使用机器学习估算COVID-19的季节周期

关于COVID-19的许多未解决的科学问题之一是，它是否像流感一样在季节性下发生-在温暖的夏季逐渐减弱，然后在秋季和冬季恢复。现在，劳伦斯·伯克利国家实验室（伯克利实验室）的科学家正在启动一个项目，该项目将机器学习方法应用于大量健康和环境数据集，并结合高分辨率气候模型和季节预报来找出答案。

“环境变量，例如温度，湿度和紫外线（紫外线）暴露，在生存能力方面可以直接影响病毒。它们还可以影响病毒的传播和气溶胶的形成，”他说。伯克利实验室科学家Eoin Brodie，项目负责人。“我们将使用最先进的机器学习方法，将社会因素和环境因素的贡献区分开来，试图确定那些疾病动态最敏感的环境变量。”

研究团队将利用县级的大量健康数据，例如COVID-19暴发的严重程度，分布和持续时间，以及何时实施的公共卫生干预措施以及人口统计，气候变化和天气因素，以及借助智能手机数据，人口流动动态。该研究的最初目标是针对美国每个县预测环境因素如何影响SARS-CoV-2病毒的传播，该病毒会导致COVID-19。

多学科团队解决复杂问题

将环境因素与社会和健康因素区分开来是一个棘手的问题，其中涉及许多变量，它们以不同的方式相互作用。最重要的是，气候和天气不仅影响病毒，还影响人类的生理和行为。例如，取决于天气，人们可能会在室内花更多或更少的时间。而且它们的免疫系统也会随着季节而变化。

这是一个复杂的数据问题，与伯克利实验室的研究人员研究流域和农业等系统时所解决的问题类似。挑战涉及跨尺度集成数据以在本地进行预测。布罗迪说：“降低气候信息的规模是我们通常要做的，以了解气候如何影响生态系统过程。” “它涉及相同类型的变量-温度，湿度，太阳辐射。”

伯克利实验室气候与生态系统科学部副主任布罗迪（Brodie）领导着一支由科学家组成的跨学科团队，他们在气候建模，数据分析，机器学习和地理空间分析方面拥有专业知识。伯克利实验室生物科学领域的计算生物学家本·布朗（Ben Brown）正在领导机器学习分析。他们的主要目标之一是了解气候和天气如何与社会因素相互作用。

布朗说：“我们并不一定期望气候本身会造成巨大的影响或主导作用。这并不会胜过哪个城市何时关闭。” “但是，［变量之间］可能存在一些真正重要的相互作用。例如，以纽约和加利福尼亚为例，即使考虑到国家采取干预措施的时机之间的差异，纽约的死亡率也可能比美国高出四倍。在加利福尼亚州，尽管需要确定一些随机样本进行额外的测试。了解环境的相互作用可能有助于解释为什么这些模式似乎正在出现。这是机器学习和AI（人工智能）的典型问题。”

计算工作将在国家能源研究科学计算中心（NERSC）进行，该中心是位于伯克利实验室的DOE科学办公室用户设施。

气候影响的迹象

研究人员指出，已经报道了该疾病行为的地理差异。在统计上，温度，湿度和紫外线指数均与COVID-19的传播速率相关，尽管接触率仍然是疾病传播的主要影响因素。在南半球，例如，当它目前下跌，疾病的传播已经比北半球慢。布罗迪说：“与此相关的还有其他潜在因素。” “问题是，当南半球进入冬季时，传输率会上升吗？或者在秋天和2020年冬季导致在没有干预的情况下在整个美国复苏？”

印度是COVID-19似乎还没有致命的地方。布朗说：“有些城市表现得好像是有史以来最传染病。然后有些城市表现得更像流感。” “了解为什么我们看到这些巨大差异真的很关键。”

布朗指出，其他实验表明SARS-CoV-2病毒可能是季节性的。国家生物防御分析和对策中心（NBACC）特别评估了该病毒在各种表面上的寿命。布朗说：“在阳光和潮湿条件下，他们发现该病毒在60分钟内丧失了生存能力。” “但是在黑暗和低温下，它可以稳定八天。有一些非常严重的差异需要调查。”

伯克利实验室小组认为，现在可以提供足够的数据来确定哪些环境因素可能会影响病毒的毒性。布朗说：“现在我们应该有来自世界各地的足够数据来真正进行评估。”

团队希望在夏末或初秋之前提供分析的第一阶段。下一阶段将是在不同情况下进行预测，这将有助于公共卫生决策。

“我们将使用模型来预测不同国家的天气情况，不同的健康干预情况，例如持续的社会距离或是否在该国不同地区进行疫苗接种或某种程度的畜群免疫。例如，我们希望成为可以说，如果您的孩子在这种环境下重返校园，那么该地区的气候和天气将以这种程度影响潜在的传播。” “这将是我们要完成的一项长期任务。”