🧬 biology

Variance of the $SIS$ Epidemic on Networks: A Diffusion Approximation

यह शोध पत्र ग्लीसन की अनुमानित मास्टर समीकरण (approximate master equation) को वान काम्पेन सिस्टम-साइज विस्तार (van Kampen system-size expansion) के साथ संयोजित करके कॉन्फ़िगरेशन-मॉडल नेटवर्क पर मार्कोवियन SIS महामारियों के लिए एक सुलभ विचरण सन्निकटन (tractable variance approximation) विकसित करता है, जो एक बंद-रूप प्रसार मैट्रिक्स (closed-form diffusion matrix) प्रदान करता है जो विभिन्न नेटवर्क टोपोलॉजी में माध्य-क्षेत्र प्रक्षेपवक्र (mean-field trajectory) के आसपास उतार-चढ़ाव की सटीक भविष्यवाणी करता है।

मूल लेखक: Lucija Nora Farkaš, Sebastian Morel Balbi, Hrvoje Štefančić, István Zoltán Kiss, Vinko Zlatić

प्रकाशित 2026-07-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lucija Nora Farkaš, Sebastian Morel Balbi, Hrvoje Štefančić, István Zoltán Kiss, Vinko Zlatić

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि एक शहर में एक बीमारी फैल रही है। वैज्ञानिक लंबे समय से महामारी के औसत (average) पथ की भविष्यवाणी करने में कुशल रहे हैं: "औसतन, मंगलवार तक 10% लोग बीमार होंगे, और बुधवार तक 20%।" यह एक भीड़ की औसत ऊंचाई बताने जैसा है; यह एक ठोस, विश्वसनीय केंद्र बिंदु देता है।

लेकिन वास्तविक दुनिया में, दो प्रकोप कभी भी बिल्कुल एक जैसे नहीं होते। कभी बीमारी जल्दी ही दम तोड़ देती है; तो कभी यह अप्रत्याशित रूप से विस्फोट कर देती है। यह शोध पत्र उस "उतार-चढ़ाव के आकार" (size of the wobble) की भविष्यवाणी करने के बारे में है जो उस औसत के आसपास होता है। यह पूछता है: वास्तविक बीमार लोगों की संख्या उस भविष्यवाणी से कितनी ऊपर या नीचे जा सकती है?

यहाँ लेखक द्वारा किए गए कार्यों का सरल उपमाओं के साथ विवरण दिया गया है:

1. समस्या: "औसत" का झूठ

औसत भविष्यवाणी को एक चिकनी, सीधी सड़क के रूप में सोचें। एक आदर्श, अनंत दुनिया में, हर कोई ठीक उसी सड़क पर चलेगा। लेकिन एक वास्तविक, सीमित शहर (लोगों का एक नेटवर्क) में, चालक इधर-उधर डगमगाते हैं।

पुराना तरीका: वैज्ञानिकों के पास "SI" मॉडल (जहाँ एक बार बीमार होने के बाद आप हमेशा बीमार रहते हैं, जैसे ज़ोंबी) के लिए एक बेहतरीन मानचित्र था। वे जानते थे कि "ज़ोंबी" सड़क से कितना दूर डगमगाएंगे।
नई चुनौती: अधिकांश वास्तविक बीमारियाँ "SIS" (सुसेप्टिबल-इंफेक्टेड-सुसेप्टिबल) होती हैं। आप बीमार होते हैं, ठीक होते हैं, और फिर से स्वस्थ हो जाते हैं (और संभावित रूप से फिर से बीमार हो सकते हैं)।
गड़बड़: जब आप ठीक होते हैं, तो आप केवल गायब नहीं होते; आप एक विशिष्ट इतिहास के साथ भीड़ में वापस लौट आते हैं। आपके पड़ोसी अभी भी बीमार हो सकते हैं, या वे अभी-अभी ठीक हुए होंगे। यह "इतिहास" उस साफ गणित को तोड़ देता है जिसका उपयोग ज़ोंबी मॉडल के लिए किया जाता था। लेखक कहते हैं, "हमें उन बीमारियों के उतार-चढ़ाव को मापने के लिए एक नए तरीके की आवश्यकता है जो आती-जाती रहती हैं।"

