模型显示在新冠大流行早期出现了“短暂的群体免疫” 但遭破坏

据外媒报道,科学家们开发了一个模型,显示在新冠大流行早期出现了脆弱的、暂时的群体免疫状态,但是随着时间的推移,人们改变了他们的社会行为,导致了未来的感染浪潮。

COVID-19-Social-Activity.jpg

美国能源部(DOE)下属布鲁克海文国家实验室(BNL)和伊利诺伊大学厄巴纳-香槟分校(UIUC)的科学家们开发了一个新的数学模型,用于预测像COVID-19这样的流行病如何传播。这个模型不仅考虑了个人对感染的不同生物敏感性,而且还考虑了他们的社会活动水平,这些活动随着时间的推移而自然改变。利用他们的模型,研究小组表明,在大流行的早期、快节奏阶段,出现了一种暂时的群体免疫状态--他们称之为 "短暂的群体免疫"。然而,由于所施加的缓解措施发生变化,导致社会行为发生变化,因此预计会出现随后的“感染浪潮”或病例数激增。他们的结果于2021年4月8日在线发布,提前在《美国国家科学院院刊》上发表。

COVID-19疫情于2020年初到达美国,到3月份迅速蔓延到几个州。为了缓解新冠病毒的传播,各州发布了居家令,关闭了学校和企业,并制定了口罩措施。在纽约市和芝加哥等主要城市,第一波疫情在6月结束。在冬季,这两个城市爆发了第二波;事实上,随后的COVID-19感染浪潮在世界各地都出现了。流行病经常表现出这种常见的模式,即最初的一波结束后,又出乎意料地出现了随后的一波,但要对这种普遍现象有一个详细的定量了解,一直是一个挑战。

流行病的数学模型是在近100年前首次开发的,但必然不能完美地反映现实。它们的缺陷之一是没有考虑到人与人之间的接触网络的结构,这些网络是传染病传播的渠道。

"经典的流行病学模型往往忽略了这样一个事实,即人口是异质的,或者说是不同的,在多个层面上,包括生理上和社会上,"主要作者Alexei Tkachenko说,他是功能纳米材料中心(CFN)理论和计算组的物理学家,该中心是布鲁克海文实验室的能源部科学办公室用户设施。"由于年龄、预先存在的健康状况和遗传学等因素,我们对感染的易感性不尽相同。同样,我们在社会生活中的活动水平也不尽相同。在不同的季节里,我们拥有的亲密接触者的数量以及与他们互动的频率都不同。人口异质性--这些生物和社会易感性的个体差异--特别重要,因为它降低了群体免疫的阈值"。

群体免疫是指人口中必须达到免疫力的百分比,以便结束一场流行病。"CFN用户、UIUC的教授和Bliss学院学者Sergei Maslov说:“群体免疫是一个有争议的话题”,他在物理系、生物工程系和Carl R. Woese基因组生物学研究所任教。"从COVID-19大流行的早期开始,就有人建议迅速达到群体免疫,从而结束病毒的局部传播。然而,我们的研究表明,以这种方式达到的明显的群体免疫不会持久"。

据UIUC的Swanlund物理学教授、Carl R. Woese基因组生物学研究所的生物复杂性小组组长Nigel Goldenfeld说,群体免疫的概念在实践中并不适用于COVID-19。“人们的社会活动有增有减,特别是由于封锁或其他缓解措施。因此,当易感人群或更多的社会群体集体被感染时,一波流行病似乎会因为缓解措施而消失--我们称之为短暂的群体免疫。但是,一旦这些措施被放松,人们的社会网络被更新,另一个浪潮就会开始,就像我们看到的那样,各州和国家过早地开放,以为最坏的情况已经过去。”

唐纳德比格威利特工程学院研究员、UIUC土木与环境工程教授艾哈迈德-埃尔班纳指出,短暂的群体免疫对公共政策有深远的影响。Elbanna说:“缓解措施,如戴口罩和避免大型集会,应该继续下去,直到通过接种疫苗达到真正的群体免疫阈值。我们不能通过广泛的感染强行达到群体免疫来战胜这种病毒,因为受感染的人数和可能死亡的住院人数会太高。”

