編者注： 本文中描述的MIDAS網路流感大流行模擬仍在進行中。 預計在2005年2月釋出的結果已被推遲，現在預計將在今年春季晚些時候由MIDAS研究人員公開。
假設恐怖分子在芝加哥釋放瘟疫，而衛生官員在資源和人員有限的情況下，不得不迅速選擇最有效的應對措施。 大規模施用抗生素是阻止疫情爆發的最佳方法嗎？ 還是大規模隔離？ 如果有機會阻止全球流感大流行於萌芽狀態，是否意味著將國家抗病毒藥物儲備運往亞洲，據說那裡正在出現一種致命的新型流感病毒株？ 如果該策略成功，全球危機將被避免； 如果失敗，捐助國將減少保護。
公共衛生官員必須做出選擇，這可能意味著成千上萬甚至數百萬人以及大規模的經濟和社會混亂的生死攸關。 而歷史只能為他們提供粗略的指導。 例如，1970年代在非洲村莊根除天花的方法，可能不是21世紀在美國城市釋放天花的最有效策略。 為了在災難發生前確定各種條件下的最佳應對措施，衛生官員需要一個實驗室，可以在其中儘可能真實地測試“假設”情景。 這就是為什麼我們在洛斯阿拉莫斯國家實驗室（LANL）的小組著手構建EpiSims的原因，EpiSims是有史以來建立的最大的基於個體的流行病學模擬模型。
關於支援科學新聞
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。 透過購買訂閱，您正在幫助確保有關塑造我們今天世界的發現和想法的有影響力的故事的未來。
更真實的模型必須捕捉到疾病從一個人傳播到另一個人的機率。
對人群中每個個體的互動進行建模使我們能夠超越估計可能被感染的人數； 它使我們能夠模擬疾病在人群中傳播的路徑，從而模擬最有效地攔截疫情的地點。 支援日常生活並提供就業、交通基礎設施、必需品和奢侈品的網路，與傳染病利用在人類宿主之間傳播的網路相同。 透過精細地建模這個社交網路，我們可以瞭解其結構以及如何改變它以破壞疾病的傳播，同時對社會結構造成的損害最小。
虛擬流行病學
早在疾病的細菌理論之前，倫敦醫生約翰·斯諾就認為霍亂是透過供水系統傳播的，在過去的20年中，霍亂已在英格蘭造成數萬人死亡。 在1854年夏天，他在Soho區爆發疫情期間測試了該理論。 在地圖上，他標記了過去10天內死去的500名受害者中每個人的住所位置，並記錄了每個受害者取水的地方。 他發現他們每個人都喝了Broad Street水泵的水，因此斯諾說服官員拆除了水泵把手。 他的行動將死亡人數限制在616人。
像斯諾一樣，追蹤個體疾病受害者的活動和接觸仍然是現代流行病學家的重要工具。 衛生部門依靠模型來制定保護公眾的政策也並非新鮮事。 然而，大多數用於理解和預測疾病爆發過程的數學模型僅描述了大量人群的總體互動。 原因之一是建模者通常缺乏關於特定傳染病如何傳播的詳細知識。 另一個原因是他們沒有現實的社互動動模型，人們在其中相互接觸。 第三個原因是他們沒有計算和方法手段來構建疾病與動態人口互動的模型。
因此，流行病學模型通常依賴於對特定疾病的“繁殖數”的估計——即可能被一個傳染性人或受汙染地點感染的人數。 通常，這個繁殖數是基於歷史情況的最佳猜測，即使這些事件中的文化、身體條件和健康狀況可能與目前的情況大相徑庭。[break]
在真實的流行病中，這些細節很重要。 易感人群被感染的速率取決於他們的個人健康狀況、他們與傳染性人群互動的持續時間和性質，以及疾病病原體本身的具體特性。 更真實的疫情模型必須捕捉到疾病從一個人傳播到另一個人的機率，這意味著不僅要模擬疾病的特性和每個個體的健康狀況，還要模擬群體中每對個體之間詳細的互動。
