量化口蹄疫病毒的气溶胶传播距离

背景与学术渊源

起源与学术渊源

口蹄疫（FMD）是一种高度传染性且对全球偶蹄动物造成毁灭性经济损失的病毒性疾病。它对农业产业的影响，源于扑杀和贸易限制等控制措施，长期以来一直是人们关注的焦点。本文所解决问题的精确起源在于认识到口蹄疫病毒（FMDV）的气溶胶传播是病毒传播的一种特别复杂但又至关重要的途径，能够将疾病传播到短距离和长距离。历史上的疫情爆发以及Gloster等人进行的模拟和Colenutt等人进行的实验证实等先前研究，一再强调了空气传播在口蹄疫流行中的关键作用。当科学家和政策制定者寻求有效策略来预防和控制大规模口蹄疫疫情爆发时，这个问题首先出现在学术领域，他们意识到理解和管理空气传播的病毒扩散至关重要。

促使作者进行这项研究的先前方法的根本局限性或“痛点”在于，在不同环境条件下，对FMDV气溶胶传播距离的理解和量化不足，尤其是在个体动物和农场层面。虽然早期的数学模型曾探索过宏观尺度（例如，农场之间或区域之间）的病毒传播，或侧重于病原体的一般大气扩散，但它们往往未能精确表征来自单个感染源的FMDV气溶胶的有效传播距离，同时考虑到所涉及的多因素过程（排放、扩散、沉降、衰减和吸入）。例如，一些模型仅考虑了单个围栏内的气溶胶传播。在特定条件下，缺乏关于FMDV气溶胶能传播多远的颗粒化、定量数据，阻碍了准确的风险评估、有效的疾病监测以及疫情爆发期间预防和控制资源的合理分配。作者明确指出，“到目前为止，我们对此的理解存在一定的局限性”，这使得开发更精细的数学模型来预测病毒传播距离随时间的变化成为必要。

直观的领域术语

为了帮助零基础读者掌握核心概念，这里提供几个论文中的专业术语，并用日常类比进行解释：

• 口蹄疫病毒（FMDV）：可以将其想象成引起牛、羊、猪等动物一种非常严重、高度传染性疾病的特定“超级流感病毒”。它不是人类的手足口病，而是一种截然不同的、更为严重的动物疾病。
• 气溶胶传播：可以将其理解为携带微小、漂浮病原体的看不见的“呼吸云”或“喷嚏雾”。与会迅速落下的较大、可见的飞沫不同，这些气溶胶颗粒非常小，可以在空气中悬浮很长时间并传播很远，就像远处火灾产生的烟雾一样。
• 最小感染剂量（MID）：这是您需要接触的病原体数量才能真正生病的“魔术数字”。如果您吸入的数量少于此量，您的身体可能会将其抵抗住，但如果您达到或超过此剂量，则很可能发生感染。它是感染的关键阈值。
• TCID50（50%组织培养感染剂量）：这是一个科学的“病原体计数器”。它是实验室中用于测量样品中活性病毒量的标准单位。具体来说，它是能够成功感染一半实验室测试细胞的病毒量，为科学家提供了一种量化病毒强度的可靠方法。

符号表

符号	描述

问题定义与约束

核心问题表述与困境

本文的核心问题是口蹄疫病毒（FMDV）气溶胶的空间和时间有效传播距离的精确量化。这是理解和控制对农业产业造成毁灭性影响的口蹄疫疫情爆发的一个关键缺失环节。

起点（输入/当前状态）是受感染的动物（牛、羊或猪）或整个受感染的农场，它们作为向大气中排放携带FMDV气溶胶的源。尽管FMDV气溶胶传播是病毒传播的一个已确认且重要的途径，但我们对其详细的空间和时间动态，尤其是在不同距离和条件下的动态，仍然了解有限。先前研究通常侧重于宏观尺度（例如，农场到农场的传播）或个体层面的传播，而未能充分阐明气溶胶传播本身的复杂、多因素过程。

期望终点（输出/目标状态）是对FMDV气溶胶在不同环境条件（例如，稳定的大气、不同的风速）和不同动物物种下能够传播多远并保持感染性的一种定量和预测性理解。这包括确定来自单个受感染动物和受感染农场在特定时间段（例如，1小时、24小时、7天）内的有效传播距离。最终目标是为合理规划牲畜农场布局、辅助决策过程以及在疫情爆发期间优化预防和控制资源的分配提供可操作的信息。

