Bat anthropogenic roosting ecology influences taxonomic and geographic predictions of viral hosts

Dit onderzoek toont aan dat het opnemen van antropogene roestplaatsen in machine learning-modellen de voorspelling van virusreservoirs bij vleermuizen verbetert, met name in Azië, en benadrukt het belang van deze ecologische eigenschap voor het beoordelen van het risico op virusoverdracht tussen mens en dier.

De kern

Titel: Waarom vleermuizen in onze huizen een virus-risico kunnen zijn (en waarom we dat moeten weten)

Stel je voor dat de wereld een groot, complex raadsel is. We willen weten: welke dieren dragen gevaarlijke virussen die van dier op mens kunnen springen? Dit is als het zoeken naar een naald in een hooiberg, maar dan met miljoenen naalden en een hooiberg die steeds groter wordt.

Deze studie kijkt specifiek naar vleermuizen. Maar ze doen iets heel slim: ze kijken niet alleen naar wie de vleermuis is (bijvoorbeeld: is hij groot of klein? eet hij fruit of insecten?), maar ze kijken ook naar waar de vleermuis slaapt.

Het Grote Verschil: Grot vs. Dakgoot

Stel je twee vleermuizen voor:

1. Vleermuis A slaapt diep in een donkere, koude grot, ver weg van mensen.
2. Vleermuis B slaapt in een dakgoot, op een zolder of onder een brug. Hij woont letterlijk in onze huizen.

De onderzoekers vroegen zich af: Is Vleermuis B gevaarlijker dan Vleermuis A?

In het verleden hebben wetenschappers vaak gekeken naar algemene dingen, zoals "woont het dier in de stad?" of "hoeveel mensen wonen er in de buurt?". Maar dit is als zeggen: "Iedereen die in een stad woont, loopt het risico." Dat is te vaag. Deze studie kijkt specifieker: Slaapt het dier daadwerkelijk in een door de mens gemaakt bouwwerk?

Wat hebben ze ontdekt?

De onderzoekers hebben een enorme computer (een soort slimme voorspeller) gebruikt om te kijken welke vleermuizen virussen dragen. Ze hebben de "slaaplocatie" toegevoegd aan de lijst met gegevens. Hier zijn de belangrijkste resultaten, vertaald naar alledaags taal:

1. Het is niet de allerbelangrijkste factor, maar wel een belangrijke hint
Het feit dat een vleermuis in een gebouw slaapt, is niet de belangrijkste reden waarom ze virussen dragen. Dat is nog steeds de grootte van hun leefgebied of hun familie (soort). Maar het is wel belangrijker dan veel andere dingen, zoals wat ze eten.

• Analogie: Stel je voor dat je probeert te voorspellen wie een goede voetballer is. Je kijkt naar hun schoenmaat (belangrijk), hun team (belangrijk), en of ze in een stad wonen (minder belangrijk). Maar als je kijkt of ze specifiek in een stadion wonen in plaats van in een bos, geeft dat je een extra, nuttige hint.

2. Het maakt het lijstje met "verdachten" langer
Toen de computer de "slaap in gebouwen"-informatie kreeg, veranderde de voorspelling niet heel erg voor de bekende gevallen. Maar voor de onbekende gevallen (vleermuizen waar we nog niets over weten), deed het wonderen.

• Het effect: De computer zei: "Hé, kijk eens! Die vleermuis in de zolder in Azië? Die hebben we eerder over het hoofd gezien, maar omdat hij in een gebouw woont, is de kans groot dat hij ook een virus draagt."
• Conclusie: Als we deze informatie niet gebruiken, missen we potentiële risicodieren. We zouden kunnen denken dat het veilig is, terwijl er juist een gevaarlijke vleermuis in onze buurt zit.

3. De "Hotspots" verschuiven
Zonder deze informatie dachten we dat de meeste onbekende virussen in Zuid-Amerika en Afrika zaten. Maar toen ze keken naar vleermuizen die in gebouwen slapen, zagen ze een nieuw gevaarlijk gebied: Azië.

• De les: In Azië zitten veel vleermuizen die in onze huizen en gebouwen leven. Als we daar niet goed opletten, kunnen virussen makkelijker van de vleermuis naar de mens springen (en andersom).

