Exact moment equivalence and structural nonidentifiability in nonlinear epidemics

당신이 학교에서 소문이 어떻게 퍼지는지 알아내려 한다고 상상해 보십시오. 당신은 소문이 사람들이 무리를 지어 모여 있을 때 전파된다는 사실을 알고 있지만, 오직 시간이 흐름에 따라 소문을 들은 전체 학생 수만을 볼 수 있습니다. 당신은 그들이 어떤 크기의 그룹에 속해 있었는지, 혹은 각기 다른 크기의 그룹이 몇 개나 존재하는지는 알 수 없습니다. 이것이 바로 "역학적 추론(epidemic inference)"의 퍼즐입니다. 즉, 거시적인 그림으로부터 미시적이고 숨겨진 세부 사항을 역으로 추적하는 과정입니다. 과학자들은 오래전부터 집단의 크기가 중요하다는 것을 알고 있었습니다. 만약 세 명이 모였을 때가 두 명이 모였을 때보다 질병이 더 빨리 퍼진다면, "집단 크기 분포(group-size distribution, 즉 작은 그룹과 큰 그룹의 혼합 비율)"가 유행 양상을 변화시킵니다. 하지만 다음과 같은 의문이 남았습니다. 만약 우리가 최종적인 숫자만을 본다면, 과연 그 현상을 일으킨 정확한 집단 크기의 조합을 진정으로 알 수 있을까요? 아니면 완전히 다른 두 종류의 집단 조합이 똑같은 유행의 이야기를 만들어낼 수도 있을까요?

Roni Muslim이 작성한 이 논문은 질병이 퍼졌다가 사라지거나(SIR 모델) 혹은 계속 머무르는(SIS 모델) 수학적 모델을 사용하여 이 미스터리를 깊이 파고듭니다. 저자는 질병의 확산을 사람들이 무작위로 임시 그룹을 형성하는 게임처럼 다룹니다. 이 논문의 핵심 발견은 우리가 데이터를 통해 학습할 수 있는 능력에 존재하는 놀라운 "사각지대"입니다. 저자는 만약 질병이 특정한 비선형적인 방식(즉, 그룹 내 감염된 사람이 많아질수록 위험도가 급증하는 방식)으로 퍼진다면, 유행의 전체 역사가 집단 크기의 상세한 목록 전체가 아니라 오직 몇 가지 특정 "평균치"에만 의존한다는 것을 증명합니다. 이는 완전히 다른 두 집단—하나는 주로 작은 그룹과 몇 개의 거대한 그룹으로 구성되어 있고, 다른 하나는 중간 크기의 그룹들이 섞여 있는 경우—이도 저도 없이 똑같은 질병 양상을 만들어낼 수 있음을 의미합니다. 마치 서로 다른 레시피를 사용하여 재료의 양을 다르게 했음에도 불구하고, 결과적으로 똑같은 케이크를 구워내어 음식 평론가가 맛만 보고는 어떤 레시피가 사용되었는지 구분할 수 없게 만드는 것과 같습니다.

거대한 집단 크기의 환상

당신이 군중의 흐릿한 사진 한 장만을 단서로 삼아 범인을 잡으려는 탐정이라고 상상해 보십시오. 당신은 그 군중이 여러 그룹의 사람들로 이루어져 있다는 것은 알지만, 개개인은 볼 수 없습니다. 이제 두 가지 서로 다른 시나리오를 생각해 봅시다.

• 시나리오 A: 군중은 정확히 3명인 그룹 절반과 9명인 그룹 절반으로 구성되어 있습니다.
• 시나리오 B: 군중은 2명, 5명, 12명인 그룹이 매우 구체적인 숫자로 섞여 있는 혼란스러운 상태입니다.

현실 세계에서 이 둘은 매우 다른 군중입니다. 하지만 이 논문의 수학적 세계에서는, 만약 "감염 규칙"이 특정한 유형의 비선형 수학(구체적으로는 감염된 사람 수의 제곱에 비례하여 위험이 커지는 이차식 규칙)을 따른다면, 이 완전히 다른 두 군중은 동일한 질병 유행을 만들어냅니다.

저자는 이를 "구조적 비식별성(structural nonidentifiability)"이라고 부릅니다. 이는 단순히 우리가 데이터가 부족하거나 측정이 노이즈가 심해서 발생하는 문제가 아닙니다. 데이터 자체가 차이를 구별할 수 없다는 뜻이며, 이는 완벽하고 노이즈가 없는 세상에서도 마찬가지입니다. 논문은 질병의 역학이 집단 크기에서 추출한 몇 가지 특정 숫자, 즉 **모멘트(moments)**만을 "본다"는 것을 보여줍니다. 이 모멘트들을 집단 크기의 "풍미 프로필(flavor profile)"이라고 생각할 수 있습니다.

• 제1모멘트는 당신이 경험하는 평균적인 집단 크기와 같습니다. 이는 질병이 얼마나 빨리 시작될 수 있는지에 대한 기본적인 속도 제한을 설정합니다.
• 제2모멘트는 "변동성" 또는 집단 크기가 얼마나 요동치는지를 나타냅니다. 이는 질병이 매끄럽게 퍼질지, 아니면 초기 감염자 수에 따라 질병이 사멸하거나 폭발적으로 증가할 수 있는 기묘한 상태에 갇힐지를 결정합니다.

