SEIR 모형은 잠복기가 어느 정도 긴 감염병 (예를 들어 코로나19)의 전파를 모형하는 데 사용한다. 이번 포스트에서는 SEIR 모형을 만드는 방법을 알아본다. 결정론적 (deterministic) 그리고 확률론적 (stochastic) 방법으로 SEIR 모형을 R언어로 만들어 본다.
Deterministic model
결정론적 모형은 주로 미분식 (differential equation)을 이용하여 구현한다. \[\begin{equation} \begin{split} \frac{dS}{dt} &= - \beta S\frac{I}{N}\\ \frac{dE}{dt} &= \beta S\frac{I}{N} - \epsilon E\\ \frac{dI}{dt} &= \epsilon E - \gamma I\\ \frac{dR}{dt} &= \gamma I \end{split} \end{equation}\]
Code
seir_ode <-function(t, y, params) {# state variables S <- y[1]; E <- y[2]; I <- y[3]; R <- y[4]; beta <- params[["beta"]] # beta = transmission rate epsilon <- params[["epsilon"]] # 1/epsilon = latent period gamma <- params[["gamma"]] # 1/gamma = duration of infectiousness N <- S + E + I + R # total population size muSE <- beta * S * I / N # rate from S to E muEI <- epsilon * E # rate from E to I, i.e., 1/epsilon = latent period muIR <- gamma * I # rate from I to R dS <-- muSE # rate of change for S dE <- muSE - muEI # rate of change for E dI <- muEI - muIR # rate of change for I dR <- muIR # rate of change for Rreturn(list(c(dS, dE, dI, dR))) # return as a list to use deSolve package}
미분식을 적분하여 SEIR 변수들의 시간에 따른 추이를 살펴보자. 적분은 deSolve 패키지의 ode 함수를 이용한다.
Code
I0 <-0.01# initially infected peopley0 <-c(S =1- I0, E =0, I = I0, R =0) # initial values for state variablesparams <-list() # parameter input for the SIR modelparams$epsilon <-0.5params$gamma <-0.2params$beta <-0.4tend <-100# simulation end time 50 daystimes <-seq(0, tend, by =1) # daily output for 150 days# ODE integration using the deSolve packagelibrary(deSolve)library(dplyr) # to use %>%ode(y=y0, times=times, func=seir_ode, parms=params) %>%as.data.frame() -> outlibrary(tidyr) # turn the data into a long format for easier plotoutlong <- out %>%pivot_longer(cols=2:5, names_to ="State")library(ggplot2)theme_set(hrbrthemes::theme_ipsum_rc(base_size=14, subtitle_size=16, axis_title_size=12))extrafont::loadfonts()ggplot(outlong, aes(x=time, y=value, color=State)) +geom_line(linewidth =1.2) +labs(x ='Time (day)', y ='Proportion')+theme(legend.title =element_blank(),legend.position ="bottom")
확률론적 모형
두 가지 방식으로 확률론적 모형을 구현하여 본다. 첫번째는 \(\tau\)-leaping 방법과 유사하나 푸아송 분포 대신 binomial 분포를 사용한다. 푸아송 분포와 달리 상한선이 정해지므로 각 상태 변수가 음수로 가는 것을 막을 수 있는 잇점이 있다. S에서 E로 단위 시간 \(\delta\) 동안 이동하는 수는 아래와 같이 정해진다. \[\begin{equation} \begin{split} \Delta N_{SE} &= \textrm{Binomial}\left( S(t), 1-\textrm{exp}[{-r_{SE}\delta }]\right) \\ S(t+\delta) &= S(t) - \Delta N_{SE}\ \end{split} \end{equation}\] 비슷한 방법으로 \(E\)에서 \(I\) 그리고 \(I\)에서 \(R\)로 변하는 수를 계산하여 아래와 같이 구현한다.
Code
seir_stoch_step <-function (y, params, delta) { beta <- params[["beta"]] epsilon <- params[["epsilon"]] gamma <- params[["gamma"]] S <- y["S"]; E <- y["E"]; I <- y["I"]; R <- y["R"]; N <- S + E + I + R rSE <- beta * I / N rEI <- epsilon rIR <- gamma# number of events over the time step, delta, modeled as binomial random variable nSE <-rbinom(1, S, 1-exp(- rSE * delta)) nEI <-rbinom(1, E, 1-exp(- rEI * delta)) nIR <-rbinom(1, I, 1-exp(- rIR * delta)) dSdt <-- nSE dEdt <- nSE - nEI dIdt <- nEI - nIR dRdt <- nIR dCEdt <- nSE dCIdt <- nEIreturn (list(c(dSdt, dEdt, dIdt, dRdt)))}
위 함수는 한 번의\(\delta\)동안 변화를 출력하기 때문에 원하는 기간 동안 연속해서 계산하기 위해 아래와 같은 함수를 추가적으로 만든다.
Code
stoch_solve <-function(func, y, times, params, delta) {# times indicate the times for which we want to see outputs out <-data.frame(matrix(NA, nrow =length(times), ncol = (length(y)+1))) out[1, ] <-c(times[1], y) row <-2 substeps <-round((times[2]-times[1])/delta)for (t in1:(length(times)-1)) {for (t2 in1:substeps) { y <- y +unlist(func(y, params, delta)) } out[row, ] <-c(t, y) row <- row +1 }names(out) <-c("time", names(y))return (out)}
위 stoch_solve 함수를 이용하여 계산하고 플롯팅을 해본다. ODE 모형의 결과는 proportion으로 주어져 있으니 1,000을 곱한 후 비교하면 결과가 크게 다르지 않음을 알 수 있다. stoch_solve를 여려 번 실행하여 평균을 비교하면 그리고\(\delta\)을 작게 할 수록 ODE 모형의 결과와 가까워진다.
Code
res <-stoch_solve(func = seir_stoch_step, y=1000*y0, times=0:100, params = params, delta=0.2)reslong <-pivot_longer(res, cols=2:5, names_to ="State")ggplot(reslong, aes(x = time, y = value, color = State)) +geom_line(linewidth =1.2) +labs(x ='Time (day)', y ='Number')+theme(legend.title =element_blank(),legend.position ="bottom")
Gillespie algorithm
위에서 기술한 확률론적 방법은 우리가 이미 정한 time interval \(\delta\)에 따라 오차가 발생하는 반면 Gillespie algorithm 을 이용해서 통계적으로 정확한 stochastic simulation 을 할 수 있다.
Code
seir_gillespie <-function(y, params) { S <- y["S"] E <- y["E"] I <- y["I"] R <- y["R"] beta <- params[["beta"]] epsilon <- params[["epsilon"]] gamma <- params[["gamma"]] N <- S + E + I + R event_occurred <-FALSE tau <-0if (I >0& S >0) {## no need to proceed if no one is infectious or no one is susceptible rate_StoE <- beta * S * I / N rate_EtoI <- epsilon * E rate_ItoR <- gamma * I rate_all <-c(rate_StoE, rate_EtoI, rate_ItoR) # event rates tau <-rexp(1, rate =sum(rate_all)) # time to the next event event <-sample(length(rate_all), 1, prob = rate_all) # next eventif (event ==1) { S <- S -1 E <- E +1 }elseif (event ==2) { E <- E -1 I <- I +1 }elseif (event ==3) { I <- I -1 R <- R +1 } event_occurred <-TRUE; }return (list(y =c(S, E, I, R),tau = tau,event_occurred = event_occurred))}
seir_gillespie는 한 번의 event 후 결과를 출력하므로 아래와 같이 추가적인 함수를 구성하여 시물레이션을 한다.
Code
run_seir_gillespie <-function(func, tend, y, params, report_dt =1) { res <-data.frame(time =0, t(y)) # store the simulation results t <-0 yt <- ywhile (t < tend) { sim <-func(y = yt, params = params) # one event according to the Gillespie algorithm t <- t + sim$tau yt <- sim$yif (t >= report_dt) { # add to the result only when the t is reaches report dt res <-rbind(res, c(t, t(yt))) report_dt <- report_dt +1 }if (!sim$event_occurred)break }return (res)}
시물레이션 결과를 플롯팅 한다.
Code
res <-run_seir_gillespie(func = seir_gillespie, tend = tend, y = y0 *1000, params = params, report_dt =1)reslong <-pivot_longer(res, cols=2:5, names_to ="State")ggplot(reslong, aes(x = time, y = value, color = State)) +geom_line(linewidth =1.2) +labs(x ='Time (day)', y ='Number')+theme(legend.title =element_blank(),legend.position ="bottom") +ggtitle("Gillespie algorithm")