Optimising the surveillance of zoonotic viral diseases using a macroecological approach

Emerging infectious diseases are increasing in frequency and impact, with nearly all recent pandemics having zoonotic origin from wildlife. While surveillance traditionally focuses on pathogens with known implications for human health and activities, the broader pool of viruses circulating in wild mammals remains largely undescribed. These viruses represent a potential source of zoonotic hazard, defined as the presence of pathogens in wildlife with the potential to infect humans. Anticipating future spillovers requires identifying hotspots of zoonotic hazard, the mammalian groups that are most likely to harbour undiscovered viruses, and how ecological and anthropogenic processes shape cross-species transmission. The overarching aim of this PhD was to develop and apply modelling approaches to quantify the hazard posed by known and unknown mammalian viruses at the global scale. A central motivation was to address the biases inherent to host–virus data and to integrate ecological, evolutionary, and environmental perspectives into predictive models. By combining macroecological frameworks with methodological advances in machine learning, the thesis seeks to provide a set of tools and insights that support surveillance, risk assessment, and preparedness under a One Health lens. In the first research objective, I examined eco-evolutionary patterns of host–virus associations across mammals. Using comparative analyses, I identified life-history and ecological traits linked to susceptibility to different viral groups. Both ends of the life-history continuum were linked to viral susceptibility, albeit in different ways. Fast-living mammals, such as rodents, were associated with fast-evolving RNA viruses, where high reproductive rates and dense populations could create favourable conditions for rapid viral turnover. Conversely, slow-living species, including primates and carnivores, were more often linked to viruses that cause chronic or persistent infections, such as retroviruses and dsDNA viruses. These findings suggest that patterns of virus-host compatibility emerge from the interplay of species traits, evolutionary history, and viral traits. However modelling host-virus associations is challenging due to gaps and biases in available data. Records are strongly biased toward a narrow set of wildlife species and viruses, while most mammal–virus associations remain untested. In the second research objective, I developed a modelling framework with the aim to mitigate knowledge biases in host-pathogen associations. By generating pseudo-negative data—species not known to be positive but likely to have been sampled—the modelling framework aimed at reducing noise in input data, improving the performance of host prediction models. The framework incorporated weighting schemes to represent uncertainty in the data, allowing models to distinguish between well-supported and poorly supported host associations. I deployed this framework on betacoronaviruses, one of the viral groups with highest zoonotic potential (responsible for the COVID-19 pandemic). Tested across multiple machine-learning classifiers, this approach improved prediction accuracy and produced more robust results, which were tested on out-of-sample host-virus records (for example, average AUC with pseudo-negatives = 0.85, compared to average AUC without pseudo-negatives = 0.76). The third research objective was built under the modelling framework developed in Objective 2, and was applied to the prediction of seven viral groups prioritised by the World Health Organization, including betacoronaviruses, ebolaviruses and marburgviruses, henipaviruses, flaviviruses, orthonairoviruses, phleboviruses, and mammarenaviruses. The analyses revealed that current knowledge of mammalian host ranges is potentially severely underestimated. For most viral groups, the number of predicted hosts was several times higher than the number of known hosts, suggesting that surveillance has captured only a fraction of the mammalian hosts of the selected viral groups. True insectivores (order Eulipotyphla) emerged as a particularly undersampled group, despite mounting evidence that they host diverse and poorly studied viruses. Recent discoveries of novel henipa-like viruses in shrews underscore the importance of filling this gap. The spatial distribution of known and predicted hosts provided a picture of where mammalian viral hazard is concentrated according to models’ predictions. Consistent hotspots emerged in Sub-Saharan Africa, Southeast Asia, and parts of Latin America. Sub-Saharan Africa stood out as a neglected region: about 61% of its landmass was predicted to fall within at least one viral hazard hotspot, accounting for one third of the global total. Yet virological sampling remains disproportionately low in these areas, suggesting that the region could be an overlooked source of viral diversity. When combined with data on land-use change and human population growth, these hazard hotspots often coincided with regions undergoing rapid environmental transformation, raising concerns about increased opportunities for spillover. However, viral hazard is