本文试图弥合的确切缺失环节或数学鸿沟是缺乏一个全面的时空动态模型，该模型整合了控制FMDV气溶胶传播的各种物理和生物过程。具体而言，它旨在建立一个描述FMDV气溶胶的排放、扩散、沉降、输运（风的平流）和最终吸入的扩散方程。该模型量化了在任何给定空间和时间点的可行病毒浓度，从而可以通过将浓度与物种特异性最小感染剂量阈值进行比较来计算有效传播距离。先前的模型要么简化了这些动态，要么侧重于其他方面，导致在精确、机械地预测气溶胶传播距离方面存在空白。

试图解决这个特定问题的先前研究人员所陷入的痛苦的权衡或困境在于模型复杂性与实际适用性和数据可用性之间的平衡。气溶胶传播是一个“复杂的、多因素的过程”，涉及众多相互作用的要素。提高一个方面的准确性，例如纳入详细的大气湍流，通常需要指数级增长的计算能力和高度精细的输入数据，而这些数据可能并非总是可用或可靠。例如，虽然在建模大气条件方面提高分辨率会产生更精确的预测，但它也带来了显著的计算开销和数据采集挑战。相反，简化模型以使其易于处理，则有忽略影响传播的关键因素的风险，导致结果不准确或不具普遍性。本文通过做出某些假设（例如，均匀风、固定动物位置）来解决这个问题，使其问题可解，同时仍能捕捉关键动态。

约束与失效模式

量化FMDV气溶胶传播的问题由于作者遇到的几个严峻的现实障碍而变得极其难以解决：

• 物理约束：

  • 多因素气溶胶动力学： FMDV气溶胶的传播受排放、维持活力、输运（风的平流）、扩散（由于湍流）、重力沉降、衰减和最终吸入等复杂相互作用的支配。这些过程中的每一个都有其自身的动力学和影响因素。
  • 颗粒尺寸分布： 气溶胶颗粒的大小对其行为有显著影响。较小的颗粒（< 5 µm，或本研究关注的< 6 µm）悬浮时间更长，传播更远，而较大的颗粒则迅速沉降。模型必须考虑这些尺寸依赖的动力学，这些动力学在不同物种或排放事件之间并非均匀。
  • 环境持久性与衰减： FMDV在气溶胶中的活力对环境条件高度敏感，特别是相对湿度（在> 55%–60% RH时存活最佳）。病毒会随时间衰减，半衰期估计值（例如，表2中的2小时，或[19]中的FMDV气溶胶12小时）意味着其感染性随距离和时间的增加而降低。
  • 大气条件： 风速和风向对于定向迁移（平流）至关重要，而大气湍流驱动随机扩散。在现实世界中，这些因素变化很大，使得长期准确预测具有挑战性。本文指出，“湍流扩散……是物理学中最重要的问题。”
  • 重力沉降： 气溶胶受重力影响，导致其向下沉降。这种垂直运动必须与向上扩散和水平输运相平衡。
  • 物种特异性特征： 不同的牲畜物种（牛、羊、猪）具有不同的肩高（排放源）、最小感染剂量（MID）、肺活量和病毒排泄量。例如，猪比牛或羊排泄的病毒量显著更多，尽管它们自身对气溶胶感染的易感性较低。这些生物学差异使得物种特异性参数成为必要。

• 计算约束：

  • 求解偏微分方程（PDEs）： 模型的核心涉及在三维空间随时间求解反应-扩散方程（方程4和6）。这些方程在数学上很复杂，需要数值模拟，这可能计算量很大，尤其是在大空间和时间尺度上。
  • 参数化复杂性： 该模型需要大量参数（扩散系数、沉降速度、衰减率、排泄量、吸入率、阈值浓度、风速等），这些参数因物种、病毒株、颗粒尺寸和环境条件而异。准确确定和验证这些参数是一项艰巨的任务。

