🔢 mathematics

Mathematical Modeling of Mpox with Animal Reservoir Coupling: Stability, Sensitivity, and Calibration to the 2022 US Outbreak

本文提出了一个描述动物宿主与人类之间猴痘传播的耦合 SVEIQR-SEI 数学模型，该模型证明了当基本再生数低于 1 时疾病可以被消除，并且在针对 2022 年美国疫情进行校准后，揭示了针对性隔离和行为干预是遏制疫情的主要驱动因素，同时强调了不同流行阶段中宿主动态影响力的转变。

原作者： Mst. Srabony Akhter, Md. Ahnaf Sadik Inan, Ashrafi Meher Niger

发布于 2026-08-11

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Mst. Srabony Akhter, Md. Ahnaf Sadik Inan, Ashrafi Meher Niger

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一场在全球范围内进行的巨型、隐形的“热豆子”游戏，只不过传递的不是球，而是病毒，而玩家则是各种生物。这就是流行病学的世界——研究疾病如何在人群中传播的科学。为了理解这些游戏，科学家使用数学模型，它们就像数字模拟器或视频游戏引擎，让研究人员可以在不冒真实生命风险的情况下测试规则。在这些模拟中，他们会计算一个关键数值，称为基本再生数 ( $R_0$ )。可以将 $R_0$ 想象成一个“传播得分”：如果得分低于 1，游戏就会熄火，因为每个感染者传递给新人的病毒数少于 1 人；如果得分高于 1，游戏就会爆发成疫情。科学家提出的核心问题是：我们如何能在局面失控之前阻止这场游戏？ 特别是，当疾病从动物跳跃到人类时（比如松鼠将病毒传给人类），即使我们扑灭了人类侧的火灾，动物侧是否仍会维持着火种？

这篇题为《结合动物宿主的 Mpox 数学建模》的论文，利用 2 届 2022 年 Mpox（猴痘）疫情作为现实世界的测试案例，深入探讨了那个确切的问题。作者构建了一个复杂的病毒旅程“数字孪生”，创建了一个将两个独立世界联系起来的系统：人类群体和动物宿主（特别是啮齿类动物）。他们并非凭空猜测，而是编写了一套方程组，追踪人们在不同阶段之间的移动：易感、已接种、暴露、感染、隔离和康复（SVEIQR），同时追踪啮齿类动物自身的易感-暴露-感染（SEI）循环。

研究人员发现，这场游戏有两个截然不同的阶段。在开始阶段，“传播得分”几乎完全由人与人之间的接触驱动。这就像干枯森林中的火星；风（人类行为）带动了火焰。然而，随着疫情达到高峰并开始消退，动物宿主成为了维持余烬燃烧的隐藏引擎。该论文通过数学证明，如果你能将整体传播得分降至 1 以下，疾病就会完全消失——不存在那种即便得分看起来很低，疾病仍会隐匿徘徊的“隐藏陷阱”。

当他们将模型校准至美国 2022 年的实际疫情时，结果惊人地准确。通过调整模型，使其反映出病毒主要是在人群中一个特定的微小群体（约占总人口的 5%）而非全国范围内传播，他们实现了如此精确的拟合，使模型的曲线与真实数据匹配， $R^2$ 高达 0.985。这意味着该模型解释了现实病例中 98.5% 的变化。模拟显示，疫情爆发的高峰期与现实情况完全一致（第 10 周），并且快速隔离和行为改变（如社交距离）的结合是扑灭火势的主要原因。论文得出结论：虽然人类引发了火灾，但动物可以保持火种持续燃烧，因此最好的策略是采取分阶段的方法：在早期压制人类传播，但在疫情接近尾声时，要密切关注动物侧的情况。

技术摘要：具有动物宿主耦合的 Mpox 数学建模

问题陈述
Mpox（前称猴痘）是一种人兽共患传染病，其特征是涉及动物宿主（主要是啮齿动物）与人类种群之间复杂的传播动态。尽管以往的数学模型已使用 SVEIR 或分数阶导数等框架对 Mpox 进行了研究，但仍需要一个能够将动物宿主动态与人类传播显式耦合，并纳入特定干预措施（如疫苗接种、隔离和行为变化）的综合模型。2022 年的全球疫情，特别是在美国，凸显了从传统的动物向人类溢出向特定高风险网络内持续的人际传播的转变，这要求模型能够捕捉这些异质性动态并评估不同阶段的控制策略。

方法论
作者开发了一个耦合的 SVEIQR-SEI 数学框架，将种群分为两个相互作用的子系统：

人类种群 (SVEIQR)： 易感者 ( $S_h$ )、已接种疫苗者 ( $V_h$ )、暴露者 ( $E_h$ )、感染者 ( $I_h$ )、隔离/隔离者 ( $Q_h$ ) 和康复者 ( $R_h$ )。
动物宿主 (SEI)： 易感者 ( $S_r$ )、暴露者 ( $E_r$ ) 和感染者 ( $I_r$ )。