Epidemiological-Models-COVID-19-Graph-777x618.jpg

预测模型的核心和细节

在过去的一年里,布鲁克海文-UIUC团队一直在开展与更广泛的COVID-19建模工作相关的各种项目。在此之前,他们模拟了该流行病将如何在伊利诺伊州和UIUC校园内传播,以及缓解工作将如何影响这种传播。然而,他们对现有的数学框架不满意,这些框架假定异质性随时间变化而保持不变。例如,如果某人今天不参加社交活动,那么就会假设他们明天或未来几周和几个月内都不会参加社交活动。这种假设似乎是不现实的,他们的工作代表了弥补这一缺陷的第一次尝试。

"基本的流行病学模型只有一个特征时间,称为生成间隔或潜伏期,"Tkachenko说。"它指的是你在自己被感染后可以感染另一个人的时间。对于COVID-19,它大约是五天。但这只是一个时间尺度。还有其他的时间尺度,人们在这些时间里会改变他们的社会行为。"

在这项工作中,该团队将个人社会活动的时间变化纳入现有的流行病学模型。这种模型的工作原理是给每个人分配一个概率,即如果暴露在相同的环境中,他们有多大可能被感染(生物易感性),以及他们有多大可能感染其他人(社会活动)。需要一个复杂的多维模型来描述每组具有不同疾病易感性的人。他们把这个模型压缩到只有三个方程,开发了一个参数来捕捉异质性的生物和社会来源。

Maslov解释说:“我们称这个参数为免疫因子,它告诉你当易感个体被从人口中移除时,繁殖数量下降了多少。”繁殖数量表明一种传染病的传播程度。具体来说,这个数量是指一个受感染的人将反过来感染多少人。在经典的流行病学中,繁殖数与易感个体的比例成正比;如果易感个体的数量减少10%,繁殖数也会减少。免疫因子描述了随着易感个体库的耗尽,繁殖数量会有更大的减少。

为了估计社会对免疫因子的贡献,该团队利用了以前的研究,在这些研究中,科学家们积极监测人们的社会行为。他们还研究了实际的疫情动态,确定了与纽约市和芝加哥的COVID-19相关的住院、重症监护室(ICU)收治和每日死亡数据最一致的免疫因子。该团队还能够利用伦敦帝国理工学院的科学家早先进行的分析,将他们的计算结果扩展到美国所有50个州。

在城市和州一级,在受COVID-19严重影响的地方,繁殖数量减少的程度较大。例如,在纽约市和芝加哥的早期快速流行期间,当易感人数下降10%时,繁殖人数下降了40%至50%--对应的估计免疫系数为4至5。

Tkachenko说:“这是一个相当大的免疫系数,但它不代表持久的群体免疫力。在更长的时间范围内,我们估计的免疫系数要低得多,大约为2。单一浪潮停止的事实并不意味着你是安全的。它可以回来。”

这种暂时的免疫状态的产生是因为人口的异质性不是永久性的。换句话说,人们会随着时间的推移改变他们的社会行为。例如,在第一波中自我隔离的人--呆在家里,没有访客,在网上订购杂货--随后开始放松他们的行为。社会活动的任何增加都意味着额外的暴露风险。 如图所示,其结果可能是出现了一种错误的印象,即流行病已经结束,尽管还有更多的浪潮要来。

在使用纽约市和芝加哥的COVID-19数据对模型进行校准后,该团队根据他们制定的异质性假设预测了这两个城市的未来传播,重点是社会贡献。

Tkachenko解释说:“一般来说,社会对异质性的贡献比生物贡献有更大的影响,后者取决于疾病的具体生物细节,因此并不那么普遍或稳健。”

在后续的工作中,科学家们正在更详细地研究流行病的动态。例如,他们正在将来自 "超级传播者 "事件的统计数据输入该模型--在这些事件中,一个受感染的人在与会者中引起了大规模的爆发。他们还将他们的模型应用于全美不同地区,以解释从封锁结束到2021年3月初的整体疫情动态。

“我们的模型可以被看作是一个通用的补丁,可以应用于传统的流行病学模型,以方便考虑异质性,”Tkachenko说。“预测未来的浪潮将需要额外的考虑,如地理变异性、季节性影响、新菌株的出现和疫苗接种水平。”

您可能还会对下面的文章感兴趣: