MEmilio:用于传染病动力学多尺度与比较模拟的高性能模块化流行病学模拟软件

《Scientific Reports》:MEmilio: a high performance Modular EpideMIcs simuLatIOn software for multi-scale and comparative simulations of infectious disease dynamics

【字体: 大 中 小 】 时间:2026年08月28日 来源:Scientific Reports 4.9

编辑推荐:

  流行病与全球大流行的防范及快速疫情响应依赖于及时且可信的证据。数学模型对于支持为公共卫生决策制定及时且可靠地生成证据至关重要,其模型方法涵盖了从仓室模型和元群体模型到详细的基于个体的模拟。然而,现有的配套软件生态系统在模型类型、空间分辨率和计算目标方面仍然呈现

  
流行病与全球大流行的防范及快速疫情响应依赖于及时且可信的证据。数学模型对于支持为公共卫生决策制定及时且可靠地生成证据至关重要,其模型方法涵盖了从仓室模型和元群体模型到详细的基于个体的模拟。然而,现有的配套软件生态系统在模型类型、空间分辨率和计算目标方面仍然呈现碎片化,使得模型难以进行比较、扩展和大规模部署。在此,研究人员提出了MEmilio,这是一个模块化、高性能的流行病模拟框架,它在统一且协调的架构内,协调了各种动态流行病学模型的规范与执行。MEmilio将高效的C++模拟核心与连贯的模型描述和用户友好的Python接口相结合,使得工作流既能在笔记本电脑上运行,也能在高性能计算系统上运行。对空间、人口统计和移动性的标准化表示支持在分辨率和人口规模上进行直接调整,促进了系统性的模型间比较和集成研究。该框架可与现有工具轻松集成以进行不确定性量化和参数推断,支持从场景探索到校准的广泛应用。最后,严格的软件工程实践,包括广泛的单元和持续集成测试,提高了鲁棒性并随着框架的发展将错误风险降至最低。通过统一跨建模范式的实现,MEmilio旨在降低模型重用和泛化的门槛,实现对隐含假设的原则性比较,并加速开发加强基于建模的疫情防范的新方法。
在全球化和传染病频发的背景下,大流行防范与快速疫情响应变得至关重要,这需要及时且可靠的证据支持公共卫生决策。尽管数学建模已成为传染病动力学假设生成和政策评估的核心工具,但当前的软件生态系统仍存在显著碎片化问题。现有软件通常专注于特定的模型类别和分辨率,缺乏跨范式的协调抽象。这导致仓室模型软件常缺乏用于大规模参数估计的高性能计算支持,且在非指数状态转移分布上灵活性不足;而基于个体的模型则鲜少与较粗糙的混合模型相链接。这种碎片化阻碍了模型间的系统性比较、假设的透明转移以及干预定义的统一。为解决这些问题,研究人员开展了相关研究并开发了MEmilio框架。该研究发表在《Scientific Reports》上,其结论表明通过统一不同建模范式的实现,可以降低模型重用和泛化的门槛,加速开发强化基于建模的疫情防范的新方法,具有重要的公共卫生和流行病学意义。

研究人员开发了基于高效C++后端和Python前端的高性能框架MEmilio。该框架整合了基于常微分方程、随机微分方程、线性链技巧和积分微分方程的人群基础模型,以及元群体模型和基于个体的模型,并支持时间-空间混合方法。研究利用了来自德国和西班牙的空间及重症监护室占用数据,以及2014年几内亚埃博拉疫情和德国流感数据作为样本队列来源。参数推断采用了粒子马尔可夫链蒙特卡洛和摊销贝叶斯推断框架。此外,该框架在JURECA超级计算机上实现了分布式内存并行计算,并集成了图神经网络代理模型。

研究结果如下:

适用性:多种研究问题与用例
研究人员开发了支持跨多级粒度传染病的统一框架。PBMs数据需求最简,适用于快速探索基本传染数和疫苗接种策略。通过引入人口统计分层结构NG,用户可研究年龄依赖的严重程度或死亡率风险。MPMs允许研究空间异质性动态和局部干预,通过DynamicNPIs结构实现区域和阈值特定的干预方案。ABM则实现详细的个体传播概率,可用于研究超级传播事件或特定位置的传播。MEmilio通过共享内存并行化和模拟集合并行化,使其模型能在个人电脑和超级计算基础设施上高效运行。

