Space--time message passing for endemic diseases

질병이 단순히 군대처럼 앞으로만 전진하는 것이 아니라, 탁구공처럼 앞뒤로 왔다 갔다 하는 세상을 상상해 보십시오. 이것이 바로 '엔데믹(endemic, 풍토병)' 질병의 까다로운 현실입니다. 엔데믹 질병은 사람들을 감염시키고, 한동안 아프게 했다가, 나중에 다시 아프게 만들며 계속 머무르는 질병을 말합니다. 과학자들은 이 질병이 어떻게 퍼지는지 예측하기 위해 '메시지 패싱(message passing)'이라는 강력한 수학적 도구를 오랫동안 사용해 왔습니다. 메시지 패싱을 친구들의 네트워크에서 하는 '전화기 놀이(game of telephone)'라고 생각해 보십시오. 만약 네트워크가 루프(순환)가 없는 완벽한 트리(tree) 구조라면, 메시지가 한 방향으로만 전달되고 다시 발신자에게 돌아와 혼란을 주지 않기 때문에 이 놀이는 완벽하게 작동합니다. 하지만 현실 세계의 네트워크는 무질서하며, 질병은 다시 돌아와 같은 사람을 두 번 감염시킬 수 있습니다. 이러한 '백트래킹(backtracking, 역행)'은 표준 수학을 깨뜨리며, 장기적으로 얼마나 많은 사람이 병을 앓게 될지 예측하는 것을 어렵게 만듭니다.

이 논문은 바로 그 특정한 골칫거리를 다룹니다. 즉, 나무 구조처럼 보이는 네트워크에서도 계속해서 되돌아오는 질병의 확산을 어떻게 계산할 것인가에 대한 문제입니다. 저자인 피터 맨(Peter Mann)과 사이먼 도브슨(Simon Dobson)은 이 문제가 단순히 공간(누가 누구 옆에 있는가)의 문제가 아니라, '시간'의 문제라는 점을 깨달았습니다. 어떤 사람이 감염되었다가 회복하고, 다시 같은 이웃에 의해 감염될 때, 그들은 '시공간(space-time)' 속에서 닫힌 루프를 생성합니다. 이는 마치 러너가 전력 질주하여 방향을 돌린 뒤 출발점으로 다시 달려와서 경로에 원을 만드는 것과 같습니다. 표준 수학은 러너가 뒤를 돌아보지 않는다고 가정하기 때문에, 이 루프를 보지 못하고 실패합니다. 저자들은 특정 거리 내의 이러한 루프를 정확하게 추적한 다음 그 거리 밖에서 일어나는 일을 추정하는 방식을 통해, 이 문제를 해결하기 위한 새로운 방법, 즉 수학을 위한 '타임머신'을 구축하는 방법을 제안합니다.

핑퐁 문제

저자들이 연구하는 질병을 이해하기 위해, 'SIS(Susceptible-Infected-Susceptible, 감수성-감염-감수성)' 모델을 살펴봅시다. 노드(사람)를 전구라고 상상해 보십시오. 전구는 꺼져 있거나(감수성), 정해진 횟수만큼 켜져 있다가(감염), 다시 꺼질 수 있습니다. 단순하고 일방적인 유행병에서는 불이 켜지면 끝까지 켜져 있습니다. 하지만 이 재발성 질병에서는 불이 켜졌다가, 횟수를 세고, 꺼졌다가, 그리고—이런!—다시 켜집니다.

저자들은 이 '재감염'이 숨겨진 순환을 만든다고 지적합니다. 만약 A라는 사람이 B를 감염시키고, 이후 B가 다시 A를 감염시킨다면, 감염은 원을 그리며 이동한 것입니다. 논문의 언어로 way, 이것은 '에코(echo, 메아리)'입니다. 협곡에서 소리를 질러 자신의 목소리가 되돌아오는 것을 듣는 것처럼, 질병은 이웃 사이를 앞뒤로 왔다 갔다 합니다. 표준 수학 도구들은 메시지가 노드를 떠나면 다시는 돌아오지 않는다고 가정합니다. 하지만 재발성 질병에서는 실제로 돌아옵니다. 이 귀환 경로는 이웃들의 상태를 서로 상관관계가 있게 만들며, 기존의 수학이 고려하지 못한 방식으로 그들을 의존적으로 만듭니다.

시간을 여행하는 공 만들기

그렇다면 사물이 루프를 그리며 돌아올 때 깨져버리는 수학 도구를 어떻게 고칠 수 있을까요? 저자들은 영리한 묘책을 제안합니다. 전체 무한 네트워크를 한꺼번에 해결하려고 노력하는 대신, 네트워크의 아주 작고 관리 가능한 조각인 '볼(ball, 공)'에 집중하는 것입니다.

당신이 집 A와 집 B를 연결하는 특정 도로 위에 서 있다고 상상해 보십시오. 당신은 그 도로 주변에 원을 그립니다. 원 안에서는 모든 상호작용, 모든 감염, 모든 회복을 완벽한 정밀도로 다룹니다. 당신은 바로 그곳에서 '핑퐁' 게임이 일어나는 것을 관찰합니다. 집 A가 집 B 때문에 다시 병에 걸릴 확률과 그 반대의 경우를 정확하게 계산합니다. 이것이 바로 '볼'입니다.

하지만 우주 전체를 이런 식으로 다룰 수는 없습니다. 그러면 컴퓨터 성능이 너무 많이 필요할 것입니다. 그래서 원 '밖'의 모든 것에 대해서는 지름길을 사용합니다. 당신은 외부 세계가 당신의 원 가장자리로 들어오는 꾸준한 '감염 메시지'의 흐름이라고 가정합니다. 외부의 구체적인 루프를 추적하는 대신, 그들이 얼마나 자주 감염을 다시 안으로 보내는지에 대한 '평균율'만을 추적합니다.

