تضمين الدراسات إذا كانت مصدرًا رئيسيًا لـ R.0، عالجت المناعة الموجودة مسبقًا ، وأخذت في الاعتبار الحصانة الموجودة مسبقًا في حساب R0. تم إجراء بحث في قواعد البيانات الرئيسية في يناير 2015 ، وتكرر البحث في نوفمبر 2016 ، وأسفر عن 10883 استشهادًا فريدًا. بعد فحص الملاءمة والجودة ، حققت 18 دراسة معايير التضمين ، وقدمت 58 ر0 التقديرات. حسبنا متوسط ​​الحصبة R0 القيم الطبقية حسب المتغيرات الرئيسية. وجدنا أن R0 تختلف التقديرات أكثر من النطاق المذكور غالبًا وهو 12-18. تسلط نتائجنا الضوء على أهمية البلدان التي تحسب R0 باستخدام البيانات المشتقة محليًا أو ، إذا لم يكن ذلك ممكنًا ، باستخدام تقديرات المعلمات من إعدادات مماثلة. هناك حاجة إلى بيانات إضافية وطرق مراجعة متفق عليها لتعزيز قاعدة الأدلة لنمذجة القضاء على الحصبة.


عواقب العدوى

ترتبط الفيروسات بمجموعة متنوعة من الأمراض التي تصيب الإنسان. يوضح الرسم البياني أدناه بعض الأمثلة الشائعة للعدوى الفيروسية التي تؤثر على أنظمة مختلفة من جسم الإنسان:

لمحة عامة عن الأمراض الفيروسية التي تصيب الإنسان والأنظمة التي تؤثر عليها عند ظهور الأعراض. رصيد الصورة: & # 8220 الوقاية والعلاج من الالتهابات الفيروسية: الشكل 1 ، بواسطة OpenStax College، Biology، CC BY 4.0. تعديل العمل الأصلي بواسطة Mikael Häggström.


أساليب

اختيار البيانات ومعالجتها: بيانات الوفاة

بالنسبة للوفيات بسبب COVID-19 ، استخدمنا سلاسل زمنية قدمتها New York Times 12. اخترنا مجموعة بيانات New York Times لأنها منظمة بدقة. قمنا بتحليل بشكل منفصل فقط المقاطعات التي لديها سجلات 100 حالة وفاة أو أكثر بحلول 23 مايو 2020. كان الحد الأدنى 100 هو التوازن بين تضمين المزيد من المقاطعات والحصول على تقديرات موثوقة عن ص(ر). أظهرت عمليات المحاكاة الأولية أن السلاسل الزمنية ذات الأعداد المنخفضة للوفيات ستكون متحيزة ص(ر) التقديرات (الشكل التكميلي 2). ومع ذلك ، لم نرغب في استخدام الحد الأقصى لعدد الوفيات اليومية كمعيار اختيار ، لأن هذا قد يؤدي إلى اختيار المقاطعات بناءً على بيانات من يوم واحد. قد ينطوي أيضًا على بعض الدائرية ، لأن المعلومات التي تم الحصول عليها ، ص(ر) ، يرتبط ارتباطًا مباشرًا بالمعيار المستخدم لتحديد مجموعات البيانات. لذلك ، استخدمنا عتبة 100 حالة وفاة تراكمية. تم التعامل مع مقاطعة كولومبيا كمقاطعة. أيضًا ، نظرًا لأن مجموعة بيانات New York Times جمعت الأحياء الخمسة لمدينة نيويورك ، فقد تعاملنا معها كمقاطعة واحدة. بالنسبة للمقاطعات التي بها أقل من 100 حالة وفاة ، قمنا بتجميع الوفيات على مستوى الولاية لإنشاء سلسلة زمنية واحدة. بالنسبة لثلاث عشرة ولاية (AK و DE و HI و ID و ME و MT و ND و NH و SD و UT و VM و WV و WY) ، لم تحتوي السلسلة الزمنية المجمعة على 100 حالة وفاة أو أكثر وبالتالي لم يتم تحليلها.

اختيار البيانات ومعالجتها: المتغيرات التوضيحية على مستوى المحافظة

تم جمع المتغيرات على مستوى المقاطعة من عدة مصادر بيانات عامة 36،37،38،39،40،41،42. لقد اخترنا المتغيرات الاجتماعية والاقتصادية مسبقًا جزئيًا لتمثيل مجموعة واسعة من الخصائص السكانية.

تحليل السلاسل الزمنية: نموذج السلاسل الزمنية

استخدمنا نموذج الانحدار التلقائي المتغير بمرور الوقت 15،56 المصمم صراحة لتقدير معدل زيادة متغير باستخدام مصطلحات الخطأ غير الخطية المعتمدة على الحالة 16. نفترض في تحليلاتنا أن النسبة المعرضة للإصابة من السكان ممثلة في سلسلة زمنية قريبة من واحد ، وبالتالي لا يوجد انخفاض في معدل الإصابة بسبب مجموعة من الأفراد الذين أصيبوا بالعدوى ، وتعافوا ، ثم أصبحوا محصنين ضد المزيد عدوى.

هنا، x(ر) هي القيمة غير المرصودة والمغيرة لوغاريتمات الوفيات اليومية في الوقت المناسب ر، و د(ر) هو العدد المرصود الذي يعتمد على عدم اليقين في الملاحظة الموصوف بواسطة المتغير العشوائي ϕ (ر). نظرًا لأن عددًا قليلاً من مجموعات البيانات التي حللناها تحتوي على أصفار ، فقد استبدلنا الأصفار بـ 0.5 قبل تحويل السجل. يفترض النموذج أن عدد الوفيات يزداد أضعافا مضاعفة بمعدل ص(ر) ، حيث متغير الحالة الكامنة ص(ر) يتغير عبر الزمن كنزهة عشوائية مع ωص(ر)

ن (0 ، σ 2 ص). نفترض أن بيانات العد تتبع توزيعًا شبه بواسون. وبالتالي ، توقع التهم في الوقت المناسب ر هو exp (x(ر)) ، والتباين يتناسب مع هذا التوقع.

نحن نلائم النموذج باستخدام مرشح كالمان الممتد لحساب الاحتمال الأقصى 57،58. بالإضافة إلى المعلمات σ 2 ص و σ 2 ϕ، قدرنا القيمة الأولية لـ ص(ر) في بداية السلسلة الزمنية ، ص0والقيمة الأولية لـ x(ر), x0. يتطلب التقدير أيضًا شروطًا للفروق في x0 و ص0، التي افترضنا أنها صفر و 2 ص، على التوالى. في التحقق من الصحة باستخدام البيانات المحاكاة (الطرق التكميلية: نموذج المحاكاة) ، وجدنا أن عملية التقدير تميل إلى استيعاب σ 2 ص إلى الصفر كثيرًا. للقضاء على هذا الامتصاص إلى الصفر ، فرضنا حدًا أدنى قدره 0.02 على σ 2 ص.

تحليل السلاسل الزمنية: حدودي التمهيد

لإنشاء فترات ثقة تقريبية للتقديرات المتغيرة بمرور الوقت لـ ص(ر) (مكافئ 1 ب) ، استخدمنا تمهيدًا حدوديًا مصممًا لمحاكاة مجموعات البيانات التي لها نفس خصائص البيانات الحقيقية التي يتم إعادة تجهيزها بعد ذلك باستخدام نموذج الانحدار التلقائي. استخدمنا bootstrapping للحصول على فترات الثقة ، لأن دراسة محاكاة أولية أظهرت أن الطرق القياسية ، مثل الحصول على تباين ص(ر) من مرشح كالمان ، كانت متحفظة للغاية (فترات الثقة ضيقة جدًا) عندما كان عدد التهم صغيرًا. علاوة على ذلك ، يمكن أن يكشف التمهيد المعياري عن التحيز والميزات الأخرى للنموذج ، مثل التأخيرات التي وجدناها أثناء تركيب النموذج (الشكل التكميلي 1 أ ، ب).

تغييرات في ص(ر) تتكون من تباين غير متحيز يومًا بعد يوم وانحرافات متحيزة تؤدي إلى تغييرات طويلة المدى في ص(ر). يعامل التمهيد التباين اليومي كمتغير عشوائي مع الحفاظ على الانحرافات المنحازة التي تولد تغييرات طويلة الأجل في ص(ر). على وجه التحديد ، تم إجراء التمهيد عن طريق حساب الفروق بين التقديرات المتتالية لـ ص(ر) ، Δص(ر) = ص(ر) – ص(ر-1) ، ثم التوحيد القياسي لإزالة التحيز ، Δصس(ر) = Δص(ر) - E [Δص(ر)] ، حيث تشير E [] إلى القيمة المتوقعة. التسلسل Δصس(ر) مناسبًا باستخدام نموذج السلاسل الزمنية الانحدار التلقائي مع الفاصل الزمني 1 ، AR (1) ، للحفاظ على أي ارتباط تلقائي قصير المدى في البيانات. بالنسبة للتمهيد ، تمت محاكاة سلسلة زمنية جديدة من نموذج AR (1) هذا ، Δρ(ر) ، ثم موحدة ، Δρس(ر) = Δρ(ر) - E [Δρ(ر)]. تم إنشاء السلاسل الزمنية المحاكاة لمعدل الانتشار على شكل ρ(ر) = ص(ر) + Δρس(ر) / 2 1/2 ، حيث تمثل القسمة على 2 1/2 حقيقة أن Δρس(ر) من الفرق بين القيم المتتالية لـ ص(ر). سلسلة زمنية جديدة لبيانات العد ، ξ(ر) ، باستخدام المعادلة 1 مع المعلمات من ملاءمة البيانات. أخيرًا ، كان النموذج الإحصائي مناسبًا لإعادة بنائه ξ(ر). في هذا التجديد ، أصلحنا التباين في ص(ر) ، σ 2 ص، إلى نفس القيمة المقدرة من البيانات. لذلك ، فإن فترات الثقة في التمهيد مشروطة بتقدير σ 2 ص.

