Simulationen, die dabei helfen zu bestimmen, wie sich eine großflächige Pandemie ausbreiten wird, können Wochen oder sogar Monate dauern. Eine aktuelle Studie in PLOS Computational Biology bietet einen neuen Ansatz für die Modellierung von Epidemien, der den Prozess drastisch beschleunigen könnte.
Die Studie nutzt Sparsification, eine Methode aus der Graphentheorie und Informatik, um herauszufinden, welche Verknüpfungen in einem Netzwerk für die Ausbreitung von Krankheiten am wichtigsten sind.
Indem sie sich auf kritische Verbindungen konzentrierten, stellten die Autoren fest, dass sie die Rechenzeit für die Simulation der Ausbreitung von Krankheiten durch hochkomplexe soziale Netzwerke um 90 % oder mehr reduzieren konnten.
„Epidemie-Simulationen erfordern erhebliche Rechenressourcen und Zeit, um ausgeführt zu werden, was bedeutet, dass Ihre Ergebnisse zum Zeitpunkt der Veröffentlichung möglicherweise veraltet sind“, sagt Hauptautor Alexander Mercier, ehemaliger wissenschaftlicher Mitarbeiter am SFI und jetzt Doktorand. Student an der Harvard TH Chan School of Public Health. „Unsere Forschung könnte es uns letztendlich ermöglichen, komplexere Modelle und größere Datensätze zu verwenden und dennoch in einem angemessenen Zeitrahmen zu agieren, wenn wir die Ausbreitung von Pandemien wie COVID-19 simulieren.“
Für die Studie verwendete Mercier zusammen mit den SFI-Forschern Samuel Scarpino und Cristopher Moore Daten des US Census Bureau, um ein Mobilitätsnetzwerk zu entwickeln, das beschreibt, wie Menschen im ganzen Land pendeln.
Anschließend wendeten sie mehrere verschiedene Sparsifizierungsmethoden an, um zu sehen, ob sie die Dichte des Netzwerks reduzieren und gleichzeitig die Gesamtdynamik einer Krankheit, die sich über das Netzwerk ausbreitet, beibehalten können.
Die erfolgreichste Sparsification-Technik, die sie fanden, war effektiver Widerstand. Diese Technik stammt aus der Informatik und basiert auf dem Gesamtwiderstand zwischen zwei Endpunkten in einem Stromkreis. In der neuen Studie funktioniert effektiver Widerstand, indem die Ränder oder Verbindungen zwischen Knoten im Mobilitätsnetzwerk priorisiert werden, die die wahrscheinlichsten Wege der Krankheitsübertragung darstellen, während Verbindungen ignoriert werden, die leicht durch alternative Wege umgangen werden können.
„In den Biowissenschaften ist es üblich, Verbindungen mit geringem Gewicht in einem Netzwerk naiv zu ignorieren, in der Annahme, dass sie eine geringe Wahrscheinlichkeit haben, eine Krankheit zu verbreiten“, sagt Scarpino. „Aber wie in dem Schlagwort ‚Die Stärke schwacher Bindungen‘ kann sogar eine Verbindung mit geringem Gewicht bei einer Epidemie strukturell wichtig sein – zum Beispiel, wenn sie zwei entfernte Regionen oder verschiedene Gemeinschaften verbindet.“
Unter Verwendung ihres effektiven Resistenzsparsifikationsansatzes schufen die Forscher ein Netzwerk mit 25 Millionen weniger Kanten – oder etwa 7 % des ursprünglichen US-Pendlernetzwerks – und bewahrten gleichzeitig die allgemeine epidemische Dynamik.
„Die Informatiker Daniel Spielman und Nikhil Srivastava hatten gezeigt, dass Sparsification lineare Probleme vereinfachen kann, aber zu entdecken, dass es sogar für nichtlineare, stochastische Probleme wie eine Epidemie funktioniert, war eine echte Überraschung“, sagt Moore.
Obwohl sich die Forschung noch in einem frühen Entwicklungsstadium befindet, trägt sie nicht nur dazu bei, die Rechenkosten für die Simulation groß angelegter Pandemien zu reduzieren, sondern bewahrt auch wichtige Details über die Ausbreitung von Krankheiten, wie z. B. die Wahrscheinlichkeit, dass ein bestimmter Zählbezirk infiziert wird, und wann die Epidemie wahrscheinlich ist dort anzukommen.
Mehr Informationen:
Alexander Mercier et al, Effektiver Widerstand gegen Pandemien: Sparsifizierung von Mobilitätsnetzwerken für Epidemiesimulationen mit hoher Wiedergabetreue, PLOS Computational Biology (2022). DOI: 10.1371/journal.pcbi.1010650