발굽입병 바이러스의 에어로졸 전파 거리 정량화

배경 및 학문적 계보

기원 및 학문적 계보

발굽입병(FMD)은 전 세계적으로 되새김질하는 발굽 동물에게 영향을 미치는 매우 전염성이 강하고 경제적으로 파괴적인 바이러스성 질병이다. 도태 및 무역 제한과 같은 통제 조치로 인해 농업 산업에 미치는 영향은 오랫동안 주요 관심사였다. 본 논문에서 다루는 문제의 정확한 기원은 발굽입병 바이러스(FMDV)의 에어로졸 전파가 바이러스 확산에 특히 복잡하지만 중요한 경로이며, 단거리 및 장거리 모두에서 질병을 확산시킬 수 있다는 인식에 있다. Gloster 등의 시뮬레이션과 Colenutt 등의 실험적 확인과 같은 과거의 발병 및 이전 연구는 FMD 전염병에서 공기 중 전파의 중요한 역할을 반복적으로 강조해 왔다. 이 문제는 과학자들과 정책 입안자들이 대규모 FMD 발병을 예방하고 통제하기 위한 효과적인 전략을 모색하면서, 공기 중 바이러스 확산을 이해하고 관리하는 것이 가장 중요하다는 것을 깨달으면서 학문 분야에서 처음으로 대두되었다.

저자들이 이 연구를 수행하도록 강요한 이전 접근 방식의 근본적인 한계 또는 "고충점"은 특히 개별 동물 및 농장 수준에서 다양한 환경 조건 하에서 FMDV 에어로졸 전파 거리의 불충분한 이해와 정량화였다. 이전의 수학적 모델은 거시적 규모(예: 농장 간 또는 지역 간) 또는 일반적인 병원체 대기 확산에 대한 바이러스 전파를 탐구했지만, 관련된 다요인 과정(방출, 확산, 침강, 붕괴 및 흡입)을 고려할 때 단일 감염원에서 FMDV 에어로졸의 유효 전파 거리를 정확하게 특성화하는 데 종종 실패했다. 예를 들어, 일부 모델은 단일 우리 내에서의 에어로졸 전파만을 고려했다. 특정 조건 하에서 FMDV 에어로졸이 얼마나 멀리 이동할 수 있는지에 대한 이러한 미세하고 정량적인 데이터 부족은 발병 중 정확한 위험 평가, 효과적인 질병 감시 및 예방 및 통제 자원의 합리적인 할당을 방해했다. 저자들은 "지금까지 우리의 이해에는 특정 한계가 있다"고 명시적으로 밝혔으며, 시간이 지남에 따라 바이러스 전파 거리를 예측하기 위한 보다 정교한 수학적 모델의 개발이 필요하다.

직관적인 도메인 용어

기초 독자가 핵심 개념을 파악하는 데 도움이 되도록 이 논문의 몇 가지 전문 용어를 일상적인 비유로 번역했습니다.

• 발굽입병 바이러스(FMDV): 소, 양, 돼지와 같은 동물에게 매우 심각하고 매우 전염성이 강한 질병을 일으키는 특정 "슈퍼 독감 벌레"라고 상상하십시오. 인간의 손, 발, 입 질병이 아니라 별개의 훨씬 더 심각한 동물 질병입니다.
• 에어로졸 전파: 공기 중에 떠다니는 작은 세균을 운반하는 보이지 않는 "숨결 구름" 또는 "재채기 안개"와 같다고 생각하십시오. 빠르게 떨어지는 크고 보이는 물방울과 달리, 이러한 에어로졸 입자는 너무 작아서 오랫동안 공중에 떠 있을 수 있고 멀리 퍼질 수 있습니다. 마치 멀리 떨어진 불의 연기처럼 말입니다.
• 최소 감염량(MID): 실제로 병에 걸리기 위해 노출되어야 하는 세균의 "마법 숫자"입니다. 이 양보다 적게 흡입하면 신체가 이를 물리칠 수 있지만, 이 용량을 초과하거나 초과하면 감염이 가능합니다. 감염을 위한 임계값입니다.
• TCID50 (50% 조직 배양 감염량): 이것은 과학적인 "세균 계수기"입니다. 실험실에서 샘플에 존재하는 활성 바이러스의 양을 측정하는 데 사용되는 표준 단위입니다. 구체적으로, 이는 실험실 테스트에서 세포의 절반을 성공적으로 감염시키는 바이러스의 양으로, 과학자들에게 바이러스의 강도를 정량화하는 신뢰할 수 있는 방법을 제공합니다.

표기법 표

표기법	설명

문제 정의 및 제약 조건

핵심 문제 공식화 및 딜레마

이 논문에서 다루는 핵심 문제는 발굽입병 바이러스(FMDV) 에어로졸의 공간적 및 시간적 유효 전파 거리의 정확한 정량화입니다. 이는 농업 산업에 파괴적인 FMD 발병을 이해하고 통제하는 데 중요한 누락된 부분입니다.

시작점(입력/현재 상태)은 감염된 동물(소, 양 또는 돼지) 또는 전체 감염된 농장으로, 대기 중으로 FMDV 함유 에어로졸을 방출하는 공급원 역할을 합니다. FMDV 에어로졸 전파는 바이러스 확산의 확인되고 중요한 경로임에도 불구하고, 특히 다양한 거리와 조건에서 그 상세한 공간적 및 시간적 역학에 대한 우리의 이해는 여전히 제한적입니다. 이전 연구는 종종 거시적 규모(예: 농장 간 확산) 또는 개별 수준 전파에 초점을 맞추었지만, 에어로졸 전파 자체의 복잡하고 다요인적인 과정을 완전히 명확히 밝히지는 못했습니다.

원하는 종점(출력/목표 상태)은 다양한 환경 조건(예: 안정된 대기, 다양한 풍속) 하에서 FMDV 에어로졸이 얼마나 멀리 이동하고 감염성을 유지할 수 있는지에 대한 정량적이고 예측적인 이해입니다. 여기에는 특정 시간 프레임(예: 1시간, 24시간, 7일) 동안 단일 감염 동물 및 감염된 농장으로부터의 유효 전파 거리 결정이 포함됩니다. 궁극적인 목표는 가축 농장 레이아웃의 합리적인 계획, 의사 결정 프로세스 지원 및 전염병 발생 중 예방 및 통제 자원의 할당 최적화를 위한 실행 가능한 정보를 제공하는 것입니다.

