Para predecir una epidemia, la evolución no puede ser ignorada

Para predecir una epidemia, la evolución no puede ser ignorada

Cuando los científicos intentan predecir la propagación de algo entre las poblaciones, desde un coronavirus hasta información errónea, utilizan modelos matemáticos complejos para hacerlo. Por lo general, estudiarán los primeros pasos en los que se propaga el tema, y ​​usarán esa tasa para proyectar qué tan lejos se extenderá la infección. Este valor se denomina r o tasa de crecimiento per cápita en los modelos de crecimiento clásicos, modelos que, fueron creados antes del nacimiento de la teoría de la evolución, y asumen que los individuos son (1) todos iguales y (2) no cambian.

Pero, ¿qué sucede si un patógeno muta o la información se modifica y cambia la velocidad a la que se propaga? En un nuevo estudio que aparece en la edición de esta semana de las Actas de la Academia Nacional de Ciencias (PNAS), un equipo de investigadores de la Universidad Carnegie Mellon muestra por primera vez la importancia de estas consideraciones. "Estos cambios evolutivos tienen un gran impacto", dice el miembro de la facultad de CyLab, Osman Yagan, profesor asociado de investigación en Ingeniería Eléctrica e Informática (ECE) y autor correspondiente del estudio. "Si no considera los posibles cambios a lo largo del tiempo, el modelo se equivocará al predecir el número de personas que se enfermarán o el número de personas que están expuestas a una información".

La mayoría de las personas están familiarizadas con las epidemias de enfermedades, pero la información en sí misma, que actualmente viaja a la velocidad de la luz en las redes sociales, puede experimentar su propio tipo de epidemia y "volverse viral" mientras se altera en cada paso “efecto de teléfono roto”. Si una información se vuelve viral o no puede depender de cómo se modifique el mensaje original. "Algunas informaciones erróneas son intencionales, pero otras pueden desarrollarse orgánicamente cuando muchas personas hacen pequeños cambios secuencialmente como un juego de 'teléfono roto'", dice Yagan. "Una información aparentemente aburrida puede convertirse en un Tweet viral, y debemos ser capaces de predecir cómo se propagarán estas cosas".

En su estudio, los investigadores desarrollaron una teoría matemática que toma en consideración estos cambios evolutivos. Luego probaron su teoría contra miles de epidemias simuladas por computadora en redes del mundo real, como Twitter para la difusión de información o un hospital para la propagación de enfermedades. En el contexto de la propagación de enfermedades infecciosas, el equipo realizó miles de simulaciones utilizando datos de dos redes del mundo real: una red de contacto entre estudiantes, maestros y personal de una escuela secundaria de EE. UU., Y una red de contacto entre personal y pacientes en un hospital en Lyon, Francia.

El tamaño epidémico esperado (S) y la fracción esperada de individuos infectados por cada cepa (S1 y S2) en redes sintéticas generadas por el modelo de configuración con (A) distribución de grados de Poisson y (B) distribución de grados de ley de potencia con corte exponencial. Los resultados de la simulación están muy de acuerdo con los resultados teóricos dados en Materiales y Métodos. Otros resultados.

Estas simulaciones sirvieron como banco de pruebas: la teoría que coincide con lo que se observa en las simulaciones resultaría ser la más precisa. "Demostramos que nuestra teoría funciona en redes del mundo real", dice el primer autor del estudio, Rashad Eletreby, que era un Ph.D. de Carnegie Mellon. estudiante cuando escribió el periódico. "Los modelos tradicionales que no consideran las adaptaciones evolutivas no pueden predecir la probabilidad de aparición de una epidemia". Si bien el estudio no es una bala de plata para predecir la propagación del coronavirus de hoy o la difusión de noticias falsas en el entorno político volátil de hoy con una precisión del 100%, uno necesitaría datos en tiempo real para rastrear la evolución del patógeno o la información para hacer eso, los autores dicen que es un gran paso.

"Estamos un paso más cerca de la realidad", dice Eletreby. Otros autores en el estudio incluyeron ECE Ph.D. estudiante Yong Zhuang, profesora del Instituto de Investigación de Software Kathleen Carley, y el profesor de Ingeniería Eléctrica de Princeton Vincent Poor.

Fuentes

College of Engineering, Carnegie Mellon University. (2020, March 2). To predict an epidemic, evolution can't be ignored. ScienceDaily. Retrieved March 9, 2020 from www.sciencedaily.com/releases/2020/03/200302153551.htm

Rashad Eletreby, Yong Zhuang, Kathleen M. Carley, Osman Yağan, and H. Vincent Poor. The effects of evolutionary adaptations on spreading processes in complex networks. PNAS, 2020 DOI: 10.1073/pnas.1918529117