not static and can be reshaped by altered host distribution as it is the case when alien species are introduced to new ecosystems. In the fourth research objective, I focused on the role of alien mammals in reshaping host–virus networks. Using trait- and phylogeny-informed models of viral sharing, I predicted potential cross-species transmission between alien and native species. Results indicated that evolutionary relatedness was the strongest predictor of viral sharing between alien and native mammals, followed by trait and foraging similarities and habitat overlap. Well studied, generalist species such as the American raccoon (Procyon lotor), the Asian house rat (Rattus tanezumi), the European rabbit (Oryctolagus cuniculus) and the American mink (Neogale vison), accounted for a large portion of viral sharing events across different biogeographic realms. These findings demonstrate how biological invasions, while rarely considered in risk assessments for human and animal health, may alter viral sharing networks of local communities and generate new pathways for emergence. Taken together, the results presented in this PhD thesis show that current knowledge of zoonotic hazard is unevenly distributed across mammalian taxa and geography, and that it is consistently underestimated due to biased and incomplete data. Rodents and bats remain central to viral emergence, but neglected groups such as Eulipotyphla (insectivore mammals) may host substantial undiscovered viral diversity. Hazard hotspots are concentrated in tropical regions, particularly Sub-Saharan Africa, where limited sampling capacity coincides with high human pressures. Alien species introductions further complicate this picture by creating new viral sharing opportunities in temperate regions. This thesis emphasises the importance of analytical tools to support viral surveillance and risk assessments. By explicitly accounting for biases and uncertainty, predictive models have the potential to become more effective at pinpointing research priorities and gaps. While models cannot replace field discovery or laboratory characterisation, they can guide the allocation of limited resources by identifying priority hosts and regions for zoonotic surveillance. This approach complements emerging initiatives such as the WHO Pandemic Agreement and the One Health Joint Plan of Action, both of which call for anticipatory strategies that address the upstream drivers of emergence. The broader implications of this work consist in advancing our understanding of the ecological and evolutionary patterns that shape the mammalian virome, while providing methodological novelties for host–virus associations modelling. Practically, it supports the integration of macroecological insights into One Health strategies, highlighting where monitoring could most effectively reduce the potential risk of zoonotic viral emergence. The thesis contributes to the growing recognition that pandemic prevention should extend beyond reactive post-emergence approaches and into the ecological systems where new pathogens arise.

Le malattie infettive emergenti sono in aumento e hanno un impatto sempre maggiore sull’uomo; molte pandemie recenti hanno avuto origine da zoonosi trasmesse da animali selvatici. Sebbene la sorveglianza si concentri tradizionalmente su patogeni già noti per la loro rilevanza per la salute e le attività umane, l’ampio insieme di virus che circolano nei mammiferi selvatici rimane in gran parte sconosciuto. Questi virus rappresentano una potenziale fonte di hazard zoonotico, definito come la presenza di patogeni nella fauna selvatica che hanno la capacità di infettare l’uomo. Anticipare futuri spillover (salti di specie) dagli animali selvatici all’uomo richiede l’identificazione delle aree geografiche più esposte al rischio, dei gruppi di mammiferi più propensi a ospitare virus ancora sconosciuti, e la comprensione di come i processi ecologici e antropici influenzino la trasmissione tra specie. L’obiettivo principale di questo dottorato è stato sviluppare e applicare approcci di modellizzazione per quantificare il rischio rappresentato da virus noti e sconosciuti dei mammiferi a scala globale. Un aspetto centrale è stato affrontare i bias insiti nei dati di associazioni ospite–virus e integrare prospettive ecologiche, evolutive e ambientali nei modelli predittivi. Nel primo obiettivo di ricerca, ho analizzato i pattern eco-evolutivi delle associazioni mammifero–virus. Attraverso analisi comparative, ho identificato tratti ecologici e di life-history associati alla suscettibilità dei mammiferi a diversi gruppi virali. Entrambi gli estremi del continuum di life-history sono risultati collegati alla suscettibilità virale, sebbene in modi differenti. Mammiferi fast-lived, come i roditori, sono risultati associati a virus a RNA, che si evolvono rapidamente, in cui alti tassi riproduttivi e densità di popolazione favoriscono un rapido ricambio virale. Al contrario, specie slow-lived, come primati e carnivori, erano più spesso legate a virus che causano infezioni croniche o persistenti, come retrovirus e virus a dsDNA. Questi risultati suggeriscono che i pattern di compatibilità ospite–virus dipendono dall’interazione tra i tratti