Spatiotemporal bias in genome sequence sampling can severely confound phylogeographic inference based on discrete trait ancestral reconstruction. This has impeded our ability to accurately track the emergence and spread of SARS-CoV-2, which is the virus responsible for the COVID-19 pandemic. Despite the availability of staggering numbers of genomes on a global scale, evolutionary reconstructions of SARS-CoV-2 are hindered by the slow accumulation of sequence divergence over its relatively short transmission history. When confronted with these issues, incorporating additional contextual data may critically inform phylodynamic reconstructions. Here, we present a new approach to integrate individual travel history data in Bayesian phylogeographic inference and apply it to the early spread of SARS-CoV-2, while also including global air transportation data. We demonstrate that including travel history data for each SARS-CoV-2 genome yields more realistic reconstructions of virus spread, particularly when travelers from undersampled locations are included to mitigate sampling bias. We further explore the impact of sampling bias by incorporating unsampled sequences from undersampled locations in the analyses. Our reconstructions reinforce specific transmission hypotheses suggested by the inclusion of travel history data, but also suggest alternative routes of virus migration that are plausible within the epidemiological context but are not apparent with current sampling efforts. Although further research is needed to fully examine the performance of our new data integration approaches and to further improve them, they represent multiple new avenues for directly addressing the colossal issue of sample bias in phylogeographic inference.

Humans and other group-living animals tend to distribute their social effort disproportionately. Individuals predominantly interact with a small number of close companions while maintaining weaker social bonds with less familiar group members. By incorporating this behaviour into a mathematical model we find that a single parameter, which we refer to as social fluidity, controls the rate of social mixing within the group. We compare the social fluidity of 13 species by applying the model to empirical human and animal social interaction data. To investigate how social behavior influences the likelihood of an epidemic outbreak we derive an analytical expression of the relationship between social fluidity and the basic reproductive number of an infectious disease. For highly fluid social behaviour disease transmission is revealed to be density-dependent. For species that form more stable social bonds, the model describes frequency-dependent transmission that is sensitive to changes in social fluidity.

Seasonal influenza surveillance is usually carried out by sentinel general practitioners who compile weekly reports based on the number of influenza-like illness (ILI) clinical cases observed among visited patients. This practice for surveillance is generally affected by two main issues: i) reports are usually released with a lag of about one week or more, ii) the definition of a case of influenza-like illness based on patients symptoms varies from one surveillance system to the other, i.e. from one country to the other. The availability of novel data streams for disease surveillance can alleviate these issues; in this paper, we employed data from Influenzanet, a participatory web-based surveillance project which collects symptoms directly from the general population in real time. We developed an unsupervised probabilistic framework that combines time series analysis of symptoms counts and performs an algorithmic detection of groups of symptoms, hereafter called, syndrome. Symptoms counts were collected through the participatory web-based surveillance platforms of a consortium called Influenzanet which is found to correlate with Influenza-like illness incidence as detected by sentinel doctors. Our aim is to suggest how web-based surveillance data can provide an epidemiological signal capable of detecting influenza-like illness' temporal trends without relying on a specific case definition. We evaluated the performance of our framework by showing that the temporal trends of the detected syndromes closely follow the ILI incidence as reported by the traditional surveillance, and consist of combinations of symptoms that are compatible with the ILI definition. The proposed framework was able to predict quite accurately the ILI trend of the forthcoming influenza season based only on the available information of the previous years. Moreover, we assessed the generalisability of the approach by evaluating its potentials for the detection of gastrointestinal syndromes. We evaluated the approach against the traditional surveillance data and despite the limited amount of data, the gastrointestinal trend was successfully detected. The result is a real-time flexible surveillance and prediction tool that is not constrained by any disease case definition.

