原标题：模型显示在新冠大流行早期出现了“短暂的群体免疫” 但遭破坏 来源：cnBeta.COM
据外媒报道，科学家们开发了一个模型，显示在新冠大流行早期出现了脆弱的、暂时的群体免疫状态，但是随着时间的推移，人们改变了他们的社会行为，导致了未来的感染浪潮。
美国能源部（DOE）下属布鲁克海文国家实验室(BNL)和伊利诺伊大学厄巴纳-香槟分校（UIUC）的科学家们开发了一个新的数学模型，用于预测像COVID-19这样的流行病如何传播。这个模型不仅考虑了个人对感染的不同生物敏感性，而且还考虑了他们的社会活动水平，这些活动随着时间的推移而自然改变。利用他们的模型，研究小组表明，在大流行的早期、快节奏阶段，出现了一种暂时的群体免疫状态--他们称之为 "短暂的群体免疫"。然而，由于所施加的缓解措施发生变化，导致社会行为发生变化，因此预计会出现随后的“感染浪潮”或病例数激增。他们的结果于2021年4月8日在线发布，提前在《美国国家科学院院刊》上发表。
COVID-19疫情于2020年初到达美国，到3月份迅速蔓延到几个州。为了缓解新冠病毒的传播，各州发布了居家令，关闭了学校和企业，并制定了口罩措施。在纽约市和芝加哥等主要城市，第一波疫情在6月结束。在冬季，这两个城市爆发了第二波；事实上，随后的COVID-19感染浪潮在世界各地都出现了。流行病经常表现出这种常见的模式，即最初的一波结束后，又出乎意料地出现了随后的一波，但要对这种普遍现象有一个详细的定量了解，一直是一个挑战。
流行病的数学模型是在近100年前首次开发的，但必然不能完美地反映现实。它们的缺陷之一是没有考虑到人与人之间的接触网络的结构，这些网络是传染病传播的渠道。
"经典的流行病学模型往往忽略了这样一个事实，即人口是异质的，或者说是不同的，在多个层面上，包括生理上和社会上，"主要作者Alexei Tkachenko说，他是功能纳米材料中心（CFN）理论和计算组的物理学家，该中心是布鲁克海文实验室的能源部科学办公室用户设施。"由于年龄、预先存在的健康状况和遗传学等因素，我们对感染的易感性不尽相同。同样，我们在社会生活中的活动水平也不尽相同。在不同的季节里，我们拥有的亲密接触者的数量以及与他们互动的频率都不同。人口异质性--这些生物和社会易感性的个体差异--特别重要，因为它降低了群体免疫的阈值"。
群体免疫是指人口中必须达到免疫力的百分比，以便结束一场流行病。"CFN用户、UIUC的教授和Bliss学院学者Sergei Maslov说：“群体免疫是一个有争议的话题”，他在物理系、生物工程系和Carl R. Woese基因组生物学研究所任教。"从COVID-19大流行的早期开始，就有人建议迅速达到群体免疫，从而结束病毒的局部传播。然而，我们的研究表明，以这种方式达到的明显的群体免疫不会持久"。
据UIUC的Swanlund物理学教授、Carl R. Woese基因组生物学研究所的生物复杂性小组组长Nigel Goldenfeld说，群体免疫的概念在实践中并不适用于COVID-19。“人们的社会活动有增有减，特别是由于封锁或其他缓解措施。因此，当易感人群或更多的社会群体集体被感染时，一波流行病似乎会因为缓解措施而消失--我们称之为短暂的群体免疫。但是，一旦这些措施被放松，人们的社会网络被更新，另一个浪潮就会开始，就像我们看到的那样，各州和国家过早地开放，以为最坏的情况已经过去。”
唐纳德比格威利特工程学院研究员、UIUC土木与环境工程教授艾哈迈德-埃尔班纳指出，短暂的群体免疫对公共政策有深远的影响。Elbanna说：“缓解措施，如戴口罩和避免大型集会，应该继续下去，直到通过接种疫苗达到真正的群体免疫阈值。我们不能通过广泛的感染强行达到群体免疫来战胜这种病毒，因为受感染的人数和可能死亡的住院人数会太高。”
预测模型的核心和细节
