甲型H1N1流感（俗称猪流感）于2009年4月底在墨西哥和美国发端，至5月4日已有36国（或地区）出现疑似病例，18国（地区）出现确诊病例[1,2]。世界卫生组织也在短短几天内，把猪流感的警戒级别从三级提升到了五级。2003年，在中国大陆爆发的烈性传染病SARS，全国累计有5320多人染病，其中包括医务人员1002人，共死亡347例[3]；全球累计有8000余名感染者，造成800多人死亡。纵览历史，世界各地都曾爆发过烈性传染病事件，如黑死病，天花等。每次传染病爆发，都是人类社会的灾难。可见，如何有效的控制传染病大规模爆发，对人民的 生命和健康，经济发展和社会和谐有着非常重要的作用。
关于传染病传播的研究，主要有均质传染病模型以及异质传染病模型。所谓均质传染病模型，即假设传染病在均匀混合的人群中传播；从复杂网络角度看，人群中所有人构成一个完全图，任何一个人都有相同的概率染病。在传染病研究过程中，通常把人群分成 M（天生免疫者）、S（易感人群）、E（处于潜伏期的感染者）、I（感染者）、R（病愈者）等五类。这五类人群在传播过程中存在一定的转化关系，如图 1 所示。当针对具体的传染病，在构建模型的时候，由于传播机理和免疫时间（永久免疫和非永久免疫）有所不同，只需考虑五类中的若干类，如我们熟悉的SIR，SIS等模型。目前，关于均质传染病模型的研究已经相当成熟，但是这类模型的假设条件太强，与实际过程差距甚远。
图 1.? 经典传染病模型中 5 类人群的转化关系图（摘自[3]）
最近十年余来，复杂网络的研究蓬勃发展[5-7]。借此东风，关于社会网络研究和文章也是遍地开花。很多社会网络的性质也被逐一揭示，如无标度特性[8]、“小世界”性质[9]和社团结构[10,11]。随着社会网络的深入研究，异质传染病模型应运而生，即将均值传染病模型中人群构成完全图的假 设用无标度网络，“小世界”网络替代。强调人群的异质行为是因为网络结构对传染病的传播有着极其重要的作用，如无标度网络没有传播阈值，即非常小的传染率，病毒依然能够在整个网络中扩散[12]。另外，了解网络结构也将有利于从更微观层次上研究传染病模型，如“小世界”网络的结构既保证了疾病在局部传播，又有利于疾病的快速扩散[13]。目前，关于异质传染病模型的研究，除了上述基于理想网络模型网络的传染病研究（“小世界”网络和无标度网络），还有基于一些报道 的实际网络结构的传染病研究[14,15]。显然，基于复杂网络的异质传染病模型较均质传染病模型有了较大的改进，但是很多研究都是基于静态网络展开，与实际过程存在一定差距。传染病的传播和人群中个体的“有效接触”密切相关。基于网络结构的传染病模型强调传染病
在有相互关系个体之间（“熟人”）传播。现代化的高速运输工具不光缩短了人与人的距离，更加快了传染病传播速度。显然，人的出行行为规律对传播病的传播有着至关重要的作用。最近研究表明，人的出行行为存在着标度行为，并明显偏离随机游走[16-18]。在实际生活中，人的出行行为数据一般不容易获得，文献[16]和文献[18]都不是直接利用人的出行数据，而是借助于钱或者手机的记录 来近似人的移动行为。
最近，发表在 Science 上的一篇综述指出了现在流行虚拟世界（如第二人生，魔兽世界等）在科学研究中具有重要的潜在应用价值[19]。虚拟世界详细地纪录了很多现实世界中不可能记录的数 据，这些数据可以用作社会学，经济学等很多重要学科的研究。虚拟世界中的角色是有现实世界的人直接控制的（human-agent based），所以虚拟世界的中角色所表现出的各种行为都是现实玩家的真实体现。2005年9月，由于版本升级中一个小 bug，魔兽世界中暴发了一场虚拟瘟疫。Lofgren和Fefferman 以这次虚拟瘟疫为背景，指出了利用虚拟世界研究传染病模型的各种优点[21]。同样，虚拟世界也可以做传染病模型研究的试验田，用来检验模型结构的准确性。
参考文献：
[1] http://news.163.com/special/00013BQI/swine_flu.html
[2] Nature News: Swine flu goes global, Nature 458 (2009) 1082-1083.
[3] http://www.china.com.cn/chinese/zhuanti/feiyan/325381.htm
[4] H. Hethcote. The Mathematics of Infectious Diseases, SIAM Review 42 (2000) 559-653.
[5] R. Albert, A.-L. Barabasi. Statistical mechanics of complex networks, Rev. Mod. Phys. 74 (2002) 47-97.
[6] M. E. J. Newman. The Structure and Function of Complex Networks. SIAM Review 45 (2003) 167-256.
[7] S. Boccaletti, V. Latora, Y. Moreno, M. Chavez, D.-U. Hwang. Complex networks: Structure and dynamics, Phys. Rep. 424 (2006) 175-308.
[8] A.-L. Barabasi, R. Albert. Emergence of scaling in random networks. Science 286 (1999) 509-512.
[9] D. Watts, S. Strogatz, Collective dynamics of ‘small-world’ networks. Nature 393 (1998) 440–442. [10] J. Scott. Social Networks Analysis: A Handbook, 2nd ed., Sage, London, 2000.
[11] S. Wasserman, K. Faust. Social Network Analysis. Cambridge: Cambridge University Press, 1994.
[12] A. L. Lloyd, R. M. May. How Viruses Spread Among Computers and People, Science 292 (2001) 1316-1317
[13] M. J. Keeling, K. T. D. Eames. Networks and epidemic models. J. R. Soc. Interface 2 (2005) 295-307 [14] J. Gomez-Gardenes, V. Latora, Y. Moreno, E. Profumo. Spreading of sexually transmitted diseases in heterosexual population, Proc. Natl. Acad. Sci. USA 105 (2008) 1399-1404
[15] S. Eubank, H. Guclu, V. S. A. Kumar, M. V. Marathe, A. Srinivasan, Z. Toroczkai, N. Wang. Modeling disease outbreaks in realistic urban social networks, Nature 429 (2004) 180-184
[16] D. Brockmann, L. Hufnagel, T. Geisel. The scaling laws of human travel, Nature 439 (2006) 462-465 [17] M. F. Shlesinger. Follow the money, Nature phys. 2 (2006) 69-70
[18] M. C. Gonezalez, C. A. Hidalgo, A.-L. Barabasi. Understanding individual human mobility patterns. Nature 453 (2008) 779-782
[19] W. S. Bainbridge. The Scientific Research Potential of Virtual Worlds, Science 317 (2007) 472-476
[20] J. Reimer. Virtual plague spreading like wildfire in World of Warcraft, Ars Technica Sep 21 2005
[21] E. T. Lofgen, N. H. Fefferman. The untrapped potential of virtual game worlds to shed light on real world epidemics, Lancet Infect Dis. 7 (2007) 625-629