[论文解读] An Algebraic Framework for Structured Epidemic Modeling

Sophie Libkind, Andrew Baas+3 more|arXiv (Cornell University)|Feb 28, 2022

Scientific Computing and Data Management被引用 4

一句话总结

本文提出了一种基于应用范畴论的代数框架，用于结构化流行病系统的形式化组合建模，实现了模块化、可重用且计算透明的分 compartment 流行病学模型建模。通过使用运算符和接线图对模型组合进行形式化，该框架简化了模型的指定、校准与分析过程——在 SVIIvR 模型中通过参数估计和敏感性分析得到验证——从而实现了更快、更透明且可复现的大流行建模工作流。

ABSTRACT

Pandemic management requires that scientists rapidly formulate and analyze epidemiological models in order to forecast the spread of disease and the effects of mitigation strategies. Scientists must modify existing models and create novel ones in light of new biological data and policy changes such as social distancing and vaccination. Traditional scientific modeling workflows detach the structure of a model -- its submodels and their interactions -- from its implementation in software. Consequently, incorporating local changes to model components may require global edits to the code-base through a manual, time-intensive, and error-prone process. We propose a compositional modeling framework that uses high-level algebraic structures to capture domain-specific scientific knowledge and bridge the gap between how scientists think about models and the code that implements them. These algebraic structures, grounded in applied category theory, simplify and expedite modeling tasks such as model specification, stratification, analysis, and calibration. With their structure made explicit, models also become easier to communicate, criticize, and refine in light of stakeholder feedback.

研究动机与目标

• 解决传统流行病学建模中缺乏结构透明性的问题，其中模型组件紧密耦合且难以修改。
• 使科学家能够通过在软件中显式表示其组合与分层结构，来指定、修改和分析复杂的流行病模型。
• 通过将模型结构作为代码中的一等公民，弥合科学直觉与软件实现之间的鸿沟，减少错误并缩短开发时间。
• 通过模块化、可组合的组件，实现模型对新数据和政策变化（例如疫苗接种、社交距离）的快速适应。
• 支持模型分析（例如校准、敏感性分析）与模型构建的无缝集成，实现在模型开发过程中的实时反馈。

提出的方法

• 使用运算符和接线图（特别是无向接线图）作为形式化、图示化的语法，用于模型组合，实现模块化与分层的模型构建。
• 利用范畴论构造（如余预层、结构余弦、拉回）定义广义代数运算（如模型加法与乘积），以组合子模型。
• 将模型语法（组件如何连接）与语义（每个组件所代表的数学模型）解耦，从而允许多种语义（例如 ODE、DDE、Petri 网）使用相同的语法。
• 使用 Julia 实现该框架，结合 Catalyst 和 ForwardDiff 包，从 Petri 网语义生成并分析 ODE，支持模拟与敏感性分析。
• 通过优化工具（例如 ModelingToolkit 中的工具）集成参数估计，将模型参数校准至数据，结果通过敏感性热图可视化。
• 将模型结构表示为组合数据结构，支持算法操作，并在模型组合过程中实现自动化管理。

实验结果

研究问题

• RQ1 如何以一种反映科学直觉并支持模块化开发的方式，正式表示流行病模型的组合结构？
• RQ2 应用范畴论中的代数结构能否用于在单一、可组合的框架下统一多种建模语义（例如 ODE、DDE、Petri 网）？
• RQ3 在代码中显式表达模型结构在多大程度上能提升模型校准与分析的速度、准确性与可复现性？
• RQ4 如何将敏感性分析与参数估计紧密耦合于模型组合中，以支持政策决策的实时评估？
• RQ5 该框架能否支持子模型的动态替换与对新生物学或政策数据的快速迭代？

主要发现

• 该框架通过代数接线图实现了分层 SVIIvR 流行病模型的指定，模型组合与语义清晰分离。
• SVIIvR 模型的参数估计获得了统一的恢复率 1/14，并估计了初始种群与转移率，结果通过敏感性热图可视化。
• 敏感性分析显示，转移率 β_UU 的敏感性最高（−8.49×10⁻²），表明其对非感染人群总量积分具有强烈影响。
• 模型对 β_VV 的敏感性极低（−2.18×10⁻¹⁰），表明其对结果影响微乎其微，而 ν 的敏感性虽小但不可忽略（4.29×10⁻³）。
• 该框架能够立即反映结构变化（例如添加/移除转移）对下游分析的影响，支持对模型鲁棒性的快速评估。
• Catalyst 与 ForwardDiff 的集成实现了 ODE 的端到端计算、校准与敏感性分析，展示了从模型到政策洞察的无缝工作流。