2014-2016年我国三峡地区细菌性痢疾发病时空特征分析
  疾病监测  2018, Vol. 33 Issue (3): 229-234

扩展功能

文章信息

张平, 张静
Zhang Ping, Zhang Jing
2014-2016年我国三峡地区细菌性痢疾发病时空特征分析
Spatial-temporal analysis on bacillary dysentery incidence in three gorges area of China, 2014-2016
疾病监测, 2018, 33(3): 229-234
Disease Surveillance, 2018, 33(3): 229-234
10.3784/j.issn.1003-9961.2018.03.015

文章历史

收稿日期:2017-10-26
2014-2016年我国三峡地区细菌性痢疾发病时空特征分析
张平, 张静     
中国疾病预防控制中心传染病预防控制处, 北京 102206
摘要目的 了解我国三峡地区2014-2016年细菌性痢疾(菌痢)发病的时空分布特征,为影响因素分析和防控提供依据。方法 2014-2016年三峡地区菌痢报告病例数据和菌痢突发事件资料分别来源于"传染病报告信息管理系统"和"突发公共卫生事件报告管理系统",采用GeoDa 1.8.16.4软件进行全局和局部空间自相关分析,SaTScan 9.4软件进行时空扫描统计分析,利用ArcGIS 10.3实现结果三维可视化。结果 2014-2016年,三峡地区菌痢报告发病率依次为24.00/10万、22.14/10万和20.84/10万,呈下降趋势。仅重庆市城口县报告一起菌痢暴发疫情,罹患率为5.36%(70/1 305)。全局空间自相关表明,三峡地区菌痢报告发病率整体上具有空间自相关性(Moran's I依次为0.194、0.227和0.482,P=0.001);局部空间自相关显示,2014-2016年菌痢发病热点县(区)个数分别为2、5和8个;冷点县(区)范围变化不大,依次为6、6和8个。逐年时空扫描分析发现,一类聚集区的聚集时间为每年的5-10月,且位置较稳定,均覆盖重庆西南部的渝中、大渡口、江北、沙坪坝、九龙坡、南岸、北碚、渝北、巴南和长寿共10个县(区),此外2014年和2015年还包含璧山区,2016年包含合川区;2014-2016年依次有4、3和5个二类聚集区,持续存在的是重庆市东北部的城口县和宜昌市中部的西陵区和伍家岗区。结论 三峡地区菌痢报告发病率在县(区)水平上存在时空聚集性,重庆市主城区及其周边县(区)为高发聚集区,空间分析方法可以较好地应用于菌痢的时空聚集性分析,为菌痢防控提供参考依据。
关键词细菌性痢疾    空间自相关    时空扫描    三峡地区    
Spatial-temporal analysis on bacillary dysentery incidence in three gorges area of China, 2014-2016
Zhang Ping, Zhang Jing     
Division of Infectious Disease, Chinese Center for Disease Control and Prevention, Beijing 102206, China
This study was funded by the Ecological and Environmental Surveillance System Project for the Three Gorges Project(No. JJ2015-007)
Corresponding author: Zhang Jing, Email:zhangjing@chinacdc.cn.
Abstract: Objective To investigate the spatial and temporal distribution of bacillary dysentery in the three gorges area from 2014 to 2016, and provide evidence for both further investigation of risk factors and interventions. Methods The incidence and outbreak data of bacillary dysentery in the three gorges area from 2014 to 2016 were obtained from National Notifiable Infectious Disease Reporting System and National Public Health Emergency Reporting Information System. The spatial autocorrelation analysis and spatial-temporal scan statistic were conducted by using software GeoDa1.8.16.4 and SaTScan 9.4 respectively. The results were visualized by using software ArcGIS 10.3. Results The reported annual incidences of bacillary dysentery in the three gorges area from 2014 to 2016 were 24.00/100 000, 22.14/100 000 and 20.84/100 000 respectively, showing a decrease trend. Only 1 bacillary dysentery outbreak was reported in Chengkou county in the northeast of Chongqing and the attack rate was 5.36%(70/1 305). Global spatial autocorrelation indicated that there was a spatial clustering in the incidence of bacillary dysentery(In turn, Moran's I coefficient is 0.194, 0.227, 0.482, and P=0.001). Local spatial autocorrelation showed that the number of hot spot areas was 2, 5 and 8 during 2014-2016 respectively. The number of cold spot areas had slight change, which was 6, 6 and 8 during 2014-2016 respectively. Spatial-temporal scan statistic analysis found that the clustering period was during May-October in class Ⅰ cluster areas steadily found in southwest Chongqing, including Yuzhong, Dadukou, Jiangbei, Shapingba, Jiulongpo, Nanan, Beibei, Yubei, Banan districts and Changshou county. Bishan county was included in 2014 and 2015, and Hechuan district was included in 2016. A total of 4, 3 and 5 class Ⅱ cluster areas were found from 2014 to 2016 respectively, including Chengkou county of Chongqing, Xiling and Wujiagang districts of central Yichang all the time. Conclusion The incidence of bacillary dysentery had spatial and temporal clustering at county level in the three gorges area, and the areas with high incidences were the urban area of Chongqing and its surrounding counties. Spatial statistical analysis is suitable for the analysis of the spatial and temporal clusters of bacillary dysentery and can provide useful information for the disease prevention and control in the future.
Key words: Bacillary dysentery     Spatial autocorrelation     Spatial-temporal scan     Three gorges area    

