A Complete-Data Likelihood for Epidemic Processes on Partially Observed Dynamic Networks

당신이 거대하고 보이지 않는 미스터리, 즉 바이러스가 사람에서 사람으로 어떻게 옮겨가는지를 풀려고 노력하고 있다고 상상해 보세요. 과학의 세계에서 이것은 역학(epidemiology)이라고 불립니다. 오랫동안 과학자들은 이 보이지 않는 여정을 지도화하려고 노력해 왔지만, 까다로운 문제에 직면해 왔습니다. 보통 그들은 사람들이 어떻게 움직이고 상호작용하는지 추측해야 했거나, 모든 사람이 뜨거운 차 속의 설탕처럼 뒤섞인다고 가정해야 했습니다. 하지만 현실에서 사람들은 그렇게 섞이지 않습니다. 그들은 특정 그룹 내에서 어울리고, 몸이 아프면 습관을 바꾸며, 때로는 외부에서 그룹 내부로 바이러스가 몰래 침투하기도 합니다. 게다가 데이터 과학자들이 얻는 데이터는 종-종 지저분합니다. 그들은 누군가 기침을 시작한 시점(증상)은 볼 수 있어도, 정확히 언제 병에 걸렸는지는 알 수 없을 수도 있으며, 누가 누구를 만났는지에 대한 기록에는 구멍이나 실수가 있을 수 있습니다. 이는 마치 몇 장의 흐릿한 스냅샷과 고장 난 대본만을 가지고 영화 한 편을 재구성하려는 것과 같습니다.

이 논문은 이러한 지저서운 현실을 해결하기 위해, 안개를 뚫고 볼 수 있는 새롭고 매우 유연한 수학적 "카메라"를 구축함으로써 이 문제를 다룹니다. Md Asaduzzaman이 이끄는 저자들은 질병의 확산과 인간 접촉의 변화하는 네트워크를 동전의 양면처럼 취급하는 통합된 프레임워크를 만들었습니다. 모든 것을 알고 있다고 가정하는 대신, 이들의 방법론은 우리가 정확히 언제 감염되었는지 또는 접촉이 누락되었는지와 같이 우리가 모르는 것들을 인정하며, 영리한 통계 기법을 사용하여 그 빈틈을 채웁니다. 그들은 이 아이디어를 컴퓨터 시뮬레이션을 통해 테스트했으며, 불완전하고 노이즈가 섞인 데이터에서도 이 접근 방식이 바이러스가 얼마나 빨리 퍼지는지, 증상이 나타나기 전 얼마나 숨어 있는지, 그리고 사람들의 사회적 습관이 유행병 동안 어떻게 변하는지를 정확하게 파악할 수 있음을 보여주었습니다. 이는 실제 데이터가 결코 완벽하지 않은 상황에서 전염병의 숨겨진 메커니즘을 이해하기 위한 강력한 도구입니다.

세균과 친구들의 보이지 않는 춤

사람들이 끊임없이 움직이고, 짝을 짓고, 헤어지는 거대하고 보이지 않는 댄스 플로어를 상상해 보세요. 이제, 이 댄스 플로어에서 한 무용수에서 다른 무용수로 뛰어넘으려는 교활한 바이러스를 상상해 보세요. 현실 세계에서 이 댄스 플로어는 **동적 네트워크(dynamic network)**입니다. 그것은 정지된 그림이 아니라, 우정이 형성되고 사라지며, 사람들이 아프면 댄스 플로어를 피할 수도 있는 라이브 영화입니다.

문제는 발코니에서 관찰하는 과학자인 우리가 눈이 가려져 있다는 것입니다. 우리는 감염되는 정확한 순간을 볼 수 없습니다. 우리는 나중에 그들이 기침을 시작하는 것(증상)만을 봅니다. 또한 우리는 두 사람이 하이파이브를 할 때마다 볼 수 없습니다. 우리의 접촉 기록은 누락된 페이지와 잘못된 항목들로 가득 차 있습니다. 이것이 논문에서 말하는 **부분 관측(partial observation)**입니다. 이는 몇 개의 무작위 프레임만을 보고 대사를 무시한 채 영화의 줄거리를 추측하려는 것과 같습니다.

옛날 방식 vs 새로운 방식

수년 동안 과학자들은 큰 가정을 세워 이 문제를 해결하려고 노력했습니다. 그들은 댄스 플로어가 절대 변하지 않는다거나(정적 네트워크), 혹은 우리가 모든 이의 감염 시점을 정확히 알고 있다고 가정했을 수도 있습니다. 그러나 이 논문은 이러한 지름길이 위험하다고 주장합니다. 만약 댄스 플로어가 실제로 움직이고 있는데 고정되어 있다고 가정하거나, 실제로는 모르면서 감염 시간을 알고 있다고 가정한다면, 바이러스에 대한 당신의 예측은 틀릴 것입니다.

저자들은 말합니다. "완벽한 데이터를 가진 척하는 것을 멈춥시다." 대신, 그들은 **통합된 완전 데이터 가능도 프레임워크(unified complete-data likelihood framework)**를 구축했습니다. 그것은 세 가지 일이 동시에 일어나는 것을 설명하는 하나의 거대하고 수학적인 레시피를 만든 것이라는 뜻입니다.

