← Back
Advances in Continuous and Discrete Models

SARS-CoV-2에 대한 면역 저하의 풍부한 역학 및 데이터 분석

The global pandemic of SARS-CoV-2 has constituted a serious threat to public health.

연구 분야 Epidemiology
Article Type Research analysis
Authors Wang et al.
Original Paper Published 2026-03-12
ISOM Posted 2026-04-08 12:23 UTC
Read Time 37M
Open PDF Open DOI Open Source Page

Editorial Disclosure

ISOM follows an editorial workflow that structures the source paper into a readable analysis, then publishes the summary, source links, and metadata shown on this page so readers can verify the original work.

The goal of this page is to help readers understand the paper's core question, method, evidence, and implications before opening the original publication.

배경 및 학문적 계보

기원 및 학문적 계보

이 문제의 정확한 기원은 전 세계적인 SARS-CoV-2 팬데믹과 그에 따른 광범위한 백신 접종 노력에서 직접적으로 비롯된다. 팬데믹이 진행됨에 따라 자연 감염과 백신 접종 모두 면역 보호를 제공하지만, 이 보호는 영구적이지 않으며 결정적으로 일정한 속도나 선형적인 비율로 감소하지 않는다는 것이 명확해졌다(13-15행). 이러한 관찰은 전염병의 장기적인 궤적을 정확하게 모델링하고 효과적인 공중 보건 개입을 설계하는 데 상당한 어려움을 야기했다. 역사적 맥락은 SARS-CoV-2에 대한 면역력이 시간이 지남에 따라 어떻게 약화되어 돌파 감염으로 이어지고 백신의 장기적인 보호 효능을 손상시키는지 이해해야 할 필요성에 뿌리를 두고 있다(45-47행).

이전 접근 방식의 근본적인 한계 또는 "고충점"은 두 가지였다. 첫째, 초기 모델들은 면역력 약화를 과도하게 단순화하거나(예: 상수 또는 선형 감소), 관찰된 복잡성을 포착하려 할 때 "체계적인 이론적 분석을 어렵게 만드는 매우 복잡한" 상태가 되었다(112-114행). 이러한 복잡한 모델들은 종종 고립된 조건 하에서 제어 전략을 탐색하거나 분기 현상을 조사하기 위해 수치 시뮬레이션에 크게 의존했다(114-116행). 체계적인 이론적 분석보다는 수치 방법에 대한 이러한 의존은 근본적인 역학에 대한 포괄적이고 다루기 쉬운 이해를 방해했다. 따라서 저자들은 이러한 분석적 과제를 극복하고 면역력 감소와 질병 전파에 미치는 영향을 연구하기 위한 보다 다루기 쉬운 프레임워크를 제공하기 위해 "면역력 약화에서 발생하는 비선형 역학을 포착하는 비교적 단순하면서도 생물학적으로 의미 있는 모델"을 개발해야 할 필요성을 느꼈다(116-118행).

직관적인 도메인 용어

  • Immune Waning (면역력 약화): 과거 감염이나 백신을 통해 얻은 질병에 대한 보호 면역력이 시간이 지남에 따라 점진적으로 감소하는 것을 의미한다.
    • 비유: 완전히 충전된 후 휴대폰 배터리가 서서히 방전되는 것을 상상해 보라. 신체의 보호 기능은 단순히 꺼지는 것이 아니라 서서히 희미해져 다시 감염에 취약하게 만든다.
  • Backward Bifurcation (역방향 분기): 질병 모델링에서 이는 기본 재생산수($R_0$)가 1 미만일 때도 질병이 지속되고 풍토병이 될 수 있는 특이한 상황이다. 일반적으로 $R_0 < 1$은 질병이 자연적으로 소멸해야 함을 의미한다.
    • 비유: 약간 경사진 표면 위의 무거운 공을 생각해 보라. 작은 힘으로 밀면 시작했던 곳으로 되돌아갈 수 있다. 하지만 충분히 강하게 초기 밀기를 가하면 작은 언덕을 넘어 더 아래쪽 경사면의 움푹 들어간 곳에 갇힐 수 있는데, 이는 전반적인 경사가 되돌아와야 함을 시사함에도 불구하고 그렇다. 이 현상은 다른 분야에서도 발생했다. 초기 "운동량"(감염된 사람의 수)이 질병이 풍토병 상태에 "갇히는지" 여부를 결정할 수 있다.
  • Basic Reproduction Number ($R_0$) (기본 재생산수): 완전히 감수성이 있는 인구에서 한 명의 감염된 개체가 평균적으로 일으키는 새로운 감염의 수를 나타내는 중요한 수치이다.
    • 비유: 새로운 바이럴 댄스 열풍을 고려해 보라. 한 사람이 평균적으로 한 명 이상의 새로운 사람에게 가르친다면($R_0 > 1$), 춤은 퍼진다. 만약 그들이 한 명 미만의 새로운 사람에게 가르친다면($R_0 < 1$), 열풍은 결국 사라진다.
  • Endemic Equilibrium (풍토병 평형): 이는 전염병에서 질병이 인구에 지속적으로 존재하지만, 감염된 개인의 수가 시간이 지남에 따라 상대적으로 일정하게 유지되어 급격히 증가하거나 사라지지 않는 안정적인 상태를 의미한다.
    • 비유: 꾸준히 흐르는 강물의 정상 상태를 그려보라. 물은 항상 움직이지만 전체적인 수위와 흐름 속도는 일정하게 유지된다. 질병은 항상 존재하지만, 그 존재는 갑작스러운 급증이나 완전한 부재가 아닌 예측 가능하고 안정적이다.

표기법 테이블

표기법 설명 (단위)

문제 정의 및 제약 조건

핵심 문제 공식화 및 딜레마

본 논문이 다루는 핵심 문제는 SARS-CoV-2에 대한 면역력 감소의 복잡하고 비선형적인 특성에서 비롯된다.

입력/현재 상태:
초기에는 자연 감염 또는 백신 접종을 통해 SARS-CoV-2에 대한 일정 수준의 면역 보호를 획득한 개체들이 존재한다. 그러나 현재 이러한 면역력에 대한 이해와 모델링은 몇 가지 핵심적인 측면에서 불충분하다.
1. 비선형적 감소: 면역 효능은 일정한 비율이나 선형적인 속도로 감소하지 않는다. 대신, 시간이 지남에 따라 더욱 복잡하고 비선형적인 방식으로 감소한다 (초록, 14-15행).
2. 모델 복잡성 대 현실성: 면역력 감소를 포착하려는 기존 역학 모델들은 종종 두 가지 극단으로 치우친다. 즉, 너무 단순하거나(예: 선형적 감소 가정) 매우 복잡하다(예: 연령 구조 모델, 개별 면역력 감소율 모델, 또는 백신 접종자/회복자 분리 구획 모델). 이러한 복잡성은 분기점 동역학과 같은 체계적인 이론적 분석을 극도로 어렵게 만들며, 종종 고립된 조건에서의 수치 시뮬레이션에 의존하게 만든다 (서론, 65-78행, 112-116행, 445-447행).
3. 불완전한 동적 특성화: 이전 모델들은 면역력의 동적 과정을 완전히 특성화하는 데 어려움을 겪는다. 특히 기본 재생산수($R_0$)가 1 미만일 때도 질병이 지속될 수 있는 역분기점과 같은 현상은 더욱 그러하다 (서론, 90-91행, 96-102행). 이는 $R_0$를 1 미만으로 단순히 낮추는 것만으로는 질병을 근절하기에 충분하지 않을 수 있음을 의미하며, 공중 보건 전략에 상당한 도전을 제기한다.