三峡水电站位于重庆市到湖北宜昌市之间的长江干流上,蓄水形成的三峡库区范围涉及重庆市、湖北省宜昌市和恩施土家族苗族自治州,细菌性痢疾(菌痢)作为发病率较高的乙类传染病,是三峡地区重点监测和防控的传染病之一。地理信息系统(geographic information system,GIS)和空间统计方法在菌痢聚集性研究领域的应用表明,菌痢病例分布存在明显空间异质性[1-2]。由于菌痢监测中存在患者症状轻型化、非典型化和被动监测系统不完善等问题[3-4],需主动探测菌痢的高发聚集区,以掌握菌痢的时空分布规律,使得防控工作更有针对性。本研究引入空间统计方法对三峡地区的菌痢进行时空特征分析,对指导当地菌痢防控工作具有重要现实意义。

1 资料与方法 1.1 地域范围

本研究中的三峡地区指三峡库区所涉及的省、市,包括重庆市全境、湖北省宜昌市和恩施土家族苗族自治州,共计59个县(区)。

1.2 资料来源

按“发病日期”、“现住址”和“已审核” 3个条件,搜集和整理2014年1月1日至2016年12月31日“传染病报告信息管理系统”中三峡地区的菌痢病例数据,剔除不详县市的病例后,分别计算各年度三峡地区59个县(区)的报告发病数和报告发病率,同期菌痢暴发疫情资料从“突发公共卫生事件报告管理系统”获得。人口数据来源于相应年度的《重庆统计年鉴》和《湖北统计年鉴》,三峡地区1:300万比例尺的电子地图由中国疾病预防控制中心(CDC)提供。

1.3 研究方法 1.3.1 空间自相关

空间自相关分析是研究空间某位置观察值与其相邻位置观察值间是否相关及相关程度的一种空间统计方法[5],可用空间自相关系数来度量。全局Moran's I是基于Pearson相关系数的广义空间积差相关系数[6],应用较广,取值范围为[-1, 1],其计算结果可得出3种结论,即正相关(距离越近,相似程度越高,如高高相邻或低低相邻),负相关(相邻区域观测值彼此不同,如低高相邻)和零相关(即随机分布,不表现相关性)[7]。本研究采用Queen contiguity法创建空间权重矩阵。

局部自相关系数(local indicators of spatial autocorrelation,LISA)可以发现数据之间的空间异质性[8],它通过计算每个空间单元与其邻近单元就某一属性的相关程度,检验研究区域内每个空间单元相对于整体范围而言其空间自相关是否足够显著,从而指出研究属性在空间的高高、高低(低高)和低低的分布。本研究利用Geoda软件进行局部空间自相关分析,空间关联模式分为4种:High-High、Low-Low、Low-High和High-Low,其中,High-High和Low-Low表示该县(区)的发病率与周围县(区)的发病率相似,即空间正相关;Low-High和High-Low表示该县(区)的发病率与周围县(区)的发病率相异,即空间负相关。