이 논문이 연결하려고 시도하는 정확한 누락된 연결 또는 수학적 격차는 FMDV 에어로졸 전파를 지배하는 다양한 물리적 및 생물학적 과정을 통합하는 포괄적인 시공간 동적 모델의 부족입니다. 구체적으로, 이는 방출, 확산, 침강, 운송(바람에 의한 이류), 붕괴 및 최종 흡입을 설명하는 확산 방정식을 설정하는 것을 목표로 합니다. 이 모델은 임의의 지점과 시간에서 생존 가능한 바이러스의 농도를 정량화하여 종별 최소 감염량 임계값과 농도를 비교하여 유효 전파 거리를 계산할 수 있습니다. 이전 모델은 이러한 역학을 단순화하거나 다른 측면에 초점을 맞추어 에어로졸 전파 거리의 정확한 기계적 예측에 격차를 남겼습니다.

이 특정 문제를 해결하려는 이전 연구자들이 갇혔던 고통스러운 절충 또는 딜레마는 모델 복잡성과 실용적인 적용 가능성 및 데이터 가용성 간의 균형을 맞추는 데 있습니다. 에어로졸 전파는 수많은 상호 작용하는 요소를 포함하는 "복잡한 다요인 과정"입니다. 한 측면의 정확도를 개선하는 것(예: 상세한 대기 난류 포함)은 종종 기하급수적으로 더 많은 계산 능력과 매우 세분화된 입력 데이터를 필요로 하며, 이는 항상 사용 가능하거나 신뢰할 수 없을 수 있습니다. 예를 들어, 대기 조건의 모델링에서 더 높은 해상도는 더 정확한 예측을 제공하지만, 상당한 계산 오버헤드와 데이터 획득 문제를 야기합니다. 반대로, 모델을 단순화하여 다루기 쉽게 만들면 전파에 영향을 미치는 중요한 요소를 간과할 위험이 있어 덜 정확하거나 일반화 가능한 결과로 이어집니다. 본 논문은 문제를 해결 가능하게 만들기 위해 특정 가정(예: 균질한 바람, 고정된 동물 위치)을 함으로써 이러한 문제를 암묵적으로 탐색하면서도 핵심 역학을 포착합니다.

제약 조건 및 실패 모드

FMDV 에어로졸 전파를 정량화하는 문제는 저자들이 직면한 몇 가지 가혹하고 현실적인 벽으로 인해 해결하기가 매우 어렵습니다.

• 물리적 제약 조건:

  • 다요인 에어로졸 역학: FMDV 에어로졸의 확산은 방출, 생존성 유지, 운송(바람에 의한 이류), 확산(난류로 인한), 중력 침강, 붕괴 및 최종 흡입의 복잡한 상호 작용에 의해 지배됩니다. 이러한 각 과정은 자체 역학과 영향 요인을 가지고 있습니다.
  • 입자 크기 분포: 에어로졸 입자의 크기는 그 거동에 큰 영향을 미칩니다. 더 작은 입자(< 5 µm 또는 연구의 초점인 < 6 µm)는 더 오래 현탁 상태를 유지하고 더 멀리 이동하는 반면, 더 큰 입자는 빠르게 침강합니다. 모델은 이러한 크기 의존적 역학을 설명해야 하며, 이는 종 또는 방출 이벤트에 따라 균일하지 않습니다.
  • 환경 지속성 및 붕괴: 에어로졸에서 FMDV의 생존성은 환경 조건, 특히 상대 습도(55% – 60% RH 이상에서 생존이 가장 좋음)에 매우 민감합니다. 바이러스는 시간이 지남에 따라 붕괴되며, 추정 반감기(예: 표 2의 2시간 또는 [19]의 FMDV 에어로졸의 12시간)는 감염성이 거리와 시간에 따라 감소함을 의미합니다.
  • 대기 조건: 풍속과 방향은 방향 이동(이류)에 중요하며, 대기 난류는 무작위 확산을 유도합니다. 이러한 요인은 실제 시나리오에서 매우 가변적이어서 정확한 장기 예측을 어렵게 합니다. 본 논문은 "난류 확산...은 물리학에서 가장 중요한 퍼즐"이라고 언급합니다.
  • 중력 침강: 에어로졸은 중력의 영향을 받아 아래로 침강합니다. 이 수직 이동은 상승 확산 및 수평 운송과 균형을 이루어야 합니다.
  • 종별 특성: 다른 가축 종(소, 양, 돼지)은 어깨 높이(방출원), 최소 감염량(MID), 폐활량 및 바이러스 배출량이 다릅니다. 예를 들어, 돼지는 에어로졸 감염 자체에 덜 민감함에도 불구하고 소나 양보다 훨씬 더 많은 바이러스를 배출합니다. 이러한 생물학적 차이는 종별 매개변수를 필요로 합니다.

• 계산 제약 조건:

  • 편미분 방정식(PDE) 풀이: 모델의 핵심은 시간에 걸쳐 3차원 공간에서 반응-확산 방정식을 푸는 것입니다(4항 및 6항). 이러한 방정식은 수학적으로 복잡하며 수치 시뮬레이션을 필요로 하며, 특히 대규모 공간 및 시간 규모에서는 계산 집약적일 수 있습니다.
  • 매개변수화 복잡성: 모델은 종, 바이러스 균주, 입자 크기 및 환경 조건에 따라 달라지는 많은 수의 매개변수(확산 계수, 침강 속도, 붕괴율, 배출량, 흡입율, 임계 농도, 풍속 등)를 필요로 합니다. 이러한 매개변수를 정확하게 결정하고 검증하는 것은 상당한 작업입니다.

• 데이터 기반 제약 조건:

  • 데이터 변동성 및 희소성: 본 논문은 최소 감염량(MID)과 같은 중요한 매개변수에 대해 "다른 실험 연구에서 약간 다른 결과가 나왔다"고 인정하며, 이는 보편적으로 일관된 데이터의 부족을 나타냅니다. 이러한 변동성은 모델 예측에 불확실성을 야기합니다.
  • 이상적인 조건 대 실제 복잡성: 시뮬레이션은 "비교적 이상적인 조건" 하에서 수행되며, 이는 온도, 습도, 지형 특징(지형) 및 가변 풍향의 결합된 효과를 완전히 고려하지 않음을 의미합니다. 이러한 실제 복잡성을 통합하려면 더 높은 해상도의 입력 데이터와 더 정교한 모델이 필요하며, 이는 현재 범위 또는 데이터 가용성을 벗어납니다.
  • 동물 행동의 단순화: 모델은 감염된 동물이 고정된 원점(0,0,0)에 있다고 가정하며, 감염되거나 감수성이 있는 개체의 공간적 이동을 통합하지 않습니다. 농장 수준 모델링의 경우, 초기에는 "각 농장 내의 공간적 이질성을 무시하고" 이를 균질한 단위로 취급합니다. 이러한 단순화는 모델의 다루기 쉬움을 위해 필요하지만 실제 역학에서 벗어난 것입니다.

