Unificando dinámicas no markovianas y heterogeneidad de agentes en redes estocásticas escalables

Por qué importan la aleatoriedad y la memoria

Muchos de los sistemas que modelan nuestra vida—desde células inmunitarias que combaten una infección hasta personas que se mezclan en una conferencia o transacciones en mercados financieros—evolucionan de formas impredecibles. Los investigadores usan modelos matemáticos “estocásticos” para capturar esa aleatoriedad, pero las herramientas más populares suelen asumir que todos los actores son idénticos y que no tienen memoria del pasado. Este artículo presenta un nuevo marco, llamado MOSAIC, que rompe con esas suposiciones, permitiendo que cada individuo siga su propio ritmo interno e historial sin dejar de mantener las simulaciones lo suficientemente rápidas como para ejecutarse en un solo ordenador.

Aleatoriedad más allá de los sistemas sin memoria

Los métodos clásicos de simulación, como el ampliamente usado algoritmo de Gillespie, tratan los sistemas complejos como si la probabilidad de un evento dependiera solo de lo que ocurre ahora, no de cuánto tiempo ha pasado desde la última ocurrencia. Esta visión “sin memoria” funciona matemáticamente y es eficiente de computar, pero los sistemas reales rara vez se comportan así. Las células tienen programas internos que se desarrollan durante minutos u horas, las personas muestran ráfagas de actividad seguidas de periodos de calma, y las interacciones a menudo dependen de quién se encontró con quién antes. Cuando se ignoran estos efectos de memoria y las diferencias individuales, los modelos pueden pasar por alto características importantes observadas en los datos. Los intentos existentes de añadir memoria o diversidad suelen volverse lentos o engorrosos, especialmente cuando hay muchos agentes que interactúan.

Una nueva forma de simular individuos diversos

MOSAIC (Modeling of Stochastic Agents with Individual Complexity) aborda este desafío tratando cada posible evento—como la división de una célula, una reacción molecular o un contacto social—como un proceso propio con un reloj personal. En lugar de actualizar constantemente la tasa exacta de cada proceso, MOSAIC mantiene un único límite superior sobre la rapidez con la que puede ocurrir cualquier cosa. En cada paso, avanza el tiempo, elige al azar un proceso candidato y luego decide si ese evento realmente ocurre en función de su probabilidad actual. Este truco de “muestreo por rechazo” garantiza que los eventos se desencadenen con las probabilidades correctas mientras evita la pesada gestión que ralentiza otros enfoques. De manera crucial, cada proceso puede tener su propio patrón de tiempos de espera, incluidos retrasos realistas con colas largas o picos estrechos, y puede responder a condiciones cambiantes o rasgos de los agentes sin sacrificar velocidad.

Poniendo el marco a prueba

Para mostrar lo que MOSAIC puede hacer, los autores lo aplican a tres problemas muy distintos. Primero, modelan cómo las células B del sistema inmune compiten por la ayuda de un pequeño grupo de células T. Las familias individuales de células B difieren en la fuerza con la que se unen a un objetivo, y las familias de mayor afinidad dominan gradualmente. Los métodos estándar deben rastrear un enorme número de emparejamientos potenciales B–T; MOSAIC en cambio muestrea encuentros posibles y acepta solo aquellos en los que un competidor más fuerte puede desplazar a uno más débil. Esto reproduce los patrones observados de clones “ganadores” mientras mantiene el tiempo de cálculo casi constante a medida que el sistema crece. En segundo lugar, estudian un gen llamado Hes1, que se apaga a sí mismo mediante un bucle de retroalimentación negativa con retraso. Aquí, las moléculas de ARNm se producen, se alargan lentamente y luego se traducen en proteína, con el retraso y la velocidad dependiendo de lo congestionado que esté el sistema. MOSAIC maneja de forma natural estos retrasos no exponenciales dependientes del estado, capturando oscilaciones realistas en los niveles de ARNm y proteína que las herramientas antiguas basadas en retrasos no pueden actualizar una vez que un retraso ha comenzado.

Siguiendo los lazos sociales que cambian con el tiempo

La tercera prueba se dirige al comportamiento humano: contactos cara a cara entre cientos de personas en una conferencia científica. En este contexto, las personas alternan entre largos periodos de inactividad y breves ráfagas intensas de conversación, y es más probable que vuelvan a hablar con personas que ya han conocido. Los autores extienden su marco a redes temporales, llamando a la variante MOSAIC-TN. Cada persona lleva un reloj interno que gobierna cuánto tardará en iniciar una nueva interacción, y los encuentros por pares dependen de la actividad de ambos y de su historial conjunto. Con solo unos pocos ingredientes, MOSAIC-TN reproduce los patrones con colas pesadas de cuánto tiempo esperan las personas entre conversaciones, cuánto duran las interacciones y cuán fuertemente se agrupa la red social—ajustando mejor a los datos reales que modelos competidores mientras conserva un buen escalado computacional.

Qué significa esto para los sistemas complejos

En términos cotidianos, MOSAIC demuestra que es posible simular sistemas grandes y desordenados donde los individuos tienen sus propias peculiaridades y memorias sin necesitar superordenadores o supuestos simplificados en exceso. Al casar el rigor matemático y la velocidad de los algoritmos estocásticos clásicos con la flexibilidad de los modelos basados en agentes, proporciona un lenguaje común para estudiar sistemas tan variados como centros germinales, circuitos de regulación génica y reuniones sociales. El mensaje clave es que la individualidad y la historia no son extras opcionales: pueden incorporarse directamente en simulaciones eficientes, ofreciendo una imagen más fiel de cómo los actores diversos y sus recuerdos se combinan para dar forma al comportamiento colectivo.

Cita: 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

Palabras clave: simulación estocástica, dinámicas no markovianas, modelado basado en agentes, redes temporales, inmunidad y regulación génica