编者注： 本文中描述的MIDAS网络流感大流行模拟仍在进行中。 预计在2005年2月发布的结果已被推迟，现在预计将在今年春季晚些时候由MIDAS研究人员公开。
假设恐怖分子在芝加哥释放瘟疫，而卫生官员在资源和人员有限的情况下，不得不迅速选择最有效的应对措施。 大规模施用抗生素是阻止疫情爆发的最佳方法吗？ 还是大规模隔离？ 如果有机会阻止全球流感大流行于萌芽状态，是否意味着将国家抗病毒药物储备运往亚洲，据说那里正在出现一种致命的新型流感病毒株？ 如果该策略成功，全球危机将被避免； 如果失败，捐助国将减少保护。
公共卫生官员必须做出选择，这可能意味着成千上万甚至数百万人以及大规模的经济和社会混乱的生死攸关。 而历史只能为他们提供粗略的指导。 例如，1970年代在非洲村庄根除天花的方法，可能不是21世纪在美国城市释放天花的最有效策略。 为了在灾难发生前确定各种条件下的最佳应对措施，卫生官员需要一个实验室，可以在其中尽可能真实地测试“假设”情景。 这就是为什么我们在洛斯阿拉莫斯国家实验室（LANL）的小组着手构建EpiSims的原因，EpiSims是有史以来创建的最大的基于个体的流行病学模拟模型。
关于支持科学新闻
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。 通过购买订阅，您正在帮助确保有关塑造我们今天世界的发现和想法的有影响力的故事的未来。
更真实的模型必须捕捉到疾病从一个人传播到另一个人的概率。
对人群中每个个体的互动进行建模使我们能够超越估计可能被感染的人数； 它使我们能够模拟疾病在人群中传播的路径，从而模拟最有效地拦截疫情的地点。 支持日常生活并提供就业、交通基础设施、必需品和奢侈品的网络，与传染病利用在人类宿主之间传播的网络相同。 通过精细地建模这个社交网络，我们可以了解其结构以及如何改变它以破坏疾病的传播，同时对社会结构造成的损害最小。
虚拟流行病学
早在疾病的细菌理论之前，伦敦医生约翰·斯诺就认为霍乱是通过供水系统传播的，在过去的20年中，霍乱已在英格兰造成数万人死亡。 在1854年夏天，他在Soho区爆发疫情期间测试了该理论。 在地图上，他标记了过去10天内死去的500名受害者中每个人的住所位置，并记录了每个受害者取水的地方。 他发现他们每个人都喝了Broad Street水泵的水，因此斯诺说服官员拆除了水泵把手。 他的行动将死亡人数限制在616人。
像斯诺一样，追踪个体疾病受害者的活动和接触仍然是现代流行病学家的重要工具。 卫生部门依靠模型来制定保护公众的政策也并非新鲜事。 然而，大多数用于理解和预测疾病爆发过程的数学模型仅描述了大量人群的总体互动。 原因之一是建模者通常缺乏关于特定传染病如何传播的详细知识。 另一个原因是他们没有现实的社交互动模型，人们在其中相互接触。 第三个原因是他们没有计算和方法手段来构建疾病与动态人口互动的模型。
因此，流行病学模型通常依赖于对特定疾病的“繁殖数”的估计——即可能被一个传染性人或受污染地点感染的人数。 通常，这个繁殖数是基于历史情况的最佳猜测，即使这些事件中的文化、身体条件和健康状况可能与目前的情况大相径庭。[break]
在真实的流行病中，这些细节很重要。 易感人群被感染的速率取决于他们的个人健康状况、他们与传染性人群互动的持续时间和性质，以及疾病病原体本身的具体特性。 更真实的疫情模型必须捕捉到疾病从一个人传播到另一个人的概率，这意味着不仅要模拟疾病的特性和每个个体的健康状况，还要模拟群体中每对个体之间详细的互动。