1.3.2 时空扫描

利用近3年的菌痢发病数据,基于离散型泊松分布模型,应用SaTScan 9.4软件进行以县(区)为空间单位、月为时间单位的时空扫描。该法是在地理坐标基础上建立时空二维圆柱体窗口,圆柱的底圆代表地域范围、高度代表时间长短,圆柱体的位置和高度都在动态变化中[9-10];将扫描窗口内外发病数差异的对数似然比(log likelihood ratio,LLR[11]作为衡量扫描窗口内菌痢发病异常程度的指标,经蒙特卡洛法[9]LLR值进行检验得到P值,当P < 0.05时,认为该扫描窗口内的统计指标与窗口外相比,其相对危险度(relative risk,RR)有统计学意义。参数设置为:无地理区域重叠,30%的潜在风险人口,蒙特卡洛迭代次数为999。扫描所得具有最大LLR值的区域称为一类聚集区,其余的有统计学意义的聚集区域称为二类聚集区。

1.4 统计学分析

采用Excel 2010软件进行数据整理和描述性分析,以“现住地址国标码”为链接字段,将2014-2016年三峡地区以县(区)为单位的发病数据与相应电子地图建立空间关联,构建三峡地区菌痢报告发病率GIS数据库,应用ArcGIS 10.3软件绘制发病率地图并实现分析结果的可视化。利用GeoDa 1.8.16.4软件进行全局和局部空间自相关分析,SaTScan 9.4软件进行时空扫描统计分析,P < 0.05为差异有统计学意义。

2 结果 2.1 基本情况

2014-2016年三峡地区报告菌痢病例共计25 013例,其中临床诊断病例21 048例(占84.15%),确诊病例3 965例(占15.85%);3年间报告发病率依次为24.00/10万、22.14/10万和20.84/10万,年均报告发病率为22.32/10万,呈逐年降低趋势。菌痢全年均有发病,呈明显季节性分布,5- 10月为发病高峰,见图 1。三峡地区各县(区)的报告发病率差异明显,发病率高的地区集中在重庆市西南部的渝中、沙坪坝等主城区以及东北部的城口县和宜昌市中部的西陵、伍家岗等城区,发病率低的地区集中在三峡地区的南部、中部和东北部大部分县(区),见图 2

图 1 2014-2016年三峡地区细菌性痢疾报告病例季节分布 Figure 1 Time distribution of bacillary dysentery cases in three gorges area, 2014-2016
图 2 2014-2016年三峡地区细菌性痢疾发病率地区分布 Figure 2 Area specific incidence of bacillary dysentery in three gorges area, 2014-2016
2.2 暴发疫情特征

2014-2016年三峡地区仅2014年11月发生一起菌痢暴发,疫情波及重庆市城口县庙坝镇2个小学共1 305人,累计报告菌痢病例70例,罹患率为5.36%(70/1 305),实验室确诊病例19例(检出宋内志贺菌),临床诊断病例51例(便常规均可见脓细胞、吞噬细胞),无并发症及死亡病例报告。

2.3 空间自相关分析结果 2.3.1 全局空间自相关

逐年对三峡地区所有县(区)的报告发病率进行全局空间自相关分析,所得的Moran's I指数逐年增大,介于0.194~0.482,且差异均具有统计学意义(P < 0.05),表现为中等程度的空间聚集性,见表 1。结果显示三峡地区菌痢发病在县(区)水平上呈空间正相关性,病例分布并非随机,呈显著的空间聚集性分布。

表 1 2014-2016年三峡地区细菌性痢疾报告发病率全局空间自相关系数 Table 1 Global spatial autocorrelation coefficient of bacillary dysentery incidence in three gorges area, 2014-2016
年份 Moran's I Z P
2014 0.194 3.023 0.001
2015 0.227 3.446 0.001
2016 0.482 6.062 0.001
2.3.2 局部空间自相关

2014-2016年间依次探测到2、5和8个县(区)呈High-High关联模式,即发病“热点”地区;热点县(区)范围有扩大趋势,集中分布在重庆市主城区,由2014年的渝中区和江北区转变为2015年的渝中区、江北区、沙坪坝区、南岸区和巴南区,2016年又增加了九龙坡、北碚和渝北3个区。2014-2016年依次有6、6和8个县(区)呈Low-Low关联模式,即发病“冷点”地区;冷点县(区)范围变化不大,持续存在的有兴山县、利川市、巴东县、奉节县和巫山县。3年均探测到恩施市呈High-Low关联模式,璧山县2016年呈Low-High关联模式,见图 3

