Vereinigung nicht-markowscher Dynamik und Heterogenität von Akteuren in skalierbaren stochastischen Netzen

Warum Zufall und Erinnerung wichtig sind

Viele der Systeme, die unser Leben prägen – von Immunzellen, die eine Infektion bekämpfen, über Menschen, die sich auf Konferenzen begegnen, bis hin zu Handelsvorgängen an Finanzmärkten – entwickeln sich unvorhersehbar. Forschende verwenden mathematische „stochastische“ Modelle, um diese Zufälligkeit zu erfassen, aber die gängigsten Werkzeuge gehen meist davon aus, dass alle Akteure identisch sind und keine Erinnerung an die Vergangenheit haben. Dieses Paper stellt ein neues Rahmenwerk vor, genannt MOSAIC, das sich von diesen Annahmen löst: Jedes Individuum kann seinem eigenen inneren Rhythmus und seiner eigenen Geschichte folgen, während die Simulationen dennoch schnell genug bleiben, um auf einem einzelnen Rechner ausführbar zu sein.

Zufall jenseits vergesslicher Systeme

Klassische Simulationsverfahren, wie der weit verbreitete Gillespie-Algorithmus, behandeln komplexe Systeme so, als hänge die Wahrscheinlichkeit eines Ereignisses nur vom aktuellen Zustand ab, nicht davon, wie lange seit dem letzten Ereignis vergangen ist. Diese „gedächtnislose“ Sicht ist mathematisch handhabbar und recheneffizient, aber reale Systeme verhalten sich selten so. Zellen haben innere Programme, die sich über Minuten oder Stunden entfalten, Menschen zeigen Aktivitätsausbrüche gefolgt von ruhigen Phasen, und Interaktionen hängen oft davon ab, wer wen vorher getroffen hat. Wenn diese Erinnerungseffekte und individuellen Unterschiede ignoriert werden, können Modelle wichtige in Daten beobachtete Eigenschaften übersehen. Bestehende Versuche, Gedächtnis oder Diversität hinzuzufügen, werden meist langsam oder unhandlich, insbesondere wenn viele Akteure miteinander interagieren.

Eine neue Methode, vielfältige Individuen zu simulieren

MOSAIC (Modeling of Stochastic Agents with Individual Complexity) geht dieses Problem an, indem jedes mögliche Ereignis – etwa eine Zellteilung, eine molekulare Reaktion oder ein sozialer Kontakt – als eigener Prozess mit einer persönlichen Uhr behandelt wird. Anstatt die exakte Rate jedes Prozesses ständig zu aktualisieren, behält MOSAIC eine einzige obere Schranke dafür im Blick, wie schnell überhaupt etwas passieren kann. In jedem Schritt wird die Zeit vorgerückt, ein Kandidatenprozess zufällig ausgewählt und dann anhand seiner aktuellen Wahrscheinlichkeit entschieden, ob das Ereignis tatsächlich eintritt. Dieser „Rejection-Sampling“-Trick sorgt dafür, dass Ereignisse mit den korrekten Wahrscheinlichkeiten ausgelöst werden, während die aufwändige Buchführung vermieden wird, die andere Ansätze verlangsamt. Entscheidend ist, dass jeder Prozess sein eigenes Wartezeitmuster haben kann – einschließlich realistisch langschwänziger oder eng gebündelter Verzögerungen – und auf veränderliche Bedingungen oder Merkmale der Agenten reagieren kann, ohne an Geschwindigkeit einzubüßen.

Das Rahmenwerk auf die Probe gestellt

Um zu zeigen, was MOSAIC leisten kann, wenden die Autorinnen und Autoren es auf drei sehr unterschiedliche Probleme an. Zuerst modellieren sie, wie B‑Zellen im Immunsystem um Hilfe aus einem kleinen Pool von T‑Zellen konkurrieren. Einzelne B‑Zell‑Familien unterscheiden sich darin, wie stark sie an ein Ziel binden, und höher-affine Familien setzen sich allmählich durch. Standardmethoden müssen eine enorme Anzahl potenzieller B–T‑Paarungen verfolgen; MOSAIC sampelt stattdessen mögliche Begegnungen und akzeptiert nur solche, bei denen ein stärkerer Konkurrent einen schwächeren verdrängen kann. So reproduziert es beobachtete Muster von „Sieger“-Klonen, während die Rechenzeit nahezu konstant bleibt, wenn das System wächst. Zweitens untersuchen sie ein Gen namens Hes1, das sich über eine verzögerte negative Rückkopplung selbst abschaltet. Dort werden RNA‑Moleküle produziert, langsam verlängert und dann in Protein übersetzt, wobei Verzögerung und Geschwindigkeit davon abhängen, wie dicht das System besetzt ist. MOSAIC handhabt diese zustandsabhängigen, nicht-exponentiellen Verzögerungen auf natürliche Weise und erfasst realistische Oszillationen in RNA‑ und Proteinspiegeln, die ältere verzögerungsbasierte Werkzeuge nicht mehr aktualisieren können, sobald eine Verzögerung begonnen hat.

Verfolgung sich verändernder sozialer Bindungen über die Zeit

Der dritte Test wendet sich menschlichem Verhalten zu: Face‑to‑face‑Kontakte unter Hunderten von Menschen auf einer wissenschaftlichen Konferenz. In diesem Umfeld wechseln lange Phasen der Inaktivität mit kurzen, intensiven Gesprächsausbrüchen, und Personen unterhalten sich eher wieder mit Menschen, die sie bereits getroffen haben. Die Autorinnen und Autoren erweitern ihr Rahmenwerk auf temporale Netzwerke und nennen die Variante MOSAIC‑TN. Jede Person trägt eine innere Uhr, die steuert, wie bald sie wahrscheinlich eine neue Interaktion beginnt, und paarweise Begegnungen hängen von der Aktivität beider Partner und ihrer gemeinsamen Vorgeschichte ab. Mit nur wenigen Bausteinen reproduziert MOSAIC‑TN die langschwänzigen Muster der Wartezeiten zwischen Gesprächen, der Dauer von Interaktionen und der hohen Clusterung sozialer Netzwerke – und passt damit besser zu realen Daten als konkurrierende Modelle, während es eine gute rechnerische Skalierung beibehält.

Was das für komplexe Systeme bedeutet

Anschaulich zeigt MOSAIC, dass es möglich ist, große, unübersichtliche Systeme zu simulieren, in denen Individuen ihre eigenen Eigenheiten und Erinnerungen haben, ohne Supercomputer oder übervereinfachende Annahmen zu benötigen. Indem es die mathematische Strenge und Geschwindigkeit klassischer stochastischer Algorithmen mit der Flexibilität agentenbasierter Modelle verbindet, bietet es eine gemeinsame Sprache zur Untersuchung so unterschiedlicher Systeme wie Keimzentren, genregulatorischer Schaltkreise und sozialer Zusammenkünfte. Die zentrale Botschaft lautet: Individualität und Geschichte sind keine optionalen Extras – sie lassen sich direkt in effiziente Simulationen einbauen und liefern ein treueres Bild davon, wie vielfältige Akteure und ihre Erinnerungen kollektives Verhalten formen.

Zitation: Pélissier, A., Phan, M., Le Bail, D. et al. Unifying non-Markovian dynamics and agent heterogeneity in scalable stochastic networks. Nat Commun 17, 3345 (2026). https://doi.org/10.1038/s41467-026-69817-y

Schlüsselwörter: stochastische Simulation, nicht-markowsche Dynamik, Agentenbasierte Modellierung, temporale Netzwerke, Immun- und Genregulation