تحليل السلاسل الزمنية: حساب R.0

استنتجنا تقديرات ص(ر) مباشرة من ص(ر) باستخدام معادلة دبلن-لوتكا 21 من الديموغرافيا. هذه المعادلة مشتقة من التفاف توزيع المواليد على افتراض النمو السكاني الأسي. في حالتنا ، فإن "ولادة" COVID-19 هي العدوى الثانوية للمضيفين المعرضين للإصابة والتي تؤدي إلى الوفاة ، وافتراض النمو السكاني الأسي يعادل افتراض أن المعدل الأولي لانتشار المرض أسي ، كما هو الحال في المعادلة 1. وهكذا ،

أين ص(τ) هو توزيع نسبة الإصابات الثانوية الناجمة عن عدوى أولية حدثت τ قبل أيام. استخدمنا توزيع ص(τ) من Li et al. 59 له متوسط ​​فاصل زمني تسلسلي من T.0 = 7.5 أيام أصغر أو أكبر من قيم T.0، وتباين أكبر أو أقل في ص(τ) ، ستنخفض أو تزيد ص(ر) ولكن لن يغير النمط في ص(ر) مع مرور الوقت. لاحظ أن عدم اليقين في توزيع الأوقات التسلسلية لـ COVID-19 هو سبب رئيسي لتركيزنا على التقدير ص0، بدلاً من R.0: تقديرات ص0 لا تعتمد على التوزيعات الزمنية غير المعروفة جيدًا. الحوسبة ص(ر) من عند ص(ر) لا يعتمد أيضًا على المتوسط ​​أو التباين في الوقت بين الإصابة الثانوية والوفاة. نحن نبلغ عن قيم ص(ر) في التواريخ التي يقابلها 18 يومًا ، متوسط ​​الفترة الزمنية بين العدوى الأولية والوفاة التي قدمها Zhou et al. 60.

تحليل السلاسل الزمنية: التاريخ الأولي للسلسلة الزمنية

تتألف العديد من السلاسل الزمنية من فترات أولية تحتوي على أصفار غير مفيدة. كتاريخ أولي للسلسلة الزمنية ، اخترنا اليوم الذي تجاوز فيه عدد الوفيات اليومي المقدر 1. لتقدير عدد الوفيات اليومي ، نلائم نموذجًا مختلطًا معممًا مضافًا (GAMM) لبيانات الوفاة أثناء احتساب الارتباط التلقائي وأكبر خطأ في القياس عند العد المنخفض باستخدام الحزمة R mgcv 61. استخدمنا هذا الإجراء ، بدلاً من استخدام عتبة تعداد الوفيات الخام ، لأن تعداد الوفيات الخام سيشمل التباين بسبب أخذ عينات من أعداد صغيرة من الوفيات. إن تطبيق GAMM على "السلاسة" عبر التباين في بيانات الجرد يعطي طريقة مبررة جيدًا لتوحيد التواريخ الأولية لكل سلسلة زمنية.

تحليل السلاسل الزمنية: التحقق

أجرينا عمليات محاكاة مكثفة للتحقق من صحة نهج تحليل السلاسل الزمنية (الطرق التكميلية: نموذج المحاكاة).

تحليل الانحدار ل ص 0

قمنا بتطبيق نموذج انحدار معمم للمربعات الصغرى (GLS) لشرح التباين في تقديرات ص0 من 160 سلسلة زمنية مقاطعة ومقاطعة:

أين تاريخ البدء هو التاريخ اليولياني لبداية السلسلة الزمنية ، سجل (حجم البوب) و pop.den يمثل 0.25 حجم السكان المحول لوغاريتميًا والكثافة السكانية المحولة للطاقة 0.25 للمقاطعة أو إجمالي المقاطعة ، على التوالي ، و عبارة عن متغير عشوائي غاوسي متعدد المتغيرات مع مصفوفة التغاير σ 2 Σ. استخدمنا سجل التحويلات (حجم البوب) و pop.den 0.25 لحساب العلاقات غير الخطية مع ص0 تعطي هذه التحويلات أعلى احتمالية للانحدار الكلي. تحتوي مصفوفة التغاير على مصفوفة ارتباط مكاني للنموذج ج = شأنا + (1–ش)س(ز) أين ش هو كتلة صلبة و س(ز) يحتوي على عناصر exp (− داي جاي/ ز)، أين داي جاي هي المسافة بين المواقع المكانية و ز هو النطاق 62. لدمج الاختلافات في دقة تقديرات ص0 بين السلاسل الزمنية ، تم ترجيحنا بواسطة متجه أخطائهم المعيارية ، س، لهذا السبب Σ = دياج (س) * ج * دياج (س) ، حيث تشير * إلى ضرب المصفوفة. باستخدام هذا الترجيح ، فإن مصطلح القياس العام للتباين ، σ 2 ، سيساوي 1 إذا كان التباين المتبقي لنموذج الانحدار يطابق مربع الأخطاء المعيارية لتقديرات ص0 من السلسلة الزمنية. نلائم نموذج الانحدار مع الوظيفة gls () في الحزمة R nlme 63.

