Per prevedere un'epidemia, l'evoluzione non può essere ignorata

Quando gli scienziati provano a prevedere la diffusione di qualcosa tra le popolazioni - qualsiasi cosa, da un coronavirus alla disinformazione - usano modelli matematici complessi per farlo. Tipicamente, studieranno i primi passi in cui il soggetto si diffonde e useranno quel tasso per proiettare quanto lontano andrà la diffusione.

Per prevedere un'epidemia, l'evoluzione non può essere ignorata

Per prevedere un'epidemia, l'evoluzione non può essere ignorata

Quando gli scienziati provano a prevedere la diffusione di qualcosa tra le popolazioni - qualsiasi cosa, da un coronavirus alla disinformazione - usano modelli matematici complessi per farlo. Tipicamente, studieranno i primi passi in cui il soggetto si diffonde e useranno quel tasso per proiettare quanto lontano andrà la diffusione.

Ma cosa succede se un agente patogeno muta o le informazioni vengono modificate, cambiando la velocità con cui si diffonde? In un nuovo studio che appare nel numero di questa settimana di Proceedings of National Academy of Sciences (PNAS) , un team di ricercatori della Carnegie Mellon University mostra per la prima volta quanto siano importanti queste considerazioni.

"Questi cambiamenti evolutivi hanno un impatto enorme", afferma Osman Yagan, docente di CyLab, professore associato di ingegneria elettrica e informatica (ECE) e corrispondente autore dello studio. "Se non si considerano i potenziali cambiamenti nel tempo, si sbaglierà nel prevedere il numero di persone che si ammaleranno o il numero di persone che sono esposte a un'informazione".

La maggior parte delle persone ha familiarità con le epidemie della malattia, ma le informazioni stesse - oggigiorno viaggiando alla velocità della luce sui social media - possono sperimentare il proprio tipo di epidemia e "diventare virali". Il fatto che un'informazione diventi virale o meno può dipendere da come viene modificato il messaggio originale.

"Alcuni pezzi di disinformazione sono intenzionali, ma alcuni possono svilupparsi organicamente quando molte persone eseguono sequenzialmente piccoli cambiamenti come un gioco di" telefono "", afferma Yagan. "Un'informazione apparentemente noiosa può trasformarsi in un Tweet virale e dobbiamo essere in grado di prevedere come si diffondono queste cose".

Nel loro studio, i ricercatori hanno sviluppato una teoria matematica che prende in considerazione questi cambiamenti evolutivi. Hanno quindi testato la loro teoria contro migliaia di epidemie simulate al computer in reti del mondo reale, come Twitter per la diffusione di informazioni o un ospedale per la diffusione di malattie.

Nel contesto della diffusione di malattie infettive, il team ha eseguito migliaia di simulazioni utilizzando i dati di due reti del mondo reale: una rete di contatto tra studenti, insegnanti e personale di una scuola superiore degli Stati Uniti e una rete di contatto tra personale e pazienti in un ospedale di Lione, Francia.

Queste simulazioni sono servite da banco di prova: la teoria che corrisponde a ciò che viene osservato nelle simulazioni si rivelerebbe più accurata.

"Abbiamo dimostrato che la nostra teoria funziona su reti del mondo reale", afferma il primo autore dello studio, Rashad Eletreby, che era un dottorato di ricerca Carnegie Mellon. studente quando ha scritto il giornale. "I modelli tradizionali che non considerano gli adattamenti evolutivi non riescono a prevedere la probabilità dell'emergenza di un'epidemia."

Mentre lo studio non è un proiettile d'argento per predire la diffusione del coronavirus di oggi o la diffusione di notizie false nell'attuale ambiente politico instabile con un'accuratezza del 100%, è necessario disporre di dati in tempo reale per monitorare l'evoluzione dell'agente patogeno o informazioni quello - gli autori dicono che è un grande passo.

"Siamo un passo avanti verso la realtà", afferma Eletreby.

Altri autori dello studio includevano il dottorato di ricerca ECE. la studentessa Yong Zhuang, professoressa Kathleen Carley dell'Institute for Software Research e Vincent Poor, professore di ingegneria elettrica di Princeton.


Fonte:

College of Engineering, Carnegie Mellon University


Riferimenti:

Rashad Eletreby, Yong Zhuang, Kathleen M. Carley, Osman Yağan e H. Vincent Poor. Gli effetti degli adattamenti evolutivi sui processi di diffusione in reti complesse. PNAS , 2020 DOI: 10.1073 / pnas.1918529117