2. समाधान: एक "ट्रैफिक फ्लो" सिमुलेशन

लेखकों ने इस उतार-चढ़ाव का अनुमान लगाने के लिए एक नया गणितीय उपकरण बनाया। उन्होंने दो मौजूदा विचारों को मिलाया:

"मास्टर प्लान" (AME): यह एक विस्तृत मानचित्र है जो न केवल यह ट्रैक करता है कि कितने लोग बीमार हैं, बल्कि यह भी कि वे किनसे जुड़े हुए हैं। यह जानता है कि 10 दोस्तों वाले व्यक्ति और 2 दोस्तों वाले व्यक्ति में अंतर है।
"शोर" (Langevin/Lyapunov): यह वह गणित है जो अराजकता को मापता है। कल्पना कीजिए कि एक नदी सुचारू रूप से बह रही है (औसत)। "शोर" व्यक्तिगत बूंदों (व्यक्तिगत संक्रमण और रिकवरी) के कारण होने वाली लहरें और छप-छप है।

लेखकों ने एक सरल "ट्रैफिक रिपोर्ट" बनाई जो केवल तीन चीजों को ट्रैक करती है:

कितने लोग स्वस्थ हैं।
कितने "स्वस्थ-बीमार" हाथ मिलाप (handshakes) हो रहे हैं (एक स्वस्थ व्यक्ति और एक बीमार व्यक्ति के बीच के किनारे/edges)।
कितने "स्वस्थ-स्वस्थ" हाथ मिलाप हो रहे हैं।

केवल इन तीन संख्याओं को ट्रैक करके, वे पूरे शहर के हर एक व्यक्ति का सिमुलेशन किए बिना "लहरों" (विचरण/variance) की गणना कर सकते थे।

3. बड़ा अनुमान (द "शफल" उपमा)

गणित को काम करने योग्य बनाने के लिए, लेखकों को एक बड़ा अनुमान लगाना पड़ा।

परिदृश्य: कल्पना कीजिए कि एक व्यक्ति जो अभी-अभी ठीक हुआ है। पुराने "ज़ोंबी" गणित में, उसके पड़ोसी एक निश्चित, ज्ञात समूह थे। लेकिन इस "रिकवरी" खेल में, उसके पड़ोसी पिछले बार चेक करने के बाद बीमार या ठीक हो गए होंगे।
अनुमान: लेखकों ने अनुमान लगाया कि क्योंकि लोग अक्सर ठीक होते हैं और फिर से संक्रमित होते हैं, इसलिए कौन आपके बगल में बीमार था, इसका विशिष्ट इतिहास "शफल" (shuffle) होकर भुला दिया जाता है। यह ताश के पत्तों को फेंटने (shuffling) जैसा है: पर्याप्त बार फेंटने के बाद, आप याद नहीं रख सकते कि इक्का कहाँ शुरू हुआ था; आप बस इतना जानते हैं कि वह डेक में कहीं है।
परिणाम: उन्होंने एक स्वस्थ व्यक्ति के पड़ोस को पूरे शहर के वर्तमान पूल से एक रैंडम ड्रॉ (random draw) के रूप में माना, न कि एक विशिष्ट इतिहास के रूप में। यह एक सन्निकटन (approximation) है, कोई पूर्ण नियम नहीं, लेकिन यह गणित को हल करने योग्य बनाता है।

4. क्या यह काम कर गया? (टेस्ट ड्राइव)

लेखकों ने अपने नए "उतार-चढ़ाव कैलकुलेटर" का परीक्षण विशाल कंप्यूटर सिमुलेशन (हजारों नकली महामारियों को चलाकर यह देखने के लिए कि वास्तव में क्या हुआ) के विरुद्ध किया।

