Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski pl
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

Real-time reconstruction of epidemic dynamics from viral phylogenies using Deep Learning

Opis projektu

Odtwarzanie dynamiki epidemii w czasie rzeczywistym

Pandemia COVID-19 pokazała, jak istotna jest wiedza na temat rozprzestrzeniania się pandemii w czasie rzeczywistym, aby zwiększyć gotowość i poprawić szybkość reakcji organów odpowiedzialnych za zdrowie publiczne. Konwencjonalne metody, które opierają się na przekazywanych danych dotyczących przypadków, mogą być niekompletne lub obarczone błędami, zwłaszcza w uboższych regionach. Zespół finansowanego ze środków działania „Maria Skłodowska-Curie” projektu Deep EpiDyn proponuje nowe podejście do monitorowania epidemii poprzez połączenie badania rozwoju wirusów i uczenia głębokiego. Naukowcy zamierzają wytrenować modele łączące dane o rozwoju wirusów z kluczowymi wskaźnikami epidemiologicznymi, takimi jak wskaźnik transmisji i okres zakaźności. Takie podejście umożliwia prowadzenie szybszych i dokładniejszych analiz w czasie rzeczywistym, poprawiając monitorowanie chorób i zwiększając gotowość.

Cel

Reconstructing epidemic dynamics in real-time has become crucial for effective disease management, as demonstrated by the COVID-19 pandemic. Traditional methods rely on epidemiological data (e.g. reported cases), which can be biased or incomplete due to variable testing policies, particularly in resource-limited settings. Instead, phylodynamics has emerged as a valuable toolkit for using viral phylogenies to understand epidemic dynamics. However, conventional phylodynamic methods rely on mathematical formulas and approximations, which are not scalable to large datasets and are time-consuming, limiting their use primarily to retrospective rather than real-time analysis.

This proposal aims to transform phylodynamics by integrating it with deep learning to bypass the cumbersome likelihood calculations, thereby facilitating real-time analysis directly from sequence data. I will develop innovative deep learning models to explore the relationships between phylogenetic trees and epidemiological parameters of viruses with epidemic potential, such as SARS-CoV-2, influenza, RSV, and mpox. These models are designed to rapidly and accurately estimate time-varying epidemiological metrics, including transmission heterogeneity, basic reproduction numbers, infectious and incubation periods.

This initiative is set to revolutionize our ability to model and comprehend infectious diseases in real-time, elevating sequence data to a critical, standalone data source. It will incorporate cross-validation with epidemiological inference from reported cases and wastewater analyses, reducing reliance on any single data source and enhancing both public health responses and infectious disease surveillance. Furthermore, by simulating incremental data collection that reflects real outbreak conditions, this project will evaluate the sensitivity of real-time estimations and determine the necessary sampling proportions to accurately represent epidemic dynamics. This approach will yield crucial

Dziedzina nauki (EuroSciVoc)

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) HORIZON-MSCA-2024-PF-01

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Koordynator

THE CHANCELLOR, MASTERS AND SCHOLARS OF THE UNIVERSITY OF OXFORD
Wkład UE netto
€ 276 187,92
Adres
WELLINGTON SQUARE UNIVERSITY OFFICES
OX1 2JD Oxford
Zjednoczone Królestwo
Region
South East (England) Berkshire, Buckinghamshire and Oxfordshire Oxfordshire
Rodzaj działalności
Higher or Secondary Education Establishments
Linki
Koszt całkowity
Brak danych