據外媒報導，科學家們開發了一個模型，顯示在新冠大流行早期出現了脆弱的、暫時的群體免疫狀態，但是隨著時間的推移，人們改變了他們的社會行為，導致了未來的感染浪潮。

美國能源部（DOE）下屬布魯克海文國家實驗室(BNL)和伊利諾伊大學厄巴納-香檳分校（UIUC）的科學家們開發了一個新的數學模型，用於預測像COVID-19這樣的流行病如何傳播。這個模型不僅考慮了個人對感染的不同生物敏感性，而且還考慮了他們的社會活動水平，這些活動隨著時間的推移而自然改變。利用他們的模型，研究小組表明，在大流行的早期、快節奏階段，出現了一種暫時的群體免疫狀態–他們稱之為”短暫的群體免疫”。然而，由於所施加的緩解措施發生變化，導致社會行為發生變化，因此預計會出現隨後的“感染浪潮”或病例數激增。他們的結果於2021年4月8日在線發布，提前在《美國國家科學院院刊》上發表。

COVID-19疫情於2020年初到達美國，到3月份迅速蔓延到幾個州。為了緩解新冠病毒的傳播，各州發布了居家令，關閉了學校和企業，並製定了口罩措施。在紐約市和芝加哥等主要城市，第一波疫情在6月結束。在冬季，這兩個城市爆發了第二波；事實上，隨後的COVID-19感染浪潮在世界各地都出現了。流行病經常表現出這種常見的模式，即最初的一波結束後，又出乎意料地出現了隨後的一波，但要對這種普遍現像有一個詳細的定量了解，一直是一個挑戰。

流行病的數學模型是在近100年前首次開發的，但必然不能完美地反映現實。它們的缺陷之一是沒有考慮到人與人之間的接觸網絡的結構，這些網絡是傳染病傳播的渠道。

“經典的流行病學模型往往忽略了這樣一個事實，即人口是異質的，或者說是不同的，在多個層面上，包括生理上和社會上，”主要作者Alexei Tkachenko說，他是功能納米材料中心（CFN）理論和計算組的物理學家，該中心是布魯克海文實驗室的能源部科學辦公室用戶設施。”由於年齡、預先存在的健康狀況和遺傳學等因素，我們對感染的易感性不盡相同。同樣，我們在社會生活中的活動水平也不盡相同。在不同的季節裡，我們擁有的親密接觸者的數量以及與他們互動的頻率都不同。人口異質性–這些生物和社會易感性的個體差異–特別重要，因為它降低了群體免疫的閾值”。

群體免疫是指人口中必須達到免疫力的百分比，以便結束一場流行病。”CFN用戶、UIUC的教授和Bliss學院學者Sergei Maslov說：“群體免疫是一個有爭議的話題”，他在物理系、生物工程系和Carl R. Woese基因組生物學研究所任教。”從COVID- 19大流行的早期開始，就有人建議迅速達到群體免疫，從而結束病毒的局部傳播。然而，我們的研究表明，以這種方式達到的明顯的群體免疫不會持久”。

據UIUC的Swanlund物理學教授、Carl R. Woese基因組生物學研究所的生物複雜性小組組長Nigel Goldenfeld說，群體免疫的概念在實踐中並不適用於COVID-19。“人們的社會活動有增有減，特別是由於封鎖或其他緩解措施。因此，當易感人群或更多的社會群體集體被感染時，一波流行病似乎會因為緩解措施而消失–我們稱之為短暫的群體免疫。​​但是，一旦這些措施被放鬆，人們的社會網絡被更新，另一個浪潮就會開始，就像我們看到的那樣，各州和國家過早地開放，以為最壞的情況已經過去。”

唐納德比格威利特工程學院研究員、UIUC土木與環境工程教授艾哈邁德-埃爾班納指出，短暫的群體免疫對公共政策有深遠的影響。Elbanna說：“緩解措施，如戴口罩和避免大型集會，應該繼續下去，直到通過接種疫苗達到真正的群體免疫閾值。我們不能通過廣泛的感染強行達到群體免疫來戰勝這種病毒，因為受感染的人數和可能死亡的住院人數會太高。”

