网络上的传播与免疫

网络结构指标与网络模型描述的是网络“长什么样”：度分布、路径、聚集、社团。网络动力学进一步让网络“动起来”：节点带有状态，状态沿着边变化。传播（spreading）是最直观的一类网络动力学：病原体沿接触网络传播，谣言和健康行为沿社交网络扩散，药物与诊疗新知沿医生网络流动，错误折叠蛋白甚至可能沿脑连接组扩散。

这一专题按“模型—结构—干预—推断”组织，围绕以下科学问题展开：

1. 经典模型：没有网络时，SI、SIS、SIR、SEIR 模型说了什么，基本再生数 $R_0$ 从何而来（均匀混合下的经典传播模型）。
2. 结构如何决定阈值：度分布的异质性怎样改变流行病阈值，为什么无标度网络的阈值会趋近于 0（度异质性与流行病阈值）；真实接触网络从哪里来、有什么结构（接触网络）。
3. 更精确的理论：平均场之外，配对近似、边基模型与消息传递如何把聚集、度相关与具体拓扑纳入计算（配对近似、边基模型与消息传递）。
4. 超越静态度分布：接触随时间变化、成簇出现（阵发性），人群在城市间流动，这些怎样改变传播的速度与可预测性（时间网络与阵发性、集合种群与全球传播）。
5. 从数据估计传播：如何从发病曲线和传播链估计 $R_0$、时变再生数 $R_t$ 与超级传播程度（再生数与超级传播）。
6. 干预：给谁接种、追踪谁、监测谁（免疫策略、接触追踪与监测）。
7. 信息与行为：社会传染与疾病传播有何不同，怎样选种子使影响最大，怎样从观测反推源头（信息与行为的传播、影响力最大化与关键传播者、传播溯源）。

这些问题直接建立在网络结构指标与随机图中的度分布和二阶矩 $\langle k^2\rangle$，以及小世界与无标度网络模型中的无标度网络之上。SIR 的最终规模与键渗流等价，因此传播理论与网络鲁棒性、渗流与级联失效共用同一套数学；“删去枢纽”既是蓄意攻击，也是目标免疫。流行阈值 $\langle k\rangle/\langle k^2\rangle$ 的形式还会在同步与协同动力学的同步阈值中重现。

Links关联知识

• 网络结构指标与随机图：度分布、二阶矩 $\langle k^2\rangle$、巨连通分支与 ER 随机图，是流行阈值公式与最终规模方程的输入。
• 小世界与无标度网络模型：无标度网络使 $\langle k^2\rangle$ 发散、阈值消失；小世界捷径加速简单传染、却未必帮助复杂传染。
• 网络鲁棒性、渗流与级联失效：SIR 最终规模与键渗流等价，免疫与蓄意攻击同为删点渗流，Watts 阈值级联也是级联失效模型。
• 同步与协同动力学：网络 Kuramoto 模型的临界耦合 $K_c\propto\langle k\rangle/\langle k^2\rangle$，与传播阈值形式相同。
• 社团结构与社区发现：社团结构减缓并截留传播，影响免疫与种子选择；非回溯矩阵同样用于社团发现。
• 度相关性与网络结构的高阶统计：同配与异配改变阈值；单纯复形等高阶结构对应复杂传染。
• 网络构建与统计验证：从接触记录、传感器与流动数据构建静态或时间接触网络，是传播分析的前提。
• 网络可控性与稳定性：传播溯源中的观测点选择与可观测性中的最少观测节点问题结构相似；脑连接组上的网络扩散模型则是传播思想在神经退行性疾病中的应用。

References核心文献

Pastor-Satorras 与 Vespignani 2001：Epidemic spreading in scale-free networks

• 背景：经典流行病学基于均匀混合，存在有限的流行病阈值。20 世纪 90 年代末发现互联网等网络具有无标度度分布，而计算机病毒长期低水平流行的现象难以用经典理论解释。
• 核心发现：用异质平均场方法分析 SIS 模型，得到 $\lambda_c=\langle k\rangle/\langle k^2\rangle$；对 $\gamma\le3$ 的无标度网络，$N\to\infty$ 时阈值消失，稳态流行率在 $\lambda$ 很小时以指数形式趋近于 0。
• 阅读要点：区分“阈值为 0”和“流行规模大”——在阈值附近流行率可以极小。注意 HMF 忽略了度相关性与动态相关，后来的工作（淬火平均场、消息传递方法）修正了部分结论。
• 延伸思考：如果网络存在强的度–度同配性（高度节点相互连接），你预计阈值会升高还是降低？为什么？

DOI：10.1103/PhysRevLett.86.3200；精读：Pastor-Satorras 2001

Christakis 与 Fowler 2007：The spread of obesity in a large social network over 32 years