لعمل تنبؤات عن القيم الجديدة لـ ص0، استخدمنا العلاقة

أين ει هو GLS المتبقي للبيانات أنا، (اكرهه) أنا هو المتبقي المتوقع ، ( bar e ) هو متوسط ​​بقايا GLS ، الخامس هي مصفوفة التغاير للبيانات بخلاف أنا، و الخامسأنا هو متجه صف يحتوي على التباينات بين البيانات أنا والبيانات الأخرى في مجموعة البيانات 64. تم استخدام هذه المعادلة لثلاثة أغراض. أولاً ، استخدمناها لحساب R 2 مقدما لنموذج الانحدار عن طريق إزالة كل نقطة بيانات ، وإعادة الحساب ( قبعة ه ) أنا، واستخدام هذه القيم لحساب التباين المتبقي المتوقع 23. ثانيًا ، استخدمناها للحصول على القيم المتوقعة لـ ص0، وبعد ذلك R0، لـ 160 مقاطعة ومجمعات مقاطعة لها ص0 تم تقديره أيضًا من السلاسل الزمنية. ثالثًا ، استخدمنا المعادلة (4) للحصول على القيم المتوقعة لـ ص0، ومن ثم تنبأ R0، لجميع المقاطعات الأخرى. حسبنا أيضًا تباين التقديرات من 64

القيم المتوقعة لـ R0 تم تعيينها باستخدام حزمة R usmap 65.

تحليل الانحدار لتأثيرات SARS-CoV-2 على r0

تحتوي البيانات الوصفية لـ GISAID 27 لـ SARS-CoV-2 على موقع كلايد ومستوى الدولة للسلالات في سلالات الولايات المتحدة الأمريكية G و GH و GR التي تحتوي على طفرة G614. لكل ولاية ، قمنا بقصر جينومات SARS-CoV-2 على تلك التي تم جمعها لمدة لا تزيد عن 30 يومًا بعد ظهور الفاشية التي استخدمناها كنقطة بداية للسلسلة الزمنية التي قدرنا منها ص0 من هذه الجينومات (بإجمالي 5290 من جميع الولايات) ، حسبنا النسبة التي بها طفرة G614. لقد قصرنا التحليلات على 28 ولاية لديها خمس عينات أو أكثر من عينات الجينوم. لكل ولاية ، اخترنا تقديرات ص0 من المقاطعة أو المقاطعة التي تمثل أكبر عدد من الوفيات. نحن نلائم هذه التقديرات لـ ص0 باستخدام نموذج المربعات الصغرى المرجح (LS) كما في المعادلة (3) مع متغيرات إضافية للانفعال. تم إنشاء الشكل 3 باستخدام حزم R باستخدام خريطة 65 و scatterpie 66.

الإحصاء والتكاثر

تم تلخيص الإحصائيات الخاصة بهذه الدراسة في الأقسام السابقة من "الطرق". لم يتم إجراء أي تجارب ، لذا فإن التكاثر التجريبي ليس مشكلة. ومع ذلك ، كررنا التحليلات باستخدام مجموعات بيانات بديلة تعطي خصائص على مستوى المقاطعة ، وأيضًا مجموعة بيانات بديلة عن سلالات SARS-CoV-2 (الطرق التكميلية: تحليل بيانات تعريف Nextstrain لسلالات SARS-CoV-2) ، وكانت جميع الاستنتاجات هي: نفس.

ملخص التقارير

يتوفر مزيد من المعلومات حول تصميم البحث في Nature Research Reporting Summary المرتبط بهذه المقالة.


رقم التكاثر الأساسي لأنظمة الأمراض المعقدة: التحديد ص0 للعدوى المنقولة بواسطة القراد

قد يبدو توصيف رقم التكاثر الأساسي ، $ R_ <0> $ ، للعديد من أنظمة أمراض الحياة البرية مشكلة معقدة لأن عدة أنواع متورطة ، بسبب وجود تفاعلات وبائية مختلفة للعامل المعدي في مراحل مختلفة من تاريخ الحياة ، أو بسبب وجود طرق نقل متعددة. تعد الأمراض التي تنقلها القراد مثالًا مهمًا حيث يتم الجمع بين كل هذه التعقيدات نتيجة لخصائص دورة حياة القراد وطرق الانتقال المتعددة التي تحدث. نوضح هنا أنه يمكن للمرء التغلب على هذه التعقيدات عن طريق فصل السكان المضيفين إلى أنواع مختلفة وبائيًا من الأفراد وبناء مصفوفة من أعداد التكاثر ، أو ما يسمى مصفوفة الجيل التالي. كل عنصر مصفوفة هو عدد متوقع من الأفراد المصابين من نوع واحد ينتجه فرد معدي من النوع الثاني. تميز أكبر قيمة ذاتية للمصفوفة النمو الأسي الأولي أو الانخفاض في أعداد الأفراد المصابين. تشير القيم التي تقل عن 1 إلى أنه لا يمكن للعدوى أن تثبت. يتطابق التفسير البيولوجي بشكل وثيق مع ذلك الخاص بـ $ R_ <0> $ للأنظمة المرضية بنوع واحد فقط من الأفراد وحيث تنتقل العدوى مباشرة. المعلمات التي تحدد كل عنصر مصفوفة لها معنى بيولوجي واضح. نوضح فائدة وقوة هذا النهج من خلال الفحص التفصيلي للأمراض التي تنقلها القراد ، ونستخدم البيانات الميدانية والبيانات التجريبية لتحديد معلمات مصفوفة الجيل التالي لمرض لايم والتهاب الدماغ الذي ينقله القراد. تسمح تحليلات الحساسية والمرونة للمصفوفات ، على مستوى العناصر والمعلمات الفردية ، بإجراء مقارنة مباشرة بين العاملين المسببين للمرض. يوفر هذا مزيدًا من الدعم لأن الانتقال بين القراد المتغذى مهم للغاية لتكوين التهاب الدماغ الذي ينقله القراد.