預測模型的核心和細節

在過去的一年裡，布魯克海文-UIUC團隊一直在開展與更廣泛的COVID-19建模工作相關的各種項目。在此之前，他們模擬了該流行病將如何在伊利諾伊州和UIUC校園內傳播，以及緩解工作將如何影響這種傳播。然而，他們對現有的數學框架不滿意，這些框架假定異質性隨時間變化而保持不變。例如，如果某人今天不參加社交活動，那麼就會假設他們明天或未來幾周和幾個月內都不會參加社交活動。這種假設似乎是不現實的，他們的工作代表了彌補這一缺陷的第一次嘗試。

“基本的流行病學模型只有一個特徵時間，稱為生成間隔或潛伏期，”Tkachenko說。”它指的是你在自己被感染後可以感染另一個人的時間。對於COVID-19，它大約是五天。但這只是一個時間尺度。還有其他的時間尺度，人們在這些時間裡會改變他們的社會行為。”

在這項工作中，該團隊將個人社會活動的時間變化納入現有的流行病學模型。這種模型的工作原理是給每個人分配一個概率，即如果暴露在相同的環境中，他們有多大可能被感染（生物易感性），以及他們有多大可能感染其他人（社會活動）。需要一個複雜的多維模型來描述每組具有不同疾病易感性的人。他們把這個模型壓縮到只有三個方程，開發了一個參數來捕捉異質性的生物和社會來源。

Maslov解釋說：“我們稱這個參數為免疫因子，它告訴你當易感個體被從人口中移除時，繁殖數量下降了多少。”繁殖數量表明一種傳染病的傳播程度。具體來說，這個數量是指一個受感染的人將反過來感染多少人。在經典的流行病學中，繁殖數與易感個體的比例成正比；如果易感個體的數量減少10%，繁殖數也會減少。免疫因子描述了隨著易感個體庫的耗盡，繁殖數量會有更大的減少。

為了估計社會對免疫因子的貢獻，該團隊利用了以前的研究，在這些研究中，科學家們積極監測人們的社會行為。他們還研究了實際的疫情動態，確定了與紐約市和芝加哥的COVID-19相關的住院、重症監護室（ICU）收治和每日死亡數據最一致的免疫因子。該團隊還能夠利用倫敦帝國理工學院的科學家早先進行的分析，將他們的計算結果擴展到美國所有50個州。

在城市和州一級，在受COVID-19嚴重影響的地方，繁殖數量減少的程度較大。例如，在紐約市和芝加哥的早期快速流行期間，當易感人數下降10%時，繁殖人數下降了40%至50%–對應的估計免疫係數為4至5。

Tkachenko說：“這是一個相當大的免疫係數，但它不代表持久的群體免疫力。在更長的時間範圍內，我們估計的免疫係數要低得多，大約為2。單一浪潮停止的事實並不意味著你是安全的。它可以回來。”

這種暫時的免疫狀態的產生是因為人口的異質性不是永久性的。換句話說，人們會隨著時間的推移改變他們的社會行為。例如，在第一波中自我隔離的人–呆在家裡，沒有訪客，在網上訂購雜貨–隨後開始放鬆他們的行為。社會活動的任何增加都意味著額外的暴露風險。如圖所示，其結果可能是出現了一種錯誤的印象，即流行病已經結束，儘管還有更多的浪潮要來。

在使用紐約市和芝加哥的COVID-19數據對模型進行校准後，該團隊根據他們制定的異質性假設預測了這兩個城市的未來傳播，重點是社會貢獻。

Tkachenko解釋說：“一般來說，社會對異質性的貢獻比生物貢獻有更大的影響，後者取決於疾病的具體生物細節，因此並不那麼普遍或穩健。”

在後續的工作中，科學家們正在更詳細地研究流行病的動態。例如，他們正在將來自”超級傳播者”事件的統計數據輸入該模型–在這些事件中，一個受感染的人在與會者中引起了大規模的爆發。他們還將他們的模型應用於全美不同地區，以解釋從封鎖結束到2021年3月初的整體疫情動態。

“我們的模型可以被看作是一個通用的補丁，可以應用於傳統的流行病學模型，以方便考慮異質性，”Tkachenko說。“預測未來的浪潮將需要額外的考慮，如地理變異性、季節性影響、新菌株的出現和疫苗接種水平。”