Объединение немарковских динамик и разнородности агентов в масштабируемых стохастических сетях

Почему случайность и память важны

Многие системы, формирующие нашу жизнь — от иммунных клеток, сражающихся с инфекцией, до людей, общающихся на конференции, или сделок на финансовых рынках — развиваются непредсказуемым образом. Исследователи применяют математические «стохастические» модели, чтобы учесть эту случайность, но большинство популярных инструментов предполагают, что все участники одинаковы и не помнят прошлого. В статье представлен новый фреймворк под названием MOSAIC, который снимает эти ограничения: каждый индивидуум может следовать собственному внутреннему ритму и хранить историю, при этом моделирование остаётся достаточным быстрым для выполнения на одном компьютере.

Случайность за пределами безпамятных систем

Классические методы моделирования, такие как широко используемый алгоритм Гиллеспи, рассматривают сложные системы так, будто вероятность события зависит только от текущего состояния, а не от того, сколько времени прошло с момента предыдущего события. Этот «безпамятный» подход удобен математически и эффективен вычислительно, но реальные системы редко ведут себя так. У клеток есть внутренние программы, разворачивающиеся в течение минут или часов; люди проявляют всплески активности, за которыми следуют затишья; взаимодействия часто зависят от того, кто с кем встречался раньше. Когда эти эффекты памяти и индивидуальные различия игнорируют, модели могут упускать важные особенности, наблюдаемые в данных. Существующие попытки добавить память или разнородность обычно приводят к замедлению или усложнению, особенно при большом числе взаимодействующих агентов.

Новый способ моделировать разных индивидов

MOSAIC (Modeling of Stochastic Agents with Individual Complexity) решает эту задачу, рассматривая каждое возможное событие — например, деление клетки, молекулярную реакцию или социальный контакт — как отдельный процесс с собственными часами. Вместо постоянного обновления точной скорости каждого процесса MOSAIC отслеживает единую верхнюю границу того, насколько быстро может происходить что-либо. На каждом шаге он продвигает время, случайно выбирает кандидатный процесс и затем решает, случается ли событие, исходя из его текущей вероятности. Этот приём «отказного отбора» гарантирует, что события происходят с правильными вероятностями, избегая громоздкой отчётности, которая замедляет другие подходы. Важное преимущество в том, что каждый процесс может иметь собственный закон ожидания — включая реалистичные распределения с длинными хвостами или узкими пиками — и реагировать на меняющиеся условия или черты агентов без потери скорости.

Проверка фреймворка

Чтобы показать возможности MOSAIC, авторы применяют его к трём разным задачам. Во-первых, они моделируют конкуренцию B-клеток иммунной системы за помощь небольшого пула T-клеток. Отдельные семействa B-клеток различаются по силе связывания с мишенью, и семьи с более высокой аффинностью постепенно доминируют. Стандартные методы вынуждены отслеживать огромное число потенциальных пар B–T; MOSAIC вместо этого выбирает возможные столкновения по шаблону и принимает только те, где более сильный конкурент способен вытеснить слабого. Это воспроизводит наблюдаемые закономерности «победивших» клонов при практически неизменном времени вычислений по мере роста системы. Во-вторых, они исследуют ген Hes1, который сам себя выключает через задержанную отрицательную обратную связь. Здесь РНК синтезируются, медленно удлиняются, а затем переводятся в белок, причём задержка и скорость зависят от степени загруженности системы. MOSAIC естественно обрабатывает такие зависящие от состояния, неэкспоненциальные задержки, захватывая реалистичные осцилляции уровней РНК и белка, которые старые методы на основе фиксированных задержек не могли обновлять после начала задержки.

Отслеживание меняющихся социальных связей во времени

Третий тест касается поведения людей: очных контактов сотен участников научной конференции. В такой среде люди чередуют долгие периоды неактивности с короткими, интенсивными всплесками разговоров, и они с большей вероятностью снова заговорят с теми, кого уже встречали. Авторы расширяют фреймворк до временных сетей, назвав вариант MOSAIC-TN. У каждого человека есть внутренние часы, определяющие, как скоро он может начать новое взаимодействие, а попарные встречи зависят от активности обоих партнёров и их прошлой истории. С немногими компонентами MOSAIC-TN воспроизводит тяжёлохвостые закономерности — как долго люди ждут между разговорами, как долго длятся контакты и насколько плотно образуются социальные кластеры — лучше согласуясь с реальными данными, чем конкурирующие модели, и при этом сохраняя хорошую масштабируемость вычислений.

Что это значит для сложных систем

Проще говоря, MOSAIC показывает, что возможна имитация больших, запутанных систем, где у индивидов есть собственные особенности и память, без необходимости в суперкомпьютерах или чрезмерных упрощениях. Объединяя математическую строгость и скорость классических стохастических алгоритмов с гибкостью моделей на уровне агентов, он предоставляет общий язык для изучения таких разных систем, как герминальные центры, генетические регуляторные цепи и социальные собрания. Главный вывод в том, что индивидуальность и прошлый опыт — не просто дополнительные опции: их можно напрямую встроить в эффективные симуляции, получая более достоверную картину того, как различные акторы и их память совместно формируют коллективное поведение.

Цитирование: 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

Ключевые слова: стохастическое моделирование, немарковская динамика, моделирование на уровне агентов, временные сети, иммунитет и регуляция генов