Поширення епідемій у мережах: суперпоширювачі та колективний імунітет

Q: Як структура мережі пояснює, чому COVID-19 поширювався швидше в містах, ніж у сільській місцевості?

Міські контактні мережі мають вищий середній степінь, коротші середні довжини шляхів і більше суперконцентраторних вузлів. Ці властивості разом збільшують коефіцієнт мережевого підсилення, піднімаючи ефективне R₀ вище 1 навіть для хвороб із помірною ймовірністю передачі на контакт. Сільські мережі мають нижчий степінь, довші шляхи та сильнішу ізоляцію спільнот — фактично вищі епідемічні пороги. Той самий патоген поводиться дуже по-різному в цих двох середовищах контактних мереж.

3D Симуляції

🦠 Медицина · Наука про мережі · Епідеміологія

📅 Червень 2026⏱ 13 хв🟡 Середній рівень · Останнє оновлення: 3 липня 2026 р.

Класичні моделі епідемій вважають кожну людину рівнозначною, але реальні популяції з’єднані між собою як складні мережі — і ця топологія змінює все. Один суперпоширювач, пов’язаний із сотнями контактів, може запалити спалах, який інакше згаснув би. Мережева епідеміологія пояснює, чому COVID-19 поширювався експоненційно у щільно зв’язаних містах, чому цільова вакцинація вузлів-концентраторів значно ефективніша за випадкове охоплення і як ми обчислюємо точну частку населення, яка має бути імунною, щоб зупинити передачу.

Автор: Команда MySimulator · Редакційна перевірка: Редакція MySimulator

1. Від усередненої моделі SIR до мережевих моделей

Класична модель SIR — поділ населення на сприйнятливих (Susceptible), інфікованих (Infected) та одужалих (Recovered) — припускає, що кожна особа з однаковою ймовірністю контактує з будь-якою іншою. Це припущення «гомогенного змішування», або середнього поля, дає чисті, придатні для аналізу диференціальні рівняння:

dS/dt = -β \cdot S \cdot I / N dI/dt = β \cdot S \cdot I / N - γ \cdot I dR/dt = γ \cdot I де β = швидкість передачі на контакт γ = швидкість одужання N = загальна чисельність населення

Усереднена модель SIR добре відтворює загальну форму епідемічної кривої — початкове експоненційне зростання, пік і спад — але вона систематично спотворює те, хто інфікується, коли вони інфікуються і як працюють втручання. Реальні моделі контактів надзвичайно гетерогенні. Людина, яка живе у спільній університетській квартирі, їздить метро та відвідує великі лекції, має сотні щоденних контактів; літня людина, яка живе сама, може мати менше п’яти. Ставитися до них однаково — це не просто наближення, це призводить до якісно хибних прогнозів.

Мережеві моделі замінюють однорідну популяцію графом контактів G = (V, E), де кожен вузол представляє особу, а кожне ребро — контакт, яким може поширюватися інфекція. Ключові параметри графа — розподіл степенів, коефіцієнт кластеризації, середня довжина шляху та структура спільнот — кожен по-своєму формує динаміку епідемії.

Алгоритм Гіллеспі та мережевий SIR

У мережі рівняння SIR стають стохастичними. На кожному часовому кроці кожен сприйнятливий вузол, суміжний з інфікованим вузлом, має ймовірність p на одне ребро стати інфікованим. Інфіковані вузли одужують з імовірністю q за часовий крок. Ефективне репродуктивне число тепер є локальною властивістю, що змінюється залежно від околу, а не глобальною константою. Цей стохастичний мережевий SIR ефективно моделюється за допомогою алгоритму Гіллеспі, який вибирає наступну подію (інфікування чи одужання) та час до цієї події з правильних розподілів імовірностей.

2. Топологія мережі та динаміка хвороби

Три канонічні типи мереж розкривають, як топологія формує епідемії:

Випадкові мережі (Ердеша-Реньї)

У випадковому графі Ердеша-Реньї кожна пара вузлів з’єднана з незалежною ймовірністю p. Отриманий розподіл степенів є біноміальним (наближається пуассонівським для великих мереж). Оскільки дисперсія степенів низька, більшість вузлів мають подібну кількість контактів. Епідемічний поріг відносно різкий, а наближення усередненою SIR є прийнятним. Спалахи або швидко стримуються, або інфікують велику частку — середини майже немає.