• 数据驱动约束：

  • 数据变异性与稀疏性： 本文承认，对于最小感染剂量（MID）等关键参数，“不同的实验研究给出了略有不同的结果”，这表明缺乏普遍一致的数据。这种变异性给模型预测带来了不确定性。
  • 理想化条件与现实复杂性： 模拟是在“相对理想化的条件下”进行的，这意味着它们没有充分考虑温度、湿度、地形特征（地形）和可变风向的综合影响。纳入这些现实世界的复杂性将需要更高分辨率的输入数据和更复杂的模型，而这些目前超出了范围或数据可用性。
  • 动物行为的简化： 模型假设受感染的动物位于固定原点（0,0,0），并且不考虑受感染或易感个体在空间上的移动。对于农场层面的建模，它最初“忽略了每个农场内的空间异质性”，将其视为一个同质单元。这些简化对于模型的易处理性是必要的，但代表了与现实世界动态的偏离。

为什么选择这种方法

选择的必然性

坦率地说，作者没有明确说明一个“确切的时刻”的认识，但论文的引言清楚地阐述了现有方法的局限性，使得他们选择的方法成为解决这个特定问题的唯一可行途径。先前关于口蹄疫病毒（FMDV）传播的数学模型通常侧重于宏观尺度，例如个体或农场之间的传播，而没有深入研究气溶胶在不同空间距离传播的复杂机制。虽然一些研究确实使用了高斯扩散、NAME或DERMA等扩散模型来研究病原体，但这些显然不足以捕捉影响FMDV气溶胶传播的全部因素。

确定的关键差距是需要一个能够机械地描述FMDV气溶胶传播的整个多因素过程的模型。这包括从受感染动物的排放、随后的空气扩散、重力沉降、风的定向输运、环境中病毒活力的衰减以及最终被易感宿主吸入。标准的流行病学模型虽然对种群水平动态有用，但通常会抽象掉这些物理过程。同样，通用的空气扩散模型可能无法完全整合病毒活力、物种特异性排放/吸入率以及与FMDV相关的环境因素复杂相互作用的生物学细节。因此，开发一个基于Fick定律并整合了这些不同要素的定制时空动态模型，成为精确量化传播距离的必要条件。

比较优势

这种方法的定性优势在于其整体性和机械性地整合了控制FMDV气溶胶传播的物理和生物因素。与将气溶胶传播视为黑箱或依赖经验近似的简单模型不同，该方法构建了气溶胶动力学的详细物理模型。它不仅仅预测传播，而是通过模拟底层过程来解释传播如何发生。

结构优势在于它能够将Fick定律用于扩散与用于定向平流（风）、重力沉降、病毒排放和衰减的项结合到一个偏微分方程（PDE）中。这允许对气溶胶浓度 $c(x, y, z, t)$ 进行颗粒化、时空分辨的模拟。此外，对于农场层面的分析，该物理模型与基于种群的SIRV（易感-感染-康复-病毒载量）流行病学模型无缝耦合。这种双层方法提供了一个强大的框架：SIRV模型量化了受感染农场随时间排放的病毒载量，然后将其输入扩散方程以预测远程气溶胶扩散。这种全面的框架比先前黄金标准方法提供了更细致的理解，这些方法通常缺乏物理气溶胶动力学与流行病学进展的这种详细整合。它不是将内存复杂度从 $O(N^2)$ 降低到 $O(N)$，而是从头开始构建一个更准确、更具解释性的模型。

与约束的对齐

所选方法与量化FMDV气溶胶传播的固有约束完美对齐。该问题要求一个模型能够：

1. 量化传播距离： 扩散方程的核心输出是气溶胶浓度 $c(x, y, z, t)$，当与物种特异性最小感染剂量（MID）阈值进行比较时，可以直接得出有效传播距离。
2. 考虑多因素过程： 该模型明确纳入了排放（源项 $A(x, y, z, t)$）、自由扩散（扩散系数 $D$）、定向迁移（风速 $w$ 和沉降速度 $v$）和病毒衰减（衰减率 $d$）。这直接解决了气溶胶传播的复杂性。
3. 捕捉时空动态： 使用偏微分方程（方程4）固有的模型了病毒气溶胶在三维空间（$x, y, z$）和随时间（$t$）的浓度，满足了时空分析的需求。
4. 纳入物种特异性参数： 该模型被设计为接受并利用牛、羊、猪的不同参数（例如，肩高 $H_0$、排泄率 $U$、吸入率和阈值浓度），反映了宿主动物之间的生物学差异。
5. 整合环境条件： 风速（$w$）、扩散系数（$D$）和衰减率（$d$）等变量直接纳入其中，允许模型在不同环境场景下模拟传播。

