一项新研究提出了一种名为"迭代块粒子滤波"的算法框架，可在有限资源条件下实现对病毒变异株的快速、低成本基因组监测，并在新冠病毒多毒株真实数据上的表现优于现有常用算法。相关成果已发表于《自然·通讯》。
基因组监测——即对病原体进行持续追踪与测序——是探测新兴病毒威胁最重要的工具之一。然而，全球现有监测体系成本高昂、分布不均，往往无法在危险变异株向国际扩散之前及时识别。
这一算法由俄勒冈州立大学统计学助理教授Patricia Ning与统计学系博士候选人Jifan Li，联合多个国际机构合作者共同开发。该算法以在科学研究领域广泛应用的序贯蒙特卡洛方法为基础，但后者存在一个显著局限——仅适用于中小规模的空间或图形维度，在高度复杂的系统中，随着变量维度增加，计算误差呈指数级增长，即所谓"维度灾难"。
Ning开发的迭代块粒子滤波算法专门针对这一问题进行了设计。其核心思路是采用迭代设置：前一数据集的输出作为下一数据集的输入，通过在本地控制滤波误差，在保留相邻区域和交通枢纽之间关键交互的同时实现可扩展推断。Ning指出，基因组监测涉及城市与城市之间的人口流动互动，传统方法将各地区割裂为孤立研究单元会破坏这些关键关联，而她的算法正是要在局部更新的同时保留这种空间交互。
在研究中，算法基于流行病学记录、疫苗接种信息及高分辨率国际航空旅行数据，对多个地区和多种病毒毒株运行了大规模多毒株模型，在缩短从检测变异株到完成测序的时间间隔方面，优于其他常用滤波算法。
研究人员表示，基于这一算法的预测结果，政府和医院可以将更多监测资源向主要国际交通枢纽倾斜，从而更有针对性地配置资源。这对于难以长期维持大规模基因组测序项目的低资源地区尤为重要。Jifan Li指出，通过优化资源配置，可以在不增加预算的前提下大幅提前对新变异株的检测时间。
研究人员强调，这一框架的适用范围远不止于新冠病毒监测，该算法与更通用的系统兼容，在流感、登革热、埃博拉、寨卡等病毒的监测与预测工作中同样具有应用潜力。
Ning还指出，这一算法作为动态系统的通用方法论，其意义可延伸至基因组监测之外，适用于任何存在随时间演化的复杂交互关系的领域，包括交通系统连接的城市网络、迁徙模式关联的生态系统、社交网络、电网及基因调控网络等，为跨学科的可扩展时空学习模型开辟了新的可能。研究团队已将相关代码公开发布于GitHub平台。
参考文献：Haogao Gu et al, Optimizing global genomic surveillance for early detection of emerging SARS-CoV-2 variants, Nature Communications (2026). DOI: 10.1038/s41467-026-70664-0
编辑：王洪
排版：李丽
评论 (0)