س: ما هو نقل الجينات الأفقي وما علاقته بالتطور؟

ج: يمكن تعريف نقل الجينات الأفقي على أنه نقل مادة وراثية بين جهازي sp غير مرتبطين.

س: ما الذي يحفز إفراز العصارة الصفراوية وأين تدخل القناة الهضمية

ج: الصفراء عبارة عن سائل أصفر مخضر داكن يصنعه الكبد يساعد على هضم الدهون ، والذوبان في الدهون.

س: صف محفزات وضوابط نشاط الجهاز الهضمي

ج: الهضم هو عملية تحطيم المكونات الغذائية المعقدة إلى جزيء بسيط قابل للذوبان في الماء.

س: ما هي الذبحة الصدرية؟

ج: يُعرف مرض الشريان التاجي أيضًا بأمراض القلب التاجية التي تسبب تلفًا للقلب.

س: جميع الإجابات الجريئة خاطئة ، يرجى توضيح سبب الخطأ وإعطائي الإجابة الصحيحة. شكرا.

ج: مرحبًا! شكرا على سؤالك. ولكن نظرًا لأنك قمت بنشر أسئلة متعددة ولم تذكر أي منها.

س: يشير مصطلح الكروماتين المغاير إلى المناطق شديدة الكثافة من الكروموسومات والتي تكون خالية إلى حد كبير.

ج: إن دورة الخلية هي تسلسل الأحداث التي تحدث في الخلية ينتج عنها انقسام السيتوبلازم ، د.

س: كل ما يلي هو وظائف الانقسام باستثناء: أ. النمو ب. استبدال الخلايا. ج. إصلاح.

ج: الجواب الصحيح هو الخيار (د) التكاثر الجنسي ، لأن التكاثر الجنسي يتكون من لعبة.

س: اذكر جميع أعضاء الجهاز التناسلي الأنثوي وحدد وظائف كل منها

ج: يشمل الجهاز التناسلي للأنثى بشكل أساسي الرحم والمبايض التي لها أجزاء فرعية أخرى مثل.

س: صِف آليات التغذية الراجعة التي تنظم تناول الماء والضوابط الهرمونية لمخرجات الماء في البولي.

ج: يمكن للسوائل أن تدخل الجسم عن طريق الماء والأطعمة والمشروبات والمياه الأيضية. المياه الأيضية هي أ.


هل رقم الاستنساخ الأساسي فريد؟ - مادة الاحياء

رقم الاستنساخ الأساسي (R0) ، وتسمى أيضًا نسبة أو معدل التكاثر الأساسي أو معدل التكاثر الأساسي ، وهو مقياس وبائي يستخدم لوصف العدوى أو قابلية انتقال العوامل المعدية. ص0 يتأثر بالعديد من العوامل البيولوجية والسلوكية والاجتماعية والبيئية التي تحكم انتقال العوامل الممرضة ، وبالتالي ، يتم تقديرها عادةً بأنواع مختلفة من النماذج الرياضية المعقدة ، مما يجعل R0 من السهل تحريفها وتفسيرها وإساءة استخدامها. ص0 ليس ثابتًا بيولوجيًا لعامل ممرض ، أو معدل بمرور الوقت ، أو مقياسًا لشدة المرض ، و R.0 لا يمكن تعديله من خلال حملات التطعيم. ص0 نادرا ما تقاس مباشرة ، ونمذجة R0 تعتمد القيم على هياكل النموذج والافتراضات. بعض R0 من المحتمل أن تكون القيم الواردة في الأدبيات العلمية قد عفا عليها الزمن. ص0 يجب تقديرها والإبلاغ عنها وتطبيقها بحذر شديد لأن هذا المقياس الأساسي بعيد كل البعد عن البساطة.

رقم الاستنساخ الأساسي (R0) ، يُنطق بـ "R naught" ، يُقصد به أن يكون مؤشرًا على مدى عدوى العوامل المعدية والطفيلية أو قابليتها للانتقال. ص0 غالبًا ما يتم العثور عليه في أدبيات علم الأوبئة والصحة العامة ويمكن العثور عليه أيضًا في الصحافة الشعبية (16). ص0 تم وصفه بأنه أحد المقاييس الأساسية والأكثر استخدامًا لدراسة ديناميات الأمراض المعدية (712). أن R.0 بالنسبة لحدث مرض معدي يتم الإبلاغ عنه عمومًا كقيمة رقمية واحدة أو نطاق منخفض - مرتفع ، ويتم تقديم التفسير عادةً على أنه مباشر ومن المتوقع استمرار تفشي المرض إذا كان R0 له قيمة & gt1 وينتهي إذا كان R0 هو & lt1 (13). غالبًا ما يعتمد الحجم المحتمل لتفشي أو وباء على حجم R0 قيمة لهذا الحدث (10) و R.0 يمكن استخدامها لتقدير نسبة السكان الذين يجب تطعيمهم للقضاء على العدوى من هؤلاء السكان (14,15). ص0 تم نشر قيم الحصبة وشلل الأطفال والأنفلونزا ومرض فيروس الإيبولا ومرض فيروس نقص المناعة البشرية ومجموعة متنوعة من الأمراض المعدية المنقولة بالنواقل والعديد من الأمراض المعدية الأخرى (14,1618).