直到最近，引入此类流行病学模型的尝试仅考虑了100到1,000人的非常小的群体。 它们的大小受到限制，因为它们基于实际人口，例如疗养院的居民、访客和工作人员，因此它们需要关于个人及其在几天或几周内的接触的详细数据。 计算如此大量的互动也带来了巨大的技术难题。
我们的小组通过使用高性能超级计算集群，并基于洛斯阿拉莫斯为城市规划开发的名为TRANSIMS的现有模型（参见Kenneth R. Howard的“用计算机疏通交通”；《大众科学》，1997年10月），构建了这种百万人口规模的基于个体的流行病模型。 TRANSIMS项目的启动是为了更好地了解创建或重新规划道路和其他交通基础设施的潜在影响。 通过为我们提供一种模拟大量人口在现实城市环境中移动的方式，TRANSIMS为我们提供了为EpiSims建模数百万人的互动所需的基础。
虽然EpiSims现在可以适应不同的城市，但最初的TRANSIMS模型是基于俄勒冈州波特兰市。 TRANSIMS波特兰虚拟版本包含该市的详细数字地图，包括其轨道交通线路、道路、标志、交通信号灯和其他交通基础设施的表示，并生成关于交通模式和出行时间的信息。 公开可用的数据用于生成180,000个特定地点、160万居民的合成人口以及这些人现实的日常活动。
将所有这些信息整合到一个计算机模型中，提供了有史以来对大型人类人群的身体接触模式的最佳估计。 通过EpiSims，我们可以将虚拟病原体释放到这些人群中，观察其传播并测试不同干预措施的效果。 但是，即使不模拟疾病爆发，该模型也提供了对人类社交网络的有趣见解，对流行病应对可能具有重要的启示。
社交网络
为了理解社交网络的真正含义以及如何将其用于流行病学，请想象一下一个假设的成年人安的日常活动和接触。 她在早餐时与家人短暂接触，然后在上班途中与通勤者或拼车者短暂接触。 根据她的工作，她可能会在工作中遇到数十人，每次接触的持续时间、亲密度和目的都不同。 在午餐或下班后的购物旅行中，安可能会在公共场所与陌生人进行额外的短暂接触，然后再回家。
我们的分析表明，社会不像基础设施那样容易瘫痪。
我们可以将安的接触可视化为一个网络，安在中心，一条线将安与他们每个人连接起来。 安的所有联系人也参与各种活动并结识其他人。 我们可以通过从每个人（例如，安的同事鲍勃）到他所有的联系人绘制线条来表示这些“联系人的联系人”。 除非他们也是安的联系人，否则鲍勃的联系人离安有两“跳”远。 人与人之间最短路径上的跳数有时称为图距离或这些人之间的分离度。[break]
流行的观点认为，地球上的每个人都与其他人相连，最多相隔六度分离，这意味着如果我们继续构建我们的社交网络，直到它包括地球上的每个人，那么两个人之间的距离不会超过六跳。 这种说法并非完全正确，但它构成了一个很好的故事，甚至引发了著名的游戏，该游戏涉及与凯文·培根一起出演电影的演员的社交网络。 在学术界，另一个这样的社交网络追踪数学家的合著关系，一个人的“厄尔多斯数”由与已故、才华横溢且著作丰富的保罗·厄尔多斯的图距离定义。
其他类型的网络，包括互联网、科学文章引用之间的链接，甚至活细胞内蛋白质之间的相互作用，也被发现表现出同样的“枢纽”倾向：某些位置、人甚至分子与网络的其余部分具有异常多的连接。 网络中任意两个节点之间的最短路径通常是通过这些枢纽之一，就像商业航空公司的航线系统一样。 从技术上讲，当连接数恰好为k的枢纽数量N(k)与k的幂成正比时，此类网络被称为“无标度”[参见Albert-L¿szl¿ Barab¿si和Eric Bonabeau的“无标度网络”；《大众科学》，2003年5月]。