该模型整合了两种传播途径：啮齿动物到人类 ( $\theta_1$ ) 以及人类到人类 ( $\theta_2$ )。

数学分析： 研究确立了模型的适定性（解的正性和有界性）。利用下一代矩阵法，作者推导出了基本再生数 $R_0 = \max\{R_r, R_h\}$ ，其中 $R_r$ 和 $R_h$ 分别代表啮齿动物和人类种群的再生数。通过 Jacobian 特征值对无病平衡点 (DFE) 进行了稳定性分析。此外，作者应用 Castillo-Chavez 和 Song 的中心流形理论 分析了流行阈值 ( $R_0 = 1$ ) 处的分岔行为。
敏感性分析： 在 240 天内，通过结合拉丁超立方抽样 (LHS) 的 偏秩相关系数 (PRCC) 进行了全局敏感性分析。该分析评估了 15 个参数对人类再生数和感染人口在四个不同流行阶段的影响：早期增长期、高峰动态期、下降期和长期监测期。
针对 2022 年美国疫情的模型校准： 为了解决在 2022 年美国疫情背景下均匀混合假设的局限性，作者引入了风险分层来改进模型。易感人类组分被划分为高风险亚群（约占总人口的 5%）和低风险亚群。同时，引入了通过逻辑函数建模的时变传播率 $\theta_2(t)$ ，以捕捉行为变化和干预效果。模型使用三阶段优化流水线（差异进化算法、双退火算法和 L-BFGS-B）对来自“Our World in Data”的每周病例数据（2022 年 5 月 17 日至 10 月 1 日）进行校准，旨在最小化加权平方误差和 (WSSE)，并对峰值时间和量级施加启发式惩罚。

主要贡献与结果

理论稳定性与分岔： 分析证明，当且仅当 $R_0 < 1$ 时，无病平衡点是局部渐近稳定的。至关重要的是，分岔分析确认了在 $R_0 = 1$ 处存在 前向（超临界）分岔。这一发现意味着，通过将 $R_0$ 降低至 1 以下，疾病消除是可行且充分的，在流行阈值附近不存在后向分岔或双稳态现象。
阶段特异性敏感性： PRCC 分析揭示了疫情的不同时间驱动因素：
- 早期阶段（第 1–30 天）： 人类间传播 ( $\theta_2$ ) 和进展率 ( $\tau_1$ ) 起主导作用。隔离有效性 ( $\psi_2$ ) 显示出最强的负相关性。
- 高峰阶段（第 45–90 天）： 虽然人类传播仍然关键，但动物宿主动态（啮齿动物传播 $\theta_r$ 和进展 $\xi_r$ ）开始显现高度影响力，并在敏感性上达到顶峰。
- 下降与监测阶段（第 105–240 天）： 敏感性重新转向人类传播和隔离，尽管对宿主的监测对于防止复发仍然重要。
校准性能： 风险分层、时变模型与 2022 年美国疫情数据的拟合度极高（ $R^2 = 0.985$ ）。它准确预测了峰值时间（第 10 周），量级误差仅为 3.2%，且累计病例总数匹配度在 0.2% 以内。模型显示，有效再生数 ( $R_{eff}$ ) 从 2.84 降至 0.32（截至第 23 周），并在第 12 周跨越了控制阈值 ( $R_{eff}=1$ )，这与疫苗接种规模扩大相吻合。
干预有效性： 模拟表明，虽然对新生儿进行疫苗接种对短期疫情曲线的影响微乎其微，但隔离和社交距离是最高效的单一干预措施。组合策略，特别是针对高风险网络的策略，被证明能完全控制疾病传播。

意义与主张
本文声称其主要意义在于提供了一个针对人兽共患疾病的阶段特异性控制框架。通过证明动物宿主在高峰和下降阶段成为关键驱动因素，作者认为控制策略必须具有适应性：在早期响应中优先考虑快速隔离和减少人类传播，而在高峰和下降阶段则需维持宿主监测和平衡的干预措施。

研究强调，2022 年美国的疫情主要是由一个小型且定义明确的网络内的人际传播驱动的，这验证了在建模中使用风险分层的必要性。作者得出结论，其定量框架可为公共卫生部门提供循证决策工具，特别强调了针对高风险网络中的定向隔离和行为干预是 2022 年疫情受控的主要驱动力。对前向分岔的确认进一步强化了标准基于阈值的消除策略在理论上的合理性，前提是在流行阈值附近将 $R_0$ 降低至 1 以下。

类似论文