왜 이 접근 방식인가

선택의 불가피성

솔직히 말해서, 저자들은 명확한 "깨달음의 순간"을 명시적으로 밝히지 않았지만, 논문의 서론은 기존 접근 방식의 한계를 명확하게 제시하여 이 특정 문제에 대한 그들의 선택된 방법이 유일하게 실행 가능한 경로임을 분명히 했습니다. 발굽입병 바이러스(FMDV) 전파에 대한 이전 수학적 모델은 종종 거시적 규모, 즉 개체 또는 농장 간의 전파에 초점을 맞추었지만, 다양한 공간 거리에 걸친 에어로졸 전파의 복잡한 역학을 깊이 파고들지 않았습니다. 일부 연구에서는 Gaussian 확산, NAME 또는 DERMA와 같은 확산 모델을 병원성 미생물에 사용했지만, 이러한 모델은 FMDV 에어로졸 전파에 영향을 미치는 모든 요인을 포착하기에 명백히 충분하지 않았습니다.

확인된 중요한 격차는 방출, 후속 확산, 중력 침강, 바람에 의한 운송, 환경에서의 바이러스 생존성 붕괴 및 최종 숙주 흡입을 포함하는 FMDV 에어로졸 확산의 전체 다요인 과정을 기계적으로 설명할 수 있는 모델의 필요성이었습니다. 표준 역학 모델은 개체군 수준의 역학에는 유용하지만 일반적으로 이러한 물리적 과정을 추상화합니다. 마찬가지로, 일반적인 대기 확산 모델은 바이러스 생존성, 종별 방출/흡입율 및 FMDV와 관련된 환경 요인의 복잡한 상호 작용의 생물학적 세부 사항을 완전히 통합하지 않을 수 있습니다. 따라서 Fick의 법칙에 기반하고 이러한 다양한 요소를 통합하는 맞춤형 시공간 동적 모델의 개발은 전파 거리를 정확하게 정량화하기 위한 필수 조건이 되었습니다.

비교 우위

이 접근 방식의 질적 우위는 FMDV 에어로졸 전파를 지배하는 물리적 및 생물학적 요인의 전체론적이고 기계적인 통합에 있습니다. 에어로졸 확산을 블랙박스로 취급하거나 경험적 근사에 의존하는 더 간단한 모델과 달리, 이 방법은 에어로졸 역학에 대한 상세한 물리적 모델을 구축합니다. 단순히 확산을 예측하는 것이 아니라, 기본 과정을 모델링하여 확산이 어떻게 발생하는지 설명합니다.

구조적 이점은 Fick의 법칙을 확산을 위한 법칙과 방향 이류(바람), 중력 침강, 바이러스 방출 및 붕괴 항을 단일 편미분 방정식(PDE)으로 결합할 수 있다는 것입니다. 이를 통해 에어로졸 농도 $c(x, y, z, t)$의 미세하고 시공간적으로 해결된 시뮬레이션이 가능합니다. 또한, 농장 수준 분석을 위해 이 물리적 모델은 개체군 기반 SIRV(감수성-감염-회복-바이러스 부하) 역학 모델과 원활하게 결합됩니다. 이 2단계 접근 방식은 강력한 프레임워크를 제공합니다. SIRV 모델은 시간 경과에 따라 감염된 농장에서 방출되는 바이러스 부하를 정량화하며, 이는 에어로졸 확산을 장거리 예측하기 위해 확산 방정식으로 공급됩니다. 이 포괄적인 프레임워크는 물리적 에어로졸 역학과 역학적 진행의 상세한 통합이 부족했던 이전의 황금 표준 방법보다 훨씬 더 미묘한 이해를 제공합니다. 이는 메모리 복잡성을 $O(N^2)$에서 $O(N)$으로 줄이는 것이 아니라, 처음부터 더 정확하고 설명적인 모델을 구축하는 것입니다.

제약 조건과의 일치

선택된 방법은 FMDV 에어로졸 전파를 정량화하는 고유한 제약 조건과 완벽하게 일치합니다. 이 문제는 다음을 수행할 수 있는 모델을 필요로 합니다.

1. 전파 거리 정량화: 확산 방정식의 핵심 출력은 에어로졸 농도 $c(x, y, z, t)$이며, 이는 종별 최소 감염량(MID) 임계값과 비교될 때 유효 전파 거리를 직접적으로 산출합니다.
2. 다요인 과정 고려: 모델은 방출(소스 항 $A(x, y, z, t)$), 자유 확산(확산 계수 $D$), 방향 이동(풍속 $w$) 및 중력 침강, 붕괴를 명시적으로 통합합니다. 이는 에어로졸 전파의 복잡한 특성을 직접적으로 다룹니다.
3. 시공간 역학 포착: 편미분 방정식(4항)의 사용은 본질적으로 3차원 공간($x, y, z$) 및 시간($t$)에 걸친 바이러스 에어로졸 농도를 모델링하여 시공간 분석의 필요성을 충족합니다.
4. 종별 매개변수 통합: 모델은 소, 양, 돼지에 대한 고유한 매개변수(예: 어깨 높이 $H_0$, 배출율 $U$, 흡입율 및 임계 농도)를 수용하고 활용하도록 설계되어 숙주 종 간의 생물학적 차이를 반영합니다.
5. 환경 조건 통합: 풍속($w$), 확산 계수($D$), 붕괴율($d$)과 같은 변수가 직접 통합되어 모델이 다양한 환경 시나리오에서 전파를 시뮬레이션할 수 있습니다.

문제의 가혹한 요구 사항과 해결책의 고유한 속성 간의 "결합"은 이러한 직접적인 매핑에서 분명합니다. 문제는 에어로졸이 어떻게 이동하고 지속되는지에 대한 상세한 이해를 필요로 하며, Fick의 법칙 기반 확산 방정식은 정확히 그러한 기계적 설명을 제공합니다. SIRV 모델을 사용하여 농장 수준으로 확장되면, 이는 바이러스 배출을 유발하는 질병 진행 및 그 영향을 이해할 필요성을 다루며, 이는 차례로 에어로졸 확산을 유발합니다. 이 통합 접근 방식은 모델의 구조가 FMDV 에어로졸 전파의 복잡하고 다중 규모적인 특성에 본질적으로 적합하도록 보장합니다.