अच्छी खबर: अधिकांश नेटवर्कों के लिए (जैसे एक ऐसा शहर जहाँ लगभग सभी के दोस्तों की संख्या समान है), उनका गणित सिमुलेशन के साथ लगभग पूरी तरह मेल खाता है। इसने सही ढंग से भविष्यवाणी की कि "उतार-चढ़ाव" कब सबसे बड़ा होगा (आमतौर पर तब जब महामारी अपने चरम पर होती है) और यह कितना बड़ा होगा।
बुरी खबर: गणित दो विशिष्ट स्थितियों में थोड़ा ढीला हो गया:
1. बहुत विरल नेटवर्क (Very Sparse Networks): यदि लोगों के बहुत कम दोस्त हैं (जैसे एक छोटा गाँव जहाँ हर कोई एक-दूसरे को जानता है), तो "शफलिंग" का अनुमान टूट जाता है क्योंकि एक पड़ोसी का इतिहास बहुत अधिक मायने रखता है।
2. सुपर-हब्स (Super-Hubs): यदि नेटवर्क में "सुपर-स्प्रेडर्स" (ऐसे लोग जिनके सैकड़ों दोस्त हैं) हैं, तो गणित उतार-चढ़ाव की सटीक ऊंचाई बताने में संघर्ष करता है। "रैंडम शफल" का विचार तब ठीक से काम नहीं करता जब कुछ विशिष्ट लोग ट्रैफ़िक पर हावी होते हैं।

5. यह क्यों महत्वपूर्ण है

लेखक यह नहीं कह रहे हैं कि इससे बीमारियों का इलाज होगा या वे कल डॉक्टरों को ठीक से क्या करने के लिए कहेंगे। इसके बजाय, वे अनिश्चितता का अनुमान लगाने का एक तेज़, स्मार्ट तरीका प्रदान कर रहे हैं।

पुराना तरीका: अनिश्चितता जानने के लिए, आपको प्रसार देखने के लिए 1,000 बार कंप्यूटर सिमुलेशन चलाना पड़ता था। इसमें बहुत समय लगता है।
नया तरीका: उनका गणित उसी अनिश्चितता का एक बहुत अच्छा अनुमान देने के लिए पलक झपकते ही समीकरणों के एक छोटे से सेट (जैसे 3x3 ग्रिड) को हल करता है।

संक्षेप में: उन्होंने यह मापने के लिए एक शॉर्टकट बनाया है कि एक महामारी हमें कितना आश्चर्यचकित कर सकती है, यह स्वीकार करते हुए कि जबकि "औसत" पथ अनुमानित है, "उतार-चढ़ाव" लोगों के बीच के जटिल और विशिष्ट संबंधों पर निर्भर करता है। उनका शॉर्टकट अधिकांश शहरों के लिए बहुत अच्छा काम करता है, लेकिन बहुत छोटे गाँवों या कुछ विशाल सुपर-स्प्रेडर्स वाले शहरों के लिए इसमें थोड़े और काम की आवश्यकता है।

तकनीकी सारांश: नेटवर्क पर SIS महामारी का विचरण (Variance) - डिफ्यूजन एप्रोक्सिमेशन के माध्यम से

समस्या विवरण
नेटवर्क पर महामारी के गणितीय मॉडल आमतौर पर नेटवर्क आकार $N$ के बढ़ने के साथ संक्रमण प्रसार के मीन-फील्ड प्रक्षेपवक्र (mean-field trajectory) का वर्णन करने के लिए फंक्शनल लॉज़ ऑफ लार्ज नंबर्स (FLLNs) पर निर्भर करते हैं। जबकि ये नियतात्मक सीमाएँ (Ordinary Differential Equations) औसत व्यवहार की सटीक भविष्यवाणी करती हैं, वे सीमित आबादी में निहित स्टोकेस्टिक उतार-चढ़ाव (stochastic fluctuations) को पकड़ने में विफल रहती हैं। ये उतार-चढ़ाव पूर्वानुमान अनिश्चितता को मापने, विलुप्ति संभावनाओं (extinction probabilities) का अनुमान लगाने और जोखिम-जागरूक नियंत्रण रणनीतियों को डिजाइन करने के लिए महत्वपूर्ण हैं।