delle specie ospite e le caratteristiche dei virus. Tuttavia, modellizzare tali associazioni è complesso a causa delle lacune e dei bias nei dati disponibili, fortemente concentrati su poche specie selvatiche e su un numero limitato di virus, mentre la maggior parte delle possibili associazioni rimane inesplorata. Nel secondo obiettivo, ho sviluppato un framework di modellizzazione volto a ridurre i bias di conoscenza nelle associazioni ospite–patogeno. Generando associazioni “pseudo-negative” — specie non note come positive ma probabilmente campionate — il modello mirava a ridurre fattori confondenti nei dati di input e migliorare l’affidabilità delle predizioni. Il framework include schemi di pesatura per rappresentare l’incertezza nei dati, consentendo ai modelli di distinguere tra associazioni ben supportate e poco supportate. Ho applicato questo approccio ai betacoronavirus, uno dei gruppi virali con il più alto potenziale zoonotico (cui appartiene il virus SARS-CoV-2, responsabile della pandemia di COVID-19). Il terzo obiettivo di ricerca è consistito nell’applicazione del framework sviluppato nel capitolo precedente alla predizione di sette gruppi virali prioritari secondo l’Organizzazione Mondiale della Sanità: betacoronavirus, ebolavirus e marburgvirus, henipavirus, flavivirus, orthonairovirus, phlebovirus e mammarenavirus. I risultati hanno mostrato che la conoscenza attuale dei possibili ospiti mammiferi di questi gruppi virali è fortemente sottostimata. Per la maggior parte dei gruppi virali il numero di ospiti predetti era diverse volte superiore al numero di ospiti noti, suggerendo che la sorveglianza ha catturato solo una frazione del quadro reale di rischio. L’ordine Eulipotyphla è emerso come gruppo particolarmente sottocampionato, a fronte di un alto numero di ospiti predetti. I maggiori hotspot di hazard virale sono risultati essere l’Africa subsahariana, il Sud-est asiatico e parte dell’America Latina. Queste aree, soggette anche a rapidi cambiamenti ambientali e demografici, rappresentano potenziali punti critici per la mitigazione del rischio di spillover. Nel quarto obiettivo, mi sono concentrato sull’analizzare come l’introduzione di mammiferi alieni possa alterare i network di sharing virale. Utilizzando modelli basati su tratti e filogenesi, ho predetto la potenziale trasmissione interspecifica tra specie aliene e native. I risultati hanno indicato che la similarità filogenetica è il principale predittore della condivisione di virus tra mammiferi alieni e nativi, seguita da similarità nei tratti ecologici, nelle abitudini alimentari e nella sovrapposizione di habitat. Specie generaliste e ben studiate come il procione americano (Procyon lotor), il ratto delle case orientale (Rattus tanezumi), il coniglio europeo (Oryctolagus cuniculus) e il visone americano (Neogale vison) sono risultati associati ad una quota consistente di eventi di sharing virale. Questi risultati dimostrano come le invasioni biologiche, raramente considerate nelle valutazioni di rischio per la salute umana e animale, possano generare nuove vie di emergenza di patogeni. Nel complesso, i risultati di questa tesi mostrano che la conoscenza attuale del rischio zoonotico è distribuita in modo disomogeneo tra i taxa di mammiferi e le regioni del mondo. Inoltre, dati incompleti e distorti rischiano di portare a delle sottostime del rischio. Roditori e pipistrelli restano centrali nell’emergenza virale (anche per via della loro alta ricchezza di specie), ma gruppi trascurati come gli insettivori (Eulipotyphla) potrebbero ospitare un’elevata diversità virale ancora sconosciuta. Gli hotspot di rischio si concentrano nelle regioni tropicali — in particolare nell’Africa subsahariana — dove la capacità di sorveglianza è limitata e l’impatto antropogenico sull’ambiente è forte. L’introduzione di specie aliene aggiunge ulteriore complessità a questo quadro, creando nuove opportunità di trasmissione virale in diverse zone del mondo. Questa tesi sottolinea l’importanza di utilizzare strumenti analitici per supportare la sorveglianza di virus nella fauna selvatica e per la valutazione del rischio zoonotico. Tenendo conto esplicitamente dei bias e dell’incertezza, i modelli predittivi possono diventare strumenti più efficaci per individuare priorità e gap di ricerca. Gli approcci sviluppati in questa tesi mirano a supportare iniziative transdisciplinari come il Pandemic Agreement dell’OMS e il One Health Joint Plan of Action, che promuovono strategie proattive per affrontare i fattori di rischio legati all’emergenza di malattie zoonotiche. Le implicazioni più ampie di questo lavoro consistono nel contribuire alla comprensione dei pattern ecologici ed evolutivi che determinano la distribuzione della diversità virale nei mammiferi, offrendo al contempo innovazioni metodologiche per la modellizzazione delle associazioni ospite–virus. In termini pratici, il progetto sostiene l’integrazione delle prospettive macroecologiche nelle strategie One Health. La tesi contribuisce infine alla crescente consapevolezza che la prevenzione del rischio pandemico deve andare oltre gli approcci reattivi post-emergenza, considerando la complessità dei sistemi ecologici in cui nuovi patogeni possono emergere.