대안의 기각

본 논문은 주로 이 특정 문제에 대한 세분성 또는 범위가 불충분하기 때문에 대안적 접근 방식을 기각하는 것을 암시합니다. 이전 연구에서는 FMD 전파에 대한 수학적 모델을 사용했지만, 두 가지 주요 영역에서 종종 부족했습니다.

1. 상세 에어로졸 역학의 부족: 많은 역학 모델은 개체 또는 농장 간의 거시적 전파에 초점을 맞추었지만, "개체 간의 다양한 공간 접촉 거리에서 에어로졸 전파의 역할을 논의하지 않았습니다." (4페이지) 이는 저자들이 추구했던 에어로졸 확산에 대한 세분화된 기계적 이해를 제공할 수 없었음을 의미합니다.
2. 기존 확산 모델에서 영향 요인의 불완전한 통합: 본 논문은 병원성 미생물 확산을 위한 Gaussian 확산, NAME 및 DERMA와 같은 모델의 존재를 인정합니다. 그러나 저자들은 "감염된 동물에 의해 방출되는 FMDV 에어로졸의 방출, 침강, 운송, 확산 및 흡입을 설명하기 위해 확산 방정식을 설정하기 위해 Fick의 법칙을 적용하기로" 선택했습니다. "다양한 영향 요인과 결합하여" (4페이지) 이는 이러한 모델이 확산의 일부 측면을 처리할 수 있지만, 방출, 침강, 방향 운송, 확산, 붕괴 및 종별 흡입율과 같은 모든 요인을 동시에 포괄하는 단일 통합 프레임워크를 제공하지 못했을 가능성이 있음을 시사합니다. "다양한 영향 요인"을 통합된 확산 방정식으로 결합해야 한다는 필요성은 기존 모델이 FMDV 에어로졸 거동의 고유한 복잡성, 특히 바람, 중력 및 바이러스 생존성의 상호 작용에 대해 충분히 맞춤화되지 않았음을 시사합니다.

본 논문은 여기서 설명된 물리적 및 생물학적 과정의 기계적 모델링에 부적합한 근본적으로 다른 패러다임인 GAN, CNN 또는 Transformer와 같은 기계 학습 모델의 기각을 언급하거나 암시하지 않습니다. 고려되고 암묵적으로 기각된 대안은 FMDV 에어로졸 전파의 포괄적인 시공간 분석에 필요한 세부 사항과 통합이 부족한 역학 또는 대기 확산 모델의 다른 형태였습니다.

Figure 4. The contour of spatial distribution of virus aerosol exhaled from one infected cattle standing at location (0,0,0) in scenario I. (a) z = 0.25 m. (b) z = 0.5 m. (c) z = 1.5 m. Where, the contour lines represent the threshold infection concentrations for different animals: 0.07 TCID50/m3 (cattle), 0.7 TCID50/m3 (sheep), and 16 TCID50/m3 (pigs). The regions bounded by the curves marked 0.07, 0.7, and 16 identify the areas where susceptible cattle, sheep, and pigs can be infected, respectively. Contours in later figures share the same interpretation and are not redefined

수학적 및 논리적 메커니즘

마스터 방정식

이 논문에서 FMDV 에어로졸 전파의 개별 수준 분석을 구동하는 핵심 수학적 엔진은 3차원 반응-확산-이류 편미분 방정식입니다. 이 방정식은 방출, 확산, 바람 및 중력에 의한 이류, 붕괴를 고려하여 바이러스 에어로졸 농도의 시공간적 진화를 설명합니다. Fick의 제1 법칙과 질량 보존 원리에서 파생된 가장 포괄적인 형태는 논문의 방정식 (4)로 제시됩니다.

$$ \frac{\partial c(x, y, z, t)}{\partial t} + w \frac{\partial c(x, y, z, t)}{\partial x} - v \frac{\partial c(x, y, z, t)}{\partial z} = D \left[ \frac{\partial^2 c(x, y, z, t)}{\partial x^2} + \frac{\partial^2 c(x, y, z, t)}{\partial y^2} + \frac{\partial^2 c(x, y, z, t)}{\partial z^2} \right] + A(x, y, z, t) - d \cdot c(x, y, z, t) $$

항별 분석

이 마스터 방정식의 각 구성 요소의 역할을 이해하기 위해 분해해 보겠습니다.

• $c(x, y, z, t)$:

  1. 수학적 정의: 특정 공간 좌표 $(x, y, z)$ 및 시간 $t$에서의 바이러스 에어로졸 농도입니다. 단위는 TCID50/m$^3$입니다.
  2. 물리적/논리적 역할: 주어진 위치와 순간에 공기 중에 현탁된 감염성 바이러스 입자의 밀도를 나타냅니다. 모델의 궁극적인 목표는 감염 위험을 평가하기 위해 공간과 시간에 걸쳐 이 값을 결정하는 것입니다.
  3. 이 연산자를 사용하는 이유: 종속 변수이며, 우리가 풀고 있는 양입니다.

• $\frac{\partial c(x, y, z, t)}{\partial t}$:

  1. 수학적 정의: 시간 $t$에 대한 농도 $c$의 편미분입니다.
  2. 물리적/논리적 역할: 이는 고정된 공간 지점에서 바이러스 에어로졸 농도의 변화율을 나타냅니다. 이는 다른 모든 과정(방출, 운송, 확산, 붕괴)의 결과로 시간이 지남에 따라 농도가 증가하거나 감소하는 것을 결정합니다.
  3. 이 연산자를 사용하는 이유: 이는 동적 모델의 기본 항으로, 시스템의 시간적 진화를 나타냅니다.

• $w \frac{\partial c(x, y, z, t)}{\partial x}$:

  1. 수학적 정의: 양의 $x$축을 따라 풍속 $w$와 $x$ 방향의 농도 공간 기울기 $\frac{\partial c}{\partial x}$인 $x$ 방향의 이류 항입니다.
  2. 물리적/논리적 역할: 이 항은 바람에 의한 대기 이동으로 인한 바이러스 에어로졸의 운송을 설명합니다. 바람이 불면 에어로졸을 함께 운반하여 바이러스 "구름"이 지나갈 때 지점의 농도를 변경합니다. 저자는 이류가 흐름 방향과 기울기에 따라 농도를 추가하거나 제거하는 방향성 운송 메커니즘이기 때문에 덧셈을 사용했습니다.
  3. 이 연산자를 사용하는 이유: 속도와 곱해진 1차 공간 미분으로, 이류 운송의 특징입니다.