问题严苛的要求与解决方案的独特属性之间的“结合”在此直接映射中显而易见。问题需要对气溶胶如何移动和持久有详细的理解，而基于Fick定律的扩散方程正是提供了这种机械描述。当与SIRV模型扩展到农场层面时，它解决了理解疾病进展及其对病毒排泄的影响的需求，而病毒排泄又驱动了气溶胶传播。这种集成方法确保了模型的结构与FMDV气溶胶传播的复杂、多尺度性质内在匹配。

替代方案的拒绝

本文暗示拒绝替代方案，主要是因为它们对于这个特定问题而言，颗粒度或范围不足。虽然先前研究使用了FMD传播的数学模型，但它们通常在两个关键领域有所不足：

1. 缺乏详细的气溶胶动力学： 许多流行病学模型侧重于个体或农场之间的宏观传播，但“没有讨论气溶胶传播在个体之间不同空间接触距离中的作用”（第4页）。这意味着它们无法提供作者所寻求的气溶胶扩散的精细、机械理解。
2. 现有扩散模型中影响因素的整合不完整： 本文承认存在用于病原体扩散的高斯扩散、NAME和DERMA等模型。然而，作者选择“应用Fick定律建立扩散方程来描述受感染动物排放的FMDV气溶胶的排放、沉降、输运、扩散和吸入……通过结合各种影响因素”（第4页）。这表明，虽然这些模型可能处理了扩散的某些方面，但它们可能没有提供一个单一的、集成的框架，能够像所提出的模型那样全面地同时考虑排放、沉降、定向输运、扩散、衰减和物种特异性吸入率。将“各种影响因素”整合到统一的扩散方程中的需求，暗示现有模型未能充分适应FMDV气溶胶行为的独特复杂性，特别是风、重力和病毒活力的相互作用。

本文未提及或暗示拒绝机器学习模型，如GAN、CNN或Transformer，因为这些模型本质上是不同的范式，不适用于此处描述的物理和生物过程的机械建模。考虑并隐含拒绝的替代方案是其他形式的流行病学或大气扩散模型，它们缺乏对FMDV气溶胶传播进行全面时空分析所需的细节和整合。

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

数学与逻辑机制

主方程

本文中驱动FMDV气溶胶传播个体层面分析的核心数学引擎是三维反应-扩散-平流偏微分方程。该方程描述了病毒气溶胶浓度的时空演化，考虑了排放、扩散、风和重力的平流以及衰减。从Fick第一定律和质量守恒原理推导出的最全面的形式，如论文中的方程（4）所示：

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

按项解剖

让我们剖析这个主方程，以理解每个组成部分的作用：

• $c(x, y, z, t)$：

  1. 数学定义：这是在特定空间坐标 $(x, y, z)$ 和时间 $t$ 下的病毒气溶胶浓度。其单位是TCID50/m$^3$。
  2. 物理/逻辑作用：它代表了在给定位置和时刻悬浮在空气中的感染性病毒颗粒的密度。该模型的最终目标是确定空间和时间上的这个值，以评估感染风险。
  3. 为何使用此算子：它是因变量，是我们正在求解的量。

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

  1. 数学定义：这是浓度 $c$ 对时间 $t$ 的偏导数。
  2. 物理/逻辑作用：这一项代表了在固定空间点处病毒气溶胶浓度的变化率。它决定了浓度由于所有其他过程（排放、输运、扩散、衰减）而随时间增加或减少。
  3. 为何使用此算子：它是任何动态模型中的基本项，表示系统的时空演化。

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

  1. 数学定义：这是 $x$ 方向的平流项，其中 $w$ 是沿正 $x$ 轴的风速，而 $\frac{\partial c}{\partial x}$ 是浓度在 $x$ 方向的空间梯度。
  2. 物理/逻辑作用：这一项描述了由于空气的整体运动（风）而引起的病毒气溶胶的输运。如果有风，它会携带气溶胶，从而改变一个点的浓度，因为病毒“云”会经过。作者使用加号是因为平流是一种定向输运机制，它根据流动方向和梯度增加或减少浓度。
  3. 为何使用此算子：它是一个乘以速度的一阶空间导数，是平流输运的特征。