महत्वपूर्ण रूप से, एक महामारी का विचरण (variance) माध्य (mean) की तुलना में भिन्न नेटवर्क सांख्यिकी द्वारा नियंत्रित होता है। प्रारंभिक विकास में माध्य व्यापकता (prevalence) डिग्री वितरण के पहले दो क्षणों (moments) पर निर्भर करती है, जबकि विचरण पहले तीन क्षणों (स्क्यूनेस सहित) पर निर्भर करता है। हालांकि कॉन्फ़िगरेशन-मॉडल ग्राफ पर ससेप्टिबल-इन्फेक्टेड (SI) प्रक्रिया के लिए एक कठोर फंक्शनल सेंट्रल लिमिट थ्योरम (FCLT) मौजूद है, लेकिन ससेप्टिबल-इन्फेक्टेड-ससेप्टिबल (SIS) मॉडल के लिए कोई समान क्लोज्ड-फॉर्म वेरिएंस फ्रेमवर्क मौजूद नहीं है। SIS प्रक्रिया अधिक जटिल है क्योंकि रिकवरी (recovery) वर्टिसिस को आंशिक रूप से ज्ञात, इतिहास-निर्भर पड़ोस के साथ ससेप्टिबल पूल में पुन: शामिल करती है, जो "स्वच्छ" पड़ोस वितरण धारणाओं को तोड़ देती है जो SI मामले में सटीक FCLT व्युत्पत्तियों की अनुमति देते हैं। SIS के मौजूदा स्टोकेस्टिक विश्लेषण मुख्य रूप से एंडेमिक (endemic) शासन में क्वासी-स्टेशनरी वितरण पर केंद्रित रहे हैं, न कि उतार-चढ़ाव के पूर्ण टेम्पोरल विकास पर।

कार्यप्रणाली (Methodology)
लेखक कॉन्फ़िगरेशन-मॉडल ग्राफ पर मार्कोवियन SIS प्रक्रिया के लिए एक सुलभ विचरण सन्निकटन (tractable variance approximation) विकसित करते हैं, जो दो ढांचों को जोड़ता है:

एप्रोक्सीमेट मास्टर इक्वेशन (AME): डिग्री- और नेबरहुड-रिजॉल्व्ड स्टेट वेरिएबल्स (विशेष रूप से, $k$ डिग्री और $m$ इन्फेक्टेड पड़ोसियों वाले ससेप्टिबल और इन्फेक्टेड वर्टिसिस के अंश) के नियतात्मक विकास को ट्रैक करने के लिए ग्लीसन (Gleeson) के ढांचे का उपयोग करना।
वैन कामपेन सिस्टम-साइज़ एक्सपेंशन (Van Kampen System-Size Expansion): एक डिफ्यूजन एप्रोक्सिमेशन लागू करना जहाँ स्टोकेस्टिक काउंट वेक्टर $X(t)$ को एक नियतात्मक मीन प्रक्षेपवक्र $\phi(t)$ और $\sqrt{N}$ द्वारा स्केल किए गए फ्लक्चुएशन टर्म $\zeta(t)$ में विभाजित किया जाता है:
$X(t) = N\phi(t) + \sqrt{N}\zeta(t)$

लेखक एक संक्षिप्त तीन-आयामी स्टेट वेक्टर को परिभाषित करते हैं जो ससेप्टिबल वर्टिसिस ( $X_S$ ), ससेप्टिबल-इन्फेक्टेड किनारों ( $X_{SI}$ ), और ससेप्टिबल-ससेप्टिबल किनारों ( $X_{SS}$ ) की गिनती को ट्रैक करता है। उतार-चढ़ाव का कोवेरिएंस मैट्रिक्स $C(t)$ एक लीनियर मैट्रिक्स डिफरेंशियल इक्वेशन (लैंग्विन/लियापुनोव इक्वेशन) द्वारा शासित होता है:
$\dot{C} = JC + CJ^T + B$
जहाँ $J$ नियतात्मक ड्रिफ्ट का जैकोबियन है और $B$ संक्रमण और रिकवरी घटनाओं से प्राप्त डिफ्यूजन (नॉइज़) मैट्रिक्स है।

