Global Prediction of COVID-19 Variant Emergence Using Dynamics-Informed Graph Neural Networks

要約

新型コロナウイルス感染症（COVID-19）のパンデミック中、新たな急増の主な要因となっているのは、新たな変異種の出現です。
新しい変異種が 1 つ以上の国で出現すると、他の国はその出現の可能性に備えてその蔓延を監視します。
新しい変異種の影響とその国における流行のピークのタイミングは、その変異種がいつ到着するかによって大きく左右されます。
新しい亜種の蔓延を予測する現在の方法は統計モデリングに依存していますが、これらの方法は、新しい亜種がすでに対象領域に到着し、かなりの蔓延を示している場合にのみ機能します。
他の場所に存在する亜種が、いつ特定の地域に到達するかを予測できますか?
この問題に対処するために、バリアント ダイナミクスに基づいたグラフ ニューラル ネットワーク (GNN) アプローチを提案します。
まず、大規模なクラスの流行モデルに適用する、地域 (国) のペアにわたる変異株蔓延のダイナミクスを導き出します。
この力学により、GNN に特定の機能が導入されるようになります。
私たちが提案するダイナミクス情報に基づいた GNN が、現在普及している物理情報に基づいたニューラル ネットワーク (PINN) のフレームワークを含むすべてのベースラインよりも優れていることを示します。
この分野の研究を進めるために、87 か国と 36 のバリアントにわたってユーザー定義モデルの予測パフォーマンスを評価するベンチマーク ツールを導入しました。

要約(オリジナル)

During the COVID-19 pandemic, a major driver of new surges has been the emergence of new variants. When a new variant emerges in one or more countries, other nations monitor its spread in preparation for its potential arrival. The impact of the new variant and the timings of epidemic peaks in a country highly depend on when the variant arrives. The current methods for predicting the spread of new variants rely on statistical modeling, however, these methods work only when the new variant has already arrived in the region of interest and has a significant prevalence. Can we predict when a variant existing elsewhere will arrive in a given region? To address this question, we propose a variant-dynamics-informed Graph Neural Network (GNN) approach. First, we derive the dynamics of variant prevalence across pairs of regions (countries) that apply to a large class of epidemic models. The dynamics motivate the introduction of certain features in the GNN. We demonstrate that our proposed dynamics-informed GNN outperforms all the baselines, including the currently pervasive framework of Physics-Informed Neural Networks (PINNs). To advance research in this area, we introduce a benchmarking tool to assess a user-defined model’s prediction performance across 87 countries and 36 variants.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google