元种群模型中个体异质性对传染病传播动力学的影响及其在COVID-19防控中的应用

本研究针对传统元种群模型(Metapopulation model)忽略种群内异质性的局限，通过建立包含个体易感性/暴露度差异的SI/SIR模型，系统量化了异质性对基本再生数(R0)的低估效应，提出基于地理分层的风险分布推断方法，并以苏格兰COVID-19疫情为例验证模型适用性，为精准防控提供理论支撑。

　　

在传染病防控领域，传统数学模型常面临"简化与真实"的两难抉择：完全均质化假设虽便于计算却偏离现实，而考虑个体差异的复杂模型又难以推广应用。这种矛盾在元种群模型(Metapopulation model)中尤为突出——现有研究多聚焦于种群间迁移网络，却默认种群内部个体在接触率、易感性等关键参数上完全均一。这种简化可能造成多大偏差？如何构建既保留异质性特征又具操作性的分析框架？

来自葡萄牙科学技术基金会(FCT)资助项目的研究团队在《Journal of Theoretical Biology》发表的最新研究给出了系统性解决方案。通过建立包含离散风险等级的SI/SIR模型，团队首次量化证明了种群内异质性会导致传统模型显著低估基本再生数(R₀)和防控难度：当高风险个体优先感染后，剩余群体的平均风险持续降低，形成"风险衰减效应"，这与均质模型的线性预测形成鲜明对比。更突破性的是，研究者开发出基于地理分层的逆向推断算法，仅需常规流行病学数据即可重建隐藏的个体风险分布。

关键技术包括：1) 构建多风险等级元种群动力学方程；2) 采用苏格兰爱丁堡与格拉斯哥COVID-19发病率数据进行模型校准；3) 通过矩生成函数推导群体尺度等效参数。研究结果显示，忽略城市内部社会经济差异会使R₀估值偏低达27%，这解释了为何某些区域需更高疫苗接种覆盖率才能达成群体免疫。

【A metapopulation model with in-patch heterogeneity】

通过离散化连续风险分布，将传统SI/SIR模型扩展为包含k个风险等级的方程组。数学推导证明，当个体易感性服从伽马分布时，群体尺度等效R₀需乘以(1+CV²)校正因子(CV为变异系数)。

【A case study of COVID-19 in two cities in Scotland】

对比爱丁堡(高收入聚集)与格拉斯哥(社区差异显著)的疫情数据，发现后者需额外18%的疫苗覆盖率才能达到同等防控效果，证实地理分层可有效代理未观测的个体风险。

【Discussion】

该研究架起了理论流行病学与公共卫生实践的桥梁：既保留元种群模型的简洁框架，又通过风险分层机制捕捉到"超级传播者"等异质性现象。方法论创新尤其适用于数据有限的早期疫情评估，如对新型病原体R₀的快速校准。作者Diepreye Ayabina等特别指出，这种"由粗到细"的建模思路可延伸至抗生素耐药性监测、肿瘤异质性研究等跨学科领域。

这项研究获得FCT项目UIDB/00297/2020资助，其核心价值在于提供了一种成本效益极高的分析工具——无需个体级精细数据，仅通过合理分区就能显著提升传统模型的预测准确性，这对资源有限地区的传染病防控具有特殊意义。正如研究者强调，在COVID-19大流行已揭示全球健康不平等的当下，这种能量化隐藏异质性的方法，或将成为实现卫生公平的新一代决策支持技术。