图 3 2014-2016年三峡地区细菌性痢疾发病率局部自相关系数聚集县(区)分布 Figure 3 LISA indicated clustering of bacillary dysentery incidence in three gorges area, 2014-2016
2.4 时空扫描分析结果

利用各县(区)的菌痢月发病数进行逐年时空扫描分析,得到分年度的一类和二类聚集区,未扫描到低发区域,见表 2图 4。一类聚集区位于重庆西南部,位置较稳定,均包含11个县(区),聚集时间为每年的5-10月,该区域的菌痢发病风险是相同人口半径、相同时间间隔的扫描窗口的5.73~5.81倍,同时各年度局部空间自相关的热点县(区)均被同年的一类聚集区所覆盖;二类聚集区主要位于重庆市东北部和宜昌市中部,3年间持续存在的二类聚集区为城口县、西陵区和伍家岗区,2014年梁平县和2016年的梁平县和开州区也均为二类聚集区。

表 2 2014-2016年三峡地区细菌性痢疾报告发病率时空扫描分析结果 Table 2 Spatial-temporal scan analysis of bacillary dysentery incidence in three gorges area, 2014-2016
年份 聚集类型 发生时间 覆盖县(区) 实际病例数 期望病例数 LLR RR P
2014 一类 2014年5-10月 渝中、大渡口、江北、沙坪坝、九龙坡、南岸、北锫、渝北、巴南、长寿、璧山 3 385 855.98 2 571.604 5.76 < 0.001
二类1 2014年6—11月 城口 364 26.95 616.972 14.04 < 0.001
二类2 2014年4-9月 西陵、伍家岗 317 64.04 257.710 5.10 < 0.001
二类3 2014年7—10月 梁平 156 66.61 43.815 2.37 < 0.001
其他 2014年6—10月 恩施 105 73.23 6.126 1.44 0.739
2015 一类 2015年5-10月 渝中、大渡口、江北、沙坪坝、九龙坡、南岸、北碚、渝北、巴南、长寿、璧山 3 157 804.71 2 380.055 5.73 < 0.001
二类1 2015年4-9月 城口 269 24.87 399.978 11.14 < 0.001
二类2 2015年4-9月 西陵、伍家岗 297 59.93 241.739 5.10 < 0.001
其他 2015年6-9月 恩施 76 53.30 4.295 1.43 0.997
2016 一类 2016年5-10月 渝中、大渡口、江北、沙坪坝、九龙坡、南岸、北碚、渝北、巴南、长寿、合川 3 234 845.73 2 413.828 5.81 < 0.001
二类1 2016年5-10月 西陵、伍家岗 170 56.94 73.707 3.03 < 0.001
二类2 2016年2-7月 城口 85 23.38 48.349 3.67 < 0.001
二类3 2016年5-8月 梁平 134 58.35 36.130 2.32 < 0.001
二类4 2016年6月 开州 54 25.89 11.642 2.09 0.014
其他 2016年7-9月 恩施 58 37.98 4.561 1.53 0.995
注:聚集类型中“其他”为:存在一定聚集性的县(区),但差异无统计学意义(P>0.05)
图 4 2014-2016年三峡地区细菌性痢疾发病率时空扫描聚集区 Figure 4 Spatial-temporal clusters of bacillary dysentery incidence in three gorges area, 2014-2016
3 讨论

疾病空间聚集性是指某些区域疾病的发生风险显著高于其他区域[12],GIS与空间自相关和时空扫描两种方法联用,可对疾病空间分布特征进行统计分析,从而发现疾病分布规律。时空扫描纳入人口变量,即校正了各地非均匀的人口密度,并通过移动窗口法来探测时、空两维度上的病例聚集性[13],可弥补空间自相关未考虑时间的不足。近3年三峡地区菌痢报告发病率逐年下降,2016年较2014年下降了13.17%,降幅略低于全国同期(20.78%),高发地区主要位于经济发展水平较高的重庆市主城区和宜昌市主城区。菌痢发病高峰为每年的5-10月,与全国、京津唐等地区发病季节特征相同[14-15],也与时空扫描得出的病例聚集时间相一致。