Waarom is dit belangrijk voor jou?

Stel je voor dat je een brandweerman bent. Je wilt weten waar de brand kan ontstaan.

• Zonder deze studie: Je kijkt alleen naar de bossen. Je denkt: "Daar is het gevaarlijk."
• Met deze studie: Je kijkt ook naar de huizen. Je ziet dat er in bepaalde wijken (vooral in Azië) veel "brandhaarden" (vleermuizen in gebouwen) zijn die je eerder over het hoofd zag.

Door te weten dat vleermuizen die in onze gebouwen slapen een iets grotere kans hebben om virussen te dragen, kunnen we:

1. Slimmer testen: We hoeven niet elke vleermuis ter wereld te vangen en te testen (wat duur en lastig is). We kunnen focussen op diegenen die in onze huizen wonen.
2. Veiligheid: We kunnen beter begrijpen waar virussen vandaan komen, zodat we ziektes kunnen voorkomen voordat ze een grote uitbraak worden.
3. Bescherming: Het helpt ons om te begrijpen dat het verstoren van deze vleermuizen (bijvoorbeeld door ze uit hun dak te jagen) juist het virus kan verspreiden.

Samenvatting in één zin

Deze studie leert ons dat waar een vleermuis slaapt (in de natuur of in ons dak) een belangrijke hint is om te voorspellen of hij virussen draagt, en dat we vooral in Azië moeten opletten voor vleermuizen die in onze gebouwen wonen.

Technische samenvatting

Probleemstelling

Het opsporen van reservoirgastheren voor emerging infectious diseases (EID's) is cruciaal maar kostbaar. Statistische modellen worden gebruikt om te voorspellen welke diersoorten potentieel gastheren zijn voor virussen, gebaseerd op ecologische en evolutionaire kenmerken. Echter, bestaande modellen gebruiken vaak brede proxies voor mens-diercontact, zoals menselijke bevolkingsdichtheid of een algemene "stedelijke aanwezigheid". Deze proxies zijn onvoldoende omdat ze niet specifiek genoeg zijn om fysieke interacties in antropogene structuren (zoals gebouwen, bruggen en tunnels) te vangen.

Specifiek voor vleermuizen is de invloed van het roesten (slapen) in door mensen gemaakte structuren op het voorspellen van virale uitkomsten (zoals het dragen van virussen of de diversiteit van virussen) slecht begrepen. Het ontbreken van deze specifieke data kan leiden tot onderschatting van het risico op spillover (overdracht van dier op mens) en spillback (overdracht van mens op dier), vooral in gebieden waar vleermuizen en mensen dicht bij elkaar leven.

Methodologie

De auteurs hebben een geavanceerde machine-learningbenadering gebruikt om de impact van antropogene roost-ecologie te evalueren:

1. Dataverzameling:

   • Virusdata: Gebruik gemaakt van de VIRION-database (versie 8), beperkt tot PCR- en isolatiegedetecteerde associaties om cross-reactiviteit van serologische data te vermijden. Dit resulteerde in data voor 1.279 vleermuizensoorten (86% van de bekende soorten).
   • Roost-data: Een nieuw, handmatig samengesteld dataset over roost-ecologie (natuurlijk vs. antropogeen) voor 1.029 soorten, gebaseerd op eerder werk (Betke et al., 2024).
   • Andere kenmerken: Data uit repositories zoals COMBINE, PanTHERIA en EltonTraits, waaronder levensgeschiedenis, dieet, foragering, biogeografie en fylogenie (familie).
   • Sampling bias: Citatieaantallen (PubMed) werden gebruikt als proxy voor onderzoeksbias om dit te controleren in de modellen.