목표 종점 (출력/목표 상태):
본 논문은 다음과 같은 새로운 수학적 모델을 개발하는 것을 목표로 한다.
1. 2단계 감소 포착: 보다 생물학적으로 현실적인 "2단계 면역력 감소 메커니즘"을 통합하여 면역력의 동적 과정을 정확하게 특성화한다 (초록, 15-16행; 서론, 120-122행). 이는 초기 강력한 면역 기간 후 더 빠른 감소를 모델링하는 것을 의미한다.
2. 단순성 및 다루기 쉬움 달성: "비교적 단순하면서도 생물학적으로 의미 있는" (서론, 116-118행) 모델을 개발하고 "수학적 다루기 쉬움"을 유지한다 (고찰, 449-450행). 이러한 균형은 포괄적인 분기점 분석을 포함한 엄격한 이론적 분석을 가능하게 하는 데 중요하다.
3. 공중 보건 전략 정보 제공: SARS-CoV-2 감염의 기저 면역학적 메커니즘과 통제 조치의 영향을 조사함으로써 보다 효과적인 공중 보건 전략 및 정책 개발을 위한 과학적 기반을 제공한다 (서론, 48-51행, 118-119행).

누락된 연결고리/수학적 간극:
정확히 누락된 연결고리는 SARS-CoV-2에 대한 비선형, 2단계 면역력 감소 메커니즘을 명시적으로 통합하여 복잡한 동적 행동(분기점 및 이중 안정성과 같은)의 엄격한 이론적 분석과 실제 역학 데이터를 사용한 견고한 매개변수 추정을 가능하게 하는 수학적으로 다루기 쉬운 구획 모델이다. 이전 모델들은 면역력 감소 과정을 과도하게 단순화하거나 포괄적인 이론적 분석에 비해 너무 복잡해져 면역력 감소의 전체 동적 함의에 대한 이해에 간극을 남겼다.

딜레마:
이전 연구자들을 가두었던 중심 딜레마는 생물학적 현실성과 수학적 다루기 쉬움 사이의 절충점이다. 면역력 감소의 미묘한 차이(예: 개체 간 이질성, 연령 구조, 비선형적 감소)를 정확하게 표현하기 위해 모델은 매우 복잡해지는 경향이 있다. 그러나 이러한 복잡성은 종종 분석적으로 다루기 어렵게 만들어 연구자들이 특정 시나리오에 대해 수치 시뮬레이션에만 의존하게 만든다. 본 논문은 생물학적으로 의미 있으면서도 기본 재생산수 도출 및 포괄적인 분기점 분석을 포함한 엄격한 수학적 분석을 허용할 만큼 충분히 단순한 특정 2단계 감소 메커니즘을 도입함으로써 이 간극을 메우고자 한다 (고찰, 448-450행).

제약 조건 및 실패 모드

SARS-CoV-2의 면역력 감소를 모델링하는 문제는 저자들이 직면한 몇 가지 가혹하고 현실적인 장벽으로 인해 매우 어렵다.

  • 비선형적이고 이질적인 면역력 감소: 면역 효능은 일정한 비율이나 선형적인 속도로 감소하지 않는다 (초록, 14-15행). 대신, 면역력은 시간이 지남에 따라 감소하여 재감염에 대한 감수성의 이질성을 초래한다. 개체들은 일반적으로 초기 기간 동안 높은 보호를 유지하지만, 이후 항체 수준과 보호 효능이 현저히 감소하여 결국 소멸에 가까워진다 (서론, 105-111행). 이러한 복잡한 생물학적 과정은 정확하게 표현되어야 한다.
  • 면역 회피 메커니즘의 출현: 바이러스는 진화하고 면역 회피 메커니즘이 출현하여 백신 및 자연 면역의 장기적인 보호 효능을 손상시킨다 (서론, 46-47행). 명시적으로 메커니즘으로 모델링되지는 않았지만, 이러한 생물학적 현실은 변화하는 면역 환경에 적응할 수 있는 동적 모델의 필요성을 강조한다.
  • 시간 가변적 역학 매개변수: 전염률($\beta(t)$) 및 백신 접종률($\alpha(t)$)과 같은 주요 매개변수는 일정하지 않고 시간이 지남에 따라 상당히 변동한다. 이러한 변동은 새로운 변이(예: Delta, Omicron), 행동 변화, 비약물적 개입을 포함한 다양한 외부 요인의 영향을 받는다 (고찰, 491-493행). 이로 인해 정적 매개변수 모델은 불충분하며 시간 의존적 매개변수를 추정하기 위한 방법이 필요하다.
  • 데이터 기반 매개변수 추정의 어려움: 모델은 장기간(예: 2020년 12월부터 2022년 6월까지 미국)에 걸친 실제적이고 노이즈가 많은 역학 데이터(예: 일일 신규 확진자 수, 일일 신규 백신 접종 건수)에 맞춰져야 한다 (초록, 23-25행; 고찰, 471-473행). 이를 위해서는 시간 의존적 특성과 데이터의 내재된 불확실성을 처리하기 위해 Markov Chain Monte Carlo (MCMC)와 같은 견고한 통계적 방법과 조각별 3차 스플라인 함수를 결합해야 한다 (초록, 25-26행; 고찰, 473-474행).
  • 분기점 분석을 위한 수학적 다루기 쉬움: 목표는 기본 재생산수 도출 및 포괄적인 분기점 분석을 포함한 엄격한 이론적 분석을 수행하여 전방 및 후방 분기점, 다수의 풍토병적 평형점 공존과 같은 복잡한 동적 행동을 이해하는 것이다 (초록, 16-22행; 고찰, 449-450행). 이는 모델의 복잡성에 엄격한 제약을 가하는데, 지나치게 복잡한 모델은 빠르게 분석적으로 다루기 어렵게 되기 때문이다.
  • 모델 안정성 및 현실성 보장: 모델은 인구 구획이 경계 내에 있고 음수가 되지 않도록 보장해야 하며, 이는 모든 현실적인 역학 모델의 기본적인 요구 사항이다 (모델 유도, 144-145행; 불변 영역, 보조 정리 1, 184-187행). 이러한 수학적 제약은 모델의 결과가 생물학적으로 합리적이도록 보장한다.
  • 복잡한 분기점 현상 해석: 모델은 안장-노드 분기점 및 이중 안정성과 같이 여러 개의 안정적인 풍토병적 평형점이 공존할 수 있는 복잡한 동적 행동을 보여준다. 이는 $R_0 < 1$일 때도 질병이 지속될 수 있음을 의미하며, 이는 전통적인 공중 보건 전략에 도전하는 중요한 발견이며 신중한 해석이 필요하다 (초록, 19-22행; 고찰, 461-467행). 이러한 현상을 이해하려면 엄격한 수학적 증명과 수치적 검증이 필요하다.

이 접근 방식은 왜

선택의 필연성

저자들이 새로운 이단계 면역 감퇴 모델을 개발하기로 결정한 것은 임의적인 것이 아니라, SARS-CoV-2 면역의 복잡한 역학에 직면했을 때 전통적인 역학 모델의 내재적 한계에 대한 직접적인 대응이었다. 표준 "SOTA"(State-of-the-Art) 역학 방법이 불충분하다는 인식은 바이러스와 인간 면역 반응에 관한 몇 가지 중요한 관찰에서 비롯되었다.

첫째, 자연 감염이나 백신 접종을 통한 면역 보호가 "일정한 또는 선형적인 속도로 감소하지 않는다"(초록, 14-15행)는 것이 명확해졌다. 이는 면역의 단순하고 연속적인 감소를 자주 가정하는 기본적인 SIRS(Susceptible-Infected-Recovered-Susceptible) 모델을 미묘한 생물학적 과정을 포착하는 데 부적합하게 만들었다. "단기간 내 돌파 감염[7]"과 "면역 회피 메커니즘의 출현[8]"(서론, 45-48행)의 현실은 면역 감퇴에 대한 보다 역동적이고 다면적인 표현의 필요성을 더욱 강조했다.

둘째, 결정적인 통찰은 " $R_0 < 1$이 반드시 질병 근절을 보장하지는 않는다"(서론, 91-92행)는 역분기 현상이었다. 전통적인 모델은 기본 재생산수($R_0$)가 1 미만으로 떨어지면 전염병이 자연적으로 소멸할 것이라고 근본적으로 가정한다. 그러나 $R_0$이 이 임계값 아래에 있을 수 있는 시나리오에서도 SARS-CoV-2의 관찰된 지속성은 이러한 더 간단한 프레임워크의 결정적인 결함을 강조했다. 저자들의 모델은 이 복잡한 역학을 명시적으로 포착하여 "기본 재생산수 $R_0 < 1$일 때도 전염병이 지속될 수 있다"(초록, 21-22행)는 것을 보여주는데, 이는 더 간단한 모델로는 설명할 수 없는 특징이다.