由于如果一个或多个枢纽被禁用，无标度网络可能会受到严重破坏，因此一些研究人员已将此观察结果外推到疾病传播。 推理认为，如果能够以某种方式识别并治疗或从网络中移除受感染的“枢纽”个体，例如人群中最善于交际的人，那么就可以阻止流行病，而无需隔离或治疗人群中的所有人。 但是，我们对EpiSims使用的社交网络的分析表明，社会不像物理基础设施那样容易瘫痪。
我们虚拟波特兰市的物理位置网络（由人们在这些位置之间旅行定义）确实表现出典型的无标度结构，某些位置充当重要的枢纽。 因此，这些位置，例如学校和购物中心，将是进行疾病监测或放置传感器以检测生物制剂存在的良好地点。
城市社交网络中也有人类枢纽，他们的联系人高于平均水平，其中许多人是因为他们在物理枢纽位置工作，例如教师或销售人员。 然而，我们还发现社交网络中存在出乎意料地多的“短路径”，这些路径不经过枢纽，因此仅针对枢纽个体的政策可能对减缓疾病在城市中的传播作用不大。
事实上，我们在现实社交网络中发现的另一个意想不到的特性是，除了最虔诚的隐士之外，每个人实际上都是一个小枢纽。 也就是说，当我们查看任何小组（例如四个学生）的联系人时，我们发现他们始终通过一跳与更大的小组连接。 描绘这种社交网络结构会产生所谓的扩展图[参见对面页面的方框]，该图具有圆锥形，随着每次跳跃而变宽。 它对流行病学最重要的意义在于，疾病可以呈指数级快速传播，因为每一代新传播中暴露的人数始终大于当前一代的人数。
从理论上讲，这应该意味着无论卫生官员采取何种干预疾病爆发的措施，速度都将是决定其成功的最重要因素之一。 使用EpiSims模拟疾病爆发使我们能够看到该理论是否成立。
天花袭击
在2000年开始开发EpiSims之后，天花是我们选择建模的首批疾病之一，因为负责生物恐怖主义计划和应对的政府官员面临着几个问题，有时还面临相互矛盾的建议。 如果天花在美国人口中释放，是否需要大规模疫苗接种以预防流行病？ 或者，仅针对暴露个体及其接触者进行疫苗接种是否足够？ 大规模隔离有多有效？ 在现有数量的卫生工作者、警察和其他响应人员的情况下，这些选择的可行性如何？[break]
为了回答这些问题，我们构建了一个天花模型，可以将其释放到我们的合成人群中。 天花传播尤其难以建模，因为自1970年代根除天花以来，该病毒尚未感染人类。 然而，大多数专家都同意，该病毒通常需要与传染性人员或受污染物体进行显着的身体接触。 该疾病的平均潜伏期约为10天，之后开始出现类似流感的症状，然后出现皮疹。 受害者一旦出现症状就具有传染性，并且可能在他们发烧前的短时间内也具有传染性。 如果不治疗，约有30％的感染者会死亡，但其余的人会康复并对再次感染免疫。
在暴露前或感染后四天内接种疫苗可以阻止天花发展。 在我们所有的模拟中，我们都假设卫生工作者和负责追踪感染者接触者的人员已经接种了疫苗，因此具有免疫力。 与许多流行病学模型不同，我们的现实模拟还确保将考虑接触的时间顺序。 如果安感染了该疾病，她不可能在一周前感染她的同事鲍勃。 或者，如果安在自己被感染后确实感染了鲍勃，并且鲍勃反过来感染了他的家庭成员凯西，则感染不可能在疾病暴露和变得具有传染性之间的最短潜伏期两倍的时间内从安传播到凯西。
与时间因素相比，实际选择的应对措施几乎没有区别。
在我们建立疾病模型并为合成人群中的每个人分配免疫状态后，我们模拟了在城市周围的几个枢纽位置（包括大学校园）释放天花。 最初，有1,200人不知不觉地被感染，并在数小时内，他们已经在整个城市中移动，进行正常的活动。
