Моделирование двух региональных эпидемических ситуаций и анализ факторов повторных волн COVID-19

Обложка

Цитировать

Полный текст

Аннотация

Цель работы – модельное описание локальных эффектов специфических сценариев волнообразной эпидемической динамики. Предложены уравнения с запаздыванием для сложных форм колебательной динамики, правые части которых дополнены ситуативными функциями затухания волн эпидемии. Получены численные решения и разрушающихся, и затухающих колебаний с возможностью новой вспышки, что позволило описать возникший в 2022 г. в двух регионах эффект одиночной экстремальной волны после увеличения длины активных цепочек заражений, – возникновения резкого пика заражений с быстрым колебательным затуханием. Модельные сценарии существенно отличается от других сценариев волн локальных эпидемий – длительной серии коротких по времени пиков с последовательно возрастающей амплитудой, как в Японии и в Австралии. С 2023 г. ключевым становится иммунологический фактор – гетерогенности эпитопов популяции лимфоцитов CD8.

Об авторах

Андрей Юрьевич Переварюха

Санкт-Петербургский Федеральный исследовательский центр Российской академии наук

Автор, ответственный за переписку.
Email: temp_elf@mail.ru

Старший научный сотрудник

Россия, Санкт-Петербург

Список литературы

  1. Магницкий Н.А. О переходе к хаосу в одной модели динамики популяций // Труды ИСА РАН. 2020. Т. 70. № 2. С. 71-74.
  2. Переварюха А.Ю. Модель сценария истощения биоресурсов при экспертном управлении стратегией эксплуатации // Труды ИСА РАН. 2021. Т. 71. № 3. С. 36-46.
  3. Белотелов Н.В. Проблемы моделирования в экологии // Труды ИСА РАН. 2018. Т. 68. № 2. С. 16-21.
  4. Каменев Г.К. Исследование бифуркационных свойств популяции с помощью метрических сетей // Труды ИСА РАН. 2018. Т. 68. № 2. С. 26-29.
  5. Соколов А.В. Моделирование эволюции популяций с возрастной структурой: связь рождаемости со скоростью изменения среды // Труды ИСА РАН. 2014. Т. 64. № 3. С. 53-59.
  6. Переварюха А.Ю. Гибридная модель развития локально взрывообразного популяционного процесса насекомого // Труды ИСА РАН. 2015. Т. 65. № 2. С. 94-104.
  7. Delorey T.M., Ziegler C.G.K., Heimberg G. COVID-19 tissue atlases reveal SARS-CoV-2 pathology and cellular targets // Nature. 2021. Vol.595. P. 107–113.
  8. Lamb K.D., Luka M.M., Saathoff M., Orton R. SARS-CoV-2’s evolutionary capacity is mostly driven by host antiviral molecules // bioRxiv 2023.04.07.536037. https://doi. org/10.1101/2023.04.07.536037
  9. Cilia R. SARS-CoV-2-specific CD4+ and CD8+ T cell responses can originate from cross-reactive CMV-specific T cells // eLife. 2022. Vol.11. art. no: e82050.
  10. Ioannidis J.P.A., Cripps S., Tanner M. Forecasting for COVID-19 has failed // International Journal of Forecasting. 2022. Iss. 2. P. 423–438. doi. org/10.7554/eLife.82050
  11. Сhin V., Samia N.I., Marchant R. A case study in model failure? COVID-19 daily deaths and ICU bed utilisation predictions in New York state // European Journal of Epidemiology. 2020. Vol. 35.P. 733–742. https://doi.org/10.1007/s10654-020-00669-6
  12. Moein S., Nickaeen N., Roointan A. Inefficiency of SIR models in forecasting COVID-19 epidemic: a case study of Isfahan // Scientific Reports. 2021. Vol. 11. Art no. 4725. https://doi.org/10.1038/ s41598-021-84055-6
  13. Nikitina A.V. Study of the spread of viral diseases based on modifications of the SIR model // Computational Mathematics and Information Technologies. 2020. № 1. P. 19–30.
  14. Barnard R.C. Modelling the medium-term dynamics of SARS-COV-2 transmission in England in the omicron era // Nature Communication. 2022. Vol. 13, art. no 4879. https://doi.org/10.1038/s41467-022-32404-y
  15. Ghosh S.K., Ghosh S. A mathematical model for COVID-19 considering waning immunity, vaccination and control measures // Scientific Reports. 2023. Vol. 13, art. no. 3610. https://doi. org/10.1038/s41598-023-30800-y
  16. Kevin W. et al. Preexisting and de novo humoral immunity to SARS-CoV-2 in humans // Science. 2020. Vol. 370. P. 1339-1343. https://doi. org/10.1126/science.abe1107