마지막으로, 기존의 고급 모델들이 면역 감퇴의 측면을 통합하기 시작했지만(예: [17, 18, 19]), 많은 모델들이 "매우 복잡하여 체계적인 이론적 분석을 어렵게 만들었으며" 종종 "제어 전략을 탐색하거나 고립된 조건에서 분기 현상을 조사하기 위해 수치 시뮬레이션에 의존했다"(서론, 112-115행). 저자들은 명시적으로 "이러한 한계를 해결하기 위해" "상대적으로 단순하면서도 생물학적으로 의미 있는" 모델을 추구하여 엄격한 이론적 분석을 가능하게 하고자 했으며, 이는 다른 접근 방식의 과도한 복잡성으로 인해 종종 손상되었다. 생물학적 현실성과 수학적 처리 가능성 사이의 균형에 대한 이러한 필요성은 특정 이단계 구획 구조의 선택을 확고히 했다.

비교 우위

이 이단계 면역 감퇴 모델의 질적 우수성은 단순한 성능 지표를 넘어, 분석적 엄격성을 유지하면서 복잡한 역학적 현실을 포착할 수 있게 하는 구조적 이점에 있다.

  1. 생물학적으로 현실적인 면역 감퇴: 가장 중요한 구조적 이점은 "부분적으로 그리고 더 많이 감퇴된 면역"(서론, 120-127행)을 가진 개인을 나타내는 두 개의 별도 구획, $S_1(t)$와 $S_2(t)$를 명시적으로 도입한 것이다. 이는 모델이 단순한 선형 감소를 넘어서, 면역을 "완전히 면역된 상태에서 부분적으로 면역된 상태로의 비선형 전환"(토론, 448-449행)으로 특징짓게 한다. 이 다단계 접근 방식은 보호가 균일하고 연속적인 감소가 아닌, 시간이 지남에 따라 점진적이고 이질적으로 감소하는 생물학적 과정에 대한 보다 충실한 표현이다.
  2. 강력한 분기 분석 및 이중 안정성: 모델의 설계는 순방향 및 역방향 분기 모두에 대한 엄격한 도출 및 분석을 용이하게 한다(초록, 17-18행; 토론, 454-455행). 역분기를 입증하는 능력은 " $R_0 < 1$이 반드시 질병 근절을 보장하지는 않는다"(서론, 91-92행)는 것을 설명하기 때문에 중요한 질적 도약이다. 이는 전염병이 전통적인 지표가 소멸을 시사하더라도 풍토병이 될 수 있음을 의미한다. 또한, 모델은 "다수의 풍토병적 평형점의 공존"과 "이중 안정성"(초록, 18-22행; 토론, 458-469행)을 보여주는데, 이는 전염병의 장기적인 궤적이 초기 조건에 매우 민감할 수 있음을 시사하며, 이는 더 간단한 모델이 달성할 수 없는 수준의 동적 복잡성이다.
  3. 심층 통찰을 위한 수학적 처리 가능성: "매우 복잡하여 체계적인 이론적 분석을 어렵게 만드는"(서론, 112-113행) 많은 기존 모델과 달리, 이 이단계 모델은 "상대적으로 단순하면서도 생물학적으로 의미 있는"(서론, 115-117행) 모델로 설계되었다. 이러한 구조적 선택은 "기본 재생산수의 엄격한 도출과 포괄적인 분기 분석"(토론, 449-451행)을 가능하게 한다. 이러한 균형은 단순히 설명적인 시뮬레이션이 아닌, 전염병 역학을 주도하는 메커니즘에 대한 깊은 이론적 통찰을 제공하는 핵심 이점이다.
  4. 시간 변화하는 실제 데이터의 통합: 모델은 조각별 3차 스플라인 함수와 MCMC 알고리즘을 사용하여 추정된 시간 변화하는 전염률 $\beta(t)$ 및 백신 접종률 $\alpha(t)$를 통합한다(토론, 470-473행). 이를 통해 모델은 실제 역학 데이터와 변화하는 개입 전략에 적응할 수 있으며, 정적 매개변수에 의존하는 모델보다 더 역동적이고 적용 가능한 프레임워크를 제공한다.

이 논문은 기계 학습 알고리즘의 맥락에서 $O(N^2)$에서 $O(N)$으로의 메모리 감소 또는 고차원 노이즈 처리와 같은 계산 복잡성을 다루지 않는다. 대신, 그 우수성은 질병 전염을 이해하기 위한 향상된 역학적 현실성과 분석적 능력에 뿌리를 두고 있다.

제약 조건과의 일치

선택된 이단계 면역 감퇴 모델은 문제 정의에서 파생된 암묵적 제약 조건과 완벽하게 일치하여, SARS-CoV-2 역학의 도전 과제와 해결책의 고유한 속성 사이에 강력한 "결합"을 생성한다.

  1. 제약 조건: 면역 감소의 정확한 표현: 이 문제는 "면역 효능이 일정한 또는 선형적인 속도로 감소하지 않는다"는 점과 면역이 "시간이 지남에 따라 감퇴하는 경향이 있어 재감염에 대한 감수성의 이질성을 초래한다"(초록, 14-15행; 서론, 105-106행)는 점을 인정하는 모델을 요구한다. 해결책의 고유한 속성은 "이단계 면역 감퇴 메커니즘"(초록, 16행)으로, "부분적으로 그리고 더 많이 감퇴된 면역"($S_1(t)$ 및 $S_2(t)$)을 위한 구획을 명시적으로 도입한다(서론, 120-127행). 이는 면역 감퇴의 비선형적이고 이질적인 특성을 직접적으로 다루며, 보다 생물학적으로 정확하고 미묘한 표현을 제공한다.
  2. 제약 조건: 복잡한 전염병 지속 설명: 중요한 요구 사항은 전통적인 지표가 근절을 시사할 때조차도 관찰된 SARS-CoV-2의 지속성을 설명하는 것이다. 모델이 "순방향 및 역방향 분기"와 "이중 안정성"(초록, 17-22행; 토론, 454-469행)을 입증하는 능력은 완벽하게 부합한다. 특히 역분기는 " $R_0 < 1$이 반드시 질병 근절을 보장하지는 않는다"(서론, 91-92행)는 것을 보여주어 전염병이 지속될 수 있게 한다. 이는 단순 모델 예측과 실제 관찰 사이의 불일치를 직접적으로 해결한다.
  3. 제약 조건: 정책 통찰을 위한 수학적 처리 가능성: 현실적이면서도 엄격한 이론적 분석이 가능한 모델의 필요성은 공중 보건 전략에 정보를 제공하는 데 매우 중요하다. 많은 기존 모델이 "매우 복잡하여 체계적인 이론적 분석을 어렵게 만드는"(서론, 112-113행) 반면, 이 이단계 모델은 "상대적으로 단순하면서도 생물학적으로 의미 있는"(서론, 115-117행) 모델로 설계되었다. 이는 "기본 재생산수의 엄격한 도출과 포괄적인 분기 분석"(토론, 449-451행)을 가능하게 하여, 지나치게 복잡하고 다루기 어려운 모델에 의해 가려질 수 있는 명확하고 실행 가능한 통찰을 제공한다.
  4. 제약 조건: 데이터 기반 및 동적 매개변수화: 빠르게 진화하는 팬데믹을 효과적으로 모델링하려면 실제 데이터를 통합하고 시간 변화 요인을 설명할 수 있는 능력이 필요하다. "COVID-19 역학 데이터"(초록, 23-25행; 토론, 470-473행)에서 시간 변화하는 전염률 $\beta(t)$ 및 백신 접종률 $\alpha(t)$를 추정하기 위해 "조각별 3차 스플라인 함수와 결합된 MCMC 알고리즘"을 사용하는 해결책은 이 제약 조건을 완벽하게 충족한다. 이러한 동적 매개변수화는 실시간 전염병 통제에 대한 모델의 관련성과 예측력을 향상시킨다.

이 접근 방식은 생물학적 복잡성과 분석적 실행 가능성 사이의 격차를 효과적으로 해소하여 SARS-CoV-2를 이해하고 관리하기 위한 이상적인 도구이다.

대안의 기각

이 논문은 구획 역학 모델링에 초점을 맞추고 있으므로, GAN 또는 Diffusion 모델과 같은 딥러닝 접근 방식은 논의하거나 기각하지 않는다. 이는 논문의 범위를 벗어나기 때문이다. 그러나 이는 다른 역학적 모델링 대안의 한계를 암묵적으로 기각하거나 강조한다.

  1. 표준 SIR/SIRS 모델: 이러한 기초 모델은 SARS-CoV-2 면역의 특정 복잡성을 포착하지 못하기 때문에 암묵적으로 불충분하다고 간주된다.

    • SIR 모델: 이는 평생 면역을 가정하는데(서론, 53-54행), 면역이 감퇴하는 SARS-CoV-2에 대해서는 명백히 사실이 아니다.
    • 기본 SIRS 모델: 면역 감퇴를 설명하지만, 종종 이를 "일정한 또는 선형적인 속도"(초록, 14-15행) 또는 단순하고 연속적인 감소(토론, 445-446행)로 단순화한다. 저자들의 작업은 "이단계 면역 감퇴 메커니즘"이 "완전히 면역된 상태에서 부분적으로 면역된 상태로의 비선형 전환"(토론, 448-449행)을 반영하는 데 필요하다는 것을 보여줌으로써 이를 직접적으로 반박한다.
    • 역분기 설명 실패: 이러한 더 간단한 모델을 기각하는 결정적인 이유는 전염병이 기본 재생산수 $R_0 < 1$일 때도 지속될 수 있는 역분기와 같은 현상을 설명하지 못하기 때문이다(초록, 21-22행; 토론, 462-469행). 표준 SIRS 모델은 이러한 조건에서 근절을 예측할 것이므로 SARS-CoV-2에 부적합하다.

  2. 지나치게 복잡한 기존 역학 모델: 이 논문은 더 많은 세부 사항을 포착하려고 시도하지만 분석적으로 다루기 어렵게 되는 모델의 기각을 암시한다. 저자들은 "대부분의 기존 모델은 매우 복잡하여 체계적인 이론적 분석을 어렵게 만든다. 이러한 연구는 종종 제어 전략을 탐색하거나 고립된 조건에서 분기 현상을 조사하기 위해 수치 시뮬레이션에 의존한다"(서론, 112-115행)고 언급한다. 이는 이러한 모델(예: 연속적인 감퇴 함수, 개별적인 비율 또는 토론, 445-447행에서 언급된 수많은 별도 구획을 가진 모델)이 세분화된 세부 정보를 제공할 수 있지만, 저자들이 우선시하는 엄격한 이론적 분석 및 포괄적인 분기 연구를 방해한다는 것을 시사한다. 대조적으로, 선택된 이단계 모델은 "더 간단하고 생물학적으로 해석 가능한 프레임워크를 제공하는 동시에" "기본 재생산수의 엄격한 도출과 포괄적인 분기 분석"(토론, 448-451행)을 허용한다. 이는 지나치게 복잡하고 검증 불가능한 세부 사항을 희생하여 분석적 깊이를 희생하는 모델을 의도적으로 피했음을 강조한다.

본질적으로, 저자들은 SARS-CoV-2의 비선형 면역 역학과 복잡한 분기 현상을 반영하기에는 너무 단순하거나, 원하는 수준의 엄격한 이론적 분석과 메커니즘적 이해를 허용하기에는 너무 복잡한 대안들을 기각했다. 그들의 이단계 모델은 분석적으로 다루기 어렵게 되지 않으면서 충분한 생물학적 현실성을 제공하는 실용적인 균형을 이룬다.

Figure 5. The impact of different vaccination rates, duration of secondary waning immunity, and two relative susceptibilities on disease transmission dynamics. By combining ε1 = 0.3, 0.5, 0.8 and ε2 = 0.6, 0.8, 1 in all possible pairwise combinations, we derive situations in which two relative suscep- tibilities change concurrently. (A1)-(C1), (A2)-(C2), (A3)-(C3), (A4)-(C4), and (A5)-(C5) correspond to multiples of the original vaccination rate of 0.9, 1, 1.25, 1.5, and 2, respectively. The figures are arranged into five columns based on different multiples of the original vaccination rate in the model and into three rows according to different immune waning durations. The durations of the secondary waning immunity 1 δV + 1 δS1 = 1 δR + 1 δS1 = 180, 365, 540 days, respectively, corresponds to (A1)-(A5),

수학 및 논리 메커니즘

마스터 방정식

본 논문의 핵심 분석은 인구 내 다양한 건강 및 면역 상태 간 개인들의 동적 흐름을 설명하는 8개의 연계된 상미분방정식(ODE) 시스템에 있다. 논문에서 (2)로 명명된 이 시스템은 SARS-CoV-2의 확산 및 통제를 시뮬레이션하는 수학적 엔진으로, 2단계 면역 감퇴 메커니즘을 통합한다.

$$ \begin{aligned} \frac{dS}{dt} &= \Lambda - \lambda(t)S - (\alpha + d)S \\ \frac{dV}{dt} &= \alpha(S + S_1 + S_2) - (\delta_V + d)V \\ \frac{dS_1}{dt} &= \delta_V V + \delta_R R - \epsilon_1\lambda(t)S_1 - (\alpha + \delta_{S_1} + d)S_1 \\ \frac{dS_2}{dt} &= \delta_{S_1} S_1 - \epsilon_2\lambda(t)S_2 - (\alpha + d)S_2 \\ \frac{dE}{dt} &= \lambda(t)S + \epsilon_1\lambda(t)S_1 + \epsilon_2\lambda(t)S_2 - (\sigma + d)E \\ \frac{dA}{dt} &= (1 - \rho)\sigma E - (\gamma_A + d)A \\ \frac{dI}{dt} &= \rho\sigma E - (\gamma_I + \mu + d)I \\ \frac{dR}{dt} &= \gamma_A A + \gamma_I I - (\delta_R + d)R \end{aligned} $$

결정적으로, "감염력(force of infection)"으로 알려진 개인들의 감염률 $\lambda(t)$는 다음과 같이 정의되는 동적 구성 요소 자체이다.

$$ \lambda(t) = \frac{\beta(\theta E + \epsilon A + I)}{N} $$

여기서 $N$은 8개 구획 전체 개인들의 합인 총 인구를 나타낸다: $N(t) = S(t) + V(t) + S_1(t) + S_2(t) + E(t) + A(t) + I(t) + R(t)$.

항별 분석

각 구성 요소가 무엇을 의미하고 왜 존재하는지 이해하기 위해 이 방정식들을 하나씩 해부해 보자. 복잡한 시계의 각 톱니바퀴와 스프링이 전체 기능에 어떻게 기여하는지 보기 위해 분해하는 것과 같다.

구획 변수 (개인들의 "상태")

  • $S(t)$: 시간 $t$에서의 완전히 감수성 있는 개인의 수를 나타낸다.
    • 수학적 정의: ODE 시스템의 상태 변수.
    • 물리적/논리적 역할: SARS-CoV-2에 대한 면역이 전혀 없어 감염될 수 있는 개인들이다.
    • 변수인 이유: 사람들이 태어나거나, 백신을 접종하거나, 감염됨에 따라 시간이 지남에 따라 값이 변한다.
  • $V(t)$: 백신 접종을 받고 완전히 면역이 된 개인의 수이다.
    • 수학적 정의: 상태 변수.
    • 물리적/논리적 역할: 백신을 접종받았고 현재 보호받고 있는 개인들이다.
  • $S_1(t)$: 면역이 처음으로 약해진 개인을 나타낸다.
    • 수학적 정의: 상태 변수.
    • 물리적/논리적 역할: 일부 보호를 잃어 다시 부분적으로 감수성이 있게 된다. 이것이 면역 감퇴의 첫 번째 단계이다.
  • $S_2(t)$: 면역이 더욱 약해져 병원체와 싸울 능력이 현저히 감소한 개인을 나타낸다.
    • 수학적 정의: 상태 변수.
    • 물리적/논리적 역할: 이 개인들은 면역력이 매우 낮아 감수성이 높다. 이것이 면역 감퇴의 두 번째, 더 심각한 단계이다.
  • $E(t)$: 감염 잠재력이 있는 노출된 개인의 수이다.
    • 수학적 정의: 상태 변수.
    • 물리적/논리적 역할: 감염되었지만 아직 스스로 전염성이 없는 개인들이다 (잠복기).
  • $A(t)$: 무증상 감염 개인을 나타낸다.
    • 수학적 정의: 상태 변수.
    • 물리적/논리적 역할: 증상을 보이지 않지만 바이러스를 전파할 수 있는 감염된 개인들이다.
  • $I(t)$: 증상성 감염 개인의 수이다.
    • 수학적 정의: 상태 변수.
    • 물리적/논리적 역할: 증상을 보이며 일반적으로 전염성이 높은 감염된 개인들이다.
  • $R(t)$: 회복되고 완전히 면역이 된 개인의 수를 나타낸다.
    • 수학적 정의: 상태 변수.
    • 물리적/논리적 역할: 감염에서 회복되어 일시적으로 완전한 면역을 가진 개인들이다.
  • $N(t)$: 시간 $t$에서의 총 인구이다.
    • 수학적 정의: 다른 모든 구획 변수의 합.
    • 물리적/논리적 역할: 감염력의 정규화에 사용되며, 접촉률이 밀도 의존적임을 시사한다.
    • 합산 이유: 시스템 내 모든 개인을 집계한다.

매개변수 및 계수 (시스템의 "규칙")

  • $\Lambda$: 감수성 있는 개인의 모집률 (명/일).
    • 수학적 정의: 상수 양수 계수.
    • 물리적/논리적 역할: 일반적으로 출생 또는 이민과 같은 감수성 인구로의 새로운 유입을 나타낸다.
    • 덧셈인 이유: 소스 항으로, $S$ 구획에 개인을 추가한다.
  • $\beta$: 전파율 (1/일).
    • 수학적 정의: 양수 계수, 시간 가변적일 수 있음 ($\beta(t)$).
    • 물리적/논리적 역할: 바이러스가 감염된 사람으로부터 감수성 있는 사람에게 얼마나 효과적으로 퍼지는지를 결정한다.
    • 곱셈인 이유: 감염 전파의 "강도" 요인으로 작용하며, 전반적인 감염률을 조정한다.
  • $\alpha$: 백신 접종을 받은 개인의 비율 (1/일).
    • 수학적 정의: 양수 계수, 시간 가변적일 수 있음 ($\alpha(t)$).
    • 물리적/논리적 역할: 감수성 있는, $S_1$, $S_2$ 개인들이 백신을 접종받아 $V$ 구획으로 이동하는 비율을 나타낸다.
    • 곱셈인 이유: 백신 구획으로의 개인 흐름을 조정한다.
  • $d$: 인구의 자연 사망률 (1/일).
    • 수학적 정의: 상수 양수 계수.
    • 물리적/논리적 역할: 질병 자체 외의 모든 원인으로 인한 사망을 나타낸다. 모든 구획에 적용된다.
    • 뺄셈인 이유: 각 구획의 인구를 감소시키는 제거 항이다.
  • $\mu$: 증상성 감염 개인의 사망률 (1/일).
    • 수학적 정의: 상수 양수 계수.
    • 물리적/논리적 역할: 질병으로 인한 추가 사망률로, 증상성 개인($I$)에게만 영향을 미친다.
    • 뺄셈인 이유: $I$ 구획에서 추가적인 제거 항이다.
  • $\delta_V$: $V$에서 $S_1$으로의 백신 유발 면역 감퇴율 (1/일).
    • 수학적 정의: 상수 양수 계수.
    • 물리적/논리적 역할: 백신 접종을 받은 개인이 완전한 면역을 잃고 첫 번째 단계의 면역 감퇴($S_1$)로 전환되는 비율이다.
    • 덧셈/뺄셈인 이유: 구획 간 개인의 흐름을 결정한다.
  • $\delta_{S_1}$: $S_1$에서 $S_2$로의 면역 감퇴율 (1/일).
    • 수학적 정의: 상수 양수 계수.
    • 물리적/논리적 역할: $S_1$에 있는 개인이 면역을 더 많이 잃고 두 번째 단계의 면역 감퇴($S_2$)로 이동하는 비율이다.
    • 덧셈/뺄셈인 이유: 구획 간 개인의 흐름을 결정한다.
  • $\delta_R$: $R$에서 $S_1$으로의 자연 면역 감퇴율 (1/일).
    • 수학적 정의: 상수 양수 계수.
    • 물리적/논리적 역할: 자연적으로 회복된 개인이 완전한 면역을 잃고 $S_1$으로 전환되는 비율이다.
    • 덧셈/뺄셈인 이유: 구획 간 개인의 흐름을 결정한다.
  • $\epsilon_1$: $S_1$ 내 개인의 감염에 대한 상대적 감수성 (무차원).
    • 수학적 정의: 상수 양수 계수, $0 \le \epsilon_1 \le 1$.
    • 물리적/논리적 역할: $S_1$ 개인의 감염률을 조정한다. $\epsilon_1 < 1$이면 완전히 감수성 있는 개인보다 감수성이 낮다.
    • 곱셈인 이유: $S_1$ 개인의 감염력에 대한 조정 계수로 작용한다.
  • $\epsilon_2$: $S_2$ 내 개인의 감염에 대한 상대적 감수성 (무차원).
    • 수학적 정의: 상수 양수 계수, $0 \le \epsilon_2 \le 1$.
    • 물리적/논리적 역할: $\epsilon_1$과 유사하지만 $S_2$ 개인에 대한 것이다. 종종 $\epsilon_2 > \epsilon_1$ 또는 $\epsilon_2 = 1$로 더 큰 감수성을 반영한다.
    • 곱셈인 이유: $S_2$ 개인의 감염력에 대한 조정 계수로 작용한다.
  • $\theta$: $E$의 전파 확률 감소 계수 (무차원).
    • 수학적 정의: 상수 양수 계수, $0 \le \theta \le 1$.
    • 물리적/논리적 역할: 노출된 개인($E$)의 감염력 기여도를 감염력에 대해 줄이며, 이들이 증상성 개인보다 전염성이 낮을 수 있음을 반영한다.
    • 곱셈인 이유: $E$의 전염력 기여도를 조정한다.
  • $\epsilon$: $A$의 전파 확률 감소 계수 (무차원).
    • 수학적 정의: 상수 양수 계수, $0 \le \epsilon \le 1$.
    • 물리적/논리적 역할: 무증상 개인($A$)의 감염력 기여도를 감염력에 대해 줄인다.
    • 곱셈인 이유: $A$의 전염력 기여도를 조정한다.
  • $\sigma$: $E$에서 감염된 개인으로의 진행률 (1/일).
    • 수학적 정의: 상수 양수 계수.
    • 물리적/논리적 역할: 노출된 개인이 잠복기를 완료하고 전염성이 되는 비율이다 (무증상 또는 증상성).
    • 곱셈인 이유: $E$에서 나가는 개인의 흐름을 조정한다.
  • $\rho$: 증상성 감염 개인의 비율 (무차원).
    • 수학적 정의: 상수 양수 계수, $0 \le \rho \le 1$.
    • 물리적/논리적 역할: 노출 구획($E$)을 떠나는 개인 중 증상성($I$)이 되는 비율을 결정한다. 나머지 비율 $(1-\rho)$는 무증상($A$)이 된다.
    • 곱셈인 이유: $E$로부터의 흐름에 대한 분할 계수로 작용한다.
  • $\gamma_A$: 무증상 감염 개인의 회복률 (1/일).
    • 수학적 정의: 상수 양수 계수.
    • 물리적/논리적 역할: 무증상 개인이 회복되어 면역을 얻는 비율이다.
    • 곱셈인 이유: $A$에서 나가는 개인의 흐름을 조정한다.
  • $\gamma_I$: 증상성 감염 개인의 회복률 (1/일).
    • 수학적 정의: 상수 양수 계수.
    • 물리적/논리적 역할: 증상성 개인이 회복되어 면역을 얻는 비율이다.
    • 곱셈인 이유: $I$에서 나가는 개인의 흐름을 조정한다.

수학 연산자

  • $d/dt$: 시간에 대한 미분.
    • 수학적 정의: 순간적인 변화율을 나타낸다.
    • 물리적/논리적 역할: 이 ODE에서 각 구획의 개인 수가 매우 작은 시간 간격 동안 어떻게 변하는지를 설명한다.
    • 미분인 이유: 모델은 인구 규모의 연속적인 변화를 가정하며, 이는 역학 모델에서 대규모 인구에 대해 일반적이다.
  • 덧셈 ($+$) 및 뺄셈 ($-$):
    • 수학적 정의: 표준 산술 연산.
    • 물리적/논리적 역할: 특정 구획으로의 (덧셈) 또는 특정 구획으로부터의 (뺄셈) 개인 흐름을 나타낸다. 예를 들어, $\Lambda$는 $S$에 추가되고, $\lambda(t)S$는 $S$에서 뺀다.
    • 덧셈/뺄셈인 이유: 구획 모델에서 인구 역학을 모델링하고 이득과 손실을 추적하는 기본적인 방법이다.
  • 곱셈 ($\times$ 또는 암시적):
    • 수학적 정의: 표준 산술 연산.
    • 물리적/논리적 역할: 개인 수의 곱에 의존하는 비율 (예: 감염률 $\lambda(t)S$는 감수성 있는 개인 수와 감염력에 의존)을 계산하거나, 조정 계수를 적용하는 데 사용된다 (예: $\epsilon_1\lambda(t)S_1$).
    • 곱셈인 이유: 상호작용하는 개체 수의 곱에 비례하는 상호작용 (감염과 같은)의 비율을 반영하는 "질량 작용" 원리를 반영한다. 또한 무차원 조정 계수를 적용하여 비율을 수정한다.
  • 나눗셈 ($/$):
    • 수학적 정의: 표준 산술 연산.
    • 물리적/논리적 역할: 감염력 $\lambda(t)$에서 $N$ (총 인구)으로 나누는 것은 감염 접촉 항을 정규화한다.
    • 나눗셈인 이유: 이는 빈도 의존적 전파를 의미하며, 감염 확률이 절대적인 수보다는 인구 내 전염성 개인의 비율에 의존함을 의미한다. 이는 종종 크고 잘 혼합된 인구에 대해 더 현실적이다.

단계별 흐름

단일 추상 개인, 즉 "데이터 포인트"가 면역 체계와 질병 진행의 복잡한 기계 조립 라인을 통과한다고 상상해 보자.

  1. 시스템 진입: 우리 개인은 감수성($S$) 구획으로 "모집"되어 여정을 시작한다. 이는 새로운 부품이 공장 바닥에 들어오는 것과 같다. 비율 $\Lambda$는 매일 얼마나 많은 새로운 부품이 도착하는지를 결정한다.

  2. 초기 선택 (S 구획): $S$에 있는 동안, 우리 개인은 몇 가지 경로에 직면한다.

    • 백신 접종: 비율 $\alpha S$로 백신을 접종받을 수 있으며, 이는 즉시 백신 접종($V$) 구획으로 이동시켜 완전한 면역을 부여한다.
    • 자연 사망: $dS$ 비율로 비질병 원인으로 사망하여 시스템을 벗어날 수 있다.
    • 감염: 감염된 사람 (E, A 또는 I에서 온)과 접촉하면 $\lambda(t)S$ 비율로 감염되어 노출($E$) 구획으로 이동한다. 이것이 바이러스에 "감염"되는 순간이다.

  3. 잠복기 (E 구획): $E$에서 우리 개인은 바이러스를 잠복시키고 있다. 감염되었지만 아직 효과적으로 퍼뜨릴 수는 없다.

    • 진행: 잠복기 후, 비율 $\sigma E$로 감염 상태로 진행된다.
    • 자연 사망: $dE$ 비율로 자연사할 수도 있다.

  4. 전염성 획득 (A 또는 I 구획): $E$를 떠날 때, 우리 개인은 두 가지 전염성 경로 중 하나로 "분류"된다.

    • 무증상 ($A$): 확률 $(1-\rho)$로 무증상이 되어 비율 $(1-\rho)\sigma E$로 무증상($A$) 구획으로 이동한다. 여기서 증상 없이 바이러스를 퍼뜨릴 수 있다.
    • 증상성 ($I$): 확률 $\rho$로 증상이 되어 비율 $\rho\sigma E$로 증상성($I$) 구획으로 이동한다. 여기서 증상을 보이며 일반적으로 더 전염성이 높다.

  5. 감염 기간 및 회복 (A 및 I 구획):

    • A에서: 무증상 개인은 비율 $\gamma_A A$로 회복되어 회복($R$) 구획으로 이동할 수 있다. 또한 $dA$ 비율로 자연사할 수도 있다.
    • I에서: 증상성 개인은 비율 $\gamma_I I$로 회복되어 역시 $R$로 이동할 수 있다. 그러나 추가적인 위험에 직면한다: 질병으로 인한 사망률 $\mu I$ 또는 자연 사망률 $dI$.

  6. 일시적 면역 (R 및 V 구획): $R$ (회복됨) 또는 $V$ (백신 접종됨)에 들어가면 우리 개인은 완전한 면역 기간을 누린다. 그러나 이 면역은 영원하지 않다.

    • V에서의 감퇴: 백신 접종을 받은 개인은 비율 $\delta_V V$로 면역을 잃고 $S_1$ (첫 번째 단계 면역 감퇴) 구획으로 전환된다.
    • R에서의 감퇴: 자연적으로 회복된 개인은 비율 $\delta_R R$로 자연 면역을 잃고 역시 $S_1$으로 전환된다.
    • 자연 사망: $V$ 또는 $R$에 있는 개인도 각각 $dV$ 및 $dR$ 비율로 자연사할 수 있다.

  7. 면역 저하 (S1 및 S2 구획):

    • S1에서: $S_1$에 있는 개인은 부분적으로 면역이 감퇴되었다. 이들은 다음을 할 수 있다.
      • 비율 $\alpha S_1$로 다시 백신 접종을 받아 $V$로 돌아간다.
      • $dS_1$ 비율로 자연사한다.
      • 감소된 비율 $\epsilon_1\lambda(t)S_1$로 다시 감염되어 $E$로 돌아간다.
      • 비율 $\delta_{S_1} S_1$로 추가 면역 감퇴를 겪어 $S_2$ (두 번째 단계 면역 감퇴) 구획으로 이동한다.
    • S2에서: $S_2$에 있는 개인은 면역이 상당히 감퇴되었다. 이들은 다음을 할 수 있다.
      • 비율 $\alpha S_2$로 다시 백신 접종을 받아 $V$로 돌아간다.
      • $dS_2$ 비율로 자연사한다.
      • (잠재적으로 더 높은) 감소된 비율 $\epsilon_2\lambda(t)S_2$로 다시 감염되어 $E$로 돌아간다.

이러한 비율에 따라 개인들이 구획 간에 이동하는 지속적인 흐름은 인구 내 면역 및 감염의 전체 수명 주기를 설명한다.

최적화 동역학

이 모델은 상미분방정식 시스템이므로, 손실 함수를 최소화하는 방식으로 기계 학습 알고리즘과 동일하게 "학습"하거나 "업데이트"하지 않는다. 대신, 그 "동역학"은 시스템의 상태가 시간에 따라 어떻게 진화하고 어떤 안정적이거나 불안정한 패턴으로 정착하는지를 의미한다. 여기서 "최적화"는 질병이 통제되거나 지속되는 조건을 이해하는 데 있다.

  1. 평형 도달: 시스템의 자연스러운 경향은 모든 구획의 변화율이 0이 되는 평형점으로 진화하는 것이다 ($dS/dt = 0, dV/dt = 0$ 등). 이것이 시스템의 "정상 상태"이다.

    • 질병 없는 평형 (DFE): 노출, 무증상 또는 증상성 개인이 존재하지 않는 상태 ($E=A=I=0$)이다. 질병이 사라졌다.
    • 풍토병 평형 (EE): 질병이 인구 내에 지속되며, 일정 수의 감염된 개인이 존재하는 상태이다.

  2. 기본 재생산수 ($R_0$): 이 단일하고 중요한 매개변수는 시스템 동작의 주요 "스위치" 역할을 한다. 모델의 매개변수에서 파생되며, 완전히 감수성 있는 인구에서 한 명의 감염된 개인이 일으키는 평균 2차 감염 수를 나타낸다.

    • $R_0 < 1$인 경우: 질병 없는 평형은 국소적으로 점근적으로 안정적이다. 이는 초기 감염자 수가 충분히 적으면 질병이 자연적으로 사라진다는 것을 의미한다. 시스템은 질병 없는 상태로 "수렴"한다.
    • $R_0 > 1$인 경우: 질병 없는 평형은 불안정하다. 이는 질병이 확산되어 결국 풍토병이 될 수 있음을 의미한다. 시스템은 질병 없는 상태에서 벗어날 것이다.

  3. 분기 분석: 시스템의 "상전이": 여기서 모델의 복잡한 동역학이 진정으로 빛을 발한다. 분기는 매개변수 (기본 재생산수에 직접 영향을 미치는 전파율 $\beta$와 같은)가 변경됨에 따라 시스템 동작의 질적 변화를 설명한다.

    • 정방향 분기: 일반적인 시나리오에서 $R_0$가 1을 아래에서 위로 교차함에 따라 DFE는 안정성을 잃고 안정적인 풍토병 평형이 나타난다. 이것은 전파가 충분히 높으면 질병이 풍토병이 되는 "부드러운" 전환이다.
    • 역방향 분기: 이것은 더 복잡하고 우려되는 동역학이다. 이는 $R_0 < 1$일 때도 안정적인 풍토병 평형이 존재할 수 있음을 의미한다. 이러한 경우, 기본 재생산수가 질병이 사라져야 함을 시사할 때도 질병이 지속될 수 있다. 결과는 초기 감염자 수에 따라 달라진다 (이 현상을 이중 안정성이라고 한다). 이것은 공중 보건에 대한 중요한 통찰력인데, 초기 감염 수준이 높으면 기본 재생산수를 1 미만으로 줄이는 것만으로는 질병을 근절하기에 충분하지 않을 수 있기 때문이다.
    • 안장-노드 분기: 매개변수 변경에 따라 두 개의 평형점 (종종 안정적인 것과 불안정한 풍토병 평형)이 나타나거나 사라질 때 발생한다. 논문은 이것이 정방향 분기의 확장된 분기선을 따라 발생할 수 있으며, 복잡한 이중 안정성 동역학에 기여한다고 언급한다.

  4. MCMC를 통한 매개변수 추정: 모델의 동역학을 실제 시나리오를 반영하도록 하기 위해, 저자들은 실제 COVID-19 데이터를 사용하여 모델을 "훈련"하거나 "적합"시킨다. 이들은 마르코프 연쇄 몬테카를로 (MCMC) 알고리즘을 사용하여 시간 가변 전파율 $\beta(t)$ 및 백신 접종률 $\alpha(t)$를 추정한다.

    • 작동 방식: MCMC는 확률 분포에서 샘플을 생성하는 계산 기법이다. 이 맥락에서, 이 알고리즘은 알려지지 않은 매개변수 (다양한 시점의 $\beta(t)$ 및 $\alpha(t)$, 스플라인 노드로 표현됨)에 대한 새로운 값을 반복적으로 제안하고, 모델의 출력이 관찰된 일일 신규 확진자 수 및 백신 접종 수와 얼마나 잘 일치하는지에 따라 이를 수락하거나 거부한다.
    • 데이터로부터의 "학습": 수많은 반복을 통해 MCMC 알고리즘은 매개변수 공간을 탐색하며, 결국 관찰된 데이터와 가장 일관된 매개변수 값의 분포에 수렴한다. 이 과정은 모델이 경험적 증거로부터 기본 전파 및 백신 접종 동역학을 "학습"할 수 있도록 하여, 실제 전염병 곡선을 가장 잘 설명하도록 매개변수를 형성한다. $\beta(t)$ 및 $\alpha(t)$에 대한 조각별 3차 스플라인의 사용은 모델이 시간 경과에 따른 비일정하고 진화하는 비율에 "학습"을 적응시킬 수 있도록 하여, 변화하는 공중 보건 개입 또는 바이러스 변종의 영향을 포착한다.

본질적으로, 이 모델의 "최적화 동역학"은 단일 최적의 해를 찾는 것이 아니라, 가능한 장기적 행동의 범위 (평형)와 이러한 행동이 주요 매개변수가 변경됨에 따라 어떻게 변화하는지를 이해하는 것이며, 이는 실제 데이터에 적합시키는 것에 의해 정보가 제공된다. 역방향 분기와 이중 안정성의 존재는 전염병 통제의 복잡하고 때로는 직관에 반하는 특성을 강조한다.

Figure 1. Schematic diagram of the mathematical model

결과, 한계점 및 결론

실험 설계 및 베이스라인

수학적 주장을 엄격하게 검증하기 위해, 저자들은 새로운 2단계 면역 감소 모델(시스템 (2))을 실제 역학 데이터에 적합시키는 데 초점을 맞춘 실험을 설계하였다. 이 맥락에서 주요 "희생양" 또는 베이스라인은 직접적인 비교 대상으로서의 대안 모델이 아니라, 면역 감소의 복잡하고 비선형적인 역학과 시변적 개입을 포착하지 못하는 단순한 역학 프레임워크의 내재적 한계였다. 모델 효능의 결정적인 증거는 관찰된 유행 추세를 정확하게 재현하는 능력에 있다.

실험 설정은 2020년 12월 14일부터 2022년 6월 6일까지의 상당한 기간을 포괄하는 미국으로부터의 COVID-19 감시 데이터를 수집하는 것을 포함하였다. 이 데이터셋에는 일일 신규 확진 COVID-19 사례와 일일 신규 백신 접종량이 포함되었다. 단기 변동 및 주기적 패턴을 완화하기 위해 원시 데이터에 7일 이동 평균을 적용하였다.

설계의 중요한 측면은 주요 매개변수의 처리였다: 전염률 $\beta(t)$와 백신 접종률 $\alpha(t)$는 시변으로 간주되었다. 이러한 동적 매개변수를 추정하기 위해 조각별 3차 스플라인 함수가 사용되었다. 구체적으로, $\beta(t)$는 30일의 매듭 간격으로 18개의 스플라인 노드를 사용하여 근사되었으며, $\alpha(t)$는 더 빠른 변동을 설명하기 위해 더 짧은 15일의 매듭 간격으로 36개의 스플라인 노드를 사용하였다. 이후 마르코프 연쇄 몬테카를로(MCMC) 알고리즘을 사용하여 매개변수 추정을 수행하였으며, 이러한 시변 매개변수 및 표 4에 나열된 다른 매개변수에 대한 최적 값을 얻었다. 이 접근 방식은 모델이 진화하는 팬데믹 환경에 적응할 수 있도록 하여, 새로운 변이 및 행동 변화와 같은 요인을 간접적으로 설명할 수 있게 하였다.

증거가 입증하는 바

증거는 면역 감소의 풍부한 역학과 SARS-CoV-2 전염에 미치는 영향을 포착하는 모델의 능력을 강력하게 지지한다. 가장 설득력 있는 증거는 모델의 시뮬레이션 데이터(일일 신규 확진 사례 및 백신 접종량)와 미국으로부터의 실제 관찰 데이터 간의 밀접한 일치이며, 이는 그림 3에서 시각적으로 입증된다. 이러한 성공적인 적합은 2단계 면역 감소 과정의 핵심 메커니즘과 시변 전염 및 백신 접종률이 현실에서 효과적으로 작동한다는 부인할 수 없는 증거를 제공한다.