مفهوم R0 تم تقديمه لأول مرة في مجال الديموغرافيا (9) ، حيث تم استخدام هذا المقياس لحساب النسل. عندما ر0 تم اعتماده للاستخدام من قبل علماء الأوبئة ، والأشياء التي يتم عدها كانت حالات معدية (19). تعريفات عديدة لـ R0 تم الاقتراح. على الرغم من أن الإطار المفاهيمي الأساسي مشابه لكلٍّ منها ، إلا أن التعريفات التشغيلية ليست متطابقة دائمًا. يقول ديتز أن ر0 هو "عدد الحالات الثانوية التي قد تنتجها حالة واحدة في مجموعة سكانية معرضة تمامًا للإصابة" (19). فاين يكمل هذا التعريف بوصف "متوسط ​​عدد الحالات الثانوية" (17). Diekmann and colleagues use the description “expected number of secondary cases” and provide additional specificity to the terminology regarding a single case (13).

In the hands of experts, R0 can be a valuable concept. However, the process of defining, calculating, interpreting, and applying R0 is far from straightforward. The simplicity of an R0 value and its corresponding interpretation in relation to infectious disease dynamics masks the complicated nature of this metric. Although R0 is a biological reality, this value is usually estimated with complex mathematical models developed using various sets of assumptions. The interpretation of R0 estimates derived from different models requires an understanding of the models’ structures, inputs, and interactions. Because many researchers using R0 have not been trained in sophisticated mathematical techniques, R0 is easily subject to misrepresentation, misinterpretation, and misapplication. Notable examples include incorrectly defining R0 (1) and misinterpreting the effects of vaccination on R0 (3). Further, many past lessons regarding this metric appear to have been lost or overlooked over time. Therefore, a review of the concept of R0 is needed, given the increased attention this metric receives in the academic literature (20). In this article, we address misconceptions about R0 that have proliferated as this metric has become more frequently used outside of the realm of mathematical biology and theoretic epidemiology, and we recommend that R0 be applied and discussed with caution.

Variations in R0

For any given infectious agent, the scientific literature might present numerous different R0 القيم. Estimations of the R0 value are often calculated as a function of 3 primary parameters—the duration of contagiousness after a person becomes infected, the likelihood of infection per contact between a susceptible person and an infectious person or vector, and the contact rate—along with additional parameters that can be added to describe more complex cycles of transmission (19). Further, the epidemiologic triad (agent, host, and environmental factors) sometimes provides inspiration for adding parameters related to the availability of public health resources, the policy environment, various aspects of the built environment, and other factors that influence transmission dynamics and, thus, are relevant for the estimation of R0 القيم (21). Yet, even if the infectiousness of a pathogen (that is, the likelihood of infection occurring after an effective contact event has occurred) and the duration of contagiousness are biological constants, R0 will fluctuate if the rate of human–human or human–vector interactions varies over time or space. Limited evidence supports the applicability of R0 outside the region where the value was calculated (20). Any factor having the potential to influence the contact rate, including population density (e.g., rural vs. urban), social organization (e.g., integrated vs. segregated), and seasonality (e.g., wet vs. rainy season for vectorborne infections), will ultimately affect R0. Because R0 is a function of the effective contact rate, the value of R0 is a function of human social behavior and organization, as well as the innate biological characteristics of particular pathogens. More than 20 different R0 values (range 5.4–18) were reported for measles in a variety of study areas and periods (22), and a review in 2017 identified feasible measles R0 values of 3.7–203.3 (23). This wide range highlights the potential variability in the value of R0 for an infectious disease event on the basis of local sociobehavioral and environmental circumstances.

Various Names for R0

Inconsistency in the name and definition of R0 has potentially been a cause for misunderstanding the meaning of R0. ص0 was originally called the basic case reproduction rate when George MacDonald introduced the concept into the epidemiology literature in the 1950s (17,19,24,25). Although MacDonald used Z0 to represent the metric, the current symbolic representation (R0) appears to have remained largely consistent since that time. However, multiple variations of the name for the concept expressed by R0 have been used in the scientific literature, including the use of basic and case as the first word in the term, reproduction and reproductive for the second word, and number, ratio, and rate for the final part of the term (13). Although the frequent use of the term basic reproduction rate is in line with MacDonald’s original terminology (9), some users interpret the use of the word rate as suggesting a quantity having a unit with a per-time dimension (7). إذا كان R.0 were a rate involving time, the metric would provide information about how quickly an epidemic will spread through a population. But R0 does not indicate whether new cases will occur within 24 hours after the initial case or months later, just as R0 does not indicate whether the disease produced by the infection is severe. Instead, R0 is most accurately described in terms of cases per case (7,13). Calling R0 a rate rather than a number or ratio might create some undue confusion about what the value represents.

