Pendekatan baru untuk pemodelan epidemi dapat mempercepat simulasi pandemi
Simulasi yang membantu menentukan bagaimana pandemi skala besar akan menyebar dapat memakan waktu berminggu-minggu atau bahkan berbulan-bulan untuk dijalankan. Sebuah studi baru-baru ini di PLOS Computational Biology menawarkan pendekatan baru untuk pemodelan epidemi yang dapat secara drastis mempercepat prosesnya.
Studi ini menggunakan sparsifikasi, metode dari teori grafik dan ilmu komputer, untuk mengidentifikasi tautan mana dalam jaringan yang paling penting untuk penyebaran penyakit.
Dengan berfokus pada tautan kritis, penulis menemukan bahwa mereka dapat mengurangi waktu komputasi untuk mensimulasikan penyebaran penyakit melalui jejaring sosial yang sangat kompleks hingga 90% atau lebih.
"Simulasi epidemi membutuhkan sumber daya komputasi yang substansial dan waktu untuk dijalankan, yang berarti hasil Anda mungkin sudah ketinggalan zaman pada saat Anda siap untuk menerbitkan," kata penulis utama Alexander Mercier, mantan Peneliti Sarjana di Santa Fe Institute dan sekarang menjadi Ph.D. mahasiswa di Harvard T.H. Chan School of Public Health. "Penelitian kami pada akhirnya dapat memungkinkan kami untuk menggunakan model yang lebih kompleks dan kumpulan data yang lebih besar sambil tetap bertindak pada skala waktu yang wajar saat mensimulasikan penyebaran pandemi seperti COVID-19."
Untuk studi ini, Mercier, dengan peneliti SFI Samuel Scarpino dan Cristopher Moore, menggunakan data dari Biro Sensus AS untuk mengembangkan jaringan mobilitas yang menggambarkan bagaimana orang-orang di seluruh negeri bepergian.
Kemudian, mereka menerapkan beberapa metode sparifikasi yang berbeda untuk melihat apakah mereka dapat mengurangi kepadatan jaringan sambil mempertahankan dinamika keseluruhan penyakit yang menyebar di seluruh jaringan.
Teknik sparsifikasi paling sukses yang mereka temukan adalah resistensi yang efektif. Teknik ini berasal dari ilmu komputer dan didasarkan pada resistansi total antara dua titik akhir dalam rangkaian listrik. Dalam studi baru, resistensi efektif bekerja dengan memprioritaskan tepi, atau tautan, antara node dalam jaringan mobilitas yang merupakan jalan penularan penyakit yang paling mungkin sambil mengabaikan tautan yang dapat dengan mudah dilewati oleh jalur alternatif.
"Adalah umum dalam ilmu kehidupan untuk secara naif mengabaikan tautan dengan berat badan rendah dalam jaringan, dengan asumsi bahwa mereka memiliki kemungkinan kecil untuk menyebarkan penyakit," kata Scarpino. "Tetapi seperti dalam slogan 'kekuatan ikatan yang lemah,' bahkan hubungan dengan bobot rendah dapat menjadi penting secara struktural dalam epidemi - misalnya, jika menghubungkan dua wilayah yang jauh atau komunitas yang berbeda."
Dengan menggunakan pendekatan sparifikasi resistensi yang efektif, para peneliti menciptakan jaringan yang berisi 25 juta tepi lebih sedikit — atau sekitar 7% dari jaringan komuter AS yang asli — sambil mempertahankan dinamika epidemi secara keseluruhan.
"Ilmuwan komputer Daniel Spielman dan Nikhil Srivastava telah menunjukkan bahwa sparsifikasi dapat menyederhanakan masalah linier, tetapi menemukan bahwa itu bekerja bahkan untuk masalah nonlinier, stokastik seperti epidemi adalah kejutan nyata," kata Moore.
Meskipun masih dalam tahap awal pengembangan, penelitian ini tidak hanya membantu mengurangi biaya komputasi untuk mensimulasikan pandemi skala besar tetapi juga mempertahankan detail penting tentang penyebaran penyakit, seperti kemungkinan saluran sensus tertentu terinfeksi dan kapan epidemi kemungkinan akan tiba di sana.