  17. Perevaryukha A.Y. A Continuous Model of Three Scenarios of the Infection Process with Delayed Immune Response Factors // Biophysics. 2021. Vol. 66. P. 327–348. https://doi.org/10.1134/ S0006350921020160
  18. Hutchinson G.E. Circular causal systems in ecology // Ann. N. Y. Acad. Sci. 1948. Vol. 50, no.4. рр. 221–246.
  19. Колесов А.Ю., Колесов Ю.С. Релаксационные колебания в математических моделях экологии // Труды МИАН. 1993. T. 199. C. 3–124.
  20. Trofimova I.V., Perevaryukha A.Y., Manvelova A.B. Adequacy of Interpretation of Monitoring Data on Biophysical Processes in Terms of the Theory of Bifurcations and Chaotic Dynamics // Technical Physics Letters. 2022. Vol. 48. P. 305–310. https://doi.org/10.1134/S1063785022110025
  21. Fabiano N., Radenovic S.N. The second COVID-19 wave of 2020 in Italy: a brief analysis // Military Technical Courier. 2021. Т. 69. № 1.P. 1–7.
  22. Шабунин А.В. Гибридная SIRS-модель распространения инфекций // Известия высших учебных заведений. Прикладная нелинейная динамика. 2022. Т. 30. № 6. С. 717–731.
  23. Abotaleb M.S., Makarovskikh T.A. Development of algorithms for choosing the best time series models and neural networks to predict COVID-19 cases // Bulletin of the South Ural State University. 2021. Т. 21. № 3. P. 26–35.
  24. Зайковская А.В., Гладышева А.В., Карташов М.Ю. Изучение в условиях in vitro биологических свойств штаммов коронавируса SARS- COV-2, относящихся к различным генетическим вариантам // Проблемы особо опасных инфекций. 2022. № 1. С. 94–100.
  25. Вечорко В.И., Аверков О.В., Зимин А.А. Новый штамм SARS-COV-2 Oмикрон – клиника, лечение, профилактика (обзор литературы) // Кардиоваскулярная терапия и профилактика. 2022. Т. 21. № 6. С. 89–98.
  26. Silva S.J., Pardee K., Pena L., Kohl A. Recent insights into SARS-COV-2 omicron variant // Reviews in Medical Virology. 2022. Vol. 33. Art no: e2373. doi: 10.1002/rmv.2373.
  27. Juul F.E., Jodal H.C., Barua I. Mortality in Norway and Sweden during the COVID-19 pandemic // Scandinavian Journal of Public Health. 2022. Vol.50. P. 38-45. doi: 10.1177/14034948211047137
  28. Brusselaers N., Steadson D., Bjorklund K. Evaluation of science advice during the COVID-19 pandemic in Sweden // Humanities and Social Sciences Communications. 2022. Vol. 9, Art no:91. https://doi.org/10.1057/s41599-022-01097-5
  29. Phetsouphanh C., Darley D.R., Wilson D.B. Immunological dysfunction persists for 8 months following initial mild-to-moderate SARS-CoV-2 infection // Nature Immunology. 2022. P. 210–216. https://doi.org/10.1038/s41590-021-01113-x
  30. Oshitani H. COVID lessons from Japan: the right messaging empowers citizens // Nature 2022. Vol. 605, Art no: 589. https://doi.org/10.1038/d41586-022-01385-9
  31. Corey L, Beyrer C, Cohen M., Michael N., Bedford T, Rolland M. SARS-CoV-2 variants in patients with immunosuppression // The New England Journal of Medicine. 2021. Vol. 385. P. 562–566. doi: 10.1056/NEJMsb2104756. PMID: 34347959
  32. Shrock E.L., Timms R.T. Germline-encoded amino acid–binding motifs drive immunodominant public antibody responses // Science. 2023. Vol. 380, Iss. 6640. P. 798-816. https://doi.org/10.1126/ science.adc9498
  33. Markov P.V., Ghafari M., Beer M. The evolution of SARS-CoV-2 // Nature Reviews Microbiology. 2023. Vol. 21. P. 195–210. https://doi.org/10.1038/ s41579-023-00878-2.
  34. Perevaryukha A.Y. An iterative continuous- event model of the population outbreak of a phytophagous hemipteran // Biophysics. 2016. Т.61. № 2. С. 334-341.
  35. Lloyd-Smith J.O., Schreiber S.J., Kopp P.E., Getz W.M. Superspreading and the effect of individual variation on disease emergence // Nature 2005. Vol. 438. P. 355–359.
  36. Mikhailov V.V., Perevaryukha A.Y., Trofimova I.V. Computational Modeling of the Nonlinear Metabolism Rate as a Trigger Mechanism of Extreme Dynamics of Invasion Processes // Technical Physics Letters. 2022. Vol. 48. P. 301–304. https://doi.org/10.1134/S1063785022110013

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».