ص0 and Vaccination Campaigns

Vaccination campaigns reduce the proportion of a population at risk for infection and have proven to be highly effective in mitigating future outbreaks (26). This conclusion is sometimes used to suggest that an aim of vaccination campaigns is to remove susceptible members of the population to reduce the R0 for the event to <1. Although the removal of susceptible members from the population will affect infection transmission by reducing the number of effective contacts between infectious and susceptible persons, this activity will technically not reduce the R0 value because the definition of R0 includes the assumption of a completely susceptible population. When examining the effect of vaccination, the more appropriate metric to use is the effective reproduction number (ص), which is similar to R0 but does not assume complete susceptibility of the population and, therefore, can be estimated with populations having immune members (16,20,27). Efforts aimed at reducing the number of susceptible persons within a population through vaccination would result in a reduction of the ص value, rather than R0 القيمة. In this scenario, vaccination could potentially end an epidemic, if ص can be reduced to a value <1 (16,27,28). The effective reproduction number can also be specified at a particular time ر, presented as ص(ر) أو صر, which can be used to trace changes in ص as the number of susceptible members in a population is reduced (29,30). When the goal is to measure the effectiveness of vaccination campaigns or other public health interventions, R0 is not necessarily the best metric (10,20).

Measuring and Estimating R0

Counting the number of cases of infection during an epidemic can be extremely difficult, even when public health officials use active surveillance and contact tracing to attempt to locate all infected persons. Although measuring the true R0 value is possible during an outbreak of a newly emerging infectious pathogen that is spreading through a wholly susceptible population, rarely are there sufficient data collection systems in place to capture the early stages of an outbreak when R0 might be measured most accurately. As a result, R0 is nearly always estimated retrospectively from seroepidemiologic data or by using theoretical mathematical models (31). Data-driven approaches include the use of the number of susceptible persons at endemic equilibrium, average age at infection, final size equation, and intrinsic growth rate (10). When mathematical models are used, R0 values are often estimated by using ordinary differential equations (810,19,31), but high-quality data are rarely available for all components of the model. The estimated values of R0 generated by mathematical models are dependent on numerous decisions made by the modeler (8,32,33). The population structure of the model, such as the susceptible-infectious-recovered model or susceptible-exposed-infectious-recovered model, which includes compartments for persons who are exposed but not yet infectious, as well as assumptions about demographic dynamics (e.g., births, deaths, and migration over time), are critical model parameters. Population mixing and contact patterns must also be considered for example, for homogeneous mixing, all population members are equally likely to come into contact with one another, and for heterogeneous mixing, variation in contact patterns are present among age subgroups or geographic regions. Other decisions include whether to use a deterministic (yielding the same outcomes each time the model is run) or stochastic (generating a distribution of likely outcomes on the basis of variations in the inputs) approach and which distributions (e.g., Gaussian or uniform distributions) to use to describe the probable values of parameters, such as effective contact rates and duration of contagiousness. Furthermore, many of the parameters included in the models used to estimate R0 are merely educated guesses the true values are often unknown or difficult or impossible to measure directly (31,34,35). This limitation is compounded as models become more complex and, thus, require more input parameters (20,35), such as when using models to estimate the value of R0 for infectious pathogens with more complex transmission pathways, which can include vectorborne infectious agents or those with environmental or wildlife reservoirs. In summary, although only 1 true R0 value exists for an infectious disease event occurring in a particular place at a particular time, models that have minor differences in structure and assumptions might produce different estimates of that value, even when using the same epidemiologic data as inputs (20,31,32,36,37).

Obsolete R0 قيم

New estimates of R0 have been produced for infectious disease events that occurred in recent history, such as the West Africa Ebola outbreak (34,38,39). However, for many vaccine-preventable diseases, the scientific literature reports R0 values calculated much further back in history. For example, the oft-reported measles R0 values of 12–18 are based on data acquired during 1912–1928 in the United States (R0 of 12.5) and 1944–1979 in England and Wales (R0 of 13.7–18.0) (14), even though more recent estimates of the R0 for measles highlight a much greater numeric range and variation across settings (23). For pertussis (R0 of 12–17), the original data sources are 1908–1917 in the United States (R0 of 12.2) and 1944–1979 in England and Wales (R0 of 14.3–17.1) (14). The major changes that have occurred in how humans organize themselves both socially and geographically make these historic values extremely unlikely to match present day epidemiologic realities. Behavioral changes undoubtedly have altered contact rates, which are a key component of R0 العمليات الحسابية. Yet, these R0 values have been repeated so often in the literature that newer R0 values generated by using modern data might be dismissed if they fall outside the range of previous estimates. Given that R0 is often considered when designing and implementing vaccination strategies and other public health interventions, the use of R0 values derived from older data is likely inappropriate (23). Decisions about public health practice should be made with contemporaneous R0 values or ص values instead.