然后，我们模拟了几种类型的官方应对措施，包括对城市人口进行大规模疫苗接种，或对暴露个体及其接触者进行接触者追踪，然后可以针对他们进行疫苗接种和隔离。 最后，为了比较，我们模拟了根本没有响应的情况。
在每种情况下，我们还模拟了在第一批受害者为人所知后，实施响应措施延迟四天、七天和十天的情况。 此外，我们允许感染者通过撤退到家中来隔离自己。
每个模拟运行了虚拟的100天，并且每个场景产生的精确伤亡人数不如不同响应措施对死亡人数的相对影响重要。 结果证实了我们基于社交网络的扩展图结构的理论预测：时间是限制死亡人数的最重要因素。 人们撤退到家中或被卫生官员隔离的速度是疫情范围的最强决定因素。 第二个最有影响力的因素是官员响应的延迟时间长度。 与时间因素相比，实际选择的响应策略几乎没有区别。
在天花爆发的情况下，这些模拟表明，对人群进行大规模疫苗接种（这本身就带有风险）是不必要的。 只要与快速检测疫情爆发和快速响应相结合，有针对性的疫苗接种就同样有效。 我们的结果也支持隔离等措施的重要性，并确保卫生官员在高度传染性疾病爆发期间给予执法充分的优先权。
当然，适当的公共卫生应对措施将始终取决于疾病、可用的干预措施和环境。 例如，我们模拟了在芝加哥市有意释放吸入性鼠疫，以评估不同应对措施的成本和影响。 在这些模拟中，我们发现接触者追踪、学校停课和城市关闭各自造成数十亿美元的经济损失，但与自愿大规模使用快速可用的抗生素相比，经济成本要低得多，健康益处却不多。[break]
最近，作为美国国立普通医学科学研究所组织的传染病病原体模型研究（MIDAS）研究网络的一部分，我们一直在调整EpiSims，以模拟可能威胁整个地球的自然发生的疾病：流感大流行。
流感与未来
在过去一年中，一种高毒力的流感病毒株在亚洲鸟类种群中肆虐，并在日本、泰国和越南感染了40多人，其中30多人死亡。 世界卫生组织警告说，这种致命的流感病毒株H5N1更容易感染人类并在人与人之间传播只是时间问题。 这种发展可能会引发全球流感大流行，死亡人数可能达到数千万[参见《大众科学》SA视角，1月刊]。
MIDAS合作者将研究H5N1病毒（如果它能够在人与人之间传播）是否可能在仍然局限于少数人群时通过快速干预来控制甚至根除。 为了模拟该病毒株可能在人类中出现的适当条件，我们正在构建一个模型，该模型代表一个假设的东南亚社区，该社区约有50万人居住在农场和附近的城镇中。 我们的流感病毒模型本身将基于关于流感大流行病毒株的历史数据以及关于H5N1病毒的信息，H5N1病毒的生物学特性目前是深入研究的主题。
例如，我们知道H5N1对抗病毒药物敏感，这些药物会抑制其重要酶之一，称为神经氨酸酶。 在我们的模拟中，我们将能够使用神经氨酸酶抑制剂作为治疗和预防措施。 （已开发出针对H5N1的疫苗，并且最近开始了临床试验，但由于该疫苗尚未被证实或可用，我们将把模拟重点放在查看抗病毒药物与传统公共卫生措施是否可以阻止流行病。）
2月下旬宣布的初步结果在www.sciam.com上报告。 在4月份，我们将在EpiSims波特兰模型中完成类似的流感大流行模拟。
我们希望现实地模拟人口和疾病爆发的能力可以帮助卫生官员根据“假设”问题的最佳可能答案做出艰难的决定。
模拟人类在城市环境中移动的模型（例如TRANSIMS）的创建是使EpiSims成为可能的计算突破，而流行病学只是这种基于个体的建模的一种潜在应用。 我们还正在创建和链接其他社会技术系统的模拟，包括环境和大气污染、电信、交通运输、商品市场、供水和电网，以提供虚拟实验室来探索各种现实世界问题的解决方案。