《PLOS Biology》：Pathogen host jump risk is not predicted by spillover rate, but rather by novelty
编辑推荐：
为解决何种病原体最有可能成功跨物种传播（宿主跳跃）并引发大流行这一核心问题，研究人员通过贝叶斯框架构建了定量模型，分析了溢出率与宿主跳跃风险的关系。研究发现，病原体的溢出率本身并非预测未来跳跃风险的有效指标，而病原体与新型宿主之间的历史关联时间长度（即过去溢出窗口P）是决定风险的关键。这意味着，对新型宿主而言相对“新”的病原体（包括最近才获得溢出机会或近期发生重大进化的病原体）构成了最大的宿主跳跃风险。此项研究为理解病原体跨物种传播规律和制定针对性监测策略提供了新的理论基础。
下一次大流行病会由哪种病原体引发？这个问题如同悬在全球公共卫生头上的达摩克利斯之剑。众所周知，许多人类传染病源于动物，这一过程被称为“人畜共患”。当一种原本在动物中传播的病原体通过“溢出”事件感染人类后，若能进一步在人群中建立持续传播，就完成了一次“宿主跳跃”，这正是艾滋病病毒（HIV）、SARS冠状病毒等引发大流行病的经典路径。长期以来，科学界和公共卫生领域一个普遍的直觉是：那些更频繁地从动物“溢出”到人类的病原体，由于拥有更多“尝试”机会，理应更有可能完成致命的“跳跃”，因此也应是监测和预防的重点。然而，这种观点真的可靠吗？例如，狂犬病病毒每年导致数万例人类感染（溢出率极高），却从未引发人间大流行；相反，HIV在相对较少的溢出事件后，就成功地在人类中建立了持续传播。这提示我们，溢出率与最终的宿主跳跃风险之间，可能存在令人意外的脱节。
为了从理论上厘清这一关键问题，并回答“究竟是频繁溢出的病原体更危险，还是罕见溢出的病原体更危险”，研究人员在《PLOS Biology》上发表了一项研究。他们构建了一个基于贝叶斯统计的通用数学模型，旨在定量评估病原体的溢出率与其成功实现宿主跳跃风险之间的关系。该模型的核心洞见挑战了直觉：研究发现，病原体的固有溢出率本身对于预测其未来的宿主跳跃风险几乎没有价值；相反，决定风险的最关键因素，是病原体与新型宿主“相识”的时间长短——即“过去溢出窗口”。简单来说，那些对新型宿主而言相对“新”的病原体（无论是地理隔离新近被打破，还是病原体自身发生了重大进化），构成了最大的跳跃威胁。而一个已经与人类长期共存、频繁溢出却始终未能建立持续传播的病原体（如狂犬病病毒），其未来成功跳跃的概率实际上非常低。
研究主要采用了以下关键技术方法：1. 概念建模与贝叶斯统计框架：将复杂的生物学过程抽象为包含溢出和建立持续传播两步骤的简化模型，并利用贝叶斯定理将过去无成功跳跃的历史数据转化为对病原体内在跳跃概率的后验估计。2. 解析求解与参数分析：在设定先验分布后，推导出宿主跳跃风险概率的解析解，并系统分析溢出率、过去/未来溢出窗口等关键参数组合对最终风险的影响。3. 数值模拟与可视化验证：通过计算模拟验证解析结果的稳健性，并生成图表直观展示在不同先验假设下，风险与各参数的关系。模型中使用的模拟代码已在公开存储库Zenodo上发布。
研究结果
1. 模型概述：从概念框架到风险量化
研究人员首先将病原体概念化为四种类型：不受限型（常溢出且易持续传播）、传播受限型（常溢出但难持续传播）、溢出受限型（少溢出但易持续传播）以及溢出与传播双受限型。该图展示了随着过去溢出窗口的延长，尚未完成跳跃的病原体库中，不受限型病原体比例迅速下降，其余类型占比变化的动态过程。这为理解“历史筛选”效应奠定了基础。接着，研究将一次溢出后能否建立传播建模为一个成功概率为θ的独立事件，并通过泊松过程将溢出率与时间窗口相关联。通过引入贝叶斯框架，将我们对θ的不确定性（先验分布）与过去无成功跳跃的观测数据结合，得到更新的后验信念，进而计算未来发生至少一次宿主跳跃的风险概率。
2. 溢出率并非风险的有效预测指标
模型分析显示，宿主跳跃风险与病原体的固有溢出率之间没有一致的预测关系。TP而非溢出率λ。"> 在不同的先验分布假设下（如图2A-C），风险最高的病原体可能是溢出率低、中等或高的（对应图2G-I）。更关键的是，当溢出率趋于无穷大时，所有情景下的宿主跳跃风险都收敛于同一个中间值（图2G-I中的金色虚线），这意味着随着溢出率增加，溢出率本身所提供的关于风险的信息量越来越少。研究表明，比较两个在其他方面完全相同的病原体时，溢出率高的那个不一定风险更高，其结论高度依赖于我们对θ的先验认知。
3. 历史关联时长是风险的关键决定因素
与溢出率的微弱影响形成鲜明对比的是，过去溢出窗口TP对风险有巨大影响。如图2J-L所示，无论先验分布如何设定，宿主跳跃风险都随着TP的增加而快速、单调地下降。一个TP=0（即从未有过溢出机会）的病原体，如果其未来溢出率>0，则具有最高的初始风险。而一个TP很长的病原体，尽管可能仍在频繁溢出，但其成功跳跃的概率已变得极低。这是因为漫长的、无成功跳跃的历史本身，就是该病原体难以在新型宿主中建立传播的强有力证据。
结论与讨论
本研究通过一个机理模型得出了明确而反直觉的结论：预测病原体宿主跳跃风险，应关注其“新”程度，而非其“溢”频繁度。 具体而言：1. 溢出率无预测力：病原体的固有溢出率本身不能可靠地指示其未来成功跳跃的风险。高风险病原体可以出现在任何溢出率水平。2. 历史窗口是关键：病原体与新型宿主之间历史关联的时间长度是风险的核心决定因素。关联时间越短（即病原体对宿主越“新”），风险越高。3. “新”的定义：这种“新”可能源于宿主与病原体地理隔离新近被打破，也可能源于病原体自身发生了实质性进化，使得其当前形式与过去有本质不同。
这一发现对 pandemic preparedness（大流行防备）具有重要启示。它意味着，监测和预警的重点不应只放在那些已知的、高频溢出的“老对手”上（如狂犬病），而应同等甚至更多地关注那些新出现的交互机会，例如：由于气候变化、土地利用变化或全球贸易导致人类与新动物宿主接触；或者，在动物宿主中循环的病原体种群发生了关键进化变异。当然，这绝不意味着可以放松对高溢出率病原体的常规防控，因为减少溢出事件本身就能直接降低跳跃的绝对机会，并带来其他重要的公共卫生收益。
该研究也坦承其模型的局限性，例如假设θ不随时间变化、过去与未来溢出率线性相关、以及各病原体独立等。在现实中，病原体的进化、宿主免疫水平的改变等因素可能使情况更复杂。未来的研究可以整合更多生物学细节，如系统发育关系、基因组特征、宿主受体兼容性等，以构建更精细的预测模型。尽管如此，本研究框架挑战了基于溢出频率的简单风险评估范式，将“历史关联时长”这一关键维度推至台前，为我们更精准地识别下一个“X病原体”提供了新的理论透镜。