全局Moran's I指数越接近+1,空间正相关性越强,3年间Moran's I指数逐年增大,说明病例分布的聚集性不断增强。局部空间自相关显示菌痢热点区域由2014年的2个重庆主城区扩大到2016年的8个城区;冷点区域范围有小幅变动,集中分布在三峡地区东北部。时空扫描的一类聚集区中9个区为重庆主城区,另外2县(区)位于主城周边。一类聚集区包含局部空间自相关的结果且范围较其大,2种方法均反映出三峡地区的菌痢病例以重庆主城区为聚集中心,与此前京津唐地区菌痢研究中一类聚集区为北京城区相似[15],其原因可能与城区内人口密度大、人员流动性强关系密切,也与城区比农村传染病报告更规范,乡镇级医院存在漏登记、漏报告有关[16]。重庆市是西部地区中流动人口的聚集地,据重庆市统计信息网公布的《2015年重庆市1%人口抽样调查主要数据公报》和《重庆统计年鉴》的数据显示:2015年重庆市市内外出人口(563.93万)较2014年增加24.32万人,市域内流动人口数逐年增加;一类聚集区的外来务工人口多,城镇化率、人口密度和人均GDP均高于其他县(区)。

恩施市3年间均呈High-Low关联模式(高值被低值包围),而时空扫描显示其为无统计学意义聚集区,可将恩施市的菌痢聚集视为亚聚集状态[14],应加强菌痢防控,避免其转变为一类/二类聚集区;璧山县紧邻高发的主城区,故呈Low-High关联模式。城口县是重庆最边远的贫困县,3年间报告发病率持续高位,表明该县可能存在发病高危因素,应进一步调查明确原因。突发公共卫生事件报告属于被动监测,仅报告一起菌痢暴发疫情,与时空扫描发现城口县是二类时空聚集区的结果相吻合,而时空聚集性分析还可以发现更多的潜在流行地区,提示采用基于GIS的时空分析技术可以对菌痢流行风险做出定性和半定量的评估,具有较大的应用价值。

本研究存在局限性。空间分析采用的菌痢报告发病率,可能与实际发病率存在差异,报告发病率受当地各级医疗机构患者就诊、诊断、报告等因素影响,存在误诊误报病例,但其仍属于感染性腹泻范畴,与菌痢防控措施具有相似性,分析时空分布对发现菌痢潜在流行风险仍有意义。

综上所述,本研究揭示了三峡地区菌痢发病的时空分布特征,并直观地呈现其空间分布,初步确定了菌痢发病热点县(区),为制定菌痢防控策略提供依据。菌痢发病率存在的相关性可能与当地的社会经济因素、温度等气象条件有关[17-18],三峡地区菌痢时空分布模式的影响因素分析将是下一步的研究重点。

作者贡献:

