计算机科学家开发模型来解释疾病等集体场景如何发生

现在是冬天，是感冒的高发季节。如果您可以模拟疾病如何传播怎么办?在康斯坦茨大学卓越集体行为集群，计算机科学博士生JuliaKlein和同事研究了如何使用严格的、基于规则的方法来帮助更好地估计马尔可夫链的参数。研究结果发表在《PLOSONE》杂志上。

马尔可夫链是一种特定的随机模型，我们用它来分析离散时间段内的群体。研究人员研究了只有有限的人口水平数据测量样本可用于分析的场景。没有完整的数据是生物学实验研究的常见情况，因此代表了一个重要的研究兴趣。

例如，克莱因的形式验证方法可以用于预测疾病传播。在这种情况下，人口层面的可用测量数据只是固定时间点情况的快照。当查看特定日期内完成的一波疾病的样本情况时，每个人可能处于三个阶段之一：健康、患病或康复。

克莱因说：“一旦获得这些信息，我们就可以推断感染率和康复率，并使用所得模型来模拟不同人口规模的情况在较长时间内将如何发展。”

许多其他集体现象可以用这个模型来模拟。例如，研究人员用它来观察蜜蜂的螫刺行为。他们发现蜂群越大，蜜蜂就越不愿意蜇人。

克莱因和她的同事开发了这种方法，因为随机群体模型被广泛用于模拟不同领域的现象，例如网络物理系统、化学动力学或集体动物行为。然而，正如克莱因所说，这是有局限性的，“由于种群可能状态的组合数量，随机种群模型的定量分析很容易变得具有挑战性。

“此外，虽然创建模型的人很容易提出模型的不同部分如何连接，但很难或有时不可能直接测量描述这些连接的数字。”

一种新的、更准确的方法?

计算机科学家提出并实施了四个不同的案例研究，包括疾病传播模型和蜂群社会反馈机制模型。

基于这些案例研究，计算机科学教授TatjanaPetrov表示：“我们发现，所提出的方法将形式参数综合作为预计算步骤，使我们能够显着提高推论的准确性、精确性和可扩展性。具体来说，在无法识别参数的情况下，我们可以准确地捕获参数的子空间，该子空间在所需的置信水平上符合数据要求。”