2. Modellering:

   • Algoritme: Boosted Regression Trees (BRT) werden gebruikt, een machine-learningmethode die goed presteert bij niet-lineaire relaties en ontbrekende data.
   • Responsvariabelen: Vier uitkomsten werden gemodelleerd:
     1. Status als virusgastheer (binair).
     2. Status als zoönosegastheer (binair).
     3. Rijkdom aan virusfamilies (telling).
     4. Rijkdom aan zoönosevirusfamilies (telling).
   • Validatie: De data werd 50 keer willekeurig opgesplitst in trainings- (80%) en testsets (20%). Modelprestaties werden beoordeeld met AUC, sensitiviteit, specificiteit en pseudo-$R^2$.
   • Vergelijking: Modellen met en zonder de variabele "antropogeen roesten" werden met elkaar vergeleken om te zien of de toevoeging de voorspellende kracht verbeterde of de voorspellingen verschuift.

Belangrijkste Bijdragen

• Integratie van nieuwe data: Het is de eerste studie die specifiek data over het roesten in menselijke structuren integreert in macro-ecologische modellen voor virale gastheren, in plaats van te vertrouwen op algemene stedelijke proxies.
• Nuancering van risicofactoren: De studie onderscheidt tussen de voorspellende kracht van een variabele voor modelprestaties en de impact op de voorspelde gastherenlijsten en geografische hotspots.
• Identificatie van onontdekte gastheren: Het toont aan dat het negeren van antropogene roost-ecologie leidt tot "false negatives" bij het voorspellen van gastheren, met name in Azië.

Resultaten

1. Variabele Belangrijkheid:

   • Antropogeen roesten heeft een laag tot medium belang onder de 63 onderzochte kenmerken.
   • Het is minder belangrijk dan menselijke bevolkingsdichtheid, maar belangrijker dan de meeste familie-, dieet- en forageringskenmerken.
   • Het belang varieert per uitkomst: het is het belangrijkst voor het voorspellen van virusgastheer-status (median rang: 23,5 van 63) en minder belangrijk voor virusrijkdom of zoönose-rijkdom.

2. Modelprestaties:

   • De toevoeging van de variabele "antropogeen roesten" verbeterde de statistische prestaties van de modellen (AUC, $R^2$) niet significant. De bestaande modellen presteerden al goed zonder deze variabele.

3. Voorspellende Verschillen (Cruciaal):

   • Hoewel de statistische prestaties gelijk bleven, verschoof de samenstelling van de voorspelde gastheren.
   • Modellen met de variabele voorspelden 7 extra onontdekte virusgastheren (totaal 134 vs. 128 zonder variabele). Alle 7 extra soorten waren antropogene roosters.
   • Voor zoönosegastheren was het effect kleiner (2 extra soorten), maar wel aanwezig.
   • Geografische verschuiving: De voorspellingen toonden duidelijke ruimtelijke patronen. In Azië (met name rond het Tibetaanse Plateau) werden significante hotspots van onontdekte gastheren geïdentificeerd die alleen zichtbaar waren wanneer antropogene roost-ecologie werd meegenomen. Zonder deze variabele werden deze hotspots onderschat.

4. Behoud en Risico:

   • Veel van de nieuw voorspelde gastheren met antropogene roost-ecologie hebben een bedreigde of kwetsbare status.
   • 78% van de soorten met een dalende populatietrend heeft de capaciteit om in antropogene structuren te roesten.

Betekenis en Conclusie

De studie concludeert dat antropogeen roesten, hoewel het de statistische nauwkeurigheid van bestaande modellen niet drastisch verbetert, essentieel is voor het verfijnen van de taxonomische en geografische voorspellingen.

• Risicobeheer: Het negeren van dit kenmerk leidt tot een onderschatting van het risico op spillover, vooral in Azië waar veel vleermuizen in menselijke structuren leven.
• Surveillance: Het voegt waarde toe aan surveillancestrategieën door specifieke, onontdekte gastheren te identificeren die anders over het hoofd zouden worden gezien.
• Behoud: Het benadrukt de noodzaak om virale surveillance te koppelen aan behoudsbemoeienis, aangezien veel van deze "verborgen" gastheren kwetsbare soorten zijn die afhankelijk zijn van menselijke infrastructuur.

Kortom, hoewel menselijke bevolkingsdichtheid de sterkste predictor blijft, biedt de specifieke data over waar vleermuizen slapen (in menselijke constructies) een cruciale nuance voor het lokaliseren van hotspots voor toekomstige uitbraken en het prioriteren van onderzoek.