• $- v \frac{\partial c(x, y, z, t)}{\partial z}$:

  1. 수학적 정의: 중력으로 인한 에어로졸 입자의 침강 속도(침강 속도) $v$와 $z$ 방향의 농도 공간 기울기 $\frac{\partial c}{\partial z}$인 $z$ 방향의 이류 항입니다. 음수 부호는 음의 $z$ 방향(아래쪽)으로의 이동을 나타냅니다.
  2. 물리적/논리적 역할: 이 항은 바이러스 에어로졸의 침강 또는 중력 침강을 설명하며, 이를 아래쪽으로 지면으로 끌어당깁니다. 이는 높은 고도에서의 공기 중 농도를 줄이고 지면 근처에서의 농도를 증가시킵니다(흡수 전).
  3. 이 연산자를 사용하는 이유: 바람 이류 항과 유사하게, 속도와 곱해진 1차 공간 미분이지만, 아래쪽 이동을 반영하기 위해 음수 부호가 붙습니다.

• $D \left[ \frac{\partial^2 c(x, y, z, t)}{\partial x^2} + \frac{\partial^2 c(x, y, z, t)}{\partial y^2} + \frac{\partial^2 c(x, y, z, t)}{\partial z^2} \right]$:

  1. 수학적 정의: 확산 계수 $D$와 농도의 2차 편미분으로 구성된 라플라시안 연산자($\nabla^2 c$)인 확산 항입니다. 각 공간 차원에 대한 농도의 2차 편미분을 포함합니다.
  2. 물리적/논리적 역할: 이 항은 대기 난류 및 분자 충돌로 인한 바이러스 에어로졸의 무작위 확산 또는 분산을 나타냅니다. 농도 구배를 평활화하여 고농도 영역에서 저농도 영역으로 입자를 이동시키는 역할을 합니다. 저자는 확산이 각 공간 축을 따라 독립적으로 물질을 확산시키기 때문에 라플라시안의 구성 요소에 덧셈을 사용했습니다.
  3. 이 연산자를 사용하는 이유: 라플라시안은 확산 과정을 나타내는 표준 수학적 표현으로, 양이 공간에서 어떻게 퍼지는지를 나타냅니다.

• $A(x, y, z, t)$:

  1. 수학적 정의: 소스 항으로, 위치 $(x, y, z)$에서 감염된 동물에 의한 바이러스 에어로졸 방출 속도를 단위 시간당 나타냅니다. 소스 위치 $(0,0,H_0)$에서 $U$(배출량)로 정의되고 다른 곳에서는 0으로 정의됩니다.
  2. 물리적/논리적 역할: 이 항은 감염된 소스에서 시스템으로 새로운 바이러스 에어로졸을 도입합니다. 이는 공기 중 FMDV 입자의 기원입니다.
  3. 이 연산자를 사용하는 이유: 에어로졸 바이러스 농도에 직접 기여하기 때문에 덧셈 항입니다.

• $- d \cdot c(x, y, z, t)$:

  1. 수학적 정의: 붕괴율 $d$와 농도 $c$로 인한 바이러스 에어로졸의 환경 붕괴 항입니다.
  2. 물리적/논리적 역할: 이 항은 (예: 건조, UV 방사선) 환경 요인으로 인한 바이러스 입자의 불활성화 또는 생존성 손실을 설명합니다. 이는 감염성 바이러스의 유효 농도를 감소시킵니다.
  3. 이 연산자를 사용하는 이유: 붕괴율이 현재 농도에 비례하여 시간이 지남에 따라 지수적으로 감소하기 때문에 음수 부호를 가진 곱셈 항입니다.

단계별 흐름

감염된 동물로부터 여정을 시작하는 단일 추상 FMDV 에어로졸 입자를 상상해 보십시오. 전체 시나리오는 주변에 감수성 동물이 있고 바람의 영향을 받아 바이러스 에어로졸이 분산되는 평평한 표면의 감염된 동물(소, 양 또는 돼지)을 포함합니다.

1. 방출: 먼저, 입자는 감염된 동물의 코나 입에서 방출되며, 이는 소스 항 $A(x, y, z, t)$로 표현됩니다. 이는 모델의 좌표계에서 일반적으로 원점 $(0,0,H_0)$에서 지면 위 특정 높이 $H_0$에서 발생합니다.
2. 바람에 의한 이류: 일단 공중에 떠 있으면, 바람(속도 $w$)이 불면 입자는 즉시 바람 방향(예: 양의 $x$축)으로 운반됩니다. 이것은 입자의 전반적인 위치를 이동시키는 대량 이동 구성 요소입니다.
3. 중력 침강: 동시에, 중력으로 인해 입자는 아래쪽으로 침강하기 시작하며 속도는 $v$입니다. 이는 $z$ 좌표가 지속적으로 감소하여 지면에 더 가까워짐을 의미합니다.
4. 난류 확산: 이류되는 동안 입자는 난류 및 분자 충돌로 인한 무작위적인 혼란스러운 운동을 경험합니다. 이 확산 과정은 입자가 초기 궤적에서 모든 3차원 공간($x, y, z$)으로 퍼지게 하여 경로를 덜 예측 가능하게 만들고 더 넓은 영역으로 분산시킵니다.
5. 환경 붕괴: 공기 중 여정 내내 바이러스 입자는 환경 붕괴의 영향을 받습니다. 생존성은 시간이 지남에 따라 $d$ 속도로 감소하며, 이는 입자가 감수성 숙주에 도달하더라도 더 이상 감염을 일으킬 만큼 생존 가능하지 않을 수 있음을 의미합니다.
6. 지면 흡수: 입자의 하강 이동(침강 또는 무작위 확산으로 인한)으로 인해 지면($z=0$)에 도달하면 완전히 흡수된 것으로 가정됩니다. 이것은 흡수 경계 조건으로, 지면에서의 바이러스 농도가 효과적으로 0이며 입자가 재에어로졸화되지 않음을 의미합니다.
7. 농도 축적: 이러한 모든 과정—방출, 바람 운송, 중력 침강, 난류 확산 및 붕괴—은 모든 공간 지점과 시간에서 생존 가능한 바이러스 에어로졸의 농도 $c(x, y, z, t)$를 집합적으로 결정합니다. 모델은 이 농도를 지속적으로 계산합니다.
8. 위험 평가: 마지막으로, 임의의 지점에서 계산된 농도 $c(x, y, z, t)$는 종별 임계 농도(예: 소의 경우 0.07 TCID50/m$^3$)와 비교됩니다. 농도가 이 임계값을 초과하면 해당 위치는 유효 전파 거리 내에 있는 것으로 간주되어 잠재적인 감염 위험을 나타냅니다.