이 논문의 마법은 바로 '계층 구조(hierarchy)'에 있습니다. 저자들은 볼의 크기를 점점 더 키울 수 있다는 것을 보여줍니다.

• 깊이 0 (Depth 0): 당신의 볼은 단지 두 집(A와 B)뿐입니다. 당신은 그들 사이의 즉각적인 '핑퐁'을 해결합니다.
• 깊이 1 (Depth 1): 당신의 볼을 A와 B의 이웃까지 확장합니다. 이제 한 단계 밖으로 나갔다 돌아오는 루프를 해결합니다.
• 깊이 2 (Depth 2): 두 단계 밖까지 나갑니다. 더 멀리 이동했다가 돌아오는 루프를 해결합니다.

볼의 크기를 키울수록, 당신은 이러한 '에코'들을 점점 더 많이 정확하게 포착하게 됩니다. 논문은 이 볼의 크기를 키울수록 당신의 예측이 진실에 점점 더 가까워진다는 것을 증명합니다.

시뮬레이션이 보여주는 것

저자들은 두 가지 유형의 네트워크를 사용하여 컴퓨터 시뮬레이션으로 이 아이디어를 테스트했습니다. 하나는 모든 사람이 정확히 세 명의 이웃을 가진 무작위 네트워크(3-regular graph)이고, 다른 하나는 논문을 함께 쓴 과학자들의 실제 네트워크입니다.

시뮬레이션에서 그들은 자신들의 '볼' 예측을 모든 사람과 모든 감염 이벤트를 추적하는 거대한 브루트 포스(brute-force, 무차별 대입) 컴퓨터 시뮬레이션과 비교했습니다. 결과는 인상적이었습니다.

• 무작위 네트워크에서, 볼의 크기(깊이 0에서 9까지)를 키울수록, 그들이 예측한 '유병률(prevalence, 환자 비율)'은 시뮬레이션과 거의 완벽하게 일치했습니다.
• 수학적 계산과 시뮬레이션 사이의 오차는 단순히 줄어든 것이 아니라, 기하급수적으로 감소했습니다. 볼에 새로운 층을 추가할 때마다 오차는 일정한 비율로 떨어졌습니다.
• 짧은 루프와 복잡한 연결로 가득 찬 실제 과학자 네트워크에서도, 그들의 방식은 여전히 훌륭하게 작동하여 기존의 더 단순한 방법들보다 훨씬 더 잘 시뮬레이션 데이터를 일치시켰습니다

'에코 챔버(Echo Chamber)' 수정법

가장 흥-미로운 발견 중 하나는 기존의 방법들이 왜 실패했는지, 그리고 이 새로운 방법이 이를 어떻게 해결하는지입니다. 기존의 방법들은 질병에게 "방금 온 곳으로 돌아가지 마라"라고 말하는 것과 같습니다. 이것을 '비-백트래킹(non-backtracking, 역행 방지)' 규칙이라고 합니다. 하지만 재발성 질병에서는 돌아가는 것이 바로 실제로 일어나는 일입니다.

저자들은 자신들의 '깊이 0' 볼(단지 두 집)이 본질적으로 질병이 그 두 집 사이를 왔다 갔다 하는 모든 시간을 합산하는 것이라고 설명합니다. 이는 '에코'를 취하여 영원히 더하는 것과 같습니다. 이렇게 함으로써, 그들은 '임계값(threshold)'을 교정합니다. 즉, 이러한 에코를 고려하면 질병이 더 효율적으로 퍼질 수 있기 때문에, 엔데믹이 되기 위해 필요한 감염률이 더 낮아진다는 것을 그들의 수학은 보여줍니다.

결론

이 논문은 단순히 "기존의 수학이 틀렸다"라고 말하는 데 그치지 않습니다. 하나의 사다리를 제공합니다. 간단하고 불완전한 추측에서 시작하여, 점점 커지는 '볼'의 계층을 타고 올라갈 수 있음을 보여줍니다. 사다리의 각 단계를 올라갈 때마다, 시공간의 복잡한 루프를 더 많이 해결하게 되며, 재발성 질병이 어떻게 행동하는지에 대해 더 정확한 그림을 얻게 됩니다.

저자들은 자신들의 방법이 볼 내부의 네트워크에 대해서는 정확하지만, 외부 세계에 대해서는 여전히 근사치에 의존한다는 점을 주의 깊게 언급합니다. 그들은 이 근사치가 유병률을 약간 과대평가하는 경 경향이 있다는 것을 발견했는데, 이는 '외부 세계'가 감염을 일정한 독립적인 흐름으로 보내는 반면, 실제 이웃들은 '폭발적(bursts)'으로 (병에 걸렸다가, 한동안 아파하다가, 회복하는 식으로) 보낼 수 있기 때문입니다. 그러나 이러한 작은 편향에도 불구하고, 이 방법은 이전의 도구들보다 엄청난 개선을 이루었으며, 끈질기고 반복되는 질병의 확산을 높은 정밀도로 계산할 수 있는 길을 제시합니다.

요컨대, 이 논문은 재발하는 질병을 이해하려면 시간을 직선이 아닌 루프로 취급해야 한다는 것을 가르쳐 줍니다. 감염 주변에 '시간을 여행하는 볼'을 구축함으로써, 우리는 마침내 눈에 보이지 않게 숨어 있던 에코를 볼 수 있게 되었습니다.