Förenar icke-Markovska dynamiker och agentheterogenitet i skalbara stokastiska nätverk

Varför slump och minne spelar roll

Många av de system som formar våra liv – från immunceller som bekämpar infektioner till människor som minglar på