Het verenigen van niet-Markoviaanse dynamiek en agentheterogeniteit in schaalbare stochastische netwerken

Waarom toeval en geheugen ertoe doen

Veel van de systemen die ons leven vormen — van immuuncellen die een infectie bestrijden tot mensen die elkaar ontmoeten op een conferentie of transacties op financiële markten — evolueren op onvoorspelbare wijze. Onderzoekers gebruiken wiskundige “stochastische” modellen om dit toeval vast te leggen, maar de meest gebruikte hulpmiddelen veronderstellen dat alle actoren identiek zijn en geen geheugen van het verleden hebben. Dit artikel introduceert een nieuw raamwerk, MOSAIC, dat die aannames loslaat, zodat elk individu zijn eigen interne ritme en geschiedenis kan volgen terwijl de simulaties toch snel genoeg blijven om op een enkele computer te draaien.

Toeval voorbij vergeetachtige systemen

Klassieke simulatietechnieken, zoals het veelgebruikte Gillespie-algoritme, behandelen complexe systemen alsof de kans op een gebeurtenis alleen afhangt van wat er nú gebeurt, en niet van hoe lang het geleden is sinds iets voor het laatst plaatsvond. Dit “geheugenloze” perspectief werkt wiskundig en is efficiënt te berekenen, maar echte systemen gedragen zich zelden zo. Cellen hebben interne programma’s die zich over minuten of uren ontvouwen, mensen vertonen activiteitspieken gevolgd door rustige periodes, en interacties hangen vaak af van wie elkaar eerder heeft ontmoet. Wanneer deze geheugeneffecten en individuele verschillen worden genegeerd, kunnen modellen belangrijke in data waargenomen eigenschappen missen. Bestaande pogingen om geheugen of diversiteit toe te voegen worden meestal traag of onhandelbaar, vooral wanneer veel agenten met elkaar interageren.

Een nieuwe manier om diverse individuen te simuleren

MOSAIC (Modeling of Stochastic Agents with Individual Complexity) pakt deze uitdaging aan door elke mogelijke gebeurtenis — zoals een celdeling, een moleculaire reactie of een sociaal contact — te behandelen als een eigen proces met een persoonlijke klok. In plaats van voortdurend de exacte snelheid van elk proces bij te werken, houdt MOSAIC één bovengrens bij voor hoe snel er überhaupt iets kan gebeuren. Bij elke stap schuift het de tijd vooruit, selecteert het willekeurig een kandidaatproces en bepaalt het vervolgens of die gebeurtenis daadwerkelijk plaatsvindt op basis van de huidige waarschijnlijkheid. Deze "rejection sampling"-truc zorgt ervoor dat gebeurtenissen met de juiste kansen plaatsvinden zonder de zware administratie die andere benaderingen vertraagt. Cruciaal is dat elk proces zijn eigen wachttijdpatroon kan hebben, inclusief realistische zwaarstaart- of nauw piekende vertragingen, en kan reageren op veranderende omstandigheden of agenteigenschappen zonder snelheid op te offeren.

Het raamwerk op de proef stellen

Om te tonen wat MOSAIC kan, passen de auteurs het toe op drie heel verschillende problemen. Ten eerste modelleren ze hoe B-cellen in het immuunsysteem concurreren om hulp van een kleine pool T-cellen. Individuele B-celfamilies verschillen in hoe sterk ze aan een doel binden, en families met hogere affiniteit domineren geleidelijk. Standaardmethoden moeten een enorm aantal potentiële B–T-koppelingen bijhouden; MOSAIC neemt in plaats daarvan monsters van mogelijke ontmoetingen en accepteert alleen die waarin een sterkere concurrent een zwakkere kan verdringen. Dit reproduceert waargenomen patronen van ‘winnaars’-klonen terwijl de rekentijd vrijwel constant blijft naarmate het systeem groeit. Ten tweede bestuderen ze een gen genaamd Hes1, dat zichzelf uitschakelt via een vertraagde negatieve terugkoppeling. Hier worden RNA-moleculen geproduceerd, langzaam verlengd en vervolgens vertaald naar eiwit, waarbij vertraging en snelheid afhangen van hoe druk het systeem is. MOSAIC verwerkt deze staat-afhankelijke, niet-exponentiële vertragingen op natuurlijke wijze en vangt realistische oscillaties in RNA- en eiwitniveaus die oudere vertraging-gebaseerde tools niet kunnen bijwerken zodra een vertraging is begonnen.

Het volgen van veranderende sociale banden in de tijd

De derde test richt zich op menselijk gedrag: face-to-face contacten tussen honderden mensen op een wetenschappelijke conferentie. In deze situatie wisselen mensen lange periodes van inactiviteit af met korte, intense gespreksuitbarstingen, en ze hebben een grotere kans om opnieuw te praten met mensen die ze eerder hebben ontmoet. De auteurs breiden hun raamwerk uit naar temporale netwerken en noemen die variant MOSAIC-TN. Iedere persoon draagt een interne klok die bepaalt hoe snel hij waarschijnlijk een nieuwe interactie start, en paargewijze ontmoetingen hangen af van de activiteit van beide partners en hun gezamenlijke geschiedenis. Met slechts een paar ingrediënten reproduceert MOSAIC-TN de zwaar-staart patronen van hoe lang mensen wachten tussen gesprekken, hoe lang interacties duren en hoe sterk het sociale netwerk clustert — beter in overeenstemming met echte data dan concurrerende modellen, terwijl de rekenschaalbaarheid behouden blijft.

Wat dit betekent voor complexe systemen

In alledaagse bewoordingen laat MOSAIC zien dat het mogelijk is om grote, rommelige systemen te simuleren waarin individuen hun eigen eigenaardigheden en herinneringen hebben zonder supercomputers of te simplistische aannames. Door de wiskundige strengheid en snelheid van klassieke stochastische algoritmen te combineren met de flexibiliteit van agentgebaseerde modellen, biedt het een gemeenschappelijke taal voor het bestuderen van systemen zo uiteenlopend als germinale centra, genregulerende circuits en sociale bijeenkomsten. De kernboodschap is dat individualiteit en geschiedenis geen optionele aanvullingen zijn: ze kunnen direct in efficiënte simulaties worden ingebouwd en geven zo een getrouwer beeld van hoe diverse actoren en hun herinneringen samen het collectieve gedrag vormen.

Bronvermelding: 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

Trefwoorden: stochastische simulatie, niet-Markoviaanse dynamiek, agentgebaseerde modellering, temporale netwerken, immuunsysteem en genregulatie