प्रमुख सन्निकटन और योगदान
सिस्टम को क्लोज करने और ड्रिफ्ट और डिफ्यूजन मैट्रिसेस को केवल संक्षिप्त वेरिएबल्स ( $X_S, X_{SI}, X_{SS}$ ) के पदों में व्यक्त करने के लिए, पेपर एक विशिष्ट सन्निकटन पेश करता है:

नेबरहुड सैंपलिंग क्लोजर: लेखक एक ससेप्टिबल वर्टिस के लिए इन्फेक्टेड पड़ोसियों के वितरण, $P(m|S, k)$ , को हाइपरजियोमेट्रिक अभिव्यक्ति का उपयोग करके अनुमानित करते हैं। यह मानता है कि बार-बार होने वाली रिकवरी और री-इन्फेक्शन घटनाओं के कारण, एक ससेप्टिबल वर्टेक्स के स्थानीय सहसंबंध उसके संक्रमण इतिहास से डिकोरिलेट हो जाते हैं, और प्रभावी रूप से ग्लोबल पूल के आधे-किनारों (half-edges) से एक ताज़ा रैंडम ड्रॉ की तरह व्यवहार करते हैं। यह SI की सटीक स्थिति की नकल करता है लेकिन SIS के लिए एक सन्निकटन है।
स्ट्रक्चरल फैक्टर्स ( $\kappa$ ): क्लोजर स्ट्रक्चरल फैक्टर्स $\kappa^{(r)}_S$ और $\kappa^{(r)}_I$ पेश करता है, जो ससेप्टिबल या इन्फेक्टेड वर्टिस पर केंद्रित $r$ -स्टार मोटिफ्स के नॉर्मलाइज्ड अपेक्षित नंबरों का प्रतिनिधित्व करते हैं। ये कारक विचरण की गणना में डिग्री वितरण के उच्च-क्रम के क्षणों (तीसरे क्षण तक) को स्पष्ट रूप से शामिल करते हैं।
डेरिवेटिव्स की उपेक्षा: लेखक ससेप्टिबल-केंद्रित वेज फैक्टर $\kappa^{(2)}_S$ को AME समाधान द्वारा दिए गए एक टाइम-डिपेंडेंट कोएफिशिएंट के रूप में मानते हैं, जिससे जैकोबियन में संक्षिप्त वेरिएबल्स के सापेक्ष इसके डेरिवेटिव्स की उपेक्षा की जाती है। SI प्रक्रियाओं पर सत्यापन सुझाव देता है कि यह डेरिवेटिव योगदान नगण्य है।

परिणाम
प्रस्तावित AME-Langevin सन्निकटन को विभिन्न नेटवर्क टोपोलॉजी और एपिडेमियोलॉजिकल पैरामीटर्स पर गिलेस्पी (Gillespie) स्टोकेस्टिक सिमुलेशन के विरुद्ध सत्यापित किया गया:

