竞争与合作：理解相互作用的流行病可以解锁更好的疾病预测

在整个 COVID-19 大流行期间，流行病学模型处于核心地位，提供了关于病毒在社区和全球传播的重要信息。但这些模型的聚光灯也暴露了它们的不足。在大流行初期，一些模型因其对感染率和死亡率的估计过高或过低而受到准确性不足的批评。考虑到早期可用于模型的数据很少，这是可以理解的。随着大流行的进展，更多的数据可用，模型也变得越来越好。

但新的流行病学模型仍远非完美。一项最近开发的算法旨在通过关注对传播至关重要但常常被忽视的额外力量来改进它们。

到目前为止，预测病毒如何在人群中传播的流行病学模型在纳入疾病本身之间的合作概念方面一直存在困难，一旦这些疾病进入人体，它们会增加共同感染的机会。例如，艾滋病毒感染者患肺结核的可能性是普通人的 15 到 22 倍，而一个人如果没有感染乙型肝炎就无法感染丁型肝炎。

考虑这些合作力量需要同时对多种流行病进行建模，这大大增加了模拟预测的复杂性，并大大降低了分析精度。但未能纳入这些概念可能导致评估不准确或疏漏，从而阻碍预测。

此外，虽然大多数标准的流行病学模型都关注社区人口，并假定社区中的任何个体之间都有平等的互动机会，但我们知道人类生活并非如此。在曼哈顿，每个人都不太可能随意地与另一个人偶然相遇。

因此，利用结构化网络来表示社区非常重要。在这些网络中，每个连接代表两个人或群体之间的互动，他们可能经常接触。也许他们住在同一个邮政编码区，或者具有相应的统计特征，所有这些都将使他们更有可能进行互动。

基于如此复杂的结构化模型的准确预测，传统上需要进行数百万次模拟才能产生对现实世界可能发生情况的准确预期。这需要大型计算机和大量资金。可以理解的是，因此，研究界转向设计不需要这些昂贵模拟的方法，但仍然可以在一次运行中提供准确的分析预测。

这项新算法由洛斯阿拉莫斯国家实验室与英国伦敦玛丽女王大学和阿斯顿大学的同事合作开发，能够在结构化网络上准确预测相互作用的流行病，而无需进行大规模计算机模拟。该方法借鉴了计算机科学和统计物理学中开发的网络方法，仔细利用相互作用力的结构，并在与单次模拟运行相当的时间内提供准确的分析预测。

该算法不仅对流行病学模型有用，对显示信息如何在社交网络中传播的模型也同样有用。从数学上讲，疾病的传播和信息的传播看起来非常相似：它们通常都从单个源头开始，并通过物理或虚拟接触传播给他人。然而，竞争力量——那些争夺控制权的力量——也会影响信息的传播。例如，信息传播模型可能存在两种截然不同的观点，例如支持疫苗和反对疫苗的情绪，每种观点都在争夺影响力。

我们的算法可用于结构化人口模型，以预测竞争或合作力量如何帮助或阻碍病毒或信息等事物的传播——这在对抗大流行病和在线虚假信息方面都将非常有用。

例如，它表明将支持疫苗的社交媒体广告定位给反对疫苗的群体是无效的，因为他们不太可能被说服。但该算法可以帮助将资源集中在那些可能犹豫不决、可能被可靠信息影响的人身上。

同样，在 COVID-19 疫苗推广初期，优先考虑的是那些因年龄或潜在健康状况而风险最高的人群。我们的算法可用于识别最脆弱的群体或传播潜力最高的群体。这些信息有助于制定针对一种病毒的有限疫苗供应的最佳分配方案，以确保同时针对多种合作流行病提供保护。

不幸的是，流行病不会消失。不断增长的世界人口、气候变化和全球旅行都意味着疾病的传播将继续构成威胁——而疾病预测模型将继续是至关重要的防线。通过理解合作和竞争力量在疾病传播中的作用，我们可以开发出更好的模型，使未来的预测更加准确。然后，公共卫生官员和政策制定者就可以获得更有力的信息来遏制传播并保护人民。

Andrey Lokhov 是洛斯阿拉莫斯国家实验室理论部门的统计物理学家。他的研究侧重于流行病模型中的学习和推理算法。