直到最近，引入此類流行病學模型的嘗試僅考慮了100到1,000人的非常小的群體。 它們的大小受到限制，因為它們基於實際人口，例如療養院的居民、訪客和工作人員，因此它們需要關於個人及其在幾天或幾周內的接觸的詳細資料。 計算如此大量的互動也帶來了巨大的技術難題。
我們的小組透過使用高效能超級計算叢集，並基於洛斯阿拉莫斯為城市規劃開發的名為TRANSIMS的現有模型（參見Kenneth R. Howard的“用計算機疏通交通”；《大眾科學》，1997年10月），構建了這種百萬人口規模的基於個體的流行病模型。 TRANSIMS專案的啟動是為了更好地瞭解建立或重新規劃道路和其他交通基礎設施的潛在影響。 透過為我們提供一種模擬大量人口在現實城市環境中移動的方式，TRANSIMS為我們提供了為EpiSims建模數百萬人的互動所需的基礎。
雖然EpiSims現在可以適應不同的城市，但最初的TRANSIMS模型是基於俄勒岡州波特蘭市。 TRANSIMS波特蘭虛擬版本包含該市的詳細數字地圖，包括其軌道交通線路、道路、標誌、交通訊號燈和其他交通基礎設施的表示，並生成關於交通模式和出行時間的資訊。 公開可用的資料用於生成180,000個特定地點、160萬居民的合成人口以及這些人現實的日常活動。
將所有這些資訊整合到一個計算機模型中，提供了有史以來對大型人類人群的身體接觸模式的最佳估計。 透過EpiSims，我們可以將虛擬病原體釋放到這些人群中，觀察其傳播並測試不同干預措施的效果。 但是，即使不模擬疾病爆發，該模型也提供了對人類社交網路的有趣見解，對流行病應對可能具有重要的啟示。
社交網路
為了理解社交網路的真正含義以及如何將其用於流行病學，請想象一下一個假設的成年人安的日常活動和接觸。 她在早餐時與家人短暫接觸，然後在上班途中與通勤者或拼車者短暫接觸。 根據她的工作，她可能會在工作中遇到數十人，每次接觸的持續時間、親密度和目的都不同。 在午餐或下班後的購物旅行中，安可能會在公共場所與陌生人進行額外的短暫接觸，然後再回家。
我們的分析表明，社會不像基礎設施那樣容易癱瘓。
我們可以將安的接觸視覺化為一個網路，安在中心，一條線將安與他們每個人連線起來。 安的所有聯絡人也參與各種活動並結識其他人。 我們可以透過從每個人（例如，安的同事鮑勃）到他所有的聯絡人繪製線條來表示這些“聯絡人的聯絡人”。 除非他們也是安的聯絡人，否則鮑勃的聯絡人離安有兩“跳”遠。 人與人之間最短路徑上的跳數有時稱為圖距離或這些人之間的分離度。[break]
流行的觀點認為，地球上的每個人都與其他人相連，最多相隔六度分離，這意味著如果我們繼續構建我們的社交網路，直到它包括地球上的每個人，那麼兩個人之間的距離不會超過六跳。 這種說法並非完全正確，但它構成了一個很好的故事，甚至引發了著名的遊戲，該遊戲涉及與凱文·培根一起出演電影的演員的社交網路。 在學術界，另一個這樣的社交網路追蹤數學家的合著關係，一個人的“厄爾多斯數”由與已故、才華橫溢且著作豐富的保羅·厄爾多斯的圖距離定義。
其他型別的網路，包括網際網路、科學文章引用之間的連結，甚至活細胞內蛋白質之間的相互作用，也被發現表現出同樣的“樞紐”傾向：某些位置、人甚至分子與網路的其餘部分具有異常多的連線。 網路中任意兩個節點之間的最短路徑通常是透過這些樞紐之一，就像商業航空公司的航線系統一樣。 從技術上講，當連線數恰好為k的樞紐數量N(k)與k的冪成正比時，此類網路被稱為“無標度”[參見Albert-L¿szl¿ Barab¿si和Eric Bonabeau的“無標度網路”；《大眾科學》，2003年5月]。
