[論文レビュー] From Ecological Connectivity to Outbreak Risk: A Heterogeneous Graph Network for Epidemiological Reasoning under Sparse Spatiotemporal Data

Haley Stone, Jing Du+9 more|arXiv (Cornell University)|Jan 8, 2026

Zoonotic diseases and public health被引用数 0

ひとこと要約

ZooNet は、生態学的伝播シミュレーション、メタデータ駆動の遺伝距離推定、時空グラフ学習を統合して、スパースな監視データの下で A/H5 鳥インフルエンザのアウトブレイク動態を推定する。

ABSTRACT

Estimating population-level prevalence and transmission dynamics of wildlife pathogens can be challenging, partly because surveillance data is sparse, detection-driven, and unevenly sequenced. Using highly pathogenic avian influenza A/H5 clade 2.3.4.4b as a case study, we develop zooNet, a graph-based epidemiological framework that integrates mechanistic transmission simulation, metadata-driven genetic distance imputation, and spatiotemporal graph learning to reconstruct outbreak dynamics from incomplete observations. Applied to wild bird surveillance data from the United States during 2022, zooNet recovered coherent spatiotemporal structure despite intermittent detections, revealing sustained regional circulation across multiple migratory flyways. The framework consistently identified counties with ongoing transmission weeks to months before confirmed detections, including persistent activity in northeastern regions prior to documented re-emergence. These signals were detectable even in areas with sparse sequencing and irregular reporting. These results show that explicitly representing ecological processes and inferred genomic connectivity within a unified graph structure allows persistence and spatial risk structure to be inferred from detection-driven wildlife surveillance data.

研究の動機と目的

• 希薄で偏った監視データの下で野生動物の個体群レベルの罹患率と伝播を推定する動機づけ。
• 生態学的、遺伝学的、疫学情報を統合した統一的なグラフ表現を構築するモジュール式フレームワークの開発。
• 不完全な観測にもかかわらず、アウトブレイクの連結性と伝播ダイナミクスを推定可能にする。
• US の渡り飛行経路全体での A/H5 拡散の時空的パターンを評価。

提案手法

• アウトブレイクイベントと行政区域を含む二層の異種グラフを構築。
• SEI ベースの生態学的シミュレーションを用いて検出を補強し、合成感染を生成。
• K80 距離を用いたメタデータ主導の分位回帰モデルにより、未配列化または補完された症例の遺伝距離を推定。
• 跨層平滑化とグラフ融合を用いて、生態学的・遺伝的・空間的関係を統合しつつグラフ特性を保持。
• 連続する時間ステップで autoregressive グラフエンコーダ–デコーダにより時系列ダイナミクスをモデル化。
• クロスバリデーションを用いて米国の鳥類飛行経路全体で性能を評価し、ベースラインと比較。

Figure 1: zooNet integrates ecological simulation, genetic distance imputation, and multilayer graph learning to forecast the spread of avian influenza A/H5 in wild birds. SEI-based simulation generates synthetic infections using environmental and host factors. Genetic distances are imputed using a

実験結果

リサーチクエスチョン

• RQ1 スパースで検出駆動型の監視下でも zooNet は A/H5 のコヒーレントな時空構造を回復できるか。
• RQ2 生態的結合性、遺伝的結合性、空間的相関は飛行経路全体のアウトブレイクリスクの予測にどのように組み合わさるか。
• RQ3 SEI 増強と遺伝距離推定の組み込みによる予測性能と信号有用性はどの程度か。
• RQ4 移動性の高い飛行経路間での性能の変化と監視シーズンの推移はどうなるか。

主な発見

Metric	Atlantic	Central	Mississippi	Pacific
MSE	49.8460 ± 10.4789	55.8994 ± 7.4182	55.1487 ± 18.3499	155.8075 ± 48.9092
RMSE	6.9205 ± 0.6361	7.4164 ± 0.5182	7.2659 ± 1.1603	12.2710 ± 2.0619
MAE	1.9422 ± 0.6242	2.1595 ± 0.7011	1.6345 ± 0.8504	3.3631 ± 0.9143
F1	0.0854 ± 0.0400	0.0565 ± 0.0233	0.0815 ± 0.0325	0.1383 ± 0.0725

• ZooNet は米国の渡り飛行経路全体で、断続的な検出にもかかわらず A/H5 リスクのコヒーレントな時空パターンを生成した。
• 飛行経路ごとに予測性能は異なり、平均二乗誤差（MSE）は大西洋地区で最も低く（49.85 ± 10.48）、太平洋地区で最も高かった（155.81 ± 48.91）。
• 検出の F1 スコアは、Central が 0.0565 ± 0.0233 から Pacific が 0.1383 ± 0.0725 までの範囲で、再現率が精度より高いことを示唆。
• 予測と観測のトレンド間のピアソン相関は太平洋で最も高く（0.2173 ± 0.0644）、Central で最も低かった（0.0950 ± 0.0280）。
• アブレーション解析ではフル ZooNet が一般に派生系よりも上回り、SEI 増強と遺伝距離推定は飛行経路ごとに寄与度が異なる。
• このフレームワークは季節性と空間的異質性を捉え、予測されたアウトブレイクが複数の郡で確認観測より先行することを示した。

Figure 2: Effect of module removal on prediction error and standard deviation across flyways.