Simulasi yang membantu menentukan bagaimana pandemi skala besar akan menyebar dapat memakan waktu berminggu-minggu atau bahkan berbulan-bulan untuk dijalankan. Sebuah studi baru-baru ini di PLOS Computational Biology menawarkan pendekatan baru untuk pemodelan epidemi yang dapat secara drastis mempercepat prosesnya.
Studi ini menggunakan sparsifikasi, metode dari teori grafik dan ilmu komputer, untuk mengidentifikasi tautan mana dalam jaringan yang paling penting untuk penyebaran penyakit.
Dengan berfokus pada tautan kritis, penulis menemukan bahwa mereka dapat mengurangi waktu komputasi untuk mensimulasikan penyebaran penyakit melalui jejaring sosial yang sangat kompleks hingga 90% atau lebih.
"Simulasi epidemi membutuhkan sumber daya komputasi yang substansial dan waktu untuk dijalankan, yang berarti hasil Anda mungkin sudah ketinggalan zaman pada saat Anda siap untuk menerbitkan," kata penulis utama Alexander Mercier, mantan Peneliti Sarjana di Santa Fe Institute dan sekarang menjadi Ph.D. mahasiswa di Harvard T.H. Chan School of Public Health. "Penelitian kami pada akhirnya dapat memungkinkan kami untuk menggunakan model yang lebih kompleks dan kumpulan data yang lebih besar sambil tetap bertindak pada skala waktu yang wajar saat mensimulasikan penyebaran pandemi seperti COVID-19."
Untuk studi ini, Mercier, dengan peneliti SFI Samuel Scarpino dan Cristopher Moore, menggunakan data dari Biro Sensus AS untuk mengembangkan jaringan mobilitas yang menggambarkan bagaimana orang-orang di seluruh negeri bepergian.
Kemudian, mereka menerapkan beberapa metode sparifikasi yang berbeda untuk melihat apakah mereka dapat mengurangi kepadatan jaringan sambil mempertahankan dinamika keseluruhan penyakit yang menyebar di seluruh jaringan.
Teknik sparsifikasi paling sukses yang mereka temukan adalah resistensi yang efektif. Teknik ini berasal dari ilmu komputer dan didasarkan pada resistansi total antara dua titik akhir dalam rangkaian listrik. Dalam studi baru, resistensi efektif bekerja dengan memprioritaskan tepi, atau tautan, antara node dalam jaringan mobilitas yang merupakan jalan penularan penyakit yang paling mungkin sambil mengabaikan tautan yang dapat dengan mudah dilewati oleh jalur alternatif.
"Adalah umum dalam ilmu kehidupan untuk secara naif mengabaikan tautan dengan berat badan rendah dalam jaringan, dengan asumsi bahwa mereka memiliki kemungkinan kecil untuk menyebarkan penyakit," kata Scarpino. "Tetapi seperti dalam slogan 'kekuatan ikatan yang lemah,' bahkan hubungan dengan bobot rendah dapat menjadi penting secara struktural dalam epidemi - misalnya, jika menghubungkan dua wilayah yang jauh atau komunitas yang berbeda."
Dengan menggunakan pendekatan sparifikasi resistensi yang efektif, para peneliti menciptakan jaringan yang berisi 25 juta tepi lebih sedikit — atau sekitar 7% dari jaringan komuter AS yang asli — sambil mempertahankan dinamika epidemi secara keseluruhan.
"Ilmuwan komputer Daniel Spielman dan Nikhil Srivastava telah menunjukkan bahwa sparsifikasi dapat menyederhanakan masalah linier, tetapi menemukan bahwa itu bekerja bahkan untuk masalah nonlinier, stokastik seperti epidemi adalah kejutan nyata," kata Moore.
Meskipun masih dalam tahap awal pengembangan, penelitian ini tidak hanya membantu mengurangi biaya komputasi untuk mensimulasikan pandemi skala besar tetapi juga mempertahankan detail penting tentang penyebaran penyakit, seperti kemungkinan saluran sensus tertentu terinfeksi dan kapan epidemi kemungkinan akan tiba di sana.
By Omnipoten
Selesai
DgBlog Omnipoten Taun17 Revisi Blogging Collections Article Article Copyright Dunia Aneh Blog 89 Coriarti Pusing Blogger
No comments:
Post a Comment
Informations From: Article copyright