Ujednolicenie dynamiki niemarkowskiej i heterogeniczności agentów w skalowalnych sieciach stochastycznych

Dlaczego losowość i pamięć mają znaczenie

Wiele systemów, które kształtują nasze życie — od komórek odpornościowych walczących z infekcją po ludzi mieszających się na konferencji czy transakcje na rynkach finansowych — rozwija się w nieprzewidywalny sposób. Badacze używają matematycznych modeli „stochastycznych”, aby uchwycić tę losowość, ale większość popularnych narzędzi zakłada, że wszyscy aktorzy są identyczni i nie mają pamięci o przeszłości. W artykule wprowadzono nowe ramy, nazwane MOSAIC, które uwalniają się od tych założeń, pozwalając każdemu osobnikowi podążać własnym wewnętrznym rytmem i historią, przy jednoczesnym zachowaniu szybkości symulacji wystarczającej do uruchomienia na pojedynczym komputerze.

Losowość poza systemami bez pamięci

Klasyczne metody symulacji, takie jak powszechnie stosowany algorytm Gillespie’a, traktują złożone systemy tak, jakby prawdopodobieństwo zdarzenia zależało wyłącznie od tego, co dzieje się teraz, a nie od tego, ile czasu minęło od ostatniego zdarzenia. Ten „bezpamięciowy” pogląd działa matematycznie i jest wydajny obliczeniowo, ale rzeczywiste systemy rzadko tak się zachowują. Komórki mają wewnętrzne programy rozwijające się w ciągu minut lub godzin, ludzie wykazują epizody intensywnej aktywności przeplatane spokojem, a interakcje często zależą od tego, kto spotkał kogo wcześniej. Gdy te efekty pamięci i różnice indywidualne są pomijane, modele mogą nie uchwycić istotnych cech obserwowanych w danych. Istniejące próby dodania pamięci lub zróżnicowania zwykle stają się wolne lub nieporęczne, zwłaszcza gdy liczba współdziałających agentów rośnie.

Nowy sposób symulacji zróżnicowanych jednostek

MOSAIC (Modeling of Stochastic Agents with Individual Complexity) stawia czoła temu wyzwaniu, traktując każde możliwe zdarzenie — takie jak podział komórki, reakcja molekularna czy kontakt społeczny — jako odrębny proces z własnym zegarem. Zamiast ciągłego aktualizowania dokładnej intensywności każdego procesu, MOSAIC śledzi jedną górną granicę tego, jak szybko cokolwiek może zajść. Na każdym kroku przesuwa czas, losowo wybiera kandydacki proces, a następnie decyduje, czy zdarzenie faktycznie ma miejsce na podstawie jego aktualnego prawdopodobieństwa. Ten trik „odrzucającego próbkowania” zapewnia, że zdarzenia występują z poprawnymi prawdopodobieństwami, unikając jednocześnie ciężkiej administracji danych, która spowalnia inne podejścia. Co kluczowe, każdy proces może mieć własny wzorzec czasu oczekiwania, w tym realistyczne rozkłady o długich ogonach lub mocno skupione opóźnienia, i może reagować na zmieniające się warunki lub cechy agenta bez utraty szybkości.

Weryfikacja ram w praktyce

Aby pokazać możliwości MOSAIC, autorzy zastosowali go do trzech bardzo różnych problemów. Po pierwsze, modelują, jak komórki B w układzie odpornościowym konkurują o wsparcie z niewielkiej puli komórek T. Pojedyncze rodziny komórek B różnią się siłą wiązania z celem, a rodziny o wyższej powinowactwie stopniowo dominują. Standardowe metody muszą śledzić ogromną liczbę potencjalnych par B–T; MOSAIC zamiast tego próbuje losowo napotkań i akceptuje tylko te, w których silniejszy konkurent może wyprzeć słabszego. To odtwarza obserwowane wzorce „zwycięskich” klonów, utrzymując przy tym czas obliczeń niemal stałym wraz ze wzrostem systemu. Po drugie, badany jest gen o nazwie Hes1, który wyłącza się poprzez opóźnioną pętlę ujemnego sprzężenia zwrotnego. Tutaj cząsteczki RNA są produkowane, powoli elongowane, a następnie transladowane do białka, przy czym opóźnienie i prędkość zależą od tego, jak zatłoczony jest system. MOSAIC naturalnie obsługuje te zależne od stanu, nieeksponencjalne opóźnienia, wychwytując realistyczne oscylacje poziomów RNA i białka, których starsze narzędzia oparte na opóźnieniach nie potrafią zaktualizować po rozpoczęciu opóźnienia.

Śledzenie zmieniających się więzi społecznych w czasie

Trzeci test dotyczy zachowań ludzkich: kontaktów twarzą w twarz wśród setek osób na konferencji naukowej. W tym kontekście ludzie przeplatają długie okresy bierności krótkimi, intensywnymi epizodami rozmów, a ponadto bardziej prawdopodobne jest, że porozmawiają ponownie z kimś, kogo już spotkali. Autorzy rozszerzają swoje ramy na sieci czasowe, nazywając wariant MOSAIC-TN. Każda osoba nosi wewnętrzny zegar, który określa, jak szybko prawdopodobnie rozpocznie nowe interakcje, a spotkania par zależą od aktywności obu partnerów oraz ich wspólnej historii. Przy użyciu zaledwie kilku składników MOSAIC-TN odtwarza wzorce o ciężkich ogonach dotyczące czasu oczekiwania między rozmowami, długości trwania interakcji oraz stopnia klasteryzacji sieci społecznej — lepiej dopasowując się do rzeczywistych danych niż konkurencyjne modele, przy zachowaniu dobrej skali obliczeniowej.

Co to oznacza dla systemów złożonych

Mówiąc prostymi słowami, MOSAIC pokazuje, że możliwe jest symulowanie dużych, chaotycznych systemów, w których jednostki mają własne kaprysy i pamięć, bez potrzeby korzystania z superkomputerów czy nadmiernego upraszczania założeń. Łącząc matematyczną ścisłość i szybkość klasycznych algorytmów stochastycznych z elastycznością modeli agentowych, dostarcza wspólnego języka do badania systemów tak różnych jak ośrodki zarodkowe, układy regulacji genów i spotkania towarzyskie. Kluczowym przesłaniem jest to, że indywidualność i historia nie są dodatkowymi opcjami: można je wbudować bezpośrednio w wydajne symulacje, oferując wierniejszy obraz tego, jak zróżnicowani aktorzy i ich pamięć współtworzą zachowanie zbiorowe.

Cytowanie: 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

Słowa kluczowe: symulacja stochastyczna, dynamika niemarkowska, modelowanie agentowe, sieci czasowe, układ odpornościowy i regulacja genów