利用动力学信息图神经网络全球预测 COVID-19 变异株的出现
种群与进化
2024-12-30 v3 机器学习
物理与社会
摘要
在 COVID-19 大流行期间，新变异株的出现是新疫情浪潮的主要驱动因素。当一个或多个国家出现新变异株时，其他国家会监测其传播以应对其潜在到来。新变异株的影响以及一个国家流行病高峰的时间高度依赖于变异株何时到达。目前预测新变异株传播的方法依赖于统计建模，然而，这些方法仅在新变异株已经到达感兴趣区域并具有显著流行率时才有效。我们能否预测存在于其他地方的变异株何时会到达给定区域？为了解决这个问题，我们提出了一种变异株动力学信息图神经网络（GNN）方法。首先，我们推导了适用于一大类流行病模型的成对区域（国家）间变异株流行率的动力学。该动力学激发了在 GNN 中引入某些特征。我们证明，我们提出的动力学信息 GNN 优于所有基线，包括目前普遍使用的物理信息神经网络（PINNs）框架。为了推进该领域的研究，我们引入了一种基准测试工具，以评估用户定义模型在 87 个国家和 36 种变异株上的预测性能。
引用
@article{arxiv.2401.03390,
title = {Global Prediction of COVID-19 Variant Emergence Using Dynamics-Informed Graph Neural Networks},
author = {Majd Al Aawar and Srikar Mutnuri and Mansooreh Montazerin and Ajitesh Srivastava},
journal= {arXiv preprint arXiv:2401.03390},
year = {2024}
}