• 背景：慢性病一般被视为个体风险因素的结果。作者借助弗雷明汉心脏研究中记录的亲友关系，构建 12 067 人的纵向社会网络。
• 核心发现：肥胖在网络中成簇出现，关联延伸到三度分隔；朋友、兄弟姐妹、配偶变胖与个体变胖风险升高相关，邻居无显著关联，同性关系的关联更强，地理距离不影响关联强度。
• 阅读要点：这是观察性研究，识别“传染”依赖模型假设。对照阅读 Cohen-Cole 与 Fletcher（2008）及 Shalizi 与 Thomas（2011）的批评，思考同质性、共同环境与反向因果。可结合原文图 1 的网络可视化阅读。
• 延伸思考：如果要在一所大学用随机化设计检验“运动习惯会在宿舍网络中传播”，应怎样设计干预和对照？

DOI：10.1056/NEJMsa066082

Cohen、Havlin 与 ben-Avraham 2003：Efficient immunization strategies for computer networks and populations

• 背景：目标免疫需要知道每个人的度，现实中难以获得。
• 核心发现：随机选人、再接种其随机熟人的策略，只需局部信息，接种比例远低于随机免疫就能使网络失去巨连通分支，效果接近目标免疫。
• 阅读要点：分析基于渗流理论（删点后巨分支是否存在），与 SIR 的最终规模问题等价；理解为什么“沿边采样”天然偏向高度节点。
• 延伸思考：在医院感染控制中，“熟人”可以对应什么？能否设计一个基于排班表的“熟人免疫”方案？

DOI：10.1103/PhysRevLett.91.247901；精读：Cohen 2003

Lloyd-Smith 等 2005：Superspreading and the effect of individual variation on disease emergence

• 背景：$R_0$ 是平均数。SARS 期间出现了多起“超级传播事件”，但对非性接触传播的疾病，个体传染性差异难以直接测量，其对暴发动力学的影响并不清楚。
• 核心发现：利用 8 种直接传播疾病的接触追踪数据，发现个体再生数的分布常常高度偏斜；考虑这种异质性后，疾病更容易灭绝，暴发更罕见但更具爆炸性；针对个体的控制措施优于全人群均匀措施。作者还给出了超级传播事件的严格定义及其频率的预测方法。
• 阅读要点：理解负二项后代分布与离散参数 $k$；把分支过程的灭绝概率 $q=g(q)$ 与再生数与超级传播中的算例对照。
• 延伸思考：度异质的接触网络会产生怎样的离散参数？网络之外还有哪些因素会使 $k$ 变小？

DOI：10.1038/nature04153

Brockmann 与 Helbing 2013：The hidden geometry of complex, network-driven contagion phenomena

• 背景：全球流行的时空图案在地理地图上看起来杂乱无章，难以直观理解与预测。
• 核心发现：用由航空流量定义的有效距离 $d_{mn}=1-\ln P_{mn}$ 替代地理距离，复杂图案化为从源头出发的近似匀速波；有效距离能可靠地预测到达时间，即使流行病学参数未知也能给出相对到达时间，并能识别传播的空间源头。方法在 2009 年 H1N1 与 2003 年 SARS 数据上得到验证。
• 阅读要点：理解为什么 $-\ln P$ 是“概率意义上的距离”（多段路径的概率相乘，对数相加）；对照集合种群与全球传播的代码示例。
• 延伸思考：在一个城市内部的医院转诊网络上，可以怎样定义有效距离，用于预测耐药菌在医院间的到达顺序？

DOI：10.1126/science.1245200

Kempe、Kleinberg 与 Tardos 2003：Maximizing the spread of influence through a social network

• 背景：病毒营销与公共卫生推广都要回答“先说服哪几个人”。此前多为启发式（选度最高者）。
• 核心发现：在独立级联与线性阈值模型下，影响力最大化是 NP 难的；但期望传播范围是单调子模函数，贪心算法有 $1-1/e$ 的近似保证，且在实验中优于度与中心性启发式。
• 阅读要点：掌握“活边图”论证子模性的技巧；理解为什么一组最好的种子不是单个排名前 $K$ 的节点。
• 延伸思考：复杂传染（阈值较高）下传播范围是否仍为子模函数？如果不是，贪心算法会出什么问题？