由於如果一個或多個樞紐被停用，無標度網路可能會受到嚴重破壞，因此一些研究人員已將此觀察結果外推到疾病傳播。 推理認為，如果能夠以某種方式識別並治療或從網路中移除受感染的“樞紐”個體，例如人群中最善於交際的人，那麼就可以阻止流行病，而無需隔離或治療人群中的所有人。 但是，我們對EpiSims使用的社交網路的分析表明，社會不像物理基礎設施那樣容易癱瘓。
我們虛擬波特蘭市的物理位置網路（由人們在這些位置之間旅行定義）確實表現出典型的無標度結構，某些位置充當重要的樞紐。 因此，這些位置，例如學校和購物中心，將是進行疾病監測或放置感測器以檢測生物製劑存在的良好地點。
城市社交網路中也有人類樞紐，他們的聯絡人高於平均水平，其中許多人是因為他們在物理樞紐位置工作，例如教師或銷售人員。 然而，我們還發現社交網路中存在出乎意料地多的“短路徑”，這些路徑不經過樞紐，因此僅針對樞紐個體的政策可能對減緩疾病在城市中的傳播作用不大。
事實上，我們在現實社交網路中發現的另一個意想不到的特性是，除了最虔誠的隱士之外，每個人實際上都是一個小樞紐。 也就是說，當我們檢視任何小組（例如四個學生）的聯絡人時，我們發現他們始終透過一跳與更大的小組連線。 描繪這種社交網路結構會產生所謂的擴充套件圖[參見對面頁面的方框]，該圖具有圓錐形，隨著每次跳躍而變寬。 它對流行病學最重要的意義在於，疾病可以呈指數級快速傳播，因為每一代新傳播中暴露的人數始終大於當前一代的人數。
從理論上講，這應該意味著無論衛生官員採取何種干預疾病爆發的措施，速度都將是決定其成功的最重要因素之一。 使用EpiSims模擬疾病爆發使我們能夠看到該理論是否成立。
天花襲擊
在2000年開始開發EpiSims之後，天花是我們選擇建模的首批疾病之一，因為負責生物恐怖主義計劃和應對的政府官員面臨著幾個問題，有時還面臨相互矛盾的建議。 如果天花在美國人口中釋放，是否需要大規模疫苗接種以預防流行病？ 或者，僅針對暴露個體及其接觸者進行疫苗接種是否足夠？ 大規模隔離有多有效？ 在現有數量的衛生工作者、警察和其他響應人員的情況下，這些選擇的可行性如何？[break]
為了回答這些問題，我們構建了一個天花模型，可以將其釋放到我們的合成人群中。 天花傳播尤其難以建模，因為自1970年代根除天花以來，該病毒尚未感染人類。 然而，大多數專家都同意，該病毒通常需要與傳染性人員或受汙染物體進行顯著的身體接觸。 該疾病的平均潛伏期約為10天，之後開始出現類似流感的症狀，然後出現皮疹。 受害者一旦出現症狀就具有傳染性，並且可能在他們發燒前的短時間內也具有傳染性。 如果不治療，約有30％的感染者會死亡，但其餘的人會康復並對再次感染免疫。
在暴露前或感染後四天內接種疫苗可以阻止天花發展。 在我們所有的模擬中，我們都假設衛生工作者和負責追蹤感染者接觸者的人員已經接種了疫苗，因此具有免疫力。 與許多流行病學模型不同，我們的現實模擬還確保將考慮接觸的時間順序。 如果安感染了該疾病，她不可能在一週前感染她的同事鮑勃。 或者，如果安在自己被感染後確實感染了鮑勃，並且鮑勃反過來感染了他的家庭成員凱西，則感染不可能在疾病暴露和變得具有傳染性之間的最短潛伏期兩倍的時間內從安傳播到凱西。
與時間因素相比，實際選擇的應對措施幾乎沒有區別。
在我們建立疾病模型併為合成人群中的每個人分配免疫狀態後，我們模擬了在城市周圍的幾個樞紐位置（包括大學校園）釋放天花。 最初，有1,200人不知不覺地被感染，並在數小時內，他們已經在整個城市中移動，進行正常的活動。
