Để dự đoán một dịch bệnh, chúng ta không thể bỏ qua sự tiến hóa

 

Minh họa 3-D của virút (ảnh miễn phí bản quyền).
Nguồn: © Freshidea / Adobe Stock

Khi các nhà khoa học cố gắng dự đoán sự lây lan của một thứ gì đó giữa các quần thể - bất cứ thứ gì từ virút corona đến những thông tin sai lệch - họ sử dụng các mô hình toán học phức tạp để làm điều này. Thông thường, họ sẽ nghiên cứu một vài bước đầu tiên để kiểm tra mức độ đối tượng nghiên cứu lan truyền và sử dụng tỷ lệ đó để dự đoán mức độ xa và rộng của sự lan truyền này.

Nhưng điều gì xảy ra nếu một mầm bệnh đột biến hoặc thông tin bị biến đổi, làm thay đổi tốc độ lây lan của nó? Trong một nghiên cứu mới xuất hiện trong ấn phẩm Kỷ yếu tuần này của Viện hàn lâm Khoa học Quốc gia (PNAS), một nhóm các nhà nghiên cứu của Đại học Carnegie Mellon lần đầu tiên cho thấy những cân nhắc này quan trọng như thế nào.

"Những thay đổi tiến hóa này có tác động rất lớn", Osman Yagan, giảng viên của CyLab, phó giáo sư nghiên cứu về Kỹ thuật Điện và Máy tính (ECE), tác giả chính của nghiên cứu cho biết. "Nếu bạn không xem xét các thay đổi tiềm năng theo thời gian, bạn sẽ sai khi dự đoán số người sẽ bị bệnh hoặc số người tiếp xúc với một thông tin."

Hầu hết mọi người đều quen thuộc với dịch bệnh, nhưng bản thân thông tin - hiện đang di chuyển với tốc độ nhanh như chớp trên phương tiện truyền thông xã hội - có thể trở thành một dạng “dịch” và lan truyền nhanh rộng. Việc một thông tin có lan truyền nhanh rộng hay không có thể phụ thuộc vào cách thông điệp ban đầu được điều chỉnh.

Yagan cho biết, "Một số thông tin sai lệch là có chủ ý, nhưng một số thông tin có thể bị sửa đổi trong quá trình lưu hành khi nhiều người lần lượt thực hiện các chỉnh sửa nhỏ như trong trò chơi "truyền tin". Một mẩu thông tin có vẻ nhàm chán có thể trở thành một Tweet (bài đăng trên Twitter) “triệu view”, và chúng ta cần có khả năng dự đoán những thứ này lan truyền như thế nào."

Trong nghiên cứu của họ, các nhà nghiên cứu đã phát triển một lý thuyết toán học để đánh giá những thay đổi tiến hóa này. Sau đó, họ đã kiểm tra lý thuyết của họ dựa trên hàng ngàn bệnh dịch được mô phỏng bằng máy tính trên các mạng lưới thực, chẳng hạn như Twitter trong trường hợp thử nghiệm mức độ truyền bá thông tin hoặc thử nghiệm tại một bệnh viện trong trường hợp đánh giá mức độ truyền bệnh.

Trong bối cảnh lan truyền bệnh truyền nhiễm, nhóm nghiên cứu đã thực hiện hàng ngàn mô phỏng sử dụng dữ liệu từ hai mạng lưới thực tế: một mạng lưới tiếp xúc giữa học sinh, giáo viên và nhân viên tại một trường trung học ở Mỹ và mạng lưới tương tác giữa các nhân viên và bệnh nhân trong một bệnh viện ở Lyon, Pháp.

Những mô phỏng này được dùng làm nền thử nghiệm: lý thuyết nào phù hợp với những gì được tìm thấy trong các mô phỏng sẽ được chứng minh là chính xác hơn.

Tác giả đứng đầu của nghiên cứu, Rashad Eletreby, người từng là nghiên cứu sinh tại Carnegie Mellon khi ông thực hiện nghiên cứu này cho biết, "Chúng tôi đã chứng minh rằng lý thuyết của chúng tôi hoạt động trên các mạng lưới thực. Các mô hình truyền thống mà không đánh giá sự thích nghi tiến hóa đã thất bại trong việc dự đoán khả năng xuất hiện dịch bệnh."

Mặc dù nghiên cứu này không phải là phương án giải quyết hiệu quả ngay tức khắc việc dự đoán sự lây lan của virút corona hiện nay hoặc sự lan truyền của tin tức giả trong môi trường chính trị đầy biến động ngày nay với độ chính xác 100%, nhưng chúng ta sẽ cần dữ liệu theo dõi sự tiến hóa của mầm bệnh hoặc thông tin theo thời gian thực để phục vụ cho công tác dự đoán này. Các tác giả cho rằng đó là một bước tiến lớn.

Eletreby nói, "Chúng ta đang tiến một bước gần hơn đến thực tế."

Các tác giả khác của nghiên cứu bao gồm nghiên cứu sinh ngành ECE Yong Zhuang, giáo sư tại Viện nghiên cứu phần mềm Kathleen Carley và giáo sư tại Kỹ thuật điện Princeton, Vincent Poor.

Nguồn: https://www.sciencedaily.com/releases/2020/03/200302153551.htm