Background: Lyssaviruses are pathogens of bat origin of considerable zoonotic concern being the causative agent for rabies disease, however our understanding of their persistence in bat populations remains very scarce. Methods: Leveraging existing data from an extensive ecological field survey characterizing Myotis myotis and Miniopterus schreibersii bat species in the Catalonia region, we develop a data-driven spatially explicit metapopulation model to identify the mechanisms of the empirically observed persistence of European Bat Lyssavirus subtype 1 (EBLV-1), the most common lyssavirus species found in Europe. We consider different disease progressions accounting for lethal infection, immunity waning, and potential cross-species transmission when the two populations share the same refuge along the migratory path of M. schreibersii. Results: We find that EBLV-1 persistence relies on host spatial structure through the migratory nature of M. schreibersii bats, on cross-species mixing with M. myotis population, and on a disease progression leading to survival of infected animals followed by temporary immunity. The higher fragmentation along the northern portion of the migratory path is necessary to maintain EBLV-1 sustained circulation in both species, whereas persistence would not be ensured in the single colony of M. myotis. Our study provides first estimates for the EBLV-1 transmission potential in M. schreibersii bats and average duration of immunity in the host species, yielding values compatible with previous empirical observations in M. myotis bats. Conclusions: Habitats sharing and the strong spatial component of EBLV-1 transmission dynamics identified as key drivers in this ecological context may help understanding the observed spatial diffusion of the virus at a larger scale and across a diverse range of host species, through long-range migration and seeding of local populations. Our approach can be readily adapted to other zoonotic pathogens of public health concern.

The infectious period of a transmissible disease is a key factor for disease spread and persistence. Epidemic models on networks typically assume an identical average infectious period for all individuals, thus allowing an analytical treatment. This simplifying assumption is however often unrealistic, as hosts may have different infectious periods, due, for instance, to individual host-pathogen interactions or inhomogeneous access to treatment. While previous work accounted for this heterogeneity in static networks, a full theoretical understanding of the interplay of varying infectious periods and time-evolving contacts is still missing. Here we consider an SIS epidemic on a temporal network with host-specific average infectious periods, and develop an analytical framework to estimate the epidemic threshold, i.e. the critical transmissibility for disease spread in the host population. Integrating contact data for transmission with outbreak data and epidemiological estimates, we apply our framework to three real-world case studies exploring different epidemic contexts - the persistence of bovine tuberculosis in southern Italy, the spread of nosocomial infections in a hospital, and the diffusion of pandemic influenza in a school. We find that the homogeneous parameterization may cause important biases in the assessment of the epidemic risk of the host population. Our approach is also able to identify groups of hosts mostly responsible for disease diffusion who may be targeted for prevention and control, aiding public health interventions.

The endemic circulation of bovine brucellosis in cattle herds has a markedly negative impact on economy, due to decreased fertility, increased abortion rates, reduced milk and meat production. It also poses a direct threat to human health. In Italy, despite the long lasting efforts and the considerable economic investment, complete eradication of this disease still eludes the southern regions, as opposed to the northern regions that are disease-free. Here we introduced a novel quantitative network-based approach able to fully exploit the highly resolved databases of cattle trade movements and outbreak reports to yield estimates of the vulnerability of a cattle market to brucellosis. Tested on the affected regions, the introduced vulnerability indicator was shown to be accurate in predicting the number of bovine brucellosis outbreaks, thus confirming the suitability of our tool for epidemic risk assessment. We evaluated the dependence of regional vulnerability to brucellosis on a set of factors including premises spatial distribution, trading patterns, farming practices, herd market value, compliance to outbreak regulations, and exploring different epidemiological conditions. Animal trade movements were identified as a major route for brucellosis spread between farms, with an additional potential risk attributed to the use of shared pastures. By comparing the vulnerability of disease-free regions in the north to affected regions in the south, we found that more intense trade and higher market value of the cattle sector in the north, likely inducing more efficient biosafety measures, together with poor compliance to trade restrictions following outbreaks in the south were key factors explaining the diverse success in eradicating brucellosis. Our modeling scheme is both synthetic and effective in gauging regional vulnerability to brucellosis persistence. Its general formulation makes it adaptable to other diseases and host species, providing a useful tool for veterinary epidemiology and policy assessment.