Мережі малого світу (Воттса-Строгаца)

Модель Воттса-Строгаца починається з регулярної кільцевої ґратки та перез’єднує кожне ребро з імовірністю p_r. Навіть невелика ймовірність перез’єднання (p_r ≈ 0,01) різко зменшує середню довжину шляху, зберігаючи при цьому високу кластеризацію. Це властивість «малого світу»: більшість вузлів не є прямими сусідами, але вони досяжні через дуже мало переходів. В епідемічних термінах структура малого світу означає, що хвороби можуть швидко перестрибувати через мережу через далекосяжні зв’язки — пояснюючи, як локальний кластер у Ухані за тижні став глобальною пандемією, — водночас локальна кластеризація підтримує передачу всередині тісно згуртованих груп.

Безмасштабні мережі (Барабаші-Альберта)

Модель Барабаші-Альберта генерує мережі через преференційне приєднання: нові вузли з більшою ймовірністю приєднуються до вже сильно зв’язаних вузлів. Результатом є степеневий розподіл степенів P(k) ~ k^−γ (зазвичай γ між 2 і 3), де кілька вузлів мають дуже високий степінь (концентратори), а більшість — низький. Мережі сексуальних контактів людини, карти авіамаршрутів і багато соціальних мереж дотримуються степеневих або важкохвостих розподілів степенів. Наслідки для епідемій глибокі: у безмасштабних мережах епідемічний поріг наближається до нуля для нескінченних мереж — а це означає, що навіть дуже слабко заразний патоген може закріпитися й зберігатися нескінченно довго.

Чому епідемічний поріг зникає в безмасштабних мережах: Порогова умова — це R₀ > 1, де для гетерогенної мережі R₀ = β/γ · <k²>/<k>. У степеневій мережі з показником γ ≤ 3 другий момент розподілу степенів <k²> розходиться при N → ∞. Це означає, що <k²>/<k> → ∞, тож R₀ → ∞ незалежно від β і γ. Будь-яка хвороба, хоч би якою слабко заразною вона була, може поширюватися в достатньо великій безмасштабній мережі — результат, уперше виведений Пастором-Саторрасом і Веспіньяні у 2001 році.

3. Суперпоширювачі: правило 20/80 в епідеміях

Епідеміологічні дослідження послідовно виявляють, що невелика меншість інфікованих осіб відповідальна за більшість подальших передач. Цей феномен суперпоширення був чітко задокументований під час спалаху SARS 2003 року, коли приблизно 20% випадків спричинили близько 80% вторинних інфекцій — модель, яку тепер називають «правилом 20/80» поширення епідемій.

Суперпоширення виникає внаслідок поєднання факторів, не всі з яких є біологічними:

Висока частота контактів (концентратори мережі): Особи, вбудовані в багато соціальних контекстів — медпрацівники, вчителі, працівники транспорту, секс-працівники — просто зустрічають більше сприйнятливих людей на день. Одна інфікована особа на масовому зібранні, репетиції хору чи в кол-центрі може заразити сотні.
Висока вірусна екскреція: Біологічна варіація інфекційної дози, яку виробляє особа. Для SARS-CoV-2 виміряне вірусне навантаження на початку симптомів різниться на п’ять і більше порядків величини між особами. Особи з високою екскрецією та багатьма контактами надзвичайно небезпечні.
Пресимптомна та безсимптомна передача: Особи, які почуваються добре, продовжують звичайний рівень активності, підтримуючи свою повну контактну мережу на піку заразності.
Екологічне підсилення: Приміщення з поганою вентиляцією концентрують заразні аерозолі. Подія суперпоширення є властивістю середовища так само, як і особи — та сама людина на відкритому повітрі становить незначний ризик.

