.
As simulações que ajudam a determinar como uma pandemia em larga escala se espalhará podem levar semanas ou até meses para serem executadas. Um estudo recente em PLOS Biologia Computacional oferece uma nova abordagem para a modelagem epidêmica que pode acelerar drasticamente o processo.
O estudo usa a esparsificação, um método da teoria dos grafos e da ciência da computação, para identificar quais links em uma rede são os mais importantes para a propagação de doenças.
Ao focar em links críticos, os autores descobriram que poderiam reduzir o tempo de computação para simular a propagação de doenças através de redes sociais altamente complexas em 90% ou mais.
“As simulações epidêmicas exigem recursos computacionais substanciais e tempo para serem executadas, o que significa que seus resultados podem estar desatualizados quando você estiver pronto para publicar”, diz o principal autor Alexander Mercier, ex-bolsista de graduação no Santa Fe Institute e agora Ph. D. estudante da Harvard TH Chan School of Public Health. “Nossa pesquisa pode nos permitir usar modelos mais complexos e conjuntos de dados maiores enquanto ainda atuamos em uma escala de tempo razoável ao simular a propagação de pandemias como a COVID-19”.
Para o estudo, Mercier, com os pesquisadores do SFI Samuel Scarpino e Cristopher Moore, usou dados do US Census Bureau para desenvolver uma rede de mobilidade descrevendo como as pessoas em todo o país se deslocam.
Em seguida, eles aplicaram vários métodos diferentes de esparsificação para ver se podiam reduzir a densidade da rede, mantendo a dinâmica geral de uma doença se espalhando pela rede.
A técnica de esparsificação mais bem-sucedida que eles encontraram foi resistência efetiva. Essa técnica vem da ciência da computação e é baseada na resistência total entre dois pontos finais em um circuito elétrico. No novo estudo, a resistência eficaz funciona priorizando as bordas, ou links, entre os nós da rede de mobilidade que são os caminhos mais prováveis de transmissão de doenças, ignorando os links que podem ser facilmente contornados por caminhos alternativos.
“É comum nas ciências da vida ignorar ingenuamente links de baixo peso em uma rede, presumindo que eles têm uma pequena probabilidade de espalhar uma doença”, diz Scarpino. “Mas, como no slogan ‘a força dos laços fracos’, mesmo um elo de baixo peso pode ser estruturalmente importante em uma epidemia – por exemplo, se conectar duas regiões distantes ou comunidades distintas”.
Usando sua abordagem de esparsificação de resistência efetiva, os pesquisadores criaram uma rede contendo 25 milhões de arestas a menos – ou cerca de 7% da rede de comutação original dos EUA – preservando a dinâmica epidêmica geral.
“Os cientistas da computação Daniel Spielman e Nikhil Srivastava mostraram que a esparsificação pode simplificar problemas lineares, mas descobrir que funciona mesmo para problemas estocásticos não lineares, como uma epidemia, foi uma verdadeira surpresa”, diz Moore.
Embora ainda em estágio inicial de desenvolvimento, a pesquisa não apenas ajuda a reduzir o custo computacional da simulação de pandemias em larga escala, mas também preserva detalhes importantes sobre a propagação da doença, como a probabilidade de um setor censitário específico ser infectado e quando a epidemia é provável para chegar lá.
Fonte da história:
Materiais fornecidos por Instituto Santa Fé. Observação: o conteúdo pode ser editado quanto ao estilo e tamanho.
.
