[论文解读] Heterogeneous Susceptibles-Infectives model: Mechanistic derivation of the power law transmission function

Artem S. Novozhilov|ArXiv.org|Sep 9, 2008

Mathematical and Theoretical Epidemiology and Ecology Models参考文献 26被引用 14

一句话总结

本文通过使用伽马分布参数建模易感性和传染性异质性，对流行病学模型中幂律传播函数 $ T(S,I) = \beta S^p I^q $ 提供了机制性推导。结果表明，当易感性和传染性分别服从形状参数为 $ k_1 $ 和 $ k_2 $ 的伽马分布时，有效传播率与幂律形式一致，且满足 $ p = 1 + 1/k_1 $，$ q = 1 + 1/k_2 $，从而将此前作为现象学函数使用的幂律传播函数建立在群体水平异质性的基础之上。

ABSTRACT

In many epidemiological models a nonlinear transmission function is used in the form of power law relationship. It is constantly argued that such form reflects population heterogeneities including differences in the mixing pattern, susceptibility, and spatial patchiness, although the function itself is considered phenomenological. Comparison with large-scale simulations show that models with this transmission function accurately approximate data from highly heterogeneous sources. In this note we provide a mechanistic derivation of the power law transmission function, starting with a simple heterogeneous susceptibles--infectives (SI) model, which is based on a standard mass action assumption. We also consider the simplest SI model with separable mixing and compare our results with known results from the literature.

研究动机与目标

• 为广泛使用的幂律传播函数 $ T(S,I) = \beta S^p I^q $ 提供机制性基础，该函数此前被视为现象学函数。
• 使用连续分布（特别是伽马分布）对易感性和传染性的群体异质性进行建模，以从第一性原理推导传播函数。
• 在个体水平异质性（如不同的接触率和易感性）与群体水平模型中观察到的非线性发病率模式之间建立正式联系。
• 将理论框架扩展至包含可分混合（separable mixing），并与动态网络模拟结果进行比较。

提出的方法

• 构建一个异质性SI模型，其中个体易感性 $ \omega $ 从形状参数 $ k_1 $ 和尺度参数 $ \nu_1 $ 的伽马分布中抽取，传染性也以参数 $ k_2 $、$ \nu_2 $ 的方式类似分布。
• 使用质量作用定律推导偏微分方程 $ \frac{\partial s}{\partial t} = -\beta(\omega) s(t,\omega) I(t) $，其中 $ \beta(\omega) $ 依赖于个体易感性。
• 应用矩生成函数（MGFs）处理 $ \omega $ 的分布，推导出有效传播率 $ \frac{dS}{dt} = -r h(S) \left[1 - \frac{h(S)}{K}\right] $，其中 $ h(S) $ 是易感性分布的矩生成函数。
• 证明当易感性和传染性服从伽马分布时，有效传播函数简化为幂律形式 $ T(S,I) \propto S^p I^q $，其中 $ p = 1 + 1/k_1 $，$ q = 1 + 1/k_2 $。
• 将推导出的模型与动态网络模拟及可分混合模型进行比较，使用概率生成函数（PGFs）并匹配初始条件以评估一致性。
• 通过泊松分布和伽马分布的接触数进行数值模拟，验证推导模型与基于网络的模拟之间的一致性。

实验结果

研究问题

• RQ1 能否从异质性易感性和传染性的机制模型中推导出现象学的幂律传播函数 $ T(S,I) = \beta S^p I^q $？
• RQ2 对个体水平易感性和传染性的何种分布假设会导致幂律发病率？
• RQ3 伽马分布的形状参数如何与幂律传播函数中的指数 $ p $ 和 $ q $ 相关联？
• RQ4 具有异质参数的推导模型在多大程度上能近似大规模网络模拟的结果？
• RQ5 能否将具有可分混合和动态接触网络的模型与推导出的幂律传播函数统一起来？

主要发现

• 幂律传播函数 $ T(S,I) = \beta S^p I^q $ 可以从具有伽马分布易感性和传染性的异质性SI模型中机制性推导得出，其中 $ p = 1 + 1/k_1 $，$ q = 1 + 1/k_2 $，$ k_1 $、$ k_2 $ 分别为伽马分布的形状参数。
• 当初始易感性分布为形状参数 $ k_1 $、尺度参数 $ \nu_1 $ 的伽马分布，传染性分布为 $ k_2 $、$ \nu_2 $ 时，有效传播率与幂律形式一致，为现象学函数提供了机制性基础。
• 在可分混合模型中，接触率依赖于平均接触数，其传播函数等价于 $ \frac{dS}{dt} = -r h(S) \left[1 - \frac{h(S)}{K}\right] $，在伽马分布 $ \omega $ 下可简化为幂律形式。
• 与动态网络模拟的数值比较显示，当平均接触数为1（泊松(1)）时，两者一致性较强；当 $ \lambda > 1 $ 或 $ \lambda < 1 $ 时，差异逐渐增大，但极限行为保持一致。
• 该推导解决了长期存在的现象学使用幂律传播函数的问题，表明其自然地从异质性分布中产生，尤其当 $ p, q > 1 $ 时，对应 $ k_1, k_2 < 1 $。
• 本研究确立了幂律传播函数并非任意设定，而是源于异质性群体的统计特性，特别是当通过伽马分布对个体接触行为和易感性的变异进行建模时。