Надмірна дисперсія та від’ємний біноміальний розподіл

Розподіл вторинних випадків на одну інфіковану особу не є пуассонівським (що означало б дисперсію, рівну середньому). Емпіричні дані щодо SARS, MERS та SARS-CoV-2 добре описуються від’ємним біноміальним розподілом із параметром дисперсії k:

P(X = j | R₀, k) = Γ(j + k) / [Γ(k) \cdot j!] \cdot (R₀/(R₀+k))^j \cdot (k/(R₀+k))^k Мале k \to висока надмірна дисперсія (більшість передач від кількох осіб) Велике k \to низька надмірна дисперсія (кожен випадок дає схожі вторинні випадки) Оцінки SARS-CoV-2: k \approx 0,1-0,3 (надмірно дисперговано) Оцінки кору: k \approx 3-5 (відносно гомогенно) Оцінки грипу: k \approx 1 (проміжне)

Висока надмірна дисперсія (мале k) має вирішальне значення: більшість ланцюгів передачі згасають спонтанно, але рідкісні події суперпоширення, які таки трапляються, можуть засіяти великі вибухові кластери. Контроль правильних подій — великих закритих зібрань, медичних установ, контекстів скупчення людей — непропорційно ефективніший, ніж рівномірне зменшення контактів усіх.

4. R₀ у гетерогенних мережах

Базове репродуктивне число R₀ визначається як середня кількість вторинних інфекцій, спричинених однією інфікованою особою в повністю сприйнятливій популяції. В усередненій моделі SIR R₀ = β/γ. У гетерогенній мережі формула має враховувати розподіл степенів:

Мережеве R₀ = β/γ \cdot <k²>/<k> де <k> = середній степінь (середні контакти на вузол) <k²> = середній квадрат степеня (відображає дисперсію) β = ймовірність передачі на ребро за одиницю часу γ = швидкість одужання Для пуассонівської мережі: <k²>/<k> = <k> + 1 \approx <k> для великого <k> Для степеневої мережі: <k²>/<k> ≫ <k> (потенційно розходиться) Приклад — COVID-19 домогосподарство vs спільнота: Мережа домогосподарства (k \approx 3, низька дисперсія): R₀_еф \approx 0,4 (значно нижче 1) Мережа спільноти (k \approx 10, висока дисперсія): R₀_еф \approx 2,5 (вище 1) Однакові β, однакові γ — лише топологія визначає, чи поширюється.

Множник <k²>/<k> іноді називають коефіцієнтом мережевого підсилення. Він пояснює, чому хвороби поширюються значно швидше в популяціях із гетерогенними моделями контактів, ніж передбачають прості усереднені моделі. Будь-який вузол-концентратор, інфікувавшись, передає хворобу одночасно всім своїм сусідам — забезпечуючи величезне підсилення порівняно з типовим вузлом.

5. Колективний імунітет: поріг, обчислення та застереження

Колективний імунітет (або популяційний імунітет) виникає тоді, коли достатня частка населення є імунною — завдяки попередній інфекції чи вакцинації — настільки, що середня інфікована особа породжує менше однієї вторинної інфекції. Епідемія спадає навіть серед невакцинованої меншості, оскільки їхні ефективні контакти перериваються імунними особами.

Класичний поріг колективного імунітету

В усередненій моделі SIR поріг колективного імунітету (HIT) становить:

HIT = 1 - 1/R₀ Хвороба R₀ HIT ────────────────────────────── Кір 12-18 92-94% Вітряна віспа 8-10 87-90% COVID-19 WT 2,5-3 60-67% COVID-19 Delta 5-6 80-83% COVID-19 Omicron 8-15 88-93% Сезонний грип 1,2-1,4 17-29% Поліомієліт 5-7 80-86%

Скоригований за мережею поріг колективного імунітету

У гетерогенних мережах HIT змінюється — а для безмасштабних мереж його можна досягти при напрочуд низькому охопленні, якщо вакцинація націлена на концентратори. Мережевий HIT за випадкової вакцинації становить:

HIT_мережа = 1 - <k> / (<k²> - <k>) Для безмасштабних мереж із високою дисперсією HIT_мережа < класичного HIT. Причина: Випадково вакциновані особи ймовірно є вузлами низького степеня — їх вилучення має обмежений вплив. Концентратори лишаються й підтримують передачу. За ЦІЛЬОВОЇ вакцинації (вакцинувати вузли найвищого степеня першими): Необхідна частка \approx 1 - (2/<k>)^(1/(γ-2)) [для степеневого показника γ] Це може бути в 3-5 разів нижче за охоплення випадкової вакцинації.