然後，我們模擬了幾種型別的官方應對措施，包括對城市人口進行大規模疫苗接種，或對暴露個體及其接觸者進行接觸者追蹤，然後可以針對他們進行疫苗接種和隔離。 最後，為了比較，我們模擬了根本沒有響應的情況。
在每種情況下，我們還模擬了在第一批受害者為人所知後，實施響應措施延遲四天、七天和十天的情況。 此外，我們允許感染者透過撤退到家中來隔離自己。
每個模擬運行了虛擬的100天，並且每個場景產生的精確傷亡人數不如不同響應措施對死亡人數的相對影響重要。 結果證實了我們基於社交網路的擴充套件圖結構的理論預測：時間是限制死亡人數的最重要因素。 人們撤退到家中或被衛生官員隔離的速度是疫情範圍的最強決定因素。 第二個最有影響力的因素是官員響應的延遲時間長度。 與時間因素相比，實際選擇的響應策略幾乎沒有區別。
在天花爆發的情況下，這些模擬表明，對人群進行大規模疫苗接種（這本身就帶有風險）是不必要的。 只要與快速檢測疫情爆發和快速響應相結合，有針對性的疫苗接種就同樣有效。 我們的結果也支援隔離等措施的重要性，並確保衛生官員在高度傳染性疾病爆發期間給予執法充分的優先權。
當然，適當的公共衛生應對措施將始終取決於疾病、可用的干預措施和環境。 例如，我們模擬了在芝加哥市有意釋放吸入性鼠疫，以評估不同應對措施的成本和影響。 在這些模擬中，我們發現接觸者追蹤、學校停課和城市關閉各自造成數十億美元的經濟損失，但與自願大規模使用快速可用的抗生素相比，經濟成本要低得多，健康益處卻不多。[break]
最近，作為美國國立普通醫學科學研究所組織的傳染病病原體模型研究（MIDAS）研究網路的一部分，我們一直在調整EpiSims，以模擬可能威脅整個地球的自然發生的疾病：流感大流行。
流感與未來
在過去一年中，一種高毒力的流感病毒株在亞洲鳥類種群中肆虐，並在日本、泰國和越南感染了40多人，其中30多人死亡。 世界衛生組織警告說，這種致命的流感病毒株H5N1更容易感染人類並在人與人之間傳播只是時間問題。 這種發展可能會引發全球流感大流行，死亡人數可能達到數千萬[參見《大眾科學》SA視角，1月刊]。
MIDAS合作者將研究H5N1病毒（如果它能夠在人與人之間傳播）是否可能在仍然侷限於少數人群時透過快速干預來控制甚至根除。 為了模擬該病毒株可能在人類中出現的適當條件，我們正在構建一個模型，該模型代表一個假設的東南亞社群，該社群約有50萬人居住在農場和附近的城鎮中。 我們的流感病毒模型本身將基於關於流感大流行病毒株的歷史資料以及關於H5N1病毒的資訊，H5N1病毒的生物學特性目前是深入研究的主題。
例如，我們知道H5N1對抗病毒藥物敏感，這些藥物會抑制其重要酶之一，稱為神經氨酸酶。 在我們的模擬中，我們將能夠使用神經氨酸酶抑制劑作為治療和預防措施。 （已開發出針對H5N1的疫苗，並且最近開始了臨床試驗，但由於該疫苗尚未被證實或可用，我們將把模擬重點放在檢視抗病毒藥物與傳統公共衛生措施是否可以阻止流行病。）
2月下旬宣佈的初步結果在www.sciam.com上報告。 在4月份，我們將在EpiSims波特蘭模型中完成類似的流感大流行模擬。
我們希望現實地模擬人口和疾病爆發的能力可以幫助衛生官員根據“假設”問題的最佳可能答案做出艱難的決定。
模擬人類在城市環境中移動的模型（例如TRANSIMS）的建立是使EpiSims成為可能的計算突破，而流行病學只是這種基於個體的建模的一種潛在應用。 我們還正在建立和連結其他社會技術系統的模擬，包括環境和大氣汙染、電信、交通運輸、商品市場、供水和電網，以提供虛擬實驗室來探索各種現實世界問題的解決方案。