DOI：10.1145/956750.956769

其他引用文献

正文中引用的其余文献：

• 经典模型与再生数：Kermack 与 McKendrick 1927，10.1098/rspa.1927.0118；Diekmann、Heesterbeek 与 Metz 1990，10.1007/BF00178324；Wallinga 与 Teunis 2004，10.1093/aje/kwh255；Wallinga 与 Lipsitch 2007，10.1098/rspb.2006.3754；Cori 等 2013，10.1093/aje/kwt133。
• 网络阈值与理论方法：Newman 2002，10.1103/PhysRevE.66.016128；Barthélemy 等 2004，10.1103/PhysRevLett.92.178701；Kenah 与 Robins 2007，10.1103/PhysRevE.76.036113；Chakrabarti 等 2008，10.1145/1284680.1284681；Van Mieghem、Omic 与 Kooij 2009，10.1109/TNET.2008.925623；Castellano 与 Pastor-Satorras 2010，10.1103/PhysRevLett.105.218701；Keeling 1999，10.1098/rspb.1999.0716；Volz 2008，10.1007/s00285-007-0116-4；Miller、Slim 与 Volz 2012，10.1098/rsif.2011.0403；Karrer 与 Newman 2010，10.1103/PhysRevE.82.016101；Gleeson 2011，10.1103/PhysRevLett.107.068701。
• 接触网络与时间网络：Liljeros 等 2001，10.1038/35082140；Eubank 等 2004，10.1038/nature02541；Mossong 等 2008，10.1371/journal.pmed.0050074；Salathé 等 2010，10.1073/pnas.1009094108；Rocha、Liljeros 与 Holme 2011，10.1371/journal.pcbi.1001109；Vanhems 等 2013，10.1371/journal.pone.0073970；Holme 与 Saramäki 2012，10.1016/j.physrep.2012.03.001；Vazquez 等 2007，10.1103/PhysRevLett.98.158702；Karsai 等 2011，10.1103/PhysRevE.83.025102；Perra 等 2012，10.1038/srep00469；Valdano 等 2015，10.1103/PhysRevX.5.021005；Salathé 与 Jones 2010，10.1371/journal.pcbi.1000736。
• 集合种群与全球传播：Hufnagel、Brockmann 与 Geisel 2004，10.1073/pnas.0308344101；Colizza 等 2006，10.1073/pnas.0510525103；Colizza 与 Vespignani 2007，10.1103/PhysRevLett.99.148701；Balcan 等 2009，10.1073/pnas.0906910106；Chinazzi 等 2020，10.1126/science.aba9757；Chang 等 2021，10.1038/s41586-020-2923-3。
• 免疫、追踪与监测：Pastor-Satorras 与 Vespignani 2002，10.1103/PhysRevE.65.036104；Dezső 与 Barabási 2002，10.1103/PhysRevE.65.055103；Lloyd-Smith、Galvani 与 Getz 2003，10.1098/rspb.2003.2481；Eames 与 Keeling 2003，10.1098/rspb.2003.2554；Fraser 等 2004，10.1073/pnas.0307506101；Christakis 与 Fowler 2010，10.1371/journal.pone.0012948；Ferretti 等 2020，10.1126/science.abb6936；Kucharski 等 2020，10.1016/S1473-3099(20)30457-6；Adam 等 2020，10.1038/s41591-020-1092-0；Kojaku 等 2021，10.1038/s41567-021-01187-2；Donker、Wallinga 与 Grundmann 2010，10.1371/journal.pcbi.1000715。
• 社会传染与影响力：Coleman、Katz 与 Menzel 1957，10.2307/2785979；Granovetter 1978，10.1086/226707；Watts 2002，10.1073/pnas.082090499；Centola 与 Macy 2007，10.1086/521848；Centola 2010，10.1126/science.1185231；Cohen-Cole 与 Fletcher 2008，10.1136/bmj.a2533；Funk 等 2009，10.1073/pnas.0810762106；Kitsak 等 2010，10.1038/nphys1746；Iyengar、Van den Bulte 与 Valente 2011，10.1287/mksc.1100.0566；Shalizi 与 Thomas 2011，10.1177/0049124111404820；Banerjee 等 2013，10.1126/science.1236498；Kim 等 2015，10.1016/S0140-6736(15)60095-2；Morone 与 Makse 2015，10.1038/nature14604；Iacopini 等 2019，10.1038/s41467-019-10431-6。
• 传播溯源：Shah 与 Zaman 2011，10.1109/TIT.2011.2158885；Pinto、Thiran 与 Vetterli 2012，10.1103/PhysRevLett.109.068702；Lokhov 等 2014，10.1103/PhysRevE.90.012801；Zhang、Zhang、Lv 与 Yin 2016，Identification of efficient observers for locating spreading source in complex networks，Physica A 442: 100–109，10.1016/j.physa.2015.09.017。
• 脑网络扩散：Raj、Kuceyeski 与 Weiner 2012，10.1016/j.neuron.2011.12.040。

Further延伸资源

提示：Barabási《Network Science》在线版需加载境外脚本，在中国大陆可能无法正常显示；标注“需境外网络”的为 YouTube 资源。

Open questions开放问题

1. 选择一种你熟悉的疾病或健康行为（如结核、HPV、吸烟、抑郁情绪），说明它更接近简单传染还是复杂传染，在网络上应采用哪种干预策略，为什么？需要哪些数据来检验这一判断？
2. 如果手中有一份医院病区的医护–患者接触记录（时间戳 + 两人编号），应如何构建网络（静态还是时序？加权还是不加权？），如何用本专题的方法评估院内感染风险并确定优先监测对象？
3. 同一张接触网络上，HMF、淬火平均场与消息传递给出的阈值相差一倍。你会如何设计模拟与敏感性分析，向公共卫生决策者说明“真实阈值”的不确定性？
4. 向后追踪在理论上更有效，但需要回溯更长时间、记录更多接触。在保护隐私的数字追踪框架下，你会如何权衡追踪深度、方向与数据保存期限？
5. 一次院内耐药菌暴发中，只知道若干患者的阳性检出日期和医院转诊记录。如何结合网络溯源方法与病原体基因组数据推断传入源头？哪些假设最可能不成立？