Proof-of-Concept der Vorhersage von natürlichen FSME-Herden mithilfe von Machine Learning-Algorithmen

Zeckenübertragene Krankheiten gehören zu den wichtigsten vektorübertragenen Krankheiten in Europa und Nordamerika und machen etwa 90% aller vektorübertragenen Krankheiten in diesen Kontinenten aus. In den letzten Jahren wurden deutlich zunehmende Trends bei verschiedenen zeckenübertragenen Krankheiten wie FSME und Borreliose dokumentiert.

Die Ursachen für diese globalen (pandemischen) Entwicklungen sind unbekannt. Eine Erklärung könnte eine Veränderung der Zeckenaktivität und/oder der Aktivitätsperiode mit Folgen für die Übertragung von Krankheitserregern sein. Eine andere Erklärung könnte die Ausbreitung in neue Gebiete sein, die zu Veränderungen und/oder Intensivierungen der Übertragungszyklen führt. Diese Entwicklungen sind langfristig und erfordern langfristige Daten (der Entwicklungszyklus von Ixodes ricinus kann bis zu 5 Jahre betragen). Daher werden kurzfristige Forschungsprogramme nicht die wahren Faktoren dieser Entwicklung aufklären können. Die Grundlage für die vorgeschlagene Studie bilden verfügbare Daten zum FSME-Virus (FSMEV) und seinem Übertragungszyklus in der Natur. In den mehr als 50 natürlichen FSME-Herden, die in den letzten zwei Jahrzehnten identifiziert wurden, wurden die Orte als kleine, halb Fußballfeld große Flächen hervorgehoben, die über Jahre oder sogar Jahrzehnte stabil sind. Die Gründe für diese geografisch begrenzte Größe der natürlichen FSMEV-Übertragung sind unbekannt, könnten aber teilweise mit den spezifischen Umweltbedingungen zusammenhängen. Bisher wurden mehr als 50 natürliche FSMEV-Übertragungsherde in vielen Ländern Europas (Deutschland, Österreich, Schweiz, Frankreich, Schweden, Slowakei, Tschechien, Lettland, Dänemark usw.) durch das Nationale FSME Beratungs-Labor (TBE-NCL) identifiziert.

Die Umweltdaten dieser FSMEV-Herde werden verwendet, um in hoher Auflösung die Assoziation von Umweltbedingungen (Landschaft, geologische, physikalische und klimatische Bedingungen) zu modellieren, die das Vorhandensein von Übertragungsplätzen für zeckenübertragene Krankheitserreger in der Natur bestimmen. Mithilfe von Machinelearning (ML) (Workpackage 3) werden diese Bedingungen identifiziert und weiter modelliert, um neue, bisher unbekannte natürliche FSME-Herde zu identifizieren.

Orte mit hoher Wahrscheinlichkeit für das Auftreten des FSME-Virus werden beprobt und die gesammelten Zecken auf das FSME-Virus untersucht. Phylogeographische Daten von FSMEV-Ganzgenomsequenzen werden erzeugt und ermöglichen es, die Einführung, den Ursprung und die Ausbreitung von FSMEV nachzuvollziehen. Die Analyse dieser Daten durch ML wird ein Modell zum besseren Verständnis der Einführung und Ausbreitung des FSME-Virus erzeugen. Dieses Modell wird zur weiteren Verbesserung der Vorhersage und Überwachung von FSME als Grundlage für Empfehlungen zur Prävention für das öffentliche Gesundheitssystem verwendet (Workpackage 5).

Diese Proof-of-Concept-Pipeline wird dann auf Borreliose angewendet (Workpackage 2), bei der die Parameter für natürliche Zeckenlebensräume noch unbekannt sind. Dieser Prozess wird unser System validieren, sodass es für jede zeckenübertragene Krankheit angepasst werden kann.