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

  1. 数学定义：这是 $z$ 方向的平流项，其中 $v$ 是由于重力引起的气溶胶颗粒的沉降速度（沉降速度），而 $\frac{\partial c}{\partial z}$ 是浓度在 $z$ 方向的空间梯度。负号表示沿负 $z$ 方向（向下）的运动。
  2. 物理/逻辑作用：这一项考虑了病毒气溶胶的沉降或重力沉降，将它们向下拖向地面。这降低了高海拔地区的空气中浓度，并在地面附近增加了浓度（在吸收之前）。
  3. 为何使用此算子：与风平流项类似，它是一个乘以速度的一阶空间导数，但带有负号以表示向下运动。

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

  1. 数学定义：这是扩散项，其中 $D$ 是扩散系数，括号内的表达式是拉普拉斯算子（$\nabla^2 c$）。它涉及浓度对每个空间维度的二阶偏导数。
  2. 物理/逻辑作用：这一项代表了由于空气湍流和分子运动引起的病毒气溶胶的随机扩散或弥散。它作用于平滑浓度梯度，将颗粒从高浓度区域移动到低浓度区域。作者对拉普拉斯算子的分量使用加号，因为扩散沿着每个空间轴独立地扩散物质。
  3. 为何使用此算子：拉普拉斯算子是扩散过程的标准数学表示，表示一个量在空间中的扩散程度。

• $A(x, y, z, t)$：

  1. 数学定义：这是源项，表示受感染动物在位置 $(x, y, z)$ 在单位时间内释放的病毒气溶胶的速率。它定义为源位置 $(0,0,H_0)$ 处的 $U$（排泄量），在其他地方为零。
  2. 物理/逻辑作用：这一项将新的病毒气溶胶引入系统，来自受感染的源。它是空气中FMDV颗粒的来源。
  3. 为何使用此算子：它是一个加法项，因为它直接贡献了病毒气溶胶的浓度。

• $- d \cdot c(x, y, z, t)$：

  1. 数学定义：这是衰减项，其中 $d$ 是环境中病毒气溶胶的衰减率，而 $c$ 是浓度。
  2. 物理/逻辑作用：这一项考虑了病毒颗粒随时间的失活或活力丧失，这是由于环境因素（例如，干燥、紫外线辐射）造成的。它降低了感染性病毒的有效浓度。
  3. 为何使用此算子：它是一个负号的乘法项，因为衰减率与当前浓度成正比，导致随时间呈指数下降。

分步流程

想象一个来自受感染动物的抽象的FMDV气溶胶颗粒踏上旅程。整个场景涉及一只受感染的动物（牛、羊或猪）位于平坦地面上，周围有易感动物，病毒气溶胶在风的影响下扩散。

1. 排放：首先，颗粒从受感染动物的鼻腔或口腔释放，由源项 $A(x, y, z, t)$ 表示。这发生在模型坐标系中原点 $(0,0,H_0)$ 的特定高度 $H_0$ 处。
2. 风的平流：一旦进入空气，如果存在任何风（速度 $w$），颗粒就会立即随风向（例如，正 $x$ 轴）携带。这是整体运动分量，改变了颗粒的整体位置。
3. 重力沉降：同时，由于重力，颗粒开始向下沉降，速度为 $v$。这意味着其 $z$ 坐标不断减小，将其拉向地面。
4. 湍流扩散：在平流的同时，颗粒还经历由于空气湍流和分子碰撞引起的随机、混沌运动。这种扩散过程导致颗粒在所有三个空间维度（$x, y, z$）上从其初始轨迹扩散开来，使其路径不那么可预测，并在更广阔的区域内分散。
5. 环境衰减：在其整个空气传播过程中，病毒颗粒还受到环境衰减的影响。其感染性随时间以速率 $d$ 降低，这意味着即使它到达易感宿主，它可能也不再具有足够的活力引起感染。
6. 地面吸收：如果颗粒的向下运动（由于沉降或随机扩散）导致其到达地面（$z=0$），则假定它被完全吸收。这是一个吸收性边界条件，意味着地面的病毒浓度实际上为零，并且颗粒不会重新气溶胶化。
7. 浓度累积：所有这些过程——排放、风输运、重力沉降、湍流扩散和衰减——共同决定了在每个空间点和时间点的可行病毒气溶胶的浓度 $c(x, y, z, t)$。模型不断计算此浓度。
8. 风险评估：最后，在任何给定点计算出的浓度 $c(x, y, z, t)$ 与物种特异性的阈值浓度（例如，牛为0.07 TCID50/m$^3$）进行比较。如果浓度超过此阈值，则该位置被认为在有效传播距离内，表明存在潜在的感染风险。

