Что такое иммунологическая «темная материя»?
Ученые под руководством Фристона пытаются понять, какие меры, принятые в различных странах, показали наибольшую эффективность
Нейробиолог Карл Фристон из Университетского колледжа Лондона известен тем, что сформулировал принцип свободной энергии, который применяет математические модели для описания работы мозга (этот принцип претендует ни много ни мало на звание «единой теории мозга»). Фристон – самый цитируемый нейробиолог во всем мире, считается, что именно он революционизировал визуализацию мозга.
В период пандемии COVID-19 он вошел в состав Independent Sage. Этот комитет ученых был создан в качестве альтернативы группе SAGE (Scientific Advisory Group for Emergencies), консультирующей правительство Великобритании по вопросам развития коронавируса (она неоднократно сталкивалась с критикой, в основном за свою непрозрачность).
Фристон применяет разработанный им метод динамического причинно-следственного моделирования (DCM), используемый для описания реакций нейронных ансамблей в зрительной коре головного мозга в ответ на различные действия, – для получения максимально точного прогноза развития болезни. Его метод призван бороться с неопределенностью распространения вируса (он же, кстати, подтвердил эффективность социального, или физического, дистанцирования).
DCM, по сути, представляет собой расширенную версию классической эпидемиологической модели SEIR: Susceptible, Exposed, Infected, Recovered, то есть восприимчивые (или могущие заразиться), подверженные (инфицированные, но пока что не способные заразить), инфицированные и передающие инфекцию, выздоровевшие. Это самая распространенная модель прогнозирования эпидемий и средств для их подавления. В 2020 году она была доработана Ричардом Неером и его коллегами в Базельском университете с учетом особенностей нового коронавируса. Расчеты по этой модели использовались для принятия решений о введении ограничительных мер в некоторых штатах США.
В интервью изданию The Guardian Карл Фристон кратко обрисовывает преимущества его моделей и рассуждает о возможности второй волны коронавируса и попытках предсказать ее последствия.
На вопрос о том, чем предлагаемые им модели отличаются от тех, на которые опираются эпидемиологи, консультирующие правительства относительно пандемии, он отвечает, что обычные модели выстраивают кривые соответственно историческим данным, а затем экстраполируют эти кривые в будущее. Они смотрят на поверхность феномена – на видимую его часть, или на имеющиеся данные.
Наш подход, который берет начало в физике и, в частности, в работе Ричарда Фейнмана, заглядывает, что называется, под капот. Мы пытаемся уловить математическую структуру явления – в данном случае пандемии – и понять причины происходящего.Поскольку все причины неизвестны, нам приходится делать логические умозаключения. Но эти предположения, как и неявная неопределенность, встроены в модель. Поэтому мы называем их генеративными – они содержат все, что нужно знать для генерации данных. По мере поступления большего количества данных вы корректируете свои представления о причинах, пока модель не смоделирует данные как можно точнее и проще.
Под неопределенностью в отношении COVID-19 нейробиолог понимает, что, согласно модели SEIR, люди должны находиться в одном из четырех состояний – восприимчивом, подверженном, инфицированном или выздоровевшем. Но, к сожалению, реальность не разделяет их настолько аккуратно.
Например, что значит быть выздоровевшим? Мы знаем, болезнь часто протекает бессимптомно. Тогда «выздоровевший» – это означает избавившийся от симптомов или от инфекции? И только один этот вопрос наводит на множество других, включая и те, что связаны с национальными стратегиями тестирования. Модели SEIR, по мнению Фристона, начинают разваливаться, когда задумываешься об источниках данных. Необходимы расширенные модели, которые допускают все возможные состояния и оценивают, какие из них имеют значение для формирования траектории пандемии с течением времени.
Генеративный метод Фристона зарекомендовал себя и в других областях. Более того, по словам ученого, подобные методы пользуются огромным успехом: «Они уже давно управляют вашими айфонами и атомными электростанциями». В чем суть динамического причинно-следственного моделирования?
