Эпизоотическая ситуация по лейкозу крупного рогатого скота в Омской области и краткосрочный прогноз ее развития

   На основании полученных сведений о результатах диагностических исследований в реакции иммунной диффузии (РИД) и гематологическим методом осуществлен анализ эпизоотической ситуации по лейкозу крупного рогатого скота в Омской области с 2018 по 2022 г. Несмотря на повсеместное распространение вирусной инфекции, отмечена тенденция к некоторому снижению числа положительных проб от 16,8 % в 2018 г. до 14 % в 2022 г., тем не менее, уровень серопревалентности на преобладающей части области превысил 5 %. Процент больных лейкозом животных в этот период, напротив, увеличился в 1,5 раза. С целью прогнозирования дальнейшего развития эпизоотической ситуации по лейкозу крупного рогатого скота на следующем этапе исследований создано несколько модификаций искусственных нейронных сетей (ИНС) с нелинейной зависимостью от чисел Вольфа (W), гармоник спектральной модели Фурье, а также дополнительно введенного фактора «Сигма», принимающего значение 1 при W ≥ 110 на входе. Использованы три подхода исследования ИНС: с проведением спектрального анализа от начала известного периода (с 1994 г.); с проведением спектрального анализа с конца известного периода (с 2022 г.); с построением ИНС с первого по девятый слой с нарастанием по нечетной схеме. В общей сложности создано 9 пакетов, включающих свыше 40 нейронных сетей. Исследования проведены по направлению увеличения числа слоев нейронной сети и изменения состава гармоник. В некоторых ИНС при наращивании количества слоев отмечен значительный разброс ожидаемого числа случаев инфицирования вирусом лейкоза крупного рогатого скота. В других, наоборот, разброс прогноза был минимальным. Применение указанных подходов дает возможность рассматривать различные сценарии развития эпизоотической ситуации по лейкозу крупного рогатого скота и осуществить выбор наиболее оптимальных моделей при поступлении новых данных о распространении инфекции.

1. Haredasht S.A., Vidal G., Edmondson A., Moore D., Del-Rio N.S., Lopez B.M. Characterization of the temporal trends in the rate of cattle carcass condemnations in the US and dynamic modeling of the condemnation reasons in California with a seasonal component // Frontiers in Veterinary Science. 2018. Vol. 5. N 87. DOI: 10.3389/fvets.2018.00087.

2. Bartlett P.C., Ruggiero V.J., Hutchinson H.C., Droscha C.J. Current developments in the epidemiology and control of enzootic bovine leukosis as caused by bovine leukemia virus // Pathogens. 2020. Vol. 9 (12). N 1058. DOI: 10.3390/pathogens9121058.

3. John E.E., Keefe G., Cameron M., Stryhn H., McClure J.T. Development and implementation of a risk assessment and management program for enzootic bovine leukosis in Atlantic Canada // Journal of Dairy Science. 2020. Vol. 103 (9). P. 8398–8406. DOI: 10.3168/jds.2019-17434.

4. Донник И.М., Гулюкин М.И., Бусол В.А., Коваленко Л.В., Коваленко А.М. Лейкоз крупного рогатого скота – диагностика, оздоровление, антропозоонозный потенциал (история вопроса) // Сельскохозяйственная биология. 2021. Т. 56. № 2. С. 230–244. DOI: 10.15389/agrobiology.2021.2.230rus.

5. Гулюкин М.И., Гулюкин А.М., Донченко А.С., Донченко Н.А. Анализ эпизоотической ситуации по лейкозу крупного рогатого скота в Сибирском федеральном округе // Сибирский вестник сельскохозяйственной науки. 2021. Т. 51. № 4. С. 67–75. DOI: 10.26898/0370-8799-2021-4-8.

6. Борисевич М.Н., Красочко П.А., Прищепа И.М. Модельные математические функции в практической биологии // Веснiк ВДУ. 2018. № 3. С. 29–34.

7. Cedeno-Mieles W., Hu Z., Ren Y., Deng H., Contractor N., Ekanayake S. Data mining and pipeline modeling for controlled network experiments in the social sciences // PLoS One. 2020. Vol. 15 (11). P. E0242453. DOI: 10.1371/journal.pone.0242453.

8. Datilo P.M., Ismail Z., Dare J. A review of epidemic forecasting using artificial neural networks // International Journal of Epidemiologic Research. 2019. Vol. 6. P. 132–143. DOI: 10.15171/ijer.2019.24.

9. Wu J.T., Cowling B.J. Real-time forecasting of infectious disease epidemics // Hong Kong Medical Journal. 2018. Vol. 24. Suppl. 6 (5). P. 26–29.

10. Manliura Datilo P., Ismail Z., Dare J. A review of epidemic forecasting using artificial neural networks // International Journal of Epidemiological Research. 2019. Vol. 6 (3). Р. 132–143. DOI: 10.15171/ijer.2019.24.

11. Saba A.I., Elsheikh A.H. Forecasting the prevalence of COVID-19 outbreak in Egypt using non-linear autoregressive artificial neural networks // Process Saf Environ Prot. 2020. Vol. 141. P. 1–8. DOI: 10.1016/j.psep.2020.05.029.

12. Hong Y., Hou B., Jiang H., Zhang J. Machine learning and artificial neural network accelerated computational discoveries in materials science // Wiley Interdisciplinary Reviews Computational Molecular Science. 2020. Vol. 10. N. e1450. DOI: 10.1002/wcms.1450.

13. Cogollo M.R., González-Parra G., Arenas A.J. Modeling and forecasting cases of RSV using artificial neural networks // Mathematics. 2021. Vol. 9. N 2958. DOI: 10.3390/math9222958.

14. Власенко В.С., Борисов Е.С. Искусственная нейронная сеть в прогнозировании эпизоотической ситуации по лейкозу крупного рогатого скота // Ветеринария и кормление. 2023. № 1. С. 26–29. DOI: 10.30917/ATTVK-1814-9588-2023-1-6.