Ученые разрабатывают модель, которая объясняет, как могут продолжаться коллективные сценарии, такие как болезни

Три класса методов для вывода параметров для DTMC с стационарными измерениями данных.Кредит: PLOS One (2023).Doi: 10.1371/journal.pone.0291151

Это зима, типичное время для простуды.Что если бы вы могли имитировать, как может распространяться болезнь?В коллективном поведении Cluster of Excellence в Университете Констанца Джулия Кляйн, докторская студентка по информатике, и коллеги исследовали, как использование строгих, основанных на правилах методов может помочь лучше оценить параметры для цепей Маркова.Результаты опубликованы в журнале PLOS One.

Цепочки Маркова - это специфическая стохастическая модель, с которой мы анализируем популяции в течение отдельных периодов времени.Исследователи изучили сценарии, где для анализа доступна только ограниченная выборка измерений данных на уровне населения.Отсутствие полного диапазона данных является общей ситуацией для экспериментальных исследований в области биологии и, следовательно, представляет собой основной исследовательский интерес.

Формальный метод проверки Klein, например, может использоваться для прогнозирования распространения заболеваний.В этом случае доступные данные измерения на уровне населения являются лишь снижением ситуации в фиксированном моменте.При рассмотрении образца ситуации с завершенной волной болезни в определенную дату каждый человек может быть на одном из трех этапов: здоровый, плохо или выздоровел.

«После того, как эта информация будет доступна, мы можем сделать вывод о показателях инфекции и восстановления и использовать полученную модель для моделирования того, как ситуация будет развиваться в течение более длительного периода для разных размеров населения», - говорит Кляйн.

Многие другие коллективные явления могут быть смоделированы с помощью этой модели.Исследователи использовали его, например, чтобы взглянуть на жгучую поведение пчел.Они обнаружили, что чем больше рой, тем менее желающими пчелы к Стинге.

Кляйн и ее коллеги разработали метод, потому что стохастические популяционные модели широко используются для моделирования явлений в различных областях, таких как киберфизические системы, химическая кинетика или коллективное поведение животных.Тем не менее, существуют ограничения, как говорит Кляйн: «Количественный анализ стохастических популяционных моделей легко становится сложным из -за комбинаторного числа возможных состояний населения.

«Более того, хотя человеку легко создать модель легко предложить, насколько разные части модели связаны, трудно или иногда невозможно напрямую измерить числа, которые описывают эти соединения».

Компьютерные ученые предлагают и реализуют четыре различных тематических исследования, включая модель распространения заболевания и модель механизма социальной обратной связи в колониях пчел.

Основываясь на тематических исследованиях, Татжана Петров, профессор компьютерной науки, говорит: «Мы обнаруживаем, что предлагаемые методы, включающие формальный синтез параметров в качестве предварительного складаВ случае неопознаваемых параметров мы точно захватываем подпространство параметров, которые соответствуют данным на желаемом уровне достоверности ».

Больше информации: Джулия Кляйн и др., Объединяя формальные методы и байесовский подход для вывода стохастических моделей дискретного состояния из стационарных данных, PLOS One (2023).Doi: 10.1371/journal.pone.0291151