在过去的一年里，布鲁克海文-UIUC团队一直在开展与更广泛的COVID-19建模工作相关的各种项目。在此之前，他们模拟了该流行病将如何在伊利诺伊州和UIUC校园内传播，以及缓解工作将如何影响这种传播。然而，他们对现有的数学框架不满意，这些框架假定异质性随时间变化而保持不变。例如，如果某人今天不参加社交活动，那么就会假设他们明天或未来几周和几个月内都不会参加社交活动。这种假设似乎是不现实的，他们的工作代表了弥补这一缺陷的第一次尝试。
"基本的流行病学模型只有一个特征时间，称为生成间隔或潜伏期，"Tkachenko说。"它指的是你在自己被感染后可以感染另一个人的时间。对于COVID-19，它大约是五天。但这只是一个时间尺度。还有其他的时间尺度，人们在这些时间里会改变他们的社会行为。"
在这项工作中，该团队将个人社会活动的时间变化纳入现有的流行病学模型。这种模型的工作原理是给每个人分配一个概率，即如果暴露在相同的环境中，他们有多大可能被感染（生物易感性），以及他们有多大可能感染其他人（社会活动）。需要一个复杂的多维模型来描述每组具有不同疾病易感性的人。他们把这个模型压缩到只有三个方程，开发了一个参数来捕捉异质性的生物和社会来源。
Maslov解释说：“我们称这个参数为免疫因子，它告诉你当易感个体被从人口中移除时，繁殖数量下降了多少。”繁殖数量表明一种传染病的传播程度。具体来说，这个数量是指一个受感染的人将反过来感染多少人。在经典的流行病学中，繁殖数与易感个体的比例成正比；如果易感个体的数量减少10%，繁殖数也会减少。免疫因子描述了随着易感个体库的耗尽，繁殖数量会有更大的减少。
为了估计社会对免疫因子的贡献，该团队利用了以前的研究，在这些研究中，科学家们积极监测人们的社会行为。他们还研究了实际的疫情动态，确定了与纽约市和芝加哥的COVID-19相关的住院、重症监护室（ICU）收治和每日死亡数据最一致的免疫因子。该团队还能够利用伦敦帝国理工学院的科学家早先进行的分析，将他们的计算结果扩展到美国所有50个州。
在城市和州一级，在受COVID-19严重影响的地方，繁殖数量减少的程度较大。例如，在纽约市和芝加哥的早期快速流行期间，当易感人数下降10%时，繁殖人数下降了40%至50%--对应的估计免疫系数为4至5。
Tkachenko说：“这是一个相当大的免疫系数，但它不代表持久的群体免疫力。在更长的时间范围内，我们估计的免疫系数要低得多，大约为2。单一浪潮停止的事实并不意味着你是安全的。它可以回来。”
这种暂时的免疫状态的产生是因为人口的异质性不是永久性的。换句话说，人们会随着时间的推移改变他们的社会行为。例如，在第一波中自我隔离的人--呆在家里，没有访客，在网上订购杂货--随后开始放松他们的行为。社会活动的任何增加都意味着额外的暴露风险。 如图所示，其结果可能是出现了一种错误的印象，即流行病已经结束，尽管还有更多的浪潮要来。
在使用纽约市和芝加哥的COVID-19数据对模型进行校准后，该团队根据他们制定的异质性假设预测了这两个城市的未来传播，重点是社会贡献。
Tkachenko解释说：“一般来说，社会对异质性的贡献比生物贡献有更大的影响，后者取决于疾病的具体生物细节，因此并不那么普遍或稳健。”
在后续的工作中，科学家们正在更详细地研究流行病的动态。例如，他们正在将来自 "超级传播者 "事件的统计数据输入该模型--在这些事件中，一个受感染的人在与会者中引起了大规模的爆发。他们还将他们的模型应用于全美不同地区，以解释从封锁结束到2021年3月初的整体疫情动态。
“我们的模型可以被看作是一个通用的补丁，可以应用于传统的流行病学模型，以方便考虑异质性，”Tkachenko说。“预测未来的浪潮将需要额外的考虑，如地理变异性、季节性影响、新菌株的出现和疫苗接种水平。”
