Acetaminophen

科学防控，正确认识 基孔肯雅热 兰卫科普 引言 基孔肯雅病毒（CHIKV）首先于1952年在坦桑尼亚联合共和国被发现，随后在非洲和亚洲其他国家发现。1967年在泰国及1970年代在印度首次记录了城市中的疾病暴发。自2004年以来，基孔肯雅病毒的暴发变得更加频繁和广泛，现在亚洲、非洲、欧洲和美洲110多个国家已发现基孔肯雅病毒。 2008年以来，我国至少有16个省、直辖市、自治区（广东、北京、福建、云南、山东、山西、上海、四川、浙江、河南、湖北、湖南、重庆、天津、贵州等）以及台湾地区、香港和澳门特别行政区均发生过基孔肯雅热输入性病例，大多来源于东南亚和南亚地区，也有来自非洲的输入性病例。在疫情发生时期，日常接触、咳嗽、打喷嚏不会传播病毒，主要通过媒介蚊叮咬传播，且多数症状较轻，只要增强防范意识就能有效切断传播途径，控制传染源。 下面就带大家深度了解基孔肯雅热： 基孔肯雅热是由基孔肯雅病毒引起，该病毒属于披膜病毒科甲病毒属，病毒颗粒呈球形有包膜，直径60-70nm，只有1个血清型。病毒基因组为单股正链RNA，全长约11.8kb，内含单一可读框依次编码4种非结构蛋白和5种结构蛋白。CHIKV表面糖蛋白E1和E2形成异二聚体，它们具有红细胞吸附活性，含有中和性抗原表位。基孔肯雅病毒对热敏感，56℃温度下30分钟可灭活；不耐酸，70%乙醇、1%次氯酸钠、脂溶剂、过氧乙酸、甲醛、戊二醛、酚类、碘伏和季铵盐化合物等消毒剂及紫外照射可灭活。 一、流行病学特征   1 传染源 患者、隐性感染者、带病毒的非人灵长类动物。   2 传播途径 在我国传播媒介主要为白纹伊蚊和埃及伊蚊。伊蚊在叮咬病毒血症期的人或动物后，病毒在蚊虫体内繁殖并到达唾液腺内增殖，经2至10天的外潜伏期（外潜伏期：病毒在蚊体内繁殖至具有传染性所需的时间）再传播。 图1：白蚊、伊蚊是基孔肯雅热主要传播媒介之一   3 易感人群 围产期感染的新生儿、年龄超过65周岁老年人、 患有高血压、糖尿病或心脏病等基础疾病的患者。   4 传染期 大多数患者在发病当天至发病后7天内具有传染性。患者被带毒蚊虫叮咬后 3-7 天后，开始出现症状，常见为突然发热和关节疼痛，剧烈的关节疼痛可导致行动困难。主要涉及手腕和踝趾等小关节，也可涉及膝和肩等大关节。还包括头痛、肌肉疼痛、关节肿胀、皮疹、恶心呕吐、疲倦等，偶有引发眼部、心脏及神经系统并发症。多数患者一周内会好转，部分病例关节疼痛的症状可能会持续数月甚至数年。 图2：基孔肯雅热临床症状 二、实验室检查 实验室检测是确诊基孔肯雅热的关键，主要包括以下项目及意义： 表1：基孔肯雅热实验室检测标本要求   1 一般检查 血常规检查白细胞计数多为正常，少数患者白细胞总数及淋巴细胞减少、血小板轻度降低。 生化检查部分患者血清丙酸氨基转移酶（血清ALT）、谷草转氨酶（AST）、肌酸激酶（CK）升高。 脑脊液检查脑膜脑炎患者脑脊液检查符合病毒性损伤的改变。   2 血清学检查 血清特异性IgM抗体： 采用ELISA、免疫层析等方法检测，捕获法检测IgM抗体的结果较为可靠。一般情况下，发病后第1天出现IgM抗体，第5天多数患者呈阳性。是辅助诊断基孔肯雅热急性期或近期感染的重要指标。 血清特异性IgG抗体： 采用ELISA、免疫荧光抗体测定（IFA）、免疫层析等方法检测。一般情况下，发病后第2天出现IgG抗体，第5天多数患者呈阳性。患者恢复期血清IgG抗体阳转或滴度较急性期呈4倍及以上升高可以确诊。   3 病原学检查 核酸检测： 采用RT-PCR和Real-timePCR等核酸扩增方法检测。一般发病后4天内在多数患者的血清中可检测到病毒核酸，用于早期诊断。 病毒分离培养： 采集发病2天内患者血清标本病毒培养分离率较高，将其接种至哺乳动物细胞(Vero、BHK21)等敏感细胞进行病毒分离与培养。 表2：基孔肯雅热实验室结果临床解读 三、如何治疗基孔肯雅热？ 目前，尚无特异性治疗药物，临床主要采取支持性治疗。 充分休息、补充液体以及服用非处方止痛药，如：对乙酰氨基酚可缓解部分症状。在排除登革热、寨卡病毒感染之前，勿服用阿司匹林或其他非甾体抗炎药。需要注意的是：基孔肯雅热与登革热、寨卡病毒从传染源、传播途径、传染期、易感人群等各方面都及其相似，需加以鉴别以防误诊。 四、如何控制基孔肯雅病毒传播？ 1、控制传染源 尽量就地治疗，以减少传播机会。