Цей результат, продемонстрований Коеном, Гавліним і Бен-Авраамом у 2003 році, має важливі наслідки для громадського здоров’я. Вакцинація медпрацівників, учителів і працівників транспорту першими — осіб, які є концентраторами мережі, — не є лише логістичною зручністю чи етичним пріоритетом. Це математично найефективніша стратегія для обвалу епідемічного порогу.

Застереження та ускладнення

Ефективність вакцини не є 100%. Якщо вакцина ефективна на 90%, частка, яку треба вакцинувати для досягнення HIT, зростає: V_необхідно = HIT / ефективність. Для кору (HIT 92%) із 97%-ефективною вакциною MMR: 92%/97% ≈ 95% потрібного охоплення.
Згасання імунітету. Якщо імунітет з часом спадає — як спостерігалося з вакцинами проти COVID-19 щодо інфекції (хоч і не щодо тяжкого перебігу) — ефективна імунна частка падає, і для підтримання колективного імунітету потрібні періодичні бустери.
Просторова гетерогенність. Навіть якщо національне охоплення перевищує HIT, локальні кластери невакцинованих осіб (географічні, релігійні чи ідеологічні спільноти) можуть підтримувати локальні спалахи. Кір було ліквідовано у США у 2000 році, але він щороку повертається у недостатньо вакцинованих спільнотах.
Варіанти, що уникають імунітету. Вірусна еволюція може зсунути R₀, вимагаючи вищого охоплення. Вище R₀ Omicron підняло HIT над рівнями імунітету, досягнутими вакцинацією епохи Delta — пояснюючи велику хвилю Omicron у високо вакцинованих популяціях.

6. Стратегії цільової вакцинації

Структура мережі підказує кілька стратегій вакцинації, які перевершують випадкове охоплення:

Вакцинація за степенем: Вакцинувати вузли з найвищим степенем першими. Максимально ефективна, але потребує знання степеня кожної особи — часто непрактично в реальних популяціях.
Вакцинація знайомих: Попросити випадкову особу назвати одного зі своїх контактів, а потім вакцинувати цей контакт. Оскільки вузли високого степеня з більшою ймовірністю будуть названі (вони з’являються у списках контактів більшої кількості людей), ця стратегія неявно націлюється на концентратори, не потребуючи глобального знання мережі. Розроблена Коеном та ін. (2003), вакцинація знайомих досягає колективного імунітету при значно нижчій частці охоплення, ніж випадкова вакцинація.
Кільцева вакцинація: Вакцинувати всі відомі контакти кожного підтвердженого випадку. Це стратегія, яку використовували для викорінення натуральної віспи. Високоефективна, коли виявлення випадків швидке, а відстеження контактів здійсненне, але руйнується, коли пресимптомна передача є поширеною (як у COVID-19).
Вакцинація за віковими групами: Діти й дорослі працездатного віку зумовлюють передачу більшості респіраторних хвороб (найвища частота контактів). Вакцинація цих груп забезпечує більший непрямий захист літніх людей, ніж вакцинація лише літніх — хоча пріоритизація за ризиком (захищати вразливих безпосередньо) лишається обґрунтованою альтернативною рамкою.
Націлювання на спільнотні мости: У мережах із сильною структурою спільнот (школи, робочі місця, домогосподарства) рідкісні вузли, що з’єднують спільноти — міжспільнотні з’єднувачі, — непропорційно важливі для далекосяжного поширення. Вакцинація мостів зменшує ймовірність того, що спалах в одній спільноті запалить іншу.