1. 질병: 바이러스가 인구를 통해 어떻게 이동하는가 (감수성자(Susceptible), 노출자(Exposed), 감염자(Infectious), 회복자(Removed)를 추적하는 SEIR 모델 사용).
2. 네트워크: 사람들이 자신의 상태(예: 감염된 사람은 춤추는 것을 멈출 수 있음)에 따라 연결되고 끊어지는 방식.
3. 실수: 우리의 관측치가 노이즈가 섞여 있다는 사실 (우리는 기침을 놓치거나 가짜 악수를 기록할 수 있음).

마법의 기술: 빈칸 채우기

이 논문의 핵심은 **데이터 증강(data augmentation)**이라 불리는 방법입니다. 이것은 마치 증거가 사라진 범죄 현장에 있는 형사를 생각하는 것과 같습니다. 포기하는 대신, 형사는 범죄가 일어날 수 있는 모든 가능한 경로를 상상하고, "만약 ~했다면"이라는 시나리오로 누락된 조각들을 채운 다음, 어떤 시나리오가 단서와 가장 잘 맞는지 확인합니다.

이 논문에서 "형사"는 컴퓨터 알고리즘입니다. 알고-리즘은 숨겨진 감염 시간과 누락된 접촉을 추측한 다음, 그 추측이 우리가 실제로 가진 데이터와 부합하는지 수학적으로 확인합니다. 만약 추측이 맞지 않으면 다시 시도합니다. 이 과정은 가장 가능성 높은 이야기를 찾을 때까지 수백만 번 반복됩니다.

저자들은 이 "형사"를 시뮬레이션 연구에서 테스트했습니다. 그들은 100명의 사람을 가진 500개의 가짜 발병 사례를 컴퓨터로 생성했습니다. 그들은 바이러스가 퍼지는 규칙과 사람들이 상호작용하는 규칙을 설정한 다음, 실제 세상의 무질서함을 모방하기 위해 의도적으로 대부분의 데이터를 "숨겼습니다". 그들은 세 가지 수준의 무질서함을 테스트했습니다:

• 높은 관측도: 거의 모든 것을 보았습니다.
• 중간 관측도: 일부를 보았지만 오류가 있었습니다.
• 희소한 관측도: 아주 조금만 보았고, 매우 노이즈가 심했습니다.

그들이 발견한 것

결과는 고무적이었습니다. 데이터가 희박하고 노이즈가 심할 때조차, 이 방법은 게임의 주요 규칙을 정확히 파악할 수 있었습니다.

• 바이러스 속도: 바이러스가 얼마나 빨리 퍼지는지($\beta$)와 사람들이 얼마나 오래 아픈지($\gamma$)를 정확하게 추측할 수 있었습니다.
• 숨겨진 잠복기: 바이러스가 증상을 보이기 전 사람의 몸속에서 얼마나 오래 숨어 있는지($\kappa$)까지도 추정할 수 있었습니다.
• 외부 위협: 집단 내부에서 바이러스가 퍼지는 것과 외부에서 새로운 사례가 몰래 들어오는 것($\xi$)을 구분할 수 있었습니다.

그러나 논문은 한계점도 발견했습니다. 접촉 데이터가 매우 열악할 때, 집단 내부에서 사람 간에 바이러스가 퍼지는 것과 외부에서 새로운 사례가 들어오는 것을 구분하는 것이 더 어려워졌습니다. 이는 마치 연기만을 볼 수 있을 때, 불이 집 안의 불꽃 때문에 시작된 것인지 아니면 외부의 번개 때문인지 구분하려는 것과 같습니다. 이 방법이 실패한 것은 아니지만, 답에 대한 확신이 줄어들었습니다. 즉, "신뢰 구간(confidence intervals, 가능한 답의 범위)"이 더 넓어졌습니다. 이는 사실 좋은 결과입니다! 이는 이 방법이 자신이 모르는 것에 대해 억지로 정확한 답을 만들어내기보다, 정직하게 모른다고 말하고 있음을 의미하기 때문입니다.

이것이 왜 중요한가

이 논문은 모든 전염병의 미스터리를 해결했다고 주장하는 것이 아닙니다. 이것은 방법론적(methodological) 돌파구이며, 즉 더 나은 도구를 제공한다는 의미입니다. 이 논문은 우리가 지저서운, 불완전한 데이터를 버릴 필요가 없다는 것을 보여줍니다. 우리가 그 무질서함을 이해하는 모델을 가지고 있다면, 그 데이터를 사용할 수 있습니다.

질병과 사회적 네트워크를 하나의 상호작용하는 시스템으로 취급함으로써, 그리고 우리의 데이터가 불완전하다는 점을 인정함으로써, 이 프레임워크는 과학자들이 더 적은 것으로 더 많은 것을 배울 수 있게 해줍니다. 이는 실제 발병 상황의 혼란스럽고 노이즈가 많은 현실—우리가 단 몇 개의 검사 결과와 불안정한 접촉 목록만을 가지고 있을 때라도—속에서도, 올바른 종류의 수학적 "형사 작업"을 사용한다면 바이러스가 어떻게 움직이는지에 대한 명확한 그림을 얻을 수 있음을 시사합니다.