Новый подход к моделированию эпидемий может ускорить симуляции пандемий

Симуляции, помогающие определить распространение крупномасштабной пандемии, могут занимать недели или даже месяцы. Недавнее исследование в PLOS Computational Biology предлагает новый подход к эпидемиологическому моделированию, который может радикально ускорить этот процесс.

Исследование использует спарсификацию — метод из теории графов и компьютерных наук — для выявления наиболее важных для распространения болезни связей в сети.

Сосредоточившись на критических связях, авторы обнаружили, что могут сократить время вычислений для моделирования распространения болезней через высокосложные социальные сети на 90% и более.

"Эпидемические симуляции требуют значительных вычислительных ресурсов и времени, что означает, что ваши результаты могут устареть к моменту публикации, — говорит ведущий автор Александр Мерсье. — Наше исследование в конечном итоге может позволить нам использовать более сложные модели и большие наборы данных, действуя при этом в разумные сроки при моделировании распространения пандемий, таких как COVID-19".

Для исследования Мерсье с учеными из SFI использовали данные Бюро переписи населения США для создания мобильностной сети, описывающей перемещения людей по стране.

Затем они применили несколько различных методов спарсификации, чтобы проверить, можно ли уменьшить плотность сети, сохранив общую динамику распространения болезни.

Наиболее успешной техникой оказалась эффективное сопротивление. Этот метод из компьютерных наук основан на общем сопротивлении между двумя точками в электрической цепи. В новом исследовании он работает, приоритизируя ребра (связи) в мобильностной сети, которые с наибольшей вероятностью являются путями передачи болезни, игнорируя при этом связи, которые можно легко обойти альтернативными путями.

"В науках о жизни часто наивно игнорируют связи с низким весом в сети, предполагая, что они имеют малую вероятность распространения болезни, — говорит Сэмюэл Скарпино. — Но, как в расхожей фразе 'сила слабых связей', даже связь с низким весом может быть структурно важной для эпидемии — например, если она соединяет два удаленных региона или различные сообщества".

Используя свой подход спарсификации через эффективное сопротивление, исследователи создали сеть, содержащую на 25 миллионов ребер меньше — или около 7% от исходной сети перемещений США, — сохранив при этом общую эпидемическую динамику.

"Компьютерные ученые Дэниел Шпильман и Нихил Шривастава показали, что спарсификация может упрощать линейные задачи, но обнаружение того, что она работает даже для нелинейных, стохастических проблем, таких как эпидемия, стало настоящим сюрпризом", — говорит Кристофер Мур.

Находясь на ранней стадии разработки, это исследование не только помогает снизить вычислительные затраты на моделирование крупномасштабных пандемий, но и сохраняет важные детали о распространении болезни, такие как вероятность заражения конкретного переписного участка и время вероятного прибытия туда эпидемии.