이 전체 과정은 바이러스 입자가 방출되고, 환경적 힘에 의해 흔들리고, 감염되거나 비활성화될 때까지 점차 효능을 잃는 복잡하고 보이지 않는 조립 라인과 같습니다.

최적화 역학

이 논문에서 설명된 메커니즘은 본질적으로 전통적인 의미의 최적화 모델이라기보다는 시뮬레이션 및 예측 모델입니다. 이 모델은 손실 함수를 최소화하기 위해 내부 매개변수를 반복적으로 조정하지 않고 "학습"하거나 "업데이트"하지 않습니다. 대신, 그 역학은 FMDV 에어로졸의 물리적 확산을 이해하기 위해 결정론적 편미분 방정식(PDE)을 푸는 것에 관한 것입니다.

여기서의 "역학"은 다음을 의미합니다.

1. PDE의 수치적 해법: 모델의 주요 작업은 정의된 공간 영역 및 시간 기간에 걸쳐 $c(x, y, z, t)$에 대한 마스터 방정식을 수치적으로 푸는 것입니다. 여기에는 연속적인 공간과 시간을 그리드로 이산화하고 수치적 방법(예: 유한 차분법)을 적용하여 해를 근사하는 것이 포함됩니다. "상태 업데이트"는 현재 값과 모든 항(이류, 확산, 소스, 붕괴)의 영향을 기반으로 각 후속 시간 단계에서 $c$를 계산하는 것입니다.
2. 매개변수 탐색 및 시나리오 분석: 저자들은 풍속($w$), 확산 계수($D$), 침강 속도($v$), 붕괴율($d$) 및 방출 높이($H_0$)와 같은 입력 매개변수를 변경하여 다양한 "시나리오"를 탐색합니다. 이것은 최적화가 아니라 이러한 요인이 전파 거리의 "손실 지형"을 어떻게 형성하는지 이해하기 위한 민감도 분석입니다. 예를 들어, 더 높은 풍속은 에어로졸 플룸을 늘릴 것이고, 더 높은 붕괴율은 이를 축소할 것입니다.
3. 농도 분포로의 수렴: 주어진 매개변수 및 초기 조건 집합에 대해 수치 시뮬레이션은 바이러스 농도의 시공간 분포로 수렴됩니다. 이것은 모델 매개변수의 수렴이 아니라 시스템이 안정적이거나 진화하는 농도 프로파일에 도달하는 것입니다.
4. 임계값 기반 위험 결정: 이 메커니즘의 "학습" 또는 "결과"는 유효 전파 거리 결정입니다. 이는 시뮬레이션된 농도 $c(x, y, z, t)$를 미리 정의된 최소 감염량 임계값과 비교하여 달성됩니다. $c$가 이 임계값 아래로 떨어지는 경계는 최대 전파 범위를 정의합니다. 모델은 특정 전파 거리를 달성하기 위해 매개변수를 조정하는 것이 아니라, 환경 및 생물학적 입력이 주어졌을 때 거리를 예측합니다.

본질적으로 모델은 에어로졸 거동의 순방향 시뮬레이션을 제공합니다. "최적화"는 다양한 시나리오에 걸쳐 시뮬레이션 결과를 해석하여 중요한 요소를 식별하고 전파 위험을 예측하는 연구자들에 의해 수행되며, 반복적인 학습 프로세스를 통한 모델 자체에 의해 수행되는 것이 아닙니다.

Figure 2. Schematic diagram of the variation of aerosol concentration in microvolume element Figure 1. Schematic diagram of study scenario

결과, 한계 및 결론

실험 설계 및 기준선

FMDV 에어로졸 전파에 관한 수학적 주장을 엄격하게 검증하기 위해 연구자들은 다양한 시나리오에 걸친 일련의 수치 시뮬레이션을 설계했습니다. 실험 설계의 핵심은 방출, 확산, 침강 및 FMDV 에어로졸의 방향 이동을 세심하게 특성화한 확산 방정식(4항)인 시공간 동적 모델을 중심으로 이루어졌습니다. 이 모델은 다양한 환경 조건과 감염된 동물 종(소, 양, 돼지)을 공급원으로, 다른 감수성 종을 대상으로 하여 유효 전파 거리를 정량화하는 데 적용되었습니다.

실험 설정은 개별 동물 전파에 대한 세 가지 주요 시나리오를 포함했습니다.
1. 시나리오 I (단기, 무풍): 이 시나리오는 상당한 바람 흐름이 없는 안정된 대기 조건 하에서 단기(1시간) 동안 에어로졸 확산을 시뮬레이션했습니다. 또한 동물이 머리를 위아래로 움직이는 것을 고려하여 방출 높이가 다양했습니다. 이는 이류 운송 없이 국지적 확산을 이해하기 위한 기준선 역할을 했습니다.
2. 시나리오 II (장기, 일정 풍속): 기간을 24시간으로 연장하여, 이 시나리오는 고정된 바람 방향(양의 x축)과 일정한 낮은 풍속 0.1 m/s를 도입했습니다. 이러한 조건 하에서 에어로졸의 침강은 무시할 수 있는 것으로 간주되어 수직 이동 측면이 단순화되었습니다. 이 시나리오는 약간의 바람이라도 장거리 전파에 미치는 영향을 강조하는 것을 목표로 했습니다.
3. 시나리오 III (장기, 실제 바람): 이 고급 시나리오는 2024년 10월 27일부터 10월 28일까지 베이징에서 기록된 실제 풍속 데이터를 사용했습니다. 최대 거리를 시뮬레이션하기 위해 바람 방향은 남서쪽으로 고정된 것으로 가정했습니다. 이는 방향성 있는 바람 하에서 전파를 보다 현실적으로 평가했습니다.