不同疾病及跨尺度时空动态的分析
研究评估了MEmilio生成、模拟和校准不同疾病模型的能力。对于流感,研究人员将基于SDE的SIRS PBM拟合至德国报告病例,成功校准了三个不同的流感季。对于埃博拉,基于ODE的SEIRDB PBM成功拟合了2014年几内亚爆发疫情。对于SARS-CoV-2,利用分辨率无关的模型规范,在德国国家及400个地区层面、西班牙国家及47个省份层面实例化了SECIR模型。结果显示,国家级模型产生较窄的不确定性带,而较细空间分辨率的模型能更真实地捕捉区域传播动态变化,为决策者提供更真实的疫情轨迹。

避免无差别严格性的定制局部干预方案
研究考察了能够减少流行病负担同时避免不必要限制的局部定制非药物干预措施。研究人员在德国SARS-CoV-2区域模型上模拟了5种策略。结果表明,无NPIs场景下约70%人口感染。动态触发阈值并应用14天的DynamicNPIs在减少感染、重症和危重病例方面与更严格的NPIs效果相当,但允许多31%的接触。当结合最优控制以最小化干预严格性时,DynamicNPIs进一步减少了20%的危重病例,且允许比严格NPI场景多35%的接触。这证明MEmilio能有效评估有针对性的局部干预策略,显著降低流行病负担并减少社会成本。

通过混合建模减少运行时间和资源需求
针对ABM计算成本高的问题,研究人员测试了时间-混合ABM-PBM模型。该混合模型在每万人中3名感染者的预设阈值被超过时,动态从基于扩散的ABM切换至基于ODE的PBM。结果显示,在总人口的0.02%暴露的场景中,约20%的纯ABM模拟出现病毒灭绝,混合模型不仅捕捉到了总感染中位数,还可靠地捕捉了病毒灭绝场景,且初始化仅略增时间的情况下,将ABM模拟运行时间减少了近99%。

模型集合与模型特定假设的量化
研究利用MEmilio的协调模型实现作为跨保真度敏感性分析框架。通过在保持其余设置对齐的情况下改变状态转移时间分布假设,发现使用对数正态分布的模型比使用指数分布的ODE模型产生更高、更尖锐的峰值。此外,在ABM中将单一大型同质混合位置替换为多个较小位置时,观察到了传播事件、ICU入院和死亡的显著减少。这表明PBMs可用于筛选结构性选择,而ABMs能揭示个体接触网络带来的实质性差异,从而为代理模型构建提供指导。

用于快速模拟的高效且可扩展的实现
研究评估了MEmilio在区域数量、人口规模和计算资源方面的效率与扩展性能。其C++后端能在10-3秒内模拟500天的单一PBM,优于R实现一到两个数量级。图基MPM随区域数量适度扩展。MEmilio的ABM在个体数量上表现出最佳线性扩展,且每步执行时间快于Covasim和OpenCOVID,成功模拟了2.56亿个代理。其集成运行功能利用分布式内存并行性,在JURECA超级计算机上使用16384个核心,在17分钟内获得200万代理ABM的16384个模拟结果。基于GNN的代理模型实现了806到32078倍的加速。

总结讨论部分,研究人员开发了MEmilio作为一个计算可扩展、多模型和多尺度的流行病建模框架,以克服现有数学建模软件的碎片化。该框架独特的结合了基于个体、人群和元群体的模型以及混合方法、高性能计算技术和GNNs,提供了一种新的整体流行病建模方法。统一的模型描述允许进行人口统计分层和时空动态整合,并使得不同保真度的模型能够在匹配的流行病学假设下进行评估。这种跨保真度视角为更有针对性的代理开发提供了基础,计算成本低的PBMs和MPMs可用于筛选广泛参数范围,而昂贵的ABMs则用于高保真度效应相关的区域进行密集采样。研究结论指出,MEmilio能够与最先进的神经网络推断方法、马尔可夫链蒙特卡洛和近似贝叶斯计算等框架高效耦合,广泛用于参数推断、模型校准、不确定性量化和敏感性分析。未来研究将致力于完全集成的分布式内存数值求解器和基于GPU的模型实现,以优化大规模并行模拟并适应最新的超级计算基础设施。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号