整个过程就像一个复杂、看不见的装配线，病毒颗粒被释放，受到环境力的冲击，并逐渐失去效力，直到它们感染宿主或变得惰性。

优化动力学

本文描述的机制主要是模拟和预测模型，而不是传统意义上通过调整参数来最小化损失函数的优化模型。该模型不通过优化算法“学习”或“更新”其内部参数。相反，其动力学涉及求解确定性偏微分方程（PDE），以理解FMDV气溶胶的物理传播。

这里的“动力学”指的是：

1. PDE的数值解：模型的主要任务是在定义的空间域和时间段内数值求解 $c(x, y, z, t)$ 的主方程。这涉及将连续空间和时间离散化为网格，并应用数值方法（例如，有限差分法）来近似解。状态更新是根据其当前值和所有项（平流、扩散、源、衰减）的影响，在每个后续时间步计算 $c$。
2. 参数探索与情景分析：作者通过改变输入参数，如风速（$w$）、扩散系数（$D$）、沉降速度（$v$）、衰减率（$d$）和排放高度（$H_0$），来探索不同的“情景”。这不是优化，而是敏感性分析，以了解这些因素如何塑造传播距离的“损失景观”。例如，较高的风速会拉伸气溶胶羽流，而较高的衰减率会缩小它。
3. 收敛到浓度分布：对于给定的参数和初始条件集，数值模拟将收敛到病毒浓度的时空分布。这不是模型参数的收敛，而是系统达到稳定或演变的浓度剖面。
4. 基于阈值的风险确定：该机制的“学习”或“结果”是确定有效传播距离。这是通过将模拟浓度 $c(x, y, z, t)$ 与预定义的最小感染剂量阈值进行比较来实现的。 $c$ 低于此阈值的边界定义了最大传播范围。模型不会调整其参数来实现特定的传播距离；它会预测给定环境和生物学输入下的距离。

本质上，该模型提供了气溶胶行为的前向模拟。优化是由研究人员通过对各种情景的模拟结果进行解释来识别关键因素和预测传播风险，而不是由模型本身通过迭代学习过程来完成的。

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

结果、局限性与结论

实验设计与基线

为了严格验证其关于FMDV气溶胶传播的数学论断，研究人员设计了一系列跨越不同情景的数值模拟。其实验设计的核心围绕着一个时空动态模型，特别是扩散方程（方程（4）），该方程细致地描述了FMDV气溶胶的排放、扩散、沉降和定向迁移。该模型被应用于量化在不同环境条件和作为源的不同受感染动物物种（牛、羊、猪）以及不同易感物种作为目标下的有效传播距离。

实验设置涉及三种主要的个体动物传播情景：
1. 情景 I（短期，无风）： 该情景模拟了在没有显著风流的稳定大气条件下，1小时内的气溶胶扩散。它还考虑了动物头部上下移动，这意味着排放高度不同。这作为理解局部传播而不考虑平流输运的基线。
2. 情景 II（长期，恒定风）： 将持续时间延长至24小时，该情景引入了固定的风向（正 $x$ 轴）和恒定的低风速0.1 m/s。在这些条件下，气溶胶的沉降被认为可以忽略不计，简化了垂直运动方面。该情景旨在突出即使是微风对长距离传播的影响。
3. 情景 III（长期，真实风）： 这个高级情景使用了2024年10月27日至28日期间在北京记录的实际风速数据。假设风向固定（西南），以简化最大距离的模拟。这提供了在可变但定向的风型下传播的更现实的评估。