이 논문은 만약 서로 다른 두 집단 분포가 이 첫 몇 가지 "풍미 숫자"를 공유한다면, 질병은 정확히 똑같이 행동한다는 것을 증명합니다. 나머지 세부 사항들—예를 들어 한 분포에는 9명인 그룹이 있고 다른 분포에는 12명인 그룹이 있다는 사실—은 질병에게 완전히 투명합니다. 이는 마치 특정 악기에게는 서로 다른 두 음악 코드가 동일하게 들리는 것과 같습니다. 그 악기는 그 차이를 듣지 못하는 것입니다.

"첫 번째 불일치 모멘트" 법칙

그렇다면 우리는 어떻게 이 두 가지 서로 다른 집단을 구별할 수 있을까요? 이 논문은 영리한 규칙을 제시합니다. 바로 "게임의 규칙을 바꾸어야 한다"는 것입니다.

저자는 감염 규칙이 얼마나 복잡하냐에 따라 질병이 "보는" 대상이 달라진다는 것을 보여줍니다. 만약 감염 규칙이 단순하다면(선형적이라면) 첫 번째 모멘트만을 봅니다. 만약 이차식 규칙(주요 예시로 사용된 규칙)이라면 첫 두 개를 봅니다. 만약 당신이 세 번째 모멘트(9명 그룹과 12명 그룹의 차이)를 보고 싶다면, 감염 규칙을 훨씬 더 복잡한 삼차식으로 업그레이드해야 합니다.

논문은 이를 "통제된 실험"을 통해 입증합니다.

1. 1단계: 두 가지 서로 다른 분포(3/9 혼합형과 2/5/12 혼합형)를 가져옵니다. 이차식 감염 규칙을 적용하면, 두 분포 모두에서 질병은 정확히 똑같은 방식으로 퍼집니다. 그래프상의 곡선은 완벽하게 겹칩니다.
2. 2단계: 감염 규칙을 약간 수정하여 세 번째 모멘트에 민감하게 만듭니다. 갑자기 두 곡선이 갈라집니다! 이제 질병은 두 집단에 대해 다르게 반응합니다.

이는 "맹목성"이 관찰 도구의 결함이 아니라, 전파 프로토콜의 근본적인 한계임을 증명합니다. 논문은 단일한 유형의 유행 데이터로부터 전체 집단 크기 분포를 파악하는 것이 불가능하다는 점을 명시적으로 밝힙니다. 아무리 오랫동안 관찰하고 얼마나 많은 사람을 세더라도, 감염 규칙이 그대로라면, 동일한 첫 몇 개의 모멘트를 공유하는 분포들을 구별해 낼 수는 없습니다.

이것이 왜 중요한가 (그리고 왜 막다른 길이 아닌가)

이 논문은 단순히 "알 수 없다"라고 말하는 데 그치지 않습니다. 우리가 무엇을 알 수 있는지, 그리고 더 많이 알기 위해 무엇을 바꿔야 하는지를 정확히 알려줍니다.

저자는 첫 번째 모멘트가 "침입 임계값(invasion threshold)"—질병이 퍼지기 시작하는 지점—을 제어한다는 것을 보여줍니다. 두 번째 모멘트는 "쌍안정성(bistability)"과 "이력 현상(hysteresis)"을 제어합니다. 쉽게 말해, 어떤 질병의 경우 초기에 감염된 사람이 몇 명 더 많다는 사실만으로도 시스템을 영구적인 "풍토병(endemic)" 상태로 밀어넣을 수 있습니다. 즉, 평균적인 조건이 질병의 소멸을 가리키고 있음에도 불구하고 질병이 사라지지 않게 만드는 것입니다. 논문은 두 번째 모멘트가 이러한 행동을 켜거나 끄는 스위치 역할을 한다는 것을 보여줍니다.

또한 논문은 이것이 단순한 이론적 호기 curiosities가 아님을 명확히 합니다. 저자는 "마스터 방정식(master equation)"과 "길레스피 알고리즘(Gillespie algorithms)"을 사용한 대규모 컴퓨터 시뮬레이션을 실행하여, 이 수학적 원리가 이상적인 무한 인구 모델뿐만 아니라 유한한 인구 집단에서도 유효함을 증명했습니다. 그들은 심지어 "생존 확률(survival probability)"(질병이 사멸하기 전까지 걸리는 시간)과 "최종 유행 규모(final outbreak size)"(결국 얼마나 많은 사람이 병에 걸리는가)까지 확인했습니다. 모든 경우에서, 두 가지 서로 다른 분포는 감염 규칙이 더 높은 차수의 모멘트를 보도록 바뀌기 전까지는 동일한 결과를 만들어냈습니다.

결론적으로, 이 논문은 우리가 학습할 수 있는 범위에 대한 정밀한 한계를 설정합니다. 만약 유행을 목격한다면, 당신은 질병이 관심을 갖는 "평균적인 집단 경험"과 "집단 경험의 변동성"을 파악할 수 있습니다. 하지만 집단 크기의 전체 목록을 재구성할 수는 없습니다. 그러기 위해서는 서로 다른 규칙—예를 들어 다르게 퍼지는 다른 바이러스, 혹은 그룹을 측정하는 다른 방식—하에서의 질병 확산을 관찰해야 합니다.

결국 이 논문은 우리의 사회적 삶의 세부 사항들이 그 속을 통과하는 질병에 의해 부분적으로 숨겨져 있는 생생한 모습을 그려냅니다. 매우 다른 두 사회 구조가 바이러스에게는 정확히 똑같아 보일 수 있으며, 게임의 규칙을 바꾸지 않는 한, 우리는 숫자가 오르고 내리는 것을 관찰하는 것만으로는 그들을 구별해 낼 수 없습니다. 이는 때때로 가장 중요한 정보는 데이터가 결코 볼 수 없는 곳에 있다는 사실을 상기시켜 줍니다.