Abstract This study marks a pioneering effort in analyzing the global epidemiological patterns of African Horse Sickness (AHS) across different regions. By employing predictive modeling with a comprehensive set of environmental variables, we uncovered overarching global patterns in AHS dynamics, a first in this field. Our analysis revealed significant regional differences influenced by specific climatic conditions, highlighting the disease’s complexity. The study also identifies new high-risk areas for AHS, underscoring the necessity for regionally tailored disease management strategies. Despite some limitations, such as the exclusion of wild equine data, this research offers critical insights for global AHS intervention and prevention, setting a path for future research incorporating broader datasets and socio-economic factors. Author Summary AHS presents a significant challenge to the global equine industry, impacting both health and economic aspects. Our study highlights the profound effect of climate change, particularly the frequency of extreme climatic events including temperature and humidity variations, on the transmission dynamics of diseases like AHS. In our research, we focused on overcoming the challenges associated with identifying key environmental factors and determining the appropriate geographic scale for a comprehensive global understanding of AHS. Our aim was to bridge existing knowledge gaps and elucidate the fundamental principles governing AHS transmission. This study establishes a solid foundation for understanding the intricate dynamics of AHS and offers practical pathways for conservation efforts. It emphasizes the urgent need for environmentally conscious strategies to protect horse populations and the industries dependent on them. By highlighting the relationship between environmental factors, vector presence, and AHS transmission, our research underscores the importance of a holistic approach to disease mitigation. In conclusion, the findings of our study not only contribute to the scientific understanding of AHS but also serve as a guide for policymakers and practitioners in developing effective strategies for disease management and prevention, tailored to the specific environmental conditions and challenges faced in different regions around the world.

This research offers a bioinformatics approach to forecasting both domestic and wild animals9 likelihood of being susceptible to SARS-CoV-2 infection. Genomic sequencing can resolve phylogenetic relationships between the virus and the susceptible host. The genome sequence of SARS-CoV-2 is highly interactive with the specific sequence region of the ACE2 receptor of the host species. We further evaluate this concept to identify the most important SARS-CoV-2 binding amino acid sites in the ACE2 receptor sequence through the common similarity of the last common amino acid sites (LCAS) in known susceptible host species. Therefore, the SARS-CoV-2 viral genomic interacting key amino acid region in the ACE2 receptor sequence of known susceptible human host was summarized and compared with other reported known SARS-CoV-2 susceptible host species. We identified the 10 most significant amino acid sites for interaction with SARS-CoV-2 infection from the ACE2 receptor sequence region based on the LCAS similarity pattern in known sensitive SARS-CoV-2 hosts. The most significant 10 LCAS were further compared with ACE2 receptor sequences of unknown species to evaluate the similarity of the last common amino acid pattern (LCAP). We predicted the probability of SARS-CoV-2 infection risk in unknown species through the LCAS similarity pattern. This method can be used as a screening tool to assess the risk of SARS-CoV-2 infection in domestic and wild animals to prevent outbreaks of infection.