Unifier la dynamique non markovienne et l'hétérogénéité des agents dans des réseaux stochastiques évolutifs

Pourquoi l’aléa et la mémoire comptent

Beaucoup des systèmes qui façonnent nos vies — des cellules immunitaires combattant une infection aux personnes qui se rencontrent lors d’une conférence, en passant par les transactions sur les marchés financiers — évoluent de façon imprévisible. Les chercheurs utilisent des modèles mathématiques « stochastiques » pour rendre compte de cette incertitude, mais les outils les plus courants supposent que tous les acteurs sont identiques et n’ont aucune mémoire du passé. Cet article présente un nouveau cadre, appelé MOSAIC, qui rompt avec ces hypothèses, permettant à chaque individu de suivre son propre rythme et son histoire interne tout en conservant des simulations suffisamment rapides pour tourner sur un seul ordinateur.

Au-delà des systèmes oublieux

Les méthodes classiques de simulation, comme l’algorithme de Gillespie largement utilisé, traitent les systèmes complexes comme si la probabilité d’un événement ne dépendait que de l’état actuel, et non du temps écoulé depuis l’occurrence précédente. Cette vision « sans mémoire » fonctionne mathématiquement et est efficace à calculer, mais les systèmes réels se comportent rarement ainsi. Les cellules ont des programmes internes qui se déroulent sur des minutes ou des heures, les personnes manifestent des rafales d’activité suivies de périodes calmes, et les interactions dépendent souvent de qui a rencontré qui auparavant. Quand ces effets de mémoire et ces différences individuelles sont ignorés, les modèles peuvent passer à côté d’aspects importants observés dans les données. Les tentatives existantes pour intégrer mémoire ou diversité deviennent généralement lentes ou peu maniables, surtout lorsque de nombreux agents interagissent.

Une nouvelle manière de simuler des individus divers

MOSAIC (Modeling of Stochastic Agents with Individual Complexity) relève ce défi en considérant chaque événement possible — par exemple une division cellulaire, une réaction moléculaire ou un contact social — comme un processus autonome doté d’une horloge personnelle. Plutôt que de mettre continuellement à jour le taux exact de chaque processus, MOSAIC conserve une borne supérieure unique sur la vitesse maximale à laquelle quelque chose peut se produire. À chaque étape, il avance dans le temps, choisit un processus candidat au hasard, puis décide si l’événement a effectivement lieu en fonction de sa probabilité actuelle. Cette astuce d’« échantillonnage par rejet » garantit que les événements se produisent avec les bonnes probabilités tout en évitant la lourde comptabilité qui ralentit d’autres approches. Surtout, chaque processus peut avoir son propre schéma d’attente, y compris des délais réalistes à longue traîne ou fortement concentrés, et peut réagir à des conditions changeantes ou à des caractéristiques d’agent sans sacrifier la vitesse.

Mettre le cadre à l’épreuve

Pour démontrer ce que MOSAIC peut accomplir, les auteurs l’appliquent à trois problèmes très différents. D’abord, ils modélisent la compétition entre cellules B du système immunitaire pour l’aide d’un petit pool de cellules T. Les familles de cellules B diffèrent individuellement dans leur affinité pour une cible, et les familles à plus haute affinité dominent progressivement. Les méthodes standard doivent suivre un nombre énorme d’appariements B–T potentiels ; MOSAIC échantillonne plutôt des rencontres possibles et n’accepte que celles où un compétiteur plus fort peut remplacer un plus faible. Cela reproduit les motifs observés de clones « gagnants » tout en maintenant un temps de calcul presque constant lorsque le système s’agrandit. Ensuite, ils étudient un gène appelé Hes1, qui s’éteint par une boucle de rétroaction négative retardée. Ici, les molécules d’ARN sont produites, allongées lentement, puis traduites en protéine, le délai et la vitesse dépendant de l’encombrement du système. MOSAIC gère naturellement ces retards non exponentiels et dépendants de l’état, capturant des oscillations réalistes des niveaux d’ARN et de protéine que les anciens outils basés sur des délais ne peuvent pas mettre à jour une fois qu’un délai a commencé.

Suivre l’évolution des liens sociaux dans le temps

Le troisième test porte sur le comportement humain : les contacts en face à face parmi des centaines de personnes lors d’une conférence scientifique. Dans ce contexte, les personnes alternent entre de longues périodes d’inactivité et de brèves poussées intenses de conversation, et elles sont plus susceptibles de reparler avec des personnes qu’elles ont déjà rencontrées. Les auteurs étendent leur cadre aux réseaux temporels, appelant la variante MOSAIC-TN. Chaque personne porte une horloge interne qui gouverne la rapidité avec laquelle elle est susceptible d’entamer une nouvelle interaction, et les rencontres binaires dépendent de l’activité des deux partenaires ainsi que de leur histoire commune. Avec seulement quelques ingrédients, MOSAIC-TN reproduit les distributions à longue traîne des temps d’attente entre conversations, des durées d’interaction et de la densité des communautés sociales — correspondant mieux aux données réelles que les modèles concurrents tout en conservant un bon comportement en termes de montée en charge computationnelle.

Ce que cela signifie pour les systèmes complexes

Concrètement, MOSAIC montre qu’il est possible de simuler des systèmes vastes et désordonnés où les individus ont leurs propres singularités et mémoires sans nécessiter de supercalculateurs ni d’hypothèses excessivement simplificatrices. En mariant la rigueur mathématique et la rapidité des algorithmes stochastiques classiques à la souplesse des modèles basés sur les agents, il fournit un langage commun pour étudier des systèmes aussi variés que les centres germinaux, les circuits de régulation génétique et les rassemblements sociaux. Le message clé est que l’individualité et l’histoire ne sont pas des compléments optionnels : elles peuvent être intégrées directement dans des simulations efficaces, offrant une image plus fidèle de la façon dont des acteurs divers et leurs mémoires combinées façonnent le comportement collectif.

Citation: 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

Mots-clés: simulation stochastique, dynamique non markovienne, modélisation agentielle, réseaux temporels, immunité et régulation génétique