개별 동물 전파를 넘어, 이 연구는 농장 규모 모델링 접근 방식도 통합했습니다. 여기에는 단일 감염 개체로 시작하는 1000마리의 미접종 동물 농장 내 감염의 시간적 역학을 시뮬레이션하기 위한 개체군 기반 SIRV(감수성-감염-회복-바이러스 부하) 모델(5항)이 포함되었습니다. 이 농장 내 모델(바이러스 배출)의 출력은 7일 동안 주변 감수성 농장에 대한 감염성을 평가하기 위해 공간 확산 모델로 공급되었으며, 이는 다시 일정한 0.1 m/s 풍속 하에서 이루어졌습니다.

이러한 실험에서 "희생자"는 최소 감염량(MID)과 흡입율이 감염 위험을 결정하는 데 중요한 매개변수인 감수성 소, 양, 돼지 개체군이었습니다. "기준선" 비교는 주로 다양한 환경 조건(무풍 대 다양한 풍속)과 가축 종 간의 고유한 바이러스 배출율 및 감수성 차이였습니다. 광범위한 문헌(표 1, 2, 3, 8)에서 도출된 세심한 매개변수화는 연구자들이 바람 속도 및 동물 종 특성과 같은 특정 요인이 FMDV 에어로졸 전파 거리에 어떻게 결정적으로 영향을 미치는지 무자비하게 입증할 수 있도록 했습니다.

증거가 입증하는 것

이 논문에서 제시된 증거는 바람이 FMDV 에어로졸 전파에 결정적인 역할을 한다는 것을 명확하게 입증하며, 감염원으로 인한 다양한 가축 종의 기여를 강조합니다. 자유 확산, 방향 이류 및 중력 침강을 통합하는 확산 방정식의 핵심 메커니즘은 다양한 시나리오에 걸쳐 이러한 역학을 성공적으로 설명했습니다.

안정된 대기 조건(시나리오 I, 1시간, 무풍) 하에서:
에어로졸 전파 거리는 놀랍도록 제한적이었습니다. 감염된 돼지는 소에게 최대 5-6m, 양에게 2-3m, 다른 돼지에게 1-2m까지 바이러스를 전파할 수 있었습니다. 대조적으로, 감염된 소와 양은 소에게 최대 1-2m, 양에게 1m로 매우 제한적인 전파를 보였으며, 결정적으로 돼지에게는 감지 가능한 에어로졸 전파 능력이 없었습니다. 이는 바람이 없을 때 FMDV 에어로졸 확산이 매우 국지적인 사건이며, 돼지가 가장 중요한 단거리 공급원임을 부인할 수 없는 증거를 제공합니다.

일정한 저풍속(시나리오 II, 24시간, 0.1 m/s 바람) 하에서:
약간의 바람이라도 도입하면 전파 거리가 킬로미터 범위로 극적으로 확장되어 바람의 지배적인 역할을 명확하게 보여주었습니다.
- 감염된 돼지는 훨씬 더 강력한 공급원이 되어 소에게 10-11km, 양에게 9-10km, 다른 돼지에게 7-8km까지 바이러스를 전파했습니다.
- 바람이 없을 때는 거의 효과가 없었던 감염된 소와 양은 이제 상당한 전파 범위를 보였습니다. 소에게 7-8km, 양에게 5-6km, 돼지에게 2km였습니다.
증거는 또한 돼지 공급원이 소/양 공급원보다 소 노출에 대해 35-45%, 양 노출에 대해 65-80% 더 긴 전파 범위를 일관되게 보였다는 것을 보여주었습니다. 돼지 대 돼지 전파 거리는 소/양 대 돼지 전파 거리보다 3-4배 더 길었습니다. 반대로, 소는 돼지보다 4배 더 넓은 감수성 범위를 보였고, 양은 돼지보다 3배 더 넓은 범위를 보였습니다. 이는 이류 조건 하에서 공급원과 감수성 종 모두에 따른 전파 역학을 구별하는 모델의 능력을 명확하게 검증합니다.

실제 가변 바람 조건(시나리오 III, 24시간, 베이징 바람 데이터) 하에서:
시뮬레이션은 200km를 초과하는 최대 전파 거리를 예측했습니다. 감염된 돼지는 소에게 250-270km, 양에게 230-240km, 다른 돼지에게 180-190km까지 전파할 수 있었습니다. 감염된 소와 양도 각각 190km, 양에게 140km, 돼지에게 20km까지 도달하는 광범위한 범위를 보였습니다. 이 확실한 증거는 강하고 지속적인 바람이 매우 장거리 FMDV 에어로졸 전파를 촉진할 수 있음을 강조하며, 이는 지역 질병 확산의 중요한 요인이 됩니다.

농장 규모 모델링(7일, 0.1 m/s 바람):
개체군 기반 모델은 돼지 농장에서의 농장 내 전파 효율이 가장 높아 불과 일주일 만에 전체 무리가 영향을 받는다는 것을 보여주었습니다. 소 농장은 약 3주, 양 농장은 5주가 걸렸습니다. 돼지 농장에서의 이러한 높은 내부 전파 및 후속 바이러스 배출은 주변 감수성 농장에 대한 가장 광범위한 최대 전파 거리로 이어졌습니다. 17-22.68km였습니다. 소 농장은 6.2-12.07km였고, 양 농장은 4.8-10.8km로 가장 짧은 범위를 보였습니다. 7일 동안 FMDV 에어로졸 확산의 선형 시간적 확장은 농장 수준 발병이 시간이 지남에 따라 어떻게 확대될 수 있는지에 대한 이해를 더욱 공고히 했습니다.

요약하자면, 실험적 검증은 개발된 시공간 모델이 방출, 확산, 침강 및 바람 이류의 복잡한 상호 작용을 FMDV 에어로졸 전파에서 정확하게 포착한다는 명확하고 부인할 수 없는 증거를 제공합니다. 이는 바람이 장거리 확산의 주요 동인이며, 감염된 돼지가 개별 및 농장 수준 모두에서 에어로졸화된 바이러스의 가장 중요한 공급원임을 무자비하게 입증합니다.

한계 및 향후 방향

이 연구는 FMDV 에어로졸 전파에 대한 귀중한 통찰력을 제공하지만, 고유한 한계를 인식하고 이러한 결과를 어떻게 추가로 개발할 수 있는지 고려하는 것이 중요합니다.

