Koronavírus: Komoly szükség a kapcsolatok elemzésére

A Graph Analytics felbecsülhetetlen értékű lehet a járványok megelőzésében.

James Hamblin február 24-én egy cikket tett közzé az Atlanti-óceánban, figyelemfelkeltő címsorával: „Valószínűleg megkapod a koronavírust”. Ebben összehasonlítja a jelenlegi COVID-19 járványt a korábbi eseményekkel: H5N1 madárinfluenza, SARS és MERS. Ezek mindegyike sokkal halálosabb volt az emberek számára. Szerencsére eloszlásukban is korlátozottabbak voltak, és az összes halálesetet kevesebb, mint 1000 embernél tartották. Másrészt sok közegészségügyi tudós pesszimista attól, hogy a COVID-19-et szorosan bezárják, részben azért, mert kevésbé virulens. Az egyik tudós azt várja, hogy ez végül olyan lesz, mint a megfázás vagy az influenza - szezonális kór, amely globális és évente bizonyos számú embert megöl.

Itt van az érvelés: a COVID-19-vel fertőzött személyek lassan mutatják a tüneteket; fertőzőek lehetnek anélkül, hogy tudnák. Ezért a fertőzött személyek egy ideig folytatják a normális tevékenységet, és sokan mások is megfertőzik. Ezzel szemben azok a személyek, akiknél a SARS volt, betegek voltak, abbahagyták a mozgást, és sok esetben meghaltak, és befejezték a további fertőzést tőlük.

Vírusos szaporodás

A fertőzés dinamikájáról - a vírusterjedésről - folytatott vita felhívta a figyelmet a matematikai modellekre, amelyekről az iskolai napokban olvastam, amikor először elkezdtem grafikonanalitikai és hálózati dinamikákat tanulmányozni. Az egyik papír, amely ragaszkodott a David Kempe és Jon Kleinberg befolyásának társadalmi hálózaton keresztüli terjedésének maximalizálása. Leírták a terjedési mechanizmus két kategóriáját - egy lineáris küszöböt, ahol a cél akkor aktiválódik, ha elegendő szomszéd aktiválódik, és egy független kaszkádot, ahol minden aktivált személynek bizonyos valószínűsége van minden szomszéd aktiválásáról. Úgy tűnik, hogy a független kaszkádmodell jobban megfelel a COVID-19-nek.

A Johns Hopkins Rendszertudományi és Műszaki Központ globális térképet vezet a COVID-19 esetekről, vizuálisan ábrázolva a létfontosságú statisztikákat hely szerint, lehetőleg a városig. Amikor meglátom, hogy a betegség eljutott Észak-Amerikába, nagy a korreláció a nagy nemzetközi repülőterekkel, mivel természetesen a légi utasok voltak az eszközök, amelyekkel a vírus átjutott az óceánon.

A képernyőképe a Johns Hopkins CSSE Coronavirus-19 térképéről, 2020. február 26-án készült.

A COVID-19 terjedésének modellezése

Hol vezet ez az egész? Felépíthetnénk egy egyszerű gráf alapú modellt egy olyan fertőző betegség terjedésének modellezésére, mint a COVID-19.

  1. Nemrégiben bemutattam néhány webináriumot olyan grafikus algoritmusokról, amelyek adatkészletként használták a globális kereskedelmi repülési útvonalakat. Használja ezt vagy hasonló grafikont a magas szintű COVID-19 terjedési útvonalainak modellezéséhez.
  2. A Független Cascade modell segítségével írja le az alapvető dinamikát. Vegye figyelembe az atlanti cikkben és a relevánsnak látszó más tényezőket: A. A szomszéd megfertőzésének valószínűsége B. Egyszerű valószínűségi és időbeli (Markov) modell a fertőzött személy állapotaira, például * Légi utasok száma naponta minden útvonalon. * A fertőződés valószínűsége, késéssel és időtartammal * A rossz közérzet valószínűsége, késéssel és időtartammal * A halál valószínűsége, a késleltetési idő

Ez amatőr megközelítés? Biztos. De legalább jó oktatási eszköz lehet annak magyarázata, hogyan és miért terjednek a különböző betegségek eltérően.

Komoly munkához ezt össze szeretné kapcsolni a szárazföldi szaporítás modelleivel. Itt sokkal összetettebbé válik, mert az emberi interakció sokkal magasabb. Az epidemiológusok meglévő technikákat alkalmaznak ezekre a vizsgálatokra, és kétségtelenül néhányuk grafikon modellezést alkalmaz. A grafikon mind a földrajzi helyzetre vonatkozó adatokat, mind az elvont dolgokat, például a szűrő lépéseit és a karantén programot modellezheti. A biológiai tudományok kutatói szintén grafikonokat használnak a metabolikus folyamatok és folyamatok modellezésére, és az alrajzi hasonlóságot használják a hatékony kezelések keresése során. A biológiai tudósok számos előrelépést vezettek a hálózati elemzés terén. A grafikus elemzés gazdagabb adatokat is szolgáltat a mélyreható tanulási alkalmazások kiképzéséhez, olyan minták és megoldások megtalálásához, amelyeket az emberek figyelmen kívül hagynak.

Ötletek összekapcsolása

A TigerGraph kínai értékesítési irodájában kollégáink engedélyt adtak a helyi hatóságoknak a TigerGraph Enterprise Edition használatára a válság ideje alatt. Az Egyesült Államok fő TigerGraph irodájában azt tervezzük, hogyan tudunk segítséget nyújtani a COVID-19 elleni versenyben is. Ingyenes verziókat kínálunk már a felhőben vagy a saját számítógépére történő telepítéshez.

Ez lehetőséget kínál a különböző területek és háttérrel rendelkező emberek számára, hogy közös érdekükben működjenek együtt. Külön fórumot állítunk fel a https://community.tigergraph.com/c/project-impact/covid-19 címen. Ha van ötlete és kérdése a grafikonmodellek és az elemzés használatával kapcsolatban, vagy együttműködőket keres, kérjük, csatlakozzon hozzánk.