张平  ORCID:0000-0001-5503-1005

张平:数据收集、整理和分析,论文撰写与修改

张静:课题设计、指导和论文修改

参考文献
[1]
刘海霞, 孟蕾, 刘东鹏, 等. 空间数据分析在甘肃省细菌性痢疾空间聚集性研究中的应用[J]. 疾病监测, 2015, 30(5): 415-419.
Liu HX, Meng L, Liu DP, et al. Application of spatial data analysis on clustering of bacillary dysentery in Gansu[J]. Dis Surveill, 2015, 30(5): 415-419. DOI:10.3784/j.issn.1003-9961.2015.05.019
[2]
查文婷, 郑剑, 刘意, 等. 基于GIS技术2013年湖南省细菌性痢疾自相关和趋势面分析[J]. 中华疾病控制杂志, 2015, 19(11): 1096-1100.
Zha WT, Zheng J, Liu Y, et al. Spatial autocorrelation and trend surface analysis of bacillary dysentery by geographic information system(GIS)in Hunan province in 2013[J]. Chin J Dis Control Prev, 2015, 19(11): 1096-1100. DOI:10.16462/j.cnki.zhjbkz.2015.11.005
[3]
李孟磊, 黄丽莉, 郭振平, 等. 细菌性痢疾临床诊断与病原学诊断符合率研究[J]. 当代医学, 2012, 18(14): 158-159.
Li ML, Huang LL, Guo ZP, et al. Study on the Coincidence rate of the clinical diagnosis and etiological diagnosis of bacillary dysentery patients[J]. Contemp Med, 2012, 18(14): 158-159. DOI:10.3969/j.issn.1009-4393.2012.14.112
[4]
钟豪杰, 常昭瑞, 张静. 中国2007年细菌性痢疾监测分析[J]. 中华流行病学杂志, 2010, 31(3): 304-307.
Zhong HJ, Chang ZR, Zhang J. Analysis on bacillary dysentery surveillance data collected from the National Surveillance System in 2007[J]. Chin J Epidemiol, 2010, 31(3): 304-307. DOI:10.3760/cma.j.issn.0254-6450.2010.03.016
[5]
姜庆五, 赵飞. 空间自相关分析方法在流行病学中的应用[J]. 中华流行病学杂志, 2011, 32(6): 539-546.
Jiang QW, Zhao F. Application of spatial autocorrelation method in epidemiology[J]. Chin J Epidemiol, 2011, 32(6): 539-546. DOI:10.3760/cma.j.issn.0254-6450.2011.06.002
[6]
Anselin L. How(not)to lie with spatial statistics[J]. Am J Prev Med, 2006, 30(Suppl 2): S3-6. DOI:10.1016/j.amepre.2005.09.015
[7]
王远飞, 何洪林. 空间数据分析方法[M]. 北京: 科学出版社, 2007.
Wang YF, He HL. Methods of spatial data analysis[M]. Beijing: Science Press, 2007.
[8]
Anselin L. Local indicators of spatial association-LISA[J]. Geogr Anal, 1995, 27(2): 93-115. DOI:10.1111/j.1538-4632.1995.tb00338.x
[9]
Kulldorff M. A spatial scan statistic[J]. Commun Stat Theory Methods, 1997, 26(6): 1481-1496. DOI:10.1080/03610929708831995
[10]
Kulldorff M, Athas WF, Feurer EJ, et al. Evaluating cluster alarms:a space-time scan statistic and brain cancer in Los Alamos, New Mexico[J]. Am J Public Health, 1998, 88(9): 1377-1380. DOI:10.2105/AJPH.88.9.1377
[11]
Deng T, Huang Y, Yu SC, et al. Spatial-temporal clusters and risk factors of hand, foot, and mouth disease at the district level in Guangdong province, China[J]. PLoS One, 2013, 8(2): e56943. DOI:10.1371/journal.pone.0056943
[12]
Lawson AB. Statistical methods in spatial epidemiology[M]. 2nd ed. New York: John Wiley & Sons, 2006: 111-115.
[13]
李晓松, 冯子健, 殷菲, 等. 传染病时空聚集性探测与预测预警方法[M]. 北京: 高等教育出版社, 2014: 261-285.
Li XS, Feng ZJ, Yin F, et al. Spatio-temporal cluster detection, forecasting and early warning for infectious disease[M]. Beijing: Higher Education Press, 2014: 261-285.
[14]
肖辉, 肖革新. 时空扫描统计量在细菌性痢疾监测数据分析中的应用[J]. 中国食品卫生杂志, 2014, 26(1): 83-87.
Xiao H, Xiao GX. Application of space-time permutation scan statistics inbacillary dysentery surveillance[J]. Chin J Food Hyg, 2014, 26(1): 83-87. DOI:10.13590/j.cjfh.2014.01.025
[15]
Xiao GX, Xu CD, Wang JF, et al. Spatial-temporal pattern and risk factor analysis of bacillary dysentery in the Beijing-TianjinTangshan urban region of China[J]. BMC Public Health, 2014, 14: 998. DOI:10.1186/1471-2458-14-998
[16]
蒋仁保, 高慎男. 菌痢报告发病率农村低于城市问题分析[J]. 现代预防医学, 2007, 34(24): 4733-4734.
Jiang RB, Gao SN. The analysis of the incidence of bacillary dysentery in rural areas is lower than that in cities[J]. Mod Prev Med, 2007, 34(24): 4733-4734. DOI:10.3969/j.issn.1003-8507.2007.24.061
[17]
Nie CJ, Li HR, Yang LS, et al. Socio-economic factors of bacillary dysentery based on spatial correlation analysis in Guangxi, China[J]. PLoS One, 2014, 9(7): e102020. DOI:10.1371/journal.pone.0102020
[18]
Li ZJ, Wang LG, Sun WG, et al. Identifying high-risk areas of bacillary dysentery and associated meteorological factors in Wuhan, China[J]. Sci Rep, 2013, 3: 3239. DOI:10.1038/srep03239