단순한 데이터 적합을 넘어, 수치 시뮬레이션은 분기점 역학에 대한 이론적 예측을 엄격하게 검증하였다:

  • 전방 및 후방 분기점: 모델은 $R_0 = 1$에서 일관되게 전방 및 후방 분기점을 모두 나타낸다. 전방 분기점은 $R_0 > 1$일 때 유행이 안정화됨을 의미하지만, 후방 분기점의 발생은 중요한 발견이다. 이는 특정 매개변수 조건 하에서 기본 재생산수 $R_0 < 1$일 때도 안정적인 풍토병적 평형이 존재할 수 있음을 명확히 증명한다. 이는 $R_0$를 1 미만으로 달성하는 것이 질병 근절을 자동으로 보장하지 않음을 의미하며, 단순한 모델이 시사하는 것보다 더 복잡한 현실을 강조한다.
  • 이중 안정성 및 다중 안정성: 분석 결과, 시스템은 매개변수 값에 따라 0, 1, 2개 또는 심지어 3개의 풍토병적 평형이 공존할 수 있는 이중 안정성 또는 다중 안정성을 나타낼 수 있음이 밝혀졌다. 이는 유행의 장기적 결과(근절 대 지속)가 초기 조건에 매우 민감할 수 있음을 시사하며, 특히 $R_0$의 특정 범위 내에서 그렇다.
  • 안장-노드 분기점: 수치 시뮬레이션은 또한 초월적 분기점의 확장된 분기점을 따라 안장-노드 분기점이 발생할 수 있음을 보여주었다. 이 현상은 두 개의 안정적인 풍토병적 평형의 공존으로 이어지며, 이중 안정성 개념을 강화하고 유행의 궤적이 초기 조건에 따라 다른 안정적인 상태로 수렴할 수 있음을 시사한다.

더욱이, 주요 매개변수에 대한 민감도 분석은 효과적인 통제 조치에 대한 명확한 통찰력을 제공하였다:

  • 면역 감소 기간: 증거는 2차 면역 감소(자연적 및 백신 유도 모두) 기간을 연장하는 것이 증상성 감염 수를 크게 줄이고 전반적인 감염 위험을 낮춘다는 것을 명백히 보여준다.
  • 백신 접종률: 더 높은 백신 접종률은 감염 정점을 상당히 완화하고 전반적인 감염 위험을 줄이는 것으로 입증되었다.
  • 상대적 감수성: 낮은 상대적 감수성(즉, 더 강한 면역력)은 더 유리한 감염 역학으로 이어진다. 연구에 따르면 상대적 감수성($\epsilon_1$ 및 $\epsilon_2$)이 높을 때 유행 정점이 더 일찍 발생하고 더 심각할 수 있다. 반대로, 중간 값은 정점을 지연시켜 개입을 위한 귀중한 시간을 제공할 수 있다. 백신 접종률을 높이고 상대적 감수성을 조절하는 복합적인 효과는 감염 정점을 줄이는 것으로 나타났다.

종합적으로, 증거는 제안된 2단계 면역 감소 모델이 SARS-CoV-2 역학에 대한 더 미묘하고 정확한 이해를 제공하며, 유행 통제에서 지속적인 면역, 높은 백신 접종률, 그리고 감수성 감소의 중요한 역할을 강조한다는 것을 입증한다.

한계 및 향후 방향

본 연구는 면역 감소와 SARS-CoV-2 전염에 미치는 영향을 이해하기 위한 엄격한 프레임워크를 제공하지만, 내재적 한계를 인정하고 향후 개발 방향을 고려하는 것이 중요하다.

한 가지 중요한 한계는 모델의 시변 전염 및 백신 접종률이 실제 데이터에 적합하는 데 효과적이지만, 새로운 바이러스 변이(예: Delta, Omicron)의 출현, 인간 행동의 변화, 비약물적 개입의 시행과 같은 여러 외부 요인의 효과를 암묵적으로 포착한다는 것이다. 그러나 모델은 이러한 요인의 개별적인 기여를 구별할 수 없다. 이는 우리가 무슨 일이 일어났는지는 알 수 있지만, 특정 외부 동인 측면에서 정확히 왜 일어났는지는 알 수 없음을 의미한다.

또한, 현재 모델은 다양한 백신 유형이나 그들의 다양한 효능을 구별하지 않는다. 또한 인구 내 행동 이질성이나 질병 전파의 공간적 구조를 명시적으로 고려하지 않는다. 이러한 단순화는 수학적 계산 가능성을 높이는 데 도움이 되지만, 실제 역학 시나리오의 전체 복잡성을 반영하는 모델의 세분성을 제한한다.

향후, 이러한 발견을 더욱 발전시키고 진화시키기 위한 몇 가지 논의 주제가 emerges:

  • 외부 요인 분해: 향후 연구는 특정 바이러스 변이, 행동 변화 또는 비약물적 개입이 전염 및 백신 접종률에 미치는 영향을 명시적으로 모델링하기 위해 하위 모델을 개발하거나 추가 데이터 스트림을 통합하는 데 초점을 맞출 수 있다. 이를 통해 유행 역학에 대한 개별적인 기여를 더 세분화하여 이해할 수 있을 것이다.
  • 백신 이질성 및 효능: 다양한 백신 플랫폼(예: mRNA, 바이러스 벡터)과 그들의 특정 감소 프로파일 및 효능을 구별하도록 모델을 발전시키는 것은 맞춤형 백신 전략에 대한 생물학적 현실성과 예측력을 크게 향상시킬 것이다.
  • 공간 및 사회적 역학: 공간적 구성 요소와 행동 이질성(예: 공중 보건 조치 준수 다양성, 사회적 네트워크 구조)을 모델에 통합하면 지역적 발병, 초전파 사건 및 지리적으로 표적화된 개입의 효과에 대한 통찰력을 제공할 수 있다.
  • 장기 면역 각인: 백신 유도 보호 기간 연장 및 인구 수준의 커버리지의 중요성에 대한 연구 결과는 면역 각인 효과에 대한 심층적인 조사의 필요성을 강조한다. 진화하는 병원체에 대한 면역 반응의 폭과 지속성을 극대화하는 백신 일정 또는 부스터 전략을 어떻게 설계할 수 있는가?
  • 후방 분기점 및 이중 안정성의 정책적 함의: $R_0 < 1$일 때도 유행이 지속될 수 있다는 것(후방 분기점 때문)과 결과가 초기 조건(이중 안정성)에 따라 달라질 수 있다는 증명은 공중 보건 정책에 심오한 도전을 제기한다. 이는 $R_0$를 1 미만으로 줄이는 것에 대한 단일 초점에서 초기 조건, 인구 면역 환경 및 통제된 환경처럼 보이는 곳에서도 재발 가능성을 고려하는 더 동적이고 적응적인 전략으로의 전환을 필요로 한다. 이러한 복잡한 시스템을 안내하기 위해 어떤 새로운 지표 또는 임계값이 필요한가?
  • 면역 감소 및 백신 전략의 경제적 및 사회적 비용: 추가 연구는 다양한 면역 감소율 및 백신 전략과 관련된 경제적 및 사회적 비용을 통합할 수 있다. 이는 공중 보건 결정에 관련된 절충점에 대한 더 전체적인 이해를 제공할 것이며, 예를 들어 더 오래 지속되는 백신에 투자하는 것 대 빈번한 부스터 캠페인과 같은 것이다.

이 분석에서 얻은 통찰력은 백신 전략을 최적화하고 더 오래 지속되고 효과적인 백신을 개발하는 데 매우 중요하다. 특히 후방 분기점과 이중 안정성에서 드러난 복잡한 역학은 유행 통제가 단순한 선형 문제가 아니라 지속적인 적응과 면역학적 및 역학적 상호 작용에 대한 깊은 이해를 요구하는 다면적인 과제임을 강조한다.

다른 필드와의 동형 사상

구조적 골격

핵심 메커니즘은 상태 간 개체의 흐름과 변환을 모델링하는 다중 구획 동적 시스템으로, 주요 속도 매개변수에 기반하여 분기(bifurcation) 및 이중 안정성(bistability)과 같은 복잡한 비선형 거동을 나타낸다.