Chemotaxis-inspired PDE models of airborne infectious disease transmission: epidemiologically-motivated mathematical and numerical analyses

技術要約：空気感染症伝播における化学走性に着想を得たPDEモデル

問題提起
感染症の数学的モデリングは、伝統的に常微分方程式（ODE）によるコンパートメントモデル（例：SIRモデル）に依存してきたが、これらは明示的な空間ダイナミクスを欠いている。偏微分方程式（PDE）モデルが空間的伝播に対処するために提案されてきたものの、それらは通常、感染症の広がりをフィック型の拡散プロセスとして扱う。この標準的な枠組みでは、感染は高密度の感染領域から低密度の感染領域へと伝播する。しかし、著者らは、空気感染症におけるこの仮定は不十分であると主張している。COVID-19のパンデミックからの経験的データ、特に感染症の伝播が人口密度と強く相関していることは、感染が（例えば都市部に向かって）感受性個体密度の低い領域から高い領域へと移動することを示唆している。純粋な拡散モデルは、このような「勾配の上方」への移動や、それに伴う高密度人口集中地域での感染ホットスポットの形成を捉えることができない。さらに、既存のPDEアプローチは、公衆衛生上の意思決定に不可欠な、空間を考慮した基本再生産数（$R_0$）のような疫学的に解釈可能な量を提供することに苦慮することが多い。

手法
本論文は、空気感染症のために以前導入された、化学走性に着想を得たPDEモデル［42］を拡張したものである。このモデルは、感受性（$s$）、感染（$i$）、回復（$r$）の集団のダイナミクスを記述するために、反応拡散方程式に化学走性項を加えたシステムを利用している。

• 数学的定式化: コアとなる革新は、感染人口のフラックス項 $j$ にある。標準的な拡散項（$-\nu_i \nabla i$）がランダムな動きを説明する一方で、モデルは化学走性項（$\mu_i \chi(i) \nabla s$）を導入している。この項は、疾患が感受性人口密度の正の勾配に沿って、すなわち感受性個体が高濃度な領域に向かって伝播することを想定している。関数 $\chi(i)$ は、無制限な成長を防ぐための飽和容量項として機能する。
• 数学的解析: 著者らはこのシステムの厳密な数学的解析を行い、弱解の存在と一意性を確立している。主な焦点は、空間依存の基本再生産数の導出にある。感染人口の $L^2$ ノルムにおける安定性を分析することにより、著者らは感受性人口のラプラシアン（$\Delta s$）を組み込んだ修正 $R_0$ を導出した。この定式化は、局所的な人口密度の凹性（具体的には $\Delta s < 0$ となる局所最大値）が伝播率に大きく影響することを示唆している。
• 数値解法: 著者らは、化学走性項によって導入される対流的なダイナミクスによる数値的不安定性の可能性に対処するため、このシステムの計算上の課題に取り組んでいる。空間離散化には有限要素法（FEM）を用い、時間離散化には後退微分公式（BDF2）を採用している。安定性と質量保存を確保するために、完全陰解法を用いたタイムステップ・スキームを使用し、急峻な勾配を扱うためにストリームライン・ディフュージョン（流線拡散）安定化手法を導入している。

主要な貢献

1. 疫学的に解釈可能な解析: 本論文は、人口密度の空間的不均一性を考慮した、空間を考慮した基本再生産数（$R_0$）を導出した。標準的なODEの $R_0$ とは異なり、この指標は感受性人口の局所的なラプラシアンに依存しており、なぜ感染ホットスポットが高密度な都市部で形成されるのかという理論的根拠を提供する。
2. 数値的安定化: 著者らは、純粋な拡散モデルと比較して計算複雑性が増大する化学走性駆動型PDEシステムを解くために必要な安定化スキーム（ストリームライン・ディフュージョン）を導入し、検討している。
3. 比較シミュレーション研究: モデルは、イタリアのロンバルディア州とアメリカ合衆国のジョージア州という2つの異なる地理的領域でテストされている。シミュレーションでは、時間依存パラメータを用いない条件下で、化学走性モデルを純粋な反応拡散モデルと比較している。

結果
シミュレーション研究は、化学走性モデルが、時間依存パラメータを導入することなく、実世界のCOVID-19監視データに見られる時空間ダイナミクスを、純粋な拡散モデルよりも正確に捉えられることを示している。

• イタリア、ロンバルディア州: 純粋な拡散モデルは、ミラノ、ベルガモ、ブレシアといった主要都市への流行の急速な拡大を再現できず、感染を初期発生地（ロディおよびクレモナ）に人工的に集中させたままとなった。対照的に、化学走性モデルは、高密度な人口中心地に向かう感染フロントの移動を正常にシミュレートし、ベルガモやミラノで見られた「ホットスポット」を再現した。モデルは、感受性人口のラプラシアンが高い負の値を持つ領域（局所的な密度の極大値）が特に脆弱であることを正しく特定した。
• アメリカ、ジョージア州: 州レベルのシミュレーションにおいて、純粋な拡散モデルは、アトランタ首都圏以外の主要人口中心地（チャタム、リッチモンド、ビブ郡など）での伝播を生み出すのに苦労した一方で、低密度の郊外地域（フォサイト、チェロキーなど）での伝播を過大評価した。化学走性モデルはこれらの不一致を修正し、過小評価されていた人口中心地での伝播を大幅に増加させ、過大評価されていた低密度地域での伝播を減少させ、観察された死亡率の傾向とより密接に一致させた。

意義と主張
本論文は、化学走性に着想を得たPDEモデルが、標準的な拡散モデルと比較して、ヒト集団における空気感染症の伝播を記述するための優れた枠組みであることを示す「概念実証（プルーフ・オブ・コンセプト）」を提供すると主張している。著者らは、空間的な $R_0$ という解釈可能な量を導出することで、モデルの挙動と人口密度パターンを結びつけ、複雑な数学的モデリングと実用的な疫学的応用の間の溝を埋めたことを強調している。

本研究の意義は、複雑な時間依存パラメータのチューニングを必要とせずに、人口勾配によって駆動される感染ホットスポットの形成を説明し、予測できる能力にある。著者らは、現在の研究は定性的であり、年齢構造、ワクチン接種、移動政策などのさらなる複雑性を組み込まない限り、COVID-19の決定的な予測ツールとして意図したものではないと謙虚に述べている。しかし、結果は、化学走性ドリフトを組み込むことが、不均質なヒト集団における空気感染症の空間的伝播を正確にモデル化するための必要なステップであることを示唆している。今後の課題として、これらのモデルをより複雑なコンパートメント構造へ拡張することや、より高次の安定化スキームを開発することが提案されている。