Парадокс дружби: У середньому ваші друзі мають більше друзів, ніж ви. Це не соціальне спостереження — це математична властивість мереж. Оскільки вузли високого степеня з’являються у списках друзів більшої кількості людей, випадково обраний друг випадкової особи зміщений у бік осіб високого степеня. Це розуміння лежить в основі стратегії вакцинації знайомих: особа, названа випадковим контактом, статистично ймовірно є концентратором, що робить її ціллю вакцинації з високим впливом.

7. Уроки з реального світу: COVID-19, SARS та кір

SARS 2003

Спалах SARS 2003 року в Гонконзі надав одні з перших кількісних доказів суперпоширення на мережевому рівні. Один індексний випадок у готелі Metropole інфікував 16 інших гостей, які потім занесли SARS до Канади, Сінгапуру, В’єтнаму та Ірландії — засіявши міжнародний спалах. Подальший аналіз показав, що параметр дисперсії k для SARS становив приблизно 0,16, а це означає, що розподіл вторинних випадків був надзвичайно надмірно дисперсним. Менш ніж 20% випадків спричинили понад 80% передачі. Цільовий контроль подій суперпоширення — особливо в лікарнях, де внутрішньолікарняне суперпоширення зумовило значну частину гонконгського спалаху — був ключем до стримування.

COVID-19 і надмірна дисперсія

Оцінки дисперсії SARS-CoV-2 коливалися від k ≈ 0,1 до k ≈ 0,4, вказуючи на сильну тенденцію до суперпоширення. Дані відстеження контактів із Південної Кореї, Японії та Ізраїлю послідовно показували, що більшість індексних випадків не спричиняли жодної вторинної інфекції, тоді як невелика частка породжувала кластери з 10 і більше. Ця надмірна дисперсія пояснює, чому COVID-19 поширювався вибухово в спортзалах, репетиціях хору, ресторанах і нічних клубах, тоді як більшість занесень у домогосподарства призводили до обмежених ланцюгів передачі. Політичний висновок — заборона великих закритих зібрань — був математично обґрунтованим ще до того, як мережева епідеміологія була формалізована у публічних дебатах.

Відродження кору та прогалини в мережах

Кір має R₀ від 12 до 18, що вимагає понад 92% популяційного імунітету для колективного імунітету. У багатьох країнах охоплення вакцинацією проти кору двома дозами MMR перевищує 95% на національному рівні — проте спалахи кору все ще трапляються. Пояснення — просторова структура мережі: невакциновані особи не розподілені випадково. Вони групуються у спільнотах, що поділяють антивакцинальні переконання, створюючи локальні кишені з ефективним охопленням значно нижче порога колективного імунітету. Спалах 2019 року в окрузі Рокленд, штат Нью-Йорк (312 випадків), і спалах 2019 року в штаті Вашингтон (72 випадки) — обидва сталися в географічно та соціально згрупованих невакцинованих спільнотах. Національна статистика охоплення маскує цю небезпечну локальну гетерогенність — мережевий феномен, а не проста проблема показника.

8. Ключові висновки

Підсумок

Класичні моделі SIR припускають гомогенне змішування; реальні контактні мережі гетерогенні, і ця топологія якісно змінює динаміку епідемії.
Безмасштабні мережі (степеневий розподіл степенів) мають епідемічний поріг, що наближається до нуля — будь-яка хвороба може зберігатися в достатньо великій безмасштабній популяції.
Суперпоширення кількісно оцінюється параметром дисперсії k від’ємного біноміального розподілу; SARS і COVID-19 показують k ≈ 0,1–0,3, що означає, що верхні 20% випадків зумовлюють ~80% передачі.
Мережеве репродуктивне число R₀ = (β/γ) · <k²>/<k>; висока дисперсія степенів суттєво роздуває ефективне R₀ вище усереднених оцінок.
Поріг колективного імунітету в гетерогенних мережах нижчий, ніж передбачає класична формула 1 − 1/R₀ — але лише якщо вакцинація націлена на концентратори, а не випадкова.
Вакцинація знайомих, кільцева вакцинація та націлювання на вузли-мости — це орієнтовані на мережу стратегії, які потребують меншого охоплення, ніж випадкова вакцинація, для досягнення популяційного імунітету.
Локальна мережева кластеризація невакцинованих осіб (спільноти з вакцинальним вагань) може підтримувати спалахи навіть тоді, коли національне охоплення перевищує HIT.

