个体水平空间传染病模型快速计算的复合方法

《Spatial Statistics》:Composite method for fast computation of individual level spatial epidemic models

【字体: 大 中 小 】 时间:2026年02月11日 来源:Spatial Statistics 2.7

编辑推荐:

  个体水平模型(individual-level models,ILM)常用于传染病建模,因其可灵活纳入影响易感性与传染性的个体水平协变量。然而ILM的推断计算密集,尤其当总体规模增大并加入更多协变量时。研究人员提出一种复合方法——复合ILM(composite

  
个体水平模型(individual-level models,ILM)常用于传染病建模,因其可灵活纳入影响易感性与传染性的个体水平协变量。然而ILM的推断计算密集,尤其当总体规模增大并加入更多协变量时。研究人员提出一种复合方法——复合ILM(composite ILM,C-ILM),将总体聚类为最小干扰子群体,簇间感染通过“spark函数”实现,从而允许子集并行计算后聚合。聚焦C-ILM,研究人员考虑四种spark函数,并引入Dirichlet过程混合模型(Dirichlet process mixture modelling,DPMM)算法进行聚类。模拟结果表明,除计算更快外,C-ILM在参数估计与后验预测中表现良好;且在C-ILM框架下,DPMM算法优于常规K-means算法。研究人员将方法应用于2001年英国口蹄疫(foot-and-mouth disease,FMD)暴发数据,证据显示C-ILM不仅计算高效,且相比基础空间ILM获得更好模型拟合。
研究背景方面,传统房室模型如易感-感染-移除(susceptible-infected-removed,SIR)框架假设人群同质,难以刻画个体异质性;个体水平模型(individual-level model,ILM)由Deardon等于2010年提出,可纳入个体协变量与空间距离或接触网络,放松同质混合假设,并在贝叶斯框架下处理缺失数据。但ILM似然需对每个个体非线性时变感染率求和,总体规模大时计算负担沉重。既有加速策略如仿真推断、近似贝叶斯计算(approximate Bayesian computation,ABC)、聚合-解聚法及分治并行(Consensus Monte Carlo、Likelihood Inflation Sampling Algorithm,LISA)多假设子集独立,忽略簇间传播,损伤推断精度。为此研究人员开展本研究,目标是构建允许簇间低耗传播的复合ILM(composite ILM,C-ILM)框架,在《Spatial Statistics》发表。
关键技术方法上,研究人员采用两阶段流程:先基于空间位置与感染时间用Dirichlet过程混合模型(Dirichlet process mixture modelling,DPMM)棒断表示(stick-breaking)聚类总体,并与仅用空间的K-means对比;后在各簇内以空间幂律核K(i,j)=dij-β算簇内感染,簇间感染由spark函数以低成本补足,形成C-ILM似然并可并行求积。模拟研究基于SIR-ILM离散时间数据,真实数据来自2001年英国口蹄疫牲畜暴发。
研究结果部分,引言指出ILM扩展(地理依赖GD-ILM、行为变化BC-ILM)提升灵活性但增计算量。第2节复合空间ILM方法中,2.1给出通用ILM感染概率P(i,t)=1-exp(-ΩS(i)∑j∈I(t)ΩT(j)K(i,j)-?(i,t))及基础空间ILM(spatial ILM,SILM)形式P(i,t)=1-exp(-α∑j∈I(t)dij-β-?(i));2.2提出C-ILM将求和限为簇内Itk,计算复杂度由∑tNS,tNI,t降至∑t∑kNS,t,kNI,t,k,均匀分簇时约降为原1/K;2.3设五种spark函数:零spark(禁簇间)、常数?、?∑k′≠k|Itk′|dkk′-β?(M1)、代α得M2、换感染质心距得M3、加非线性|I|δ得M4。第3节DPMM聚类用棒断构造无限混合,空间服从双变量高斯N((cjx,cjy),(ωx2,0;0,ωy2),时间分布联合建模,自适应簇数。第4节模拟显示C-ILM配M1–M4与DPMM在估计α、β及后验预测上接近全ILM,且DPMM聚类比K-means更高保真,计算时间随K增大显著缩短。第5节2001英国FMD应用表明C-ILM对数似然优于基础SILM,spark函数捕捉远距跳跃传播。第6节讨论指出C-ILM在保推断质量下换得计算效率,DPMM利用时空信息优于纯空间K-means,未来可扩至GD-ILM、BC-ILM及网络ILM。
结论部分原文表述:C-ILM不仅计算高效,且相比基础空间ILM实现更好模型拟合;DPMM聚类在C-ILM框架下的参数恢复与预测表现优于K-means;所提spark函数机制以低计算成本弥补分治方法忽略簇间传播的缺陷,使分离子集并行MCMC可用于大规模个体水平空间传染病推断。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号