除了个体动物传播外，该研究还纳入了农场规模建模方法。这包括一个基于种群的SIRV（易感-感染-康复-病毒载量）模型（方程（5））来模拟一个拥有1000头未接种疫苗的动物的农场内感染的时间动态，从一个受感染个体开始。该农场内模型的输出（病毒排泄）随后被输入到空间扩散模型中，以评估在恒定0.1 m/s风速下，在7天内对周围易感农场的影响。

这些实验中的“受害者”是易感的牛、羊和猪种群，它们的最小感染剂量（MID）和吸入率是决定感染风险的关键参数。比较的“基线”主要是不同的环境条件（无风与各种风速）以及牲畜物种之间固有的病毒排泄率和易感性差异。细致的参数化，借鉴了广泛的文献（表1、2、3、8），使研究人员能够无情地证明风速和动物物种特征等特定因素如何明确影响FMDV气溶胶传播距离。

证据证明了什么

本文提出的证据明确证明了风在FMDV气溶胶传播中的关键作用，并突出了不同牲畜物种作为感染源的不同贡献。核心机制，一个包含自由扩散、定向平流和重力沉降的扩散方程，成功地阐明了这些在各种情景下的动态。

在稳定大气条件下（情景 I，1小时，无风）：
气溶胶的有效传播距离非常有限。一头受感染的猪可以将病毒传播到牛最多5-6米，到羊最多2-3米，到其他猪最多1-2米。形成鲜明对比的是，受感染的牛和羊在没有风的情况下传播能力非常有限，传播到牛最多1-2米，到羊最多1米，并且对猪没有可检测到的气溶胶传播能力。这提供了无可辩驳的证据，表明在没有风的情况下，FMDV气溶胶传播是一种高度局部化的事件，猪是短距离传播最显著的源。

在恒定低风速下（情景 II，24小时，0.1 m/s风）：
即使是微风的引入也极大地将传播距离延长到公里范围，明确地证明了风的主导作用。
- 受感染的猪成为更强大的传播源，将病毒传播到牛的距离为10-11公里，到羊的距离为9-10公里，到其他猪的距离为7-8公里。
- 受感染的牛和羊，在没有风的情况下基本无效，现在显示出显著的传播范围：到牛7-8公里，到羊5-6公里，到猪2公里。
证据进一步表明，猪源的传播距离始终比牛/羊源的传播距离更长，对牛的暴露距离长35-45%，对羊的暴露距离长65-80%。猪到猪的传播距离是牛/羊到猪传播距离的3-4倍。相反，牛的易感范围是猪的4倍，羊的易感范围是猪的3倍。这清楚地证实了该模型能够根据源物种和易感物种在平流条件下的传播动态进行区分。

在真实、多变的风况下（情景 III，24小时，北京风数据）：
模拟预测的最大传播距离超过200公里。一头受感染的猪可以将病毒传播到牛250-270公里，到羊230-240公里，到其他猪180-190公里。受感染的牛和羊也显示出广泛的传播范围，到达牛190公里，到羊140公里，到猪20公里。这些确凿的证据强调，强劲、持续的风可以促进极长距离的FMDV气溶胶传播，使其成为区域疾病传播的关键因素。

农场规模建模（7天，0.1 m/s风）：
基于种群的模型表明，农场内的传播效率在猪场中最高，导致整个猪群在一周内受到影响。牛场大约需要三周，羊场需要五周。这种高内部传播和随后的病毒排泄从猪场转化为对周围易感农场最广泛的最大传播距离：17-22.68公里。牛场紧随其后，为6.2-12.07公里，羊场传播距离最短，为4.8-10.8公里。FMDV气溶胶扩散在七天内的线性时间扩展进一步巩固了对农场级疫情如何随时间升级的理解。

总之，实验验证提供了确凿、无可辩驳的证据，表明开发的时空模型能够准确捕捉FMDV气溶胶传播中排放、扩散、沉降和风平流的复杂相互作用。它无情地证明了风是长距离传播的主要驱动因素，而受感染的猪始终是气溶胶传播病毒最显著的来源，无论是在个体还是农场层面。

局限性与未来方向

尽管这项研究为FMDV气溶胶传播提供了宝贵的见解，但认识到其固有的局限性并考虑如何进一步发展这些发现至关重要。

当前局限性：
一个主要局限性源于许多结果是在理想化条件下获得的。该模型目前的形式并未充分考虑复杂环境因素的综合影响，例如温度变化、湿度波动、各种地形特征（例如，山丘、山谷）以及动态的风向。真实的風况很少是固定的或均匀的，而这些未建模的变量可能会显著改变气溶胶的扩散和病毒的活力。例如，高湿度可能会延长病毒的存活时间，而复杂的地形可能会产生局部湍流或通道效应，影响实际传播距离。

此外，目前的数学模型主要侧重于来自单个受感染宿主的气溶胶传播。虽然这提供了基础理解，但它承认直接的鼻对鼻接触在流行病学上也具有重要意义。模型对人口层面分析中农场内部空间异质性的抽象是另一个简化。农场内的动物分布不均，它们的运动模式可能会影响局部病毒浓度和随后的排放动态。该模型也没有明确考虑不同病毒株的影响，而这些病毒株已被证明具有不同的气溶胶稳定性和感染性。

未来方向与讨论话题：
在这一坚实的基础上，出现了几个未来研究和发展方向，提供了多样化的视角来激发批判性思维：

1. 集成传播模型： 一个关键的下一步是开发一个更全面的宏观模型，该模型整合了气溶胶和直接接触传播模式。这将涉及纳入动物的运动模式以及农场内和农场之间的直接接触互动。气溶胶传播的短距离直接接触与长距离传播之间的相互作用如何影响整体疫情动态和控制策略？局部直接传播是否可能产生协同效应，维持高病毒载量，从而促进随后的长距离气溶胶事件？

2. 精细化环境参数化： 为了超越理想化条件，未来的模型应纳入更高分辨率的气象因素（温度、湿度、实时多向风场）和地形数据输入。这将需要能够处理复杂边界层和地形的先进大气扩散模型。一个讨论点可能是：这种高保真环境建模的计算挑战和数据需求是什么，我们如何平衡模型复杂性与实时风险评估的实际适用性？

3. 多源排放情景与农场异质性： 当前模型主要考虑单个感染源。未来的工作应探索多源排放情景，模拟病毒从农场内空间分布的多个受感染动物或甚至从多个受感染农场同时释放。此外，提高人口模型对农场内部空间异质性（例如，围栏布局、动物密度变化、运动限制）的颗粒度，可以提供更准确的病毒排泄和局部传播预测。这引发了一个问题：不同的农场管理实践和基础设施设计如何影响有效的病毒排放和随后的长距离传播？

4. 实验参数优化与验证： 本文提到了通过实验参数优化来改进模型。这至关重要。未来的研究应侧重于经验验证模型预测与可用时真实世界疫情数据。这可能涉及受控的野外实验（对于FMDV而言，伦理上具有挑战性，但对于替代病毒是可能的）或对具有详细环境和流行病学数据的历史疫情进行回顾性分析。一个关键的讨论将是：哪些是最关键的需要进一步实验验证的参数，以及哪些新颖的实验设计可以提供必要的数据来减少模型不确定性？

5. 物种特异性模型适应： 本文强调了猪、牛和羊不同的饲养管理实践。未来的模型应更具体地适应这些差异，考虑影响气溶胶产生和扩散的住房、通风和动物行为的变化。例如，与牛的露天牧场相比，猪场的不同通风系统在气溶胶控制或扩散方面如何？

6. 经济与政策影响： 除了科学理解之外，这些发现具有重大的经济和政策影响。量化传播距离可以为牲畜农场的合理布局、隔离区的设计以及预防和控制资源的分配提供信息。一个关键的讨论可能围绕：如何将这些精细的模型转化为FMDV控制的可操作政策建议，以及实施更严格的生物安全措施与管理更大疫情区域之间的经济权衡是什么？

通过解决这些局限性并探索这些未来方向，科学界可以发展对FMDV传播的理解，从而产生更稳健的预测模型和更有效的疾病控制策略。

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

与其他领域的同构性

结构骨架

一个模拟粒子在流体介质中受扩散、平流和重力沉降影响的时空分布和输运的机制。