पॉइसन नेटवर्क: सन्निकटन संक्रमण दर ( $\beta$ ) की एक विस्तृत श्रृंखला में ससेप्टिबल अंश के ट्रांजिएंट पीक और लॉन्ग-टाइम वेरिएंस को सटीक रूप से पुनरुत्पादित करता है। विसंगतियां न्यूनतम हैं, जो महामारी थ्रेशोल्ड के पास मामूली अंडरएस्टिमेशन दिखाती हैं।
नेटवर्क का आकार: विधि $N=500$ से $N=4000$ के नेटवर्क आकार के लिए अच्छा प्रदर्शन करती है, जिसमें एब्सोल्यूट एग्रीमेंट $N$ बढ़ने के साथ बेहतर होता जाता है, जो लीनियर-नॉइज़ एप्रोक्सिमेशन की एसिम्प्टोटिक प्रकृति के अनुरूप है।
रेगुलर नेटवर्क: $k$ -रेगुलर नेटवर्क के लिए, सन्निकटन $\kappa^{(2)}_S$ डेरिवेटिव टर्म के संबंध में सटीक है। सहमति आम तौर पर अच्छी है, हालांकि सिद्धांत स्पार्स नेटवर्क ( $k=4$ ) के लिए ट्रांजिएंट वेरिएंस पीक को थोड़ा ओवरएस्टिमेट करता है, जो संभवतः कम-डिग्री वातावरण में मजबूत इतिहास-निर्भर सहसंबंधों के कारण है।
पावर-लॉ (हेटरोजीनियस) नेटवर्क: उच्च डिग्री हेटरोजीनिटी (स्केल-फ्री) वाले नेटवर्क में, विधि वेरिएंस पीक के समय को कैप्चर करती है लेकिन इसकी ऊंचाई का सटीक अनुमान लगाने में विफल रहती है। लेखक इसके लिए हब्स (hubs) के शामिल होने पर नेबरहुड-सैंपलिंग क्लोजर की "क्रूडनेस" को जिम्मेदार ठहराते हैं, क्योंकि हब्स पर संक्रमण/रिकवरी घटनाएं उन सहसंबंधों को उत्पन्न करती हैं जिन्हें ग्लोबल पूल सैंपलिंग द्वारा अच्छी तरह से प्रस्तुत नहीं किया जा सकता है।

महत्व और दावे
पेपर का दावा है कि यह कॉन्फ़िगरेशन-मॉडल ग्राफ पर SIS प्रक्रिया के लिए पहला सुलभ, टाइम-डिपेंडेंट वेरिएंस सन्निकटन प्रदान करता है जो प्रारंभिक विकास चरण से आगे बढ़ता है।

सूचना सामग्री (Information Content): फ्रेमवर्क डिफ्यूजन मैट्रिक्स में तीसरे-क्रम के डिग्री मोमेंट्स ( $\kappa^{(3)}_S$ के माध्यम से) को स्पष्ट रूप से शामिल करता है, जो उस अंतर को संबोधित करता है जहाँ मीन-फील्ड मॉडल विचरण के लिए प्रासंगिक स्ट्रक्चरल जानकारी को त्याग देते हैं।
कंप्यूटेशनल दक्षता: परिणामी $3 \times 3$ लैंग्विन ODE सिस्टम को हल करना कंप्यूटेशनल रूप से कुशल है, जो अनुभवजन्य रूप से वेरिएंस का अनुमान लगाने के लिए हजारों गिलेस्पी सिमुलेशन उत्पन्न करने की तुलना में एक महत्वपूर्ण लाभ प्रदान करता है।
सीमाएं: लेखक विनम्रतापूर्वक नोट करते हैं कि यह विधि एक सन्निकटन है, न कि एक कठोर FCLT। इसकी सटीकता उन Regimes में घट जाती है जहाँ "डिकोरिलेशन" धारणा विफल हो जाती है: विशेष रूप से स्पार्स, लो-डिग्री नेटवर्क और अत्यधिक हेट्रोजेनियस नेटवर्क जिनमें हब्स होते हैं, जहाँ स्थानीय इतिहास-निर्भरता (history dependence) मजबूत होती है।

यह कार्य खुद को डिटर्मिनिस्टिक मीन-फील्ड थ्योरी और बड़े एनसेम्बल के डायरेक्ट स्टोकेस्टिक सिमुलेशन के बीच एक उपयोगी इंटरमीडिएट विवरण के रूप में स्थापित करता है, जो नेटवर्क पर महामारी के पूर्वानुमान में अनिश्चितता को मापने के लिए एक उपकरण प्रदान करता है।

1. समस्या: "औसत" का झूठ

2. समाधान: एक "ट्रैफिक फ्लो" सिमुलेशन

3. बड़ा अनुमान (द "शफल" उपमा)

4. क्या यह काम कर गया? (टेस्ट ड्राइव)

5. यह क्यों महत्वपूर्ण है

इसी तरह के और पेपर