School closure is often considered as an option to mitigate influenza epidemics because of its potential to reduce transmission in children and then in the community. The policy is still however highly debated because of controversial evidence. Moreover, the specific mechanisms leading to mitigation are not clearly identified. We introduced a stochastic spatial age-specific metapopulation model to assess the role of holiday-associated behavioral changes and how they affect seasonal influenza dynamics. The model is applied to Belgium, parameterized with country-specific data on social mixing and travel, and calibrated to the 2008/2009 influenza season. It includes behavioral changes occurring during weekend vs. weekday, and holiday vs. school-term. Several experimental scenarios are explored to identify the relevant social and behavioral mechanisms. Stochastic numerical simulations show that holidays considerably delay the peak of the season and mitigate its impact. Changes in mixing patterns are responsible for the observed effects, whereas changes in travel behavior do not alter the epidemic. Weekends are important in slowing down the season by periodically dampening transmission. Christmas holidays have the largest impact on the epidemic, however later school breaks may help in reducing the epidemic size, stressing the importance of considering the full calendar. An extension of the Christmas holiday of one week may further mitigate the epidemic. Changes in the way individuals establish contacts during holidays are the key ingredient explaining the mitigating effect of regular school closure. Our findings highlight the need to quantify these changes in different demographic and epidemic contexts in order to provide accurate and reliable evaluations of closure effectiveness. They also suggest strategic policies in the distribution of holiday periods to minimize the epidemic impact.

Seasonal waves of influenza display a complex spatiotemporal pattern resulting from the interplay of biological, socio-demographic, and environmental factors. At country level many studies characterized the robust properties of annual epidemics, depicting a typical season. Here we analyzed season-by-season variability, introducing a clustering approach to assess the deviations from typical spreading patterns. The classification is performed on the similarity of temporal configurations of onset and peak times of regional epidemics, based on influenza-like-illness time-series in France from 1984 to 2014. We observed a larger variability in the onset compared to the peak. Two relevant classes of clusters emerge: groups of seasons sharing similar recurrent spreading patterns (clustered seasons) and single seasons displaying unique patterns (monoids). Recurrent patterns exhibit a more pronounced spatial signature than unique patterns. We assessed how seasons shift between these classes from onset to peak depending on epidemiological, environmental, and socio-demographic variables. We found that the spatial dynamics of influenza and its association with commuting, previously observed as a general property of French influenza epidemics, applies only to seasons exhibiting recurrent patterns. The proposed methodology is successful in providing new insights on influenza spread and can be applied to incidence time-series of different countries and different diseases.

Bovine Viral Diarrhea (BVD) is a viral disease that affects cattle and that is endemic to many European countries. It has a markedly negative impact on the economy, through reduced milk production, abortions, and a shorter lifespan of the infected animals. Cows becoming infected during gestation may give birth to Persistently Infected (PI) calves, which remain highly infective throughout their life, due to the lack of immune response to the virus. As a result, they are the key driver of the persistence of the disease both at herd scale, and at the national level. In the latter case, the trade-driven movements of PIs, or gestating cows carrying PIs, are responsible for the spatial dispersion of BVD. Past modeling approaches to BVD transmission have either focused on within-herd or between-herd transmission. A comprehensive portrayal, however, targeting both the generation of PIs within a herd, and their displacement throughout the Country due to trade transactions, is still missing. We overcome this by designing a multiscale metapopulation model of the spatial transmission of BVD, accounting for both within-herd infection dynamics, and its spatial dispersion. We focus on Italy, a country where BVD is endemic and seroprevalence is very high. By integrating simple within-herd dynamics of PI generation, and the highly-resolved cattle movement dataset available, our model requires minimal arbitrary assumptions on its parameterization. Notwithstanding, it accurately captures the dynamics of the BVD epidemic, as demonstrated by the comparison with available prevalence data. We use our model to study the role of the different productive realities of the Italian market, and test possible intervention strategies aimed at prevalence reduction. We find that dairy farms are the main drivers of BVD persistence in Italy, and any control strategy targeting these farms would lead to significantly higher prevalence reduction, with respect to targeting other production compartments. Our multiscale metapopulation model is a simple yet effective tool for studying BVD dispersion and persistence at country level, and is a good instrument for testing targeted strategies aimed at the containment or elimination of this disease. Furthermore, it can readily be applied to any national market for which cattle movement data is available.