患者在病毒血症期间，应予以防蚊隔离。隔离期为发病后5天。发现疑似和确诊病例应及时上报。 2、切断传播途径 病室中应有蚊帐、纱窗、纱门等防蚊设备。消灭蚊虫和清除蚊虫孳生地。 3、保护易感人群 目前尚无可供使用的疫苗。主要采取个人防蚊措施。  8月底，南京兰卫医学检验所有限公司以满分通过国家基孔肯雅热检测室间质评测试，并获得室间质评证书。这一成绩充分体现了其在病毒检测领域的高标准与硬实力。 图3：南京兰卫医学检验所有限公司基孔肯雅热检测室间质评证书 参考文献  [1]马素霞，郑晓燕，阴赪宏.基孔肯雅热．《中国人兽共患病学报》，2008. [2]刘春芳，司菡，陆家海等.基孔肯雅热的流行现况及其防治对策.《热带医学杂志》，2009. [3]基孔肯雅热诊疗方案（2025年版）. [4]冯云，张海林.中国基孔肯雅热流行病学和病原生物学研究进展.中国热带医学.2025，25(5):582-587. 本文由 南京兰卫 张晓媛 提供

你是否想过，基于知识图谱的知识发现模型不仅能告诉你“答案”，还能解释“为什么”？ 设想一下，当 AI 系统预测“某种药物可能治疗某种疾病”时，它不仅给出结果，还能同时展示背后的逻辑路径——涉及的分子、关系和机制。这听起来像是科研人员梦寐以求的“透明 AI”，但在实际中，却是一道长期悬而未解的难题。 最近，来自于湖南大学、亚马逊AWS和佐治亚理工的团队在ICLR 2025 接收的一项新研究——KGExplainer，正是在这一背景下提出。它为知识图谱推理带来了一种全新的可解释性框架，让 AI 的推理过程不再是黑箱，而是变成可以被追溯、可供验证的推理链条。 论文标题：Towards Synergistic Path-based Explanations for Knowledge Graph Completion: Exploration and Evaluation论文链接：https://openreview.net/pdf?id=WQvkqarwXi代码链接：https://github.com/xiaomingaaa/KGExplainer 1. 研究背景 知识图谱（Knowledge Graph, KG）已经成为人工智能的重要基石，广泛应用于推荐系统、问答系统、药物发现等领域。它通过实体与关系构建复杂的网络，帮助模型在大规模数据中进行推理与预测。然而，现有的 KG 推理方法往往只能给出一个“结果”，却难以解释推理过程。这种“黑箱预测”在实际落地时面临巨大挑战，尤其是在医疗、金融等高风险场景中，用户和研究人员需要知道“为什么模型得出了这样的结论”。当前面向知识图谱推理方法的可解释性研究主要使用发现离散的事实或者推理路径来去解释预测结果，往往存在解释事实不完整的情况。一个直观的例子能够帮助我们理解。比如，为什么两家公司会被预测为竞争关系？或者，为什么两种药物会产生不良反应？这类问题的答案往往隐藏在复杂的网络路径之中。图 1 给出了两个典型场景：左侧通过多条关系路径解释了Alibaba与JD.com 的竞争关系，右侧则展示了 华法林与对乙酰氨基酚 之间不良反应的形成机制。 图1：(a) 多条可解释路径（蓝色）揭示了 Alibaba 与 JD.com 之间的竞争关系；(b) 在 华法林与对乙酰氨基酚共同使用时，多个代谢途径的协同作用导致不良反应的发生，从而解释了药物相互作用的机制。 由上述案例可知，在复杂推理场景下单条路径比较难给出合理解释，因此，KGExplainer提出一个探索多条协同路径的方法解释复杂的推理问题，如药物发现等。 2. KGExplainer方法 KGExplainer 的核心贡献在于：通过探索并评估协同的多条解释路径，使知识图谱的预测过程既可解释又可靠。 1. 选择与路径探索：模型首先在大规模知识图谱中自动抽取与目标三元组相关的子图，并利用贪心搜索逐步挖掘潜在的推理路径。 2. 多路径协同解释：相比于单一路径，KGExplainer 强调多条路径的互补与协同作用，以更全面的方式揭示源实体与目标实体之间的推理逻辑。 3. 评估与筛选：通过蒸馏预训练的知识图谱嵌入模型，KGExplainer 构建了一个解释评估器，用于对候选路径进行量化打分，筛选出最具可信度的解释。 4. 无关性与可验证性：该框架可适配不同的知识图谱推理模型，并能将最终的多路径解释以可视化形式呈现，既便于理解，又能为科研应用提供可验证的依据。 