Мы не видим состояния мозга напрямую, но можем делать выводы, учитывая данные визуализации мозга. Мы развили эту идею и полагаем, что мозг может заниматься собственным динамическим моделированием, снижая свою неуверенность в источниках данных, которые передаются ему органами чувств. Мы называем это принципом свободной энергии. Неважно, идет ли речь о пандемии или о мозге, основная проблема остается той же – ты пытаешься понять сложную систему, которая меняется со временем. В этом смысле я не делаю ничего нового, просто данные в этом случае предоставляют не нейроны, а пациенты с COVID-19.
Генеративные модели, по мнению Фристона, эффективнее обычных. Эпидемиологи в настоящее время решают проблему предположений, обрабатывая большие массивы данных мощными компьютерами. «Представьте, что вы хотите смоделировать вспышку в Шотландии. При использовании традиционных подходов это займет у вас день или даже больше, а используя DCM, вы можете сделать то же самое за минуту. Это позволяет быстро и легко выдвигать различные гипотезы, а значит, быстрее выявлять наиболее перспективные», – утверждает нейробиолог.
Не исключено, что именно они станут будущим моделирования заболеваний. Хотя этот вопрос нужно задавать эпидемиологам – они эксперты, подчеркивает Фристон. «Но я бы очень удивился, если бы хотя бы какая-то часть эпидемиологического сообщества не стала более приверженной этой идее в будущем, учитывая то влияние, которое идеи Фейнмана оказали на многие другие дисциплины», – замечает он.
Так, во время первой (пока что единственной) волны пандемии прогнозы Фристона оказались довольно точными. «Для Лондона мы предсказали, что пик загруженности больниц придется на 5 апреля, смертность достигнет пика через пять дней, а заполняемость отделений реанимации и интенсивной терапии не превысит их возможностей. На сегодняшний день наши прогнозы сбывались с точностью до одного-двух дней, так что у наших моделей есть прогностическая обоснованность, которой не хватает традиционным», – говорит он.
Что насчет второй волны? Модели Фристона утверждают, что происходящее в ближайшие несколько недель не окажет большого влияния на прирост новых случаев, потому что население в некоторой степени защищено иммунитетом, приобретенным во время первой волны. Но проблема, по словам нейробиолога, в том, что вторая волна может начаться через несколько месяцев после ослабления иммунитета.
Важно то, что прямо сейчас у нас есть окно возможностей, чтобы получить протоколы тестирования и отслеживания распространения заболевания до начала предполагаемой второй волны. Если они будут реализованы согласованно, мы можем потенциально отодвинуть эту волну на временном горизонте до той поры, когда лечение или вакцина станут доступными.
Карл Фристон и его коллеги уже сейчас пытаются использовать свои модели, чтобы выявить, какие именно меры, принятые в различных странах, показали наибольшую эффективность.
Мы сравнивали Великобританию и ФРГ, чтобы попытаться объяснить относительно низкий уровень смертности в Германии. Выводы иногда очень противоречивые. Например, сейчас кажется, что низкая смертность в Германии вызвана не их превосходными возможностями тестирования, а тем, что у среднего немца меньше шансов подвергнуться инфицированию и умереть, чем у среднего британца. Почему так? Существуют различные варианты объяснения, но одно из них, которое выглядит все более вероятным, заключается в том, что в Германии больше иммунологической «темной материи» – людей, не восприимчивых к инфекции.Возможно, это происходит потому, что они географически изолированы или обладают какой-то естественной сопротивляемостью. Это похоже на темную материю во вселенной: мы не можем ее увидеть, но мы знаем, что она должна существовать. Понимание этого полезно для нашей подготовленности к любой следующей волне, потому что подразумевает, что целевое тестирование тех, кто находится в группе риска, может быть эффективнее, чем неизбирательное тестирование всего населения.