Unificando dinâmicas não markovianas e heterogeneidade de agentes em redes estocásticas escaláveis

Por que aleatoriedade e memória importam

Muitos dos sistemas que moldam nossas vidas — desde células imunes combatendo infecções até pessoas se misturando em uma conferência ou negociações nos mercados financeiros — evoluem de maneiras imprevisíveis. Pesquisadores usam modelos matemáticos “estocásticos” para capturar essa aleatoriedade, mas as ferramentas mais populares assumem que todos os atores são idênticos e não têm memória do passado. Este artigo apresenta um novo arcabouço, chamado MOSAIC, que rompe com essas suposições, permitindo que cada indivíduo siga seu próprio ritmo e história interna, ao mesmo tempo em que mantém as simulações rápidas o suficiente para rodar em um único computador.

Aleatoriedade além de sistemas sem memória

Métodos clássicos de simulação, como o amplamente usado algoritmo de Gillespie, tratam sistemas complexos como se a probabilidade de um evento dependesse apenas do que está acontecendo agora, não de quanto tempo passou desde que algo ocorreu. Essa visão “sem memória” funciona matematicamente e é eficiente computacionalmente, mas sistemas reais raramente se comportam assim. Células têm programas internos que se desenrolam ao longo de minutos ou horas, pessoas apresentam surtos de atividade seguidos por períodos de quietude, e interações frequentemente dependem de quem encontrou quem antes. Quando esses efeitos de memória e diferenças individuais são ignorados, os modelos podem deixar de captar características importantes observadas nos dados. Tentativas existentes de adicionar memória ou diversidade geralmente se tornam lentas ou ingovernáveis, especialmente quando há muitos agentes interagindo.

Uma nova forma de simular indivíduos diversos

MOSAIC (Modeling of Stochastic Agents with Individual Complexity) enfrenta esse desafio tratando cada evento possível — como uma divisão celular, uma reação molecular ou um contato social — como um processo próprio com um relógio pessoal. Em vez de atualizar constantemente a taxa exata de cada processo, o MOSAIC acompanha um único limite superior sobre a rapidez com que algo pode acontecer. A cada passo, ele avança o tempo, escolhe aleatoriamente um processo candidato e então decide se aquele evento realmente ocorre com base em sua probabilidade atual. Essa técnica de “amostragem por rejeição” garante que os eventos ocorram com as probabilidades corretas, evitando a pesada administração que atrasa outras abordagens. Crucialmente, cada processo pode ter seu próprio padrão de tempo de espera, incluindo atrasos realisticamente com caudas longas ou fortemente concentrados, e pode responder a condições mutáveis ou características dos agentes sem sacrificar velocidade.

Colocando o arcabouço à prova

Para mostrar o que o MOSAIC pode fazer, os autores o aplicam a três problemas muito diferentes. Primeiro, modelam como células B no sistema imune competem por ajuda de um pequeno conjunto de células T. Famílias individuais de células B diferem em quão fortemente se ligam a um alvo, e famílias de afinidade mais alta gradualmente dominam. Métodos padrão precisam acompanhar um número enorme de pareamentos potenciais B–T; o MOSAIC, em vez disso, amostra encontros possíveis e aceita apenas aqueles em que um competidor mais forte pode deslocar um mais fraco. Isso reproduz padrões observados de clones “vencedores” enquanto mantém o tempo de computação quase constante à medida que o sistema cresce. Em segundo lugar, estudam um gene chamado Hes1, que se desliga por meio de um loop de realimentação negativa com atraso. Aqui, moléculas de RNA são produzidas, alongadas lentamente e então traduzidas em proteína, com o atraso e a velocidade dependendo de quão congestionado o sistema está. O MOSAIC lida naturalmente com esses atrasos dependentes do estado e não exponenciais, capturando oscilações realistas nos níveis de RNA e proteína que ferramentas antigas baseadas em atrasos não podem atualizar uma vez que um atraso foi iniciado.

Seguindo laços sociais que mudam ao longo do tempo

O terceiro teste volta-se ao comportamento humano: contatos face a face entre centenas de pessoas em uma conferência científica. Nesse cenário, as pessoas alternam entre longos períodos de inatividade e breves e intensos surtos de conversa, e é mais provável que conversem novamente com pessoas que já encontraram. Os autores estendem seu arcabouço para redes temporais, chamando a variante de MOSAIC-TN. Cada pessoa carrega um relógio interno que governa quão cedo é provável que inicie uma nova interação, e encontros pareados dependem tanto da atividade de cada parceiro quanto do histórico entre eles. Com apenas alguns ingredientes, o MOSAIC-TN reproduz os padrões de cauda pesada de quanto tempo as pessoas esperam entre conversas, quanto tempo duram as interações e quão apertadamente a rede social se aglomera — correspondendo melhor aos dados reais do que modelos concorrentes, mantendo boa escalabilidade computacional.

O que isso significa para sistemas complexos

Em termos práticos, o MOSAIC mostra que é possível simular sistemas grandes e desordenados onde os indivíduos têm suas peculiaridades e memórias sem precisar de supercomputadores ou suposições excessivamente simplificadoras. Ao casar o rigor matemático e a velocidade dos algoritmos estocásticos clássicos com a flexibilidade dos modelos baseados em agentes, fornece uma linguagem comum para estudar sistemas tão diversos quanto centros germinativos, circuitos regulatórios gênicos e encontros sociais. A mensagem chave é que individualidade e história não são acessórios opcionais: podem ser incorporadas diretamente em simulações eficientes, oferecendo uma imagem mais fiel de como atores diversos e suas memórias se combinam para moldar o comportamento coletivo.

Citação: 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

Palavras-chave: simulação estocástica, dinâmicas não markovianas, modelagem baseada em agentes, redes temporais, regulação imune e genética