图2：KGExplainer 框架包含三个主要模块：(a) 在目标知识图谱上预训练嵌入模型；(b) 通过贪心搜索探索协同的多条推理路径，以生成可解释的预测依据；(c) 基于预训练模型蒸馏出解释评估器，对候选路径进行量化打分，从而筛选出最具可信度的解释。 3. 结果 （1）可信性评估 表1：KGExplainer在知识推理上的可信性评估 可解释性模型的目标是准确刻画目标模型的局部决策结构。对于知识图谱嵌入（KGE），KGExplainer 能有效复现其推理行为。实验结果显示，KGExplainer 在知识图谱补全上的性能与目标模型接近，例如 KGExp-TransE 与 TransE 表现相当，而基于 RotatE 的 KGExp-RotatE 则在预测精度和路径恢复方面均达到最佳。这表明 KGExplainer 不仅忠实于目标模型，还能通过蒸馏的解释评估器过滤噪声，提升稳健性与泛化能力，从而生成更可信的解释。 （2）可解释性评估 表2：KGExplainer的可解释性评估结果 评估解释质量的核心在于客观衡量其可信度。由于难以获得真实的“标准解释”，KGExplainer 通过蒸馏评估器并设计了 F1@1 与 Recall@1 两个指标来量化解释的可靠性。实验结果（见表 2 和表 3）显示，在三个常用数据集上，KGExplainer 相比基线方法显著提升了解释性能：在 OGB-biokg 数据集上，F1@1 和 Recall@1 分别提升了 16.92% 和 12.08%；在 Family-rr 数据集上，分别提高 7.74% 和 4.77%；在 FB15k-237 数据集上，提升幅度为 13.54% 和 4.19%。这些结果表明，KGExplainer 能够生成更加可信和有效的解释。此外，进一步的对比分析表明：与子图级方法（如 CRIAGE 和 Kelpie）相比，KGExplainer 的路径级方法在解释质量上更具优势；同时，相较于基于路径的现有方法（如 DRUM、ELEP、PaGE-link），KGExplainer 通过协同路径探索与评估机制，实现了更高的解释精度与稳健性。 （3）人类评估 为了进一步验证解释的可理解性，我们设计了人工评估实验。从 Family-rr 测试集中随机抽取 20 个预测链接，并分别利用子图方法（Kelpie）、路径方法（DRUM 和 PaGE-Link）以及 KGExplainer 生成对应解释。随后，我们将预测事实及四种解释以节点和边类型信息的形式展示给评估者（不标注具体方法名称），并设计单选题，请受试者选择“哪一种解释最能说明模型为什么预测该关系”。本次调查覆盖了硕士生、博士生及教授群体，参与者既包含具备知识图谱背景的人，也有非专业背景人员。最终共收集 78 份答卷，其中 83.3%（65/78） 的受试者选择了 KGExplainer 给出的解释。这表明，相比其他方法，KGExplainer 在生成更贴近人类理解的解释方面表现更优。 图3：不同方法（Kelpie、DRUM、PaGE-Link 和 KGExplainer）对事实三元组 ⟨id:2, isFather, id:5⟩ 的解释结果对比。蓝色路径表示模型挖掘出的可解释推理链条，红色虚线为待验证的预测关系。相比其他方法，KGExplainer 能够提供更完整且合理的多路径解释。 结语 解释性是人工智能走向可信与落地应用的关键一步。KGExplainer 的价值在于，它不仅仅解决了“AI能不能预测”的问题，更回答了“AI凭什么这样预测”。对于读者来说，这不仅是一项学术上的突破，也是一种未来感的提示：也许有一天，我们会像信赖医生的诊断一样，去信赖 AI 给出的答案与解释。 参考资料：[1] Ma, Tengfei, et al. "Towards synergistic path-based explanations for knowledge graph completion: Exploration and evaluation." The Thirteenth International Conference on Learning Representations. 2025.[2] https://github.com/xiaomingaaa/KGExplainer