Unificare dinamiche non markoviane e eterogeneità degli agenti in reti stocastiche scalabili

Perché casualità e memoria contano

Molti dei sistemi che influenzano la nostra vita — dalle cellule immunitarie che combattono le infezioni alle persone che si mescolano a una conferenza o alle operazioni nei mercati finanziari — evolvono in modi imprevedibili. I ricercatori utilizzano modelli matematici “stocastici” per catturare questa casualità, ma gli strumenti più diffusi assumono che tutti gli attori siano identici e privi di memoria del passato. Questo articolo presenta un nuovo quadro, chiamato MOSAIC, che supera tali assunzioni, permettendo a ogni individuo di seguire il proprio ritmo e la propria storia interna mantenendo comunque simulazioni abbastanza rapide da poter essere eseguite su un singolo computer.

Casualità oltre i sistemi senza memoria

I metodi classici di simulazione, come l’ampio uso dell’algoritmo di Gillespie, trattano sistemi complessi come se la probabilità di un evento dipendesse solo da ciò che accade nel momento presente, non da quanto tempo è passato dall’ultimo evento. Questa visione “senza memoria” funziona matematicamente ed è efficiente dal punto di vista computazionale, ma i sistemi reali raramente si comportano così. Le cellule hanno programmi interni che si svolgono in minuti o ore, le persone mostrano scoppi di attività seguiti da periodi di quiete e le interazioni spesso dipendono da chi ha incontrato chi in precedenza. Quando questi effetti di memoria e le differenze individuali sono ignorati, i modelli possono perdere caratteristiche importanti osservate nei dati. I tentativi esistenti di aggiungere memoria o diversità diventano solitamente lenti o ingombranti, soprattutto quando ci sono molti agenti che interagiscono.

Un nuovo modo di simulare individui diversi

MOSAIC (Modeling of Stochastic Agents with Individual Complexity) affronta questa sfida trattando ogni possibile evento — come la divisione cellulare, una reazione molecolare o un contatto sociale — come un processo a sé stante con un orologio personale. Invece di aggiornare continuamente il tasso esatto di ogni processo, MOSAIC tiene traccia di un singolo limite superiore su quanto velocemente può accadere qualsiasi cosa. A ogni passo avanza il tempo, sceglie a caso un processo candidato e poi decide se quell’evento si verifica davvero in base alla sua probabilità attuale. Questo trucco di “rejection sampling” garantisce che gli eventi si verifichino con le probabilità corrette evitando la pesante contabilità che rallenta altri approcci. Crucialmente, ogni processo può avere il proprio schema di tempi di attesa, inclusi ritardi realistici a coda lunga o fortemente concentrati, e può rispondere a condizioni variabili o a caratteristiche degli agenti senza sacrificare la velocità.

Mettere il quadro alla prova

Per dimostrare cosa può fare MOSAIC, gli autori lo applicano a tre problemi molto diversi. Primo, modellano come le cellule B del sistema immunitario competono per l’aiuto di un piccolo insieme di cellule T. Le singole famiglie di cellule B differiscono nell’affinità con cui si legano a un bersaglio, e le famiglie ad affinità più alta diventano gradualmente dominanti. I metodi standard devono monitorare un numero enorme di possibili coppie B–T; MOSAIC invece campiona gli incontri possibili e accetta solo quelli in cui un concorrente più forte può scacciare uno più debole. Questo riproduce i pattern osservati di cloni «vincitori» mantenendo il tempo di calcolo quasi costante con la crescita del sistema. Secondo, studiano un gene chiamato Hes1, che si autoreprime tramite un anello di feedback negativo con ritardo. Qui, gli RNA vengono prodotti, allungati lentamente e poi tradotti in proteine, con il ritardo e la velocità che dipendono dall’affollamento del sistema. MOSAIC gestisce in modo naturale questi ritardi non esponenziali dipendenti dallo stato, catturando oscillazioni realistiche nei livelli di RNA e proteine che gli strumenti più vecchi basati sui ritardi non possono aggiornare una volta che il ritardo è iniziato.

Seguire legami sociali che cambiano nel tempo

Il terzo test riguarda il comportamento umano: contatti faccia a faccia tra centinaia di persone a una conferenza scientifica. In questo contesto, le persone alternano lunghi periodi di inattività a brevi e intensi scoppi di conversazione, e sono più propense a parlare di nuovo con persone che hanno già incontrato. Gli autori estendono il loro quadro alle reti temporali, chiamando la variante MOSAIC-TN. Ogni persona porta un orologio interno che regola quanto presto è probabile che inizi una nuova interazione, e gli incontri di coppia dipendono sia dall’attività di entrambi i partner sia dalla loro storia passata insieme. Con pochi ingredienti, MOSAIC-TN riproduce i pattern a coda lunga dei tempi di attesa tra conversazioni, della durata delle interazioni e della compattezza dei cluster sociali — corrispondendo ai dati reali meglio dei modelli concorrenti mantenendo una buona scalabilità computazionale.

Cosa significa per i sistemi complessi

In termini pratici, MOSAIC mostra che è possibile simulare sistemi grandi e disordinati in cui gli individui hanno proprie eccentricità e memorie senza bisogno di supercomputer o di assunzioni eccessivamente semplici. Unendo il rigore matematico e la velocità degli algoritmi stocastici classici con la flessibilità dei modelli basati su agenti, fornisce un linguaggio comune per studiare sistemi tanto diversi quanto i centri germinali, i circuiti di regolazione genica e gli assembramenti sociali. Il messaggio chiave è che individualità e storia non sono extra opzionali: possono essere incorporate direttamente in simulazioni efficienti, offrendo un quadro più fedele di come attori diversi e le loro memorie si combinano per plasmare il comportamento collettivo.

Citazione: 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

Parole chiave: simulazione stocastica, dinamiche non markoviane, modellazione basata su agenti, reti temporali, regolazione immunitaria e genica