病毒如何传播之不确定性未来

来源：中国物理学会期刊网

本文选自《物理》2021年第2期

(中国科学院理化技术研究所 戴 闻 编译自 Susanna Manrubia. Physics，November 16，2020)

“隔离间”模型将个体分组到一个个隔离间，如住院组(左)、受限组(中)和感染组(右)，然后根据人在隔离间之间的移动方式，预测病毒将如何传播

长期以来，天文学家精确的预测令世人惊讶。预言3000年4月26日，日全食可观察带，将顺着南美洲、大西洋和北非一线延伸，这一预测没有人反对。但试图描述病原体未来传播的科学家，必须面对非常大的不确定性。研究人员既缺乏关于传染病如何传播的可靠数据，感染能力的微小差异又可以成倍地扩大病毒的传播，从而难以预测各类流行病的严重程度。来自伊利诺伊大学的Nigel Goldenfeld和他的同事，最近以伊利诺伊州为例，开发了一个模型，评估非药物干预时COVID-19病毒传播的短期影响。研究者还探索和量化了模型的局限性，阐明了它无法预测的场景。他们使用该模型，向公民、临床医生和决策者，作出了示范性展示。

用于预测COVID-19扩散的绝大多数模型是所谓的隔离间模型，它将群体中的个体分组，纳入隔离间。最常用的 SIR 隔离间是：易感(S)、感染(I)和移除(R)，R表示死亡或已康复的群体。其他隔离间可以包括无症状的、行动受限的(非感染个体)、检疫隔离、住院和接种疫苗者。更复杂的COVID-19模型包括：在SIR动力学之上的附加规则，这些规则可以解释隔离间的地理依赖定义，如个人的流动性等。

广泛使用SIR模型来研究COVID-19传播路径的一个令人信服的原因是：这些模型在复制过去的过程时，证明了惊人的有效性。但是，再现已经发生的事情并不意味着模型可以准确地预测未来——为了使模型适合过去的数据而获得的参数值，并不一定适合未来数据。在这方面，SIR 模型有一些局限性，这些局限性来自：一是模型无法代表现实世界的复杂、分布式和异构性质；二是缺乏准确的数据来训练模型。虽然这两个问题可以被潜在解决，但第三个问题不能解决：使用SIR 模型进行的预测，对分配给模型的参数初始值的微小变化特别敏感。这种敏感性不可避免地将预测能力限制在不远的将来。还有第四个关键角色，个人和团体对COVID-19扩散的反应差别。

Goldenfeld和合作者开始构建自己的模型时，非常清楚SIR模型的优点和局限性。他们为预测COVID-19在伊利诺伊州的传播，进行了量身定做。他们的模型是一个所谓的感染年龄变体，它“记住”一个人何时到达一个隔离间，然后使用这个时间来计算经过一段时间延迟后移动到下一个隔离间的可能性。这一特性在大多数SIR模型中没有。

为了获得模型参数（共有22个参数），该小组采用了数值“马尔可夫链蒙特卡罗”方法。这个方法可以评估给定参数集与输入数据的兼容性。为了训练模型，该团队输入了来自伊利诺伊州公共卫生部的数据，其中包括 COVID 引起死亡的每日数量和 COVID 阳性患者占用重症监护床位的每日数量。使用这些可靠的数据为预测增加了鲁棒性。

他们预测，如果不迅速实施居家命令，感染数量将呈指数增长，尽管第一次开始研究该模型时，伊利诺伊州只有19例。预测结果强烈表明，有必要发布这样一个命令，这就是伊利诺伊州州长在阅读了他们的研究结果后所做的决定。SIR模型预测的一个必要条件是规则保持不变，与模型包含的规则相匹配，并且个人都遵循规则。正如《纽约时报》报道的那样，当COVID-19阳性的大学生去参加聚会和上课，而不是像预设的那样在宿舍隔离时，Goldenfeld等人所做的预测就失败了。

大流行建模的有效性时间尺度，仍然是一个悬而未决的问题。我们需要改进病毒建模基础设施，跟踪病毒感染的全球数据收集系统，并实时运行模型。这些模型必须考虑到一个群体改变其行为以应对危机的能力，以及病原体的特定生物学特性。

《物理》在淘宝店和微店上线，扫码即可购买过刊和现刊。

▼

往期精彩回顾

▼

1.时空奇点和黑洞 ——2020年诺贝尔物理学奖解读

2.石墨烯掺杂研究达到新水平

3.外尔与杨振宁——物理的真与数学的美 | 量子群英会

4.黑洞照亮宇宙 ——银河系中心黑洞及其物理意义

5.Editor, 我还可以再抢救一下｜量子多体中的呐喊与彷徨之七

6.银河系中心超大质量黑洞的探索历程

7.高分辨电子显微学的拓荒者 ——缅怀李方华先生

8.物理学发展史上有哪些重要的时刻？

10.基于光晶格的超冷原子量子模拟