الاستنتاجات

Although R0 might appear to be a simple measure that can be used to determine infectious disease transmission dynamics and the threats that new outbreaks pose to the public health, the definition, calculation, and interpretation of R0 are anything but simple. ص0 remains a valuable epidemiologic concept, but the expanded use of R0 in both the scientific literature and the popular press appears to have enabled some misunderstandings to propagate. ص0 is an estimate of contagiousness that is a function of human behavior and biological characteristics of pathogens. ص0 is not a measure of the severity of an infectious disease or the rapidity of a pathogen’s spread through a population. ص0 values are nearly always estimated from mathematical models, and the estimated values are dependent on numerous decisions made in the modeling process. The contagiousness of different historic, emerging, and reemerging infectious agents cannot be fairly compared without recalculating R0 with the same modeling assumptions. Some of the R0 values commonly reported in the literature for past epidemics might not be valid for outbreaks of the same infectious disease today.

ص0 can be misrepresented, misinterpreted, and misapplied in a variety of ways that distort the metric’s true meaning and value. Because of these various sources of confusion, R0 must be applied and discussed with caution in research and practice. This epidemiologic construct will only remain valuable and relevant when used and interpreted correctly.

Dr. Delamater is an assistant professor in the Department of Geography and a faculty fellow at the Carolina Population Center at the University of North Carolina at Chapel Hill, Chapel Hill, North Carolina, USA. His research focuses on the geographic aspects of health, disease, and healthcare.

إعتراف

This research was supported through a grant from the George Mason University Provost Multidisciplinary Research Initiative.


Reproduction: Asexual vs. Sexual

انقسام الخلية is how organisms grow and repair themselves. It is also how many organisms produce offspring. For many single-celled organisms, reproduction is a similar process. The parent cell simply divides to form two daughter cells that are identical to the parent. In many other organisms, two parents are involved, and the offspring are not identical to the parents. In fact, each offspring is unique. Look at the family in شكل أدناه. The children resemble their parents, but they are not identical to them. Instead, each has a unique combination of characteristics inherited from both parents.

Family Portrait: Mother, Daughter, Father, and Son. Children resemble their parents, but they are never identical to them. Do you know why this is the case?

التكاثر is the process by which organisms give rise to offspring. It is one of the defining characteristics of living things. There are two basic types of reproduction: asexual reproduction and sexual reproduction.

Asexual Reproduction

Asexual reproduction involves a single parent. It results in offspring that are genetically identical to each other and to the parent. All prokaryotes and some eukaryotes reproduce this way. There are several different methods of asexual reproduction. They include binary fission, fragmentation, and budding.

  • الانشطار الثنائي occurs when a parent cell splits into two identical daughter cells of the same size.
  • Fragmentation occurs when a parent organism breaks into fragments, or pieces, and each fragment develops into a new organism. Starfish, like the one in شكلbelow, reproduce this way. A new starfish can develop from a single ray, or arm. Starfish, however, are also capable of sexual reproduction.
  • مهدها occurs when a parent cell forms a bubble-like bud. The bud stays attached to the parent cell while it grows and develops. When the bud is fully developed, it breaks away from the parent cell and forms a new organism. Budding in yeast is shown in شكلأدناه.

Binary Fission in various single-celled organisms (left). Cell division is a relatively simple process in many single-celled organisms. Eventually the parent cell will pinch apart to form two identical daughter cells. In multiple fission (right), a multinucleated cell can divide to form more than one daughter cell. Multiple fission is more often observed among protists.

Starfish reproduce by fragmentation and yeasts reproduce by budding. Both are types of asexual reproduction.

Asexual reproduction can be very rapid. This is an advantage for many organisms. It allows them to crowd out other organisms that reproduce more slowly. Bacteria, for example, may divide several times per hour. Under ideal conditions, 100 bacteria can divide to produce millions of bacterial cells in just a few hours! However, most bacteria do not live under ideal conditions. If they did, the entire surface of the planet would soon be covered with them. Instead, their reproduction is kept in check by limited resources, predators, and their own wastes. This is true of most other organisms as well.

التكاثر الجنسي

التكاثر الجنسي involves two parents. As you can see from شكل below, in sexual reproduction, parents produce reproductive cells&mdashcalled الأمشاج&mdashthat unite to form an offspring. Gametes are أحادي العدد الخلايا. This means they contain only half the number ofchromosomes found in other cells of the organism. Gametes are produced by a type of cell division called الانقسام الاختزالي, which is described in detail in a subsequent concept. The process in which two gametes unite is called التخصيب. The fertilized cell that results is referred to as a اللاقحة. A zygote is ثنائي الصيغة الصبغية cell, which means that it has twice the number of chromosomesas a gamete.

Mitosis, Meiosis and Sexual Reproduction is discussed at http://www.youtube.com/watch?v=kaSIjIzAtYA.

Cycle of Sexual Reproduction. Sexual reproduction involves the production of haploid gametes by meiosis. This is followed by fertilization and the formation of a diploid zygote. The number of chromosomes in a gamete is represented by the letter n. Why does the zygote have 2n, or twice as many, chromosomes?


شاهد الفيديو: الاستنساخ - ولادة الماضي (كانون الثاني 2022).