현재 한계:
주요 한계 중 하나는 많은 결과가 얻어진 이상적인 조건에서 비롯됩니다. 현재 형태의 모델은 가변 온도, 습도 변동, 다양한 지형 특징(예: 언덕, 계곡) 및 동적 풍향과 같은 복잡한 환경 요인의 결합된 효과를 완전히 고려하지 않습니다. 실제 바람 패턴은 거의 고정되거나 균일하지 않으며, 이러한 모델링되지 않은 변수는 에어로졸 분산 및 바이러스 생존성을 크게 변경할 수 있습니다. 예를 들어, 높은 습도는 바이러스 생존을 연장할 수 있으며, 복잡한 지형은 국지적인 난류 또는 채널링 효과를 생성하여 실제 전파 거리에 영향을 미칠 수 있습니다.

또한, 현재 수학적 모델은 주로 단일 감염 숙주로부터의 에어로졸 전파에 초점을 맞춥니다. 이는 기초적인 이해를 제공하지만, 직접적인 코 대 코 접촉도 역학적으로 중요하다는 것을 인정합니다. 개체군 수준 분석에서 농장 내 공간적 이질성을 추상화하는 것도 또 다른 단순화입니다. 농장 내 동물은 균일하게 분포되어 있지 않으며, 그 이동 패턴은 국지적인 바이러스 농도와 후속 방출 역학에 영향을 미칠 수 있습니다. 이 모델은 또한 안정성과 감염성이 다른 것으로 알려진 다양한 바이러스 균주의 영향을 명시적으로 고려하지 않습니다.

향후 방향 및 토론 주제:
이 강력한 기반을 바탕으로, 다양한 관점을 제공하여 비판적 사고를 자극하는 몇 가지 미래 연구 및 개발 경로가 나타납니다.

1. 통합 전파 모델: 중요한 다음 단계는 에어로졸 및 직접 접촉 전파 모드를 모두 통합하는 보다 포괄적인 거시적 모델을 개발하는 것입니다. 여기에는 농장 내 및 농장 간 동물 이동 패턴 및 직접 접촉 상호 작용을 통합하는 것이 포함됩니다. 단거리 직접 접촉과 장거리 에어로졸 확산 간의 상호 작용이 전체 역학 및 통제 전략에 어떻게 영향을 미칠 수 있습니까? 국지적인 직접 전파가 후속 장거리 에어로졸 이벤트를 촉진하는 높은 바이러스 부하를 유지하는 시너지 효과가 있을 수 있습니까?

2. 정제된 환경 매개변수화: 이상적인 조건을 넘어서기 위해 미래 모델은 고해상도 입력 데이터를 기상 요인(온도, 습도, 실시간 다방향 풍장) 및 지형 데이터에 통합해야 합니다. 이를 위해서는 복잡한 경계층 및 지형을 처리할 수 있는 고급 대기 확산 모델이 필요합니다. 토론 포인트는 다음과 같습니다. 이러한 고충실도 환경 모델링의 계산적 과제와 데이터 요구 사항은 무엇이며, 모델 복잡성과 실시간 위험 평가의 실용적인 적용 가능성 간의 균형을 어떻게 맞출 수 있습니까?

3. 다중 소스 방출 시나리오 및 농장 이질성: 현재 모델은 주로 단일 감염원을 고려합니다. 미래 작업은 다중 소스 방출 시나리오를 탐색해야 하며, 농장 내 공간 분포에 걸쳐 여러 감염된 동물의 바이러스 방출 또는 심지어 여러 감염된 농장에서 동시에 방출되는 것을 시뮬레이션해야 합니다. 또한, 농장 내 공간적 이질성(예: 우리 레이아웃, 동물 밀도 변화, 이동 제한)을 고려하여 개체군 모델의 세분성을 향상시키면 바이러스 배출 및 국지적 확산에 대한 보다 정확한 예측을 제공할 수 있습니다. 이는 다음과 같은 질문을 제기합니다. 다른 농장 관리 관행 및 인프라 설계는 효과적인 바이러스 방출 및 후속 장거리 확산에 어떻게 영향을 미칩니까?

4. 실험적 매개변수 최적화 및 검증: 이 논문은 실험적 매개변수 최적화를 통해 모델을 개선하는 것을 언급합니다. 이것은 매우 중요합니다. 미래 연구는 가능한 경우 실제 발병 데이터에 대한 모델 예측의 경험적 검증에 초점을 맞춰야 합니다. 여기에는 통제된 현장 실험(FMDV에 대한 윤리적으로 어렵지만 대리 바이러스로는 가능) 또는 상세한 환경 및 역학 데이터가 있는 과거 발병의 회고적 분석이 포함될 수 있습니다. 핵심 토론은 다음과 같습니다. 모델 불확실성을 줄이기 위해 필요한 데이터를 제공할 수 있는 가장 중요한 매개변수는 무엇이며, 어떤 새로운 실험 설계가 필요한 데이터를 제공할 수 있습니까?

5. 종별 모델 적응: 이 논문은 돼지, 소, 양에 대한 고유한 사육 관행을 강조합니다. 미래 모델은 에어로졸 생성 및 분산에 영향을 미치는 주택, 환기 및 동물 행동의 차이를 고려하여 이러한 차이에 더 구체적으로 적응해야 합니다. 예를 들어, 돼지 농장의 다른 환기 시스템은 소의 개방된 방목지에 비해 에어로졸 격리 또는 분산 측면에서 어떻게 비교됩니까?

6. 경제 및 정책적 함의: 과학적 이해를 넘어서, 이러한 발견은 상당한 경제적 및 정책적 함의를 갖습니다. 전파 거리를 정량화하는 것은 가축 농장의 합리적인 배치, 검역 구역 설계 및 예방 및 통제 자원 할당에 정보를 제공할 수 있습니다. 중요한 토론은 다음과 같습니다. 이러한 정제된 모델을 FMDV 통제를 위한 실행 가능한 정책 권장 사항으로 어떻게 전환할 수 있으며, 엄격한 생물 보안 조치를 시행하는 것과 더 큰 발병 구역을 관리하는 것 사이의 경제적 절충은 무엇입니까?

이러한 한계를 해결하고 이러한 미래 방향을 탐색함으로써 과학계는 FMDV 전파에 대한 이해를 발전시켜 보다 강력한 예측 모델과 보다 효과적인 질병 통제 전략을 이끌어낼 수 있습니다.

Figure 6. The contour of spatial distribution of virus aerosol exhaled from one infected pig standing at location (0,0,0) in scenario I. (a) z = 0.25 m. (b) z = 0.5 m. (c) z = 1.5 m