在对抗埃博拉和其他传染病的最前线,有一批勇敢的人员在艰苦条件下不懈工作。医疗急救包中并不会标配方程式,但在大学和研究所的幕后,数学家们同样在为防线贡献力量。
大数据分析师和统计学家处理观测信息,以厘清正在发生的情况、发生地点和时间;数学建模者则将决定流行病动态的基本机制(如传播、潜伏、康复、治疗和隔离)提炼为方程式。
随后可以对这些数学模型进行分析,以更深入地理解驱动疫情发展的关键过程,帮助识别和评估潜在的管理策略,甚至展望一定的未来。在统计外推可能因许多生物系统所具有的非线性效应之间的复杂相互作用而失效时(例如种群密度对种群规模的限制作用),模型仍可提供一定的前瞻性。
数学建模的艺术
在数学建模中,数学的有序之美与真理引导着反复验证的过程,经验证据借此完善科学假设。数学建模是从观察到的现实中进行抽象的过程,依据来自一线的知识、数据和直觉,提炼并拼合各种机制与关系,从而为特定问题提供洞见。
艺术可以被视为一个抽象的过程,即提炼观察对象的本质,以传达并探索构图中的各种关系。艺术史记录了众多抽象的风格与形式,结果的性质取决于方法的性质;只要我们理解这一点并恰当地解读模型的产出,所有形式都是有效的。
模型谱系
模型中所包含的假设、近似与简化,使其所产生的洞见处于从定量到定性的谱系之中。位于定量一端的模型会尽可能精确、全面地纳入观测到的细节。这些模型所描述的流行病可以向前推演,以预测若什么都不做、或采取这样那样的措施,接下来会发生什么。
这些预测因不确定性而变得模糊:模型构建始终只是对现实的近似,而计算模拟依赖于由生物学数据得出的参数,这些数据因在野外、常常是在艰苦条件下采集而不够精确。尽管如此,借助足够的计算能力,模型中的不确定性是可以被量化的,因此我们可以说:结果A的概率为85%,结果B的概率为19%,结果C的概率为1%。当然,罕见事件也确实会发生。
航空运输网络是许多传染病全球扩散的关键。一旦爆发流行病,各国政府、卫生防护机构以及焦虑的公众最担心的,是疾病蔓延至本国的风险。
输入性病例的风险可以通过数学模型加以量化,这些模型将当地流行病的基本信息与航班网络中的详细旅客数量信息相结合。
针对本次埃博拉疫情, 此类初步分析已经完成 ,方法是改造 一个全球流行病与人口流动模型 ,该模型最初是为大流行性流感开发的。
此类模型还可用于考察各种遏制策略的可能影响,例如关闭某些航线或机场,前提是假设人们不会以出人意料的方式对这种不便作出反应。
定性一端的模型则更为简单,是对现实更为程式化的表征。这些模型通常旨在提供基本洞见,揭示简单组成部分之间的相互作用如何塑造涌现的动态,而这些动态可能异常复杂。例如, 登革热病毒的定性数学建模 已表明,一年中传播的季节性变化与不同病毒型别之间的免疫相互作用相结合,可以产生跨越数年的流行率周期。
简单定性模型的建立和分析速度很快,因此适合进行快速的思想实验,以支持紧急决策。它们可用于从总体上探讨如果这样做或那样做会发生什么,更关键的是探讨其原因。这个“为什么”很难从高度细化的模型中提取出来,却有可能直击流行病的核心。
在城市或省的尺度上,评估流行病管理策略时的一个重要考量,是社会人口结构如何影响流行病的展开方式。就埃博拉而言,传播需要与感染者密切接触。对社会人口结构的一种合理抽象,可以采用 按家庭划分结构的人口 ,即家庭内部传播强烈,而家庭之间的传播较弱。
此类模型可以阐明家庭规模分布,或流行病期间家庭内部与家庭之间传播相对权重等因素的作用。它还可用于探讨那些对这些结构产生影响的潜在控制措施,将如何影响或无法影响流行病的发展轨迹。
知识宝库
流行病学建模的历史可以追溯到一百多年前。 罗纳德·罗斯,他发现疟疾是由蚊子传播的,并在20世纪初运用简单的数学模型为其抗疟运动提供依据。罗斯利用方程式将蚊子传染给人、再由人传染给蚊子的过程形式化,并运用这一框架来理解人类感染数量与蚊子种群规模之间的关系。
自那以后,数学分析已为一大批病原体和寄生虫的流行病学提供了洞见,范围从 蠕虫 延伸到艾滋病(HIV)。这些研究形成了庞大的知识、方法与技术宝库,支撑着人们对传染病动态的现代理解。
流行病数学研究领域的研究群体从未像今天这样庞大或活跃,他们正在探索更有效地管理地方性传染病的方法,研究如何最好地利用技术或药物创新,并在埃博拉等新出现的挑战面前提供战略支持。
作者:本·亚当斯(Ben Adams)是巴斯大学(University of Bath)的数学生物学家。
图片:一位教授在黑板上书写。REUTERS/Brian Snyder