Часті запитання

Що таке суперпоширювач і чому вони так багато важать?

Суперпоширювач — це особа, яка спричиняє значно більше вторинних інфекцій, ніж середня інфікована особа. Вони важливі тому, що епідемічна передача надзвичайно надмірно дисперсна — більшість людей заражають дуже небагатьох інших, тоді як невелика меншість зумовлює більшість передач. Виявлення й переривання подій суперпоширення (які часто трапляються на великих закритих зібраннях або в медичних установах) набагато економніше, ніж рівномірне зменшення всіх контактів. Під час SARS і COVID-19 одна подія суперпоширення могла породити більше вторинних випадків, ніж десятки звичайних ланцюгів передачі разом узяті.

Чому поріг колективного імунітету відрізняється у мережі та в добре змішаній популяції?

У добре змішаній популяції поріг колективного імунітету (HIT) — це просто 1 − 1/R₀. У гетерогенній мережі HIT залежить від розподілу степенів. За випадкової вакцинації концентратори рідко вакцинуються випадково (вони рідкісні), тож вони продовжують зумовлювати передачу — а це означає, що випадкова вакцинація потребує подібного або вищого охоплення, ніж усереднений прогноз. За цільової вакцинації концентраторів HIT різко падає, оскільки вилучення концентраторів обвалює здатність мережі підтримувати ланцюги передачі. Ефективний HIT за оптимальної цільової вакцинації в безмасштабних мережах може бути на 50–60% нижчим за усереднене значення.

Як структура мережі пояснює, чому COVID-19 поширювався швидше в містах, ніж у сільській місцевості?

Міські контактні мережі мають вищий середній степінь (більше щоденних контактів на особу), коротші середні довжини шляхів (менше кроків між будь-якими двома людьми) і більше суперконцентраторних вузлів (щільні робочі місця, транспортні системи, масові заклади). Ці властивості разом збільшують коефіцієнт мережевого підсилення <k²>/<k>, піднімаючи ефективне R₀ вище 1 навіть для хвороб із помірною ймовірністю передачі на контакт. Сільські мережі мають нижчий степінь, довші шляхи та сильнішу ізоляцію спільнот — фактично вищі епідемічні пороги. Той самий патоген поводиться дуже по-різному в цих двох середовищах контактних мереж.

Що таке вакцинація знайомих і чому вона ефективніша за випадкову вакцинацію?

Вакцинація знайомих працює, попросивши випадково обраних людей назвати одного зі своїх контактів, а потім вакцинуючи цей контакт замість початкової особи. Оскільки вузли високого степеня з’являються у списках контактів більшої кількості людей, їх з більшою ймовірністю назвуть — тож ця стратегія неявно націлюється на концентратори, не потребуючи глобального перепису степеня кожного. Математично очікуваний степінь випадково обраного сусіда перевищує очікуваний степінь випадково обраного вузла (парадокс дружби). Дослідження показують, що вакцинація знайомих може досягти колективного імунітету на 30–50% меншою кількістю вакцин, ніж випадкова вакцинація в безмасштабних мережах.

Чи можна досягти колективного імунітету, якщо охоплення вакцинацією географічно групується серед спільнот, що вагаються?

Не надійно. Навіть якщо національне охоплення перевищує класичний поріг колективного імунітету, локальні кластери невакцинованих осіб можуть підтримувати спалахи всередині власної мережевої спільноти. Це тому, що колективний імунітет є локальною мережевою властивістю не менше, ніж показником на рівні популяції. Якщо невакцинована спільнота формує щільно зв’язаний підграф із власним внутрішнім R₀ вище 1, хвороба може циркулювати в ній нескінченно довго й час від часу проливатися в ширшу популяцію. Спалахи кору 2019 року в Нью-Йорку та штаті Вашингтон, що сталися у спільнотах із високим національним охопленням вакцинацією, є хрестоматійними прикладами цього режиму збою.

Інтерактивна симуляція: Дослідіть поширення епідемії в контактній мережі наживо — Епідемія в Мережі.