Demand for animal protein for human consumption is rising globally at an unprecedented rate. Modern animal production practices are associated with regular use of antimicrobials, potentially increasing selection pressure on bacteria to become resistant. Despite the significant potential consequences for antimicrobial resistance, there has been no quantitative measurement of global antimicrobial consumption by livestock. We address this gap by using Bayesian statistical models combining maps of livestock densities, economic projections of demand for meat products, and current estimates of antimicrobial consumption in high-income countries to map antimicrobial use in food animals for 2010 and 2030. We estimate that the global average annual consumption of antimicrobials per kilogram of animal produced was 45 mg⋅kg(-1), 148 mg⋅kg(-1), and 172 mg⋅kg(-1) for cattle, chicken, and pigs, respectively. Starting from this baseline, we estimate that between 2010 and 2030, the global consumption of antimicrobials will increase by 67%, from 63,151 ± 1,560 tons to 105,596 ± 3,605 tons. Up to a third of the increase in consumption in livestock between 2010 and 2030 is imputable to shifting production practices in middle-income countries where extensive farming systems will be replaced by large-scale intensive farming operations that routinely use antimicrobials in subtherapeutic doses. For Brazil, Russia, India, China, and South Africa, the increase in antimicrobial consumption will be 99%, up to seven times the projected population growth in this group of countries. Better understanding of the consequences of the uninhibited growth in veterinary antimicrobial consumption is needed to assess its potential effects on animal and human health.

Antibiotic drug consumption is a major driver of antibiotic resistance. Variations in antibiotic resistance across countries are attributable, in part, to different volumes and patterns for antibiotic consumption. We aimed to assess variations in consumption to assist monitoring of the rise of resistance and development of rational-use policies and to provide a baseline for future assessment.With use of sales data for retail and hospital pharmacies from the IMS Health MIDAS database, we reviewed trends for consumption of standard units of antibiotics between 2000 and 2010 for 71 countries. We used compound annual growth rates to assess temporal differences in consumption for each country and Fourier series and regression methods to assess seasonal differences in consumption in 63 of the countries.Between 2000 and 2010, consumption of antibiotic drugs increased by 36% (from 54 083 964 813 standard units to 73 620 748 816 standard units). Brazil, Russia, India, China, and South Africa accounted for 76% of this increase. In most countries, antibiotic consumption varied significantly with season. There was increased consumption of carbapenems (45%) and polymixins (13%), two last-resort classes of antibiotic drugs.The rise of antibiotic consumption and the increase in use of last-resort antibiotic drugs raises serious concerns for public health. Appropriate use of antibiotics in developing countries should be encouraged. However, to prevent a striking rise in resistance in low-income and middle-income countries with large populations and to preserve antibiotic efficacy worldwide, programmes that promote rational use through coordinated efforts by the international community should be a priority.US Department of Homeland Security, Bill & Melinda Gates Foundation, US National Institutes of Health, Princeton Grand Challenges Program.

The most effective interventions By 23 January 2020, China had imposed a national emergency response to restrict travel and impose social distancing measures on its populace in an attempt to inhibit the transmission of severe acute respiratory syndrome–coronavirus 2 (SARS-CoV-2). However, which measures were most effective is uncertain. Tian et al. performed a quantitative analysis of the impact of control measures between 31 December 2019 and 19 February 2020, which encompasses the Lunar New Year period when millions of people traveled across China for family visits. Travel restrictions in and out of Wuhan were too late to prevent the spread of the virus to 262 cities within 28 days. However, the epidemic peaked in Hubei province on 4 February 2020, indicating that measures such as closing citywide public transport and entertainment venues and banning public gatherings combined to avert hundreds of thousands of cases of infection. It is unlikely that this decline happened because the supply of susceptible people was exhausted, so relaxing control measures could lead to a resurgence. Science , this issue p. 638

The Allee effect describes a scenario in which populations at low numbers are affected by a positive relationship between population growth rate and density, which increases their likelihood of extinction. The importance of this dynamic process in ecology has been under-appreciated and recent evidence now suggests that it might have an impact on the population dynamics of many plant and animal species. Studies of the causal mechanisms generating Allee effects in small populations could provide a key to understanding their dynamics.

Quantifying the impact of density, extrinsic climatic fluctuations, and demography on population fluctuations is a persistent challenge in ecology. We analyzed the effect of these processes on the irregular pattern of population crashes of Soay sheep on the St. Kilda archipelago, United Kingdom. Because the age and sex structure of the population fluctuates independently of population size, and because animals of different age and sex respond in different ways to density and weather, identical weather conditions can result in different dynamics in populations of equal size. In addition, the strength of density-dependent processes is a function of the distribution of weather events. Incorporating demographic heterogeneities into population models can influence dynamics and their response to climate change.

Quantifying long-range dissemination of infectious diseases is a key issue in their dynamics and control. Here, we use influenza-related mortality data to analyze the between-state progression of interpandemic influenza in the United States over the past 30 years. Outbreaks show hierarchical spatial spread evidenced by higher pairwise synchrony between more populous states. Seasons with higher influenza mortality are associated with higher disease transmission and more rapid spread than are mild ones. The regional spread of infection correlates more closely with rates of movement of people to and from their workplaces (workflows) than with geographical distance. Workflows are described in turn by a gravity model, with a rapid decay of commuting up to around 100 km and a long tail of rare longer range flow. A simple epidemiological model, based on the gravity formulation, captures the observed increase of influenza spatial synchrony with transmissibility; high transmission allows influenza to spread rapidly beyond local spatial constraints.

Biopsy material taken from the brain of a patient with CreutzfeldtJakob disease with status spongiosus induced a similar fatal encephalopathy in a chimpanzee 13 months after inoculation.

Heterogeneity in host contact patterns profoundly shapes population-level disease dynamics. Many epidemiological models make simplifying assumptions about the patterns of disease-causing interactions among hosts. In particular, homogeneous-mixing models assume that all hosts have identical rates of disease-causing contacts. In recent years, several network-based approaches have been developed to explicitly model heterogeneity in host contact patterns. Here, we use a network perspective to quantify the extent to which real populations depart from the homogeneous-mixing assumption, in terms of both the underlying network structure and the resulting epidemiological dynamics. We find that human contact patterns are indeed more heterogeneous than assumed by homogeneous-mixing models, but are not as variable as some have speculated. We then evaluate a variety of methodologies for incorporating contact heterogeneity, including network-based models and several modifications to the simple SIR compartmental model. We conclude that the homogeneous-mixing compartmental model is appropriate when host populations are nearly homogeneous, and can be modified effectively for a few classes of non-homogeneous networks. In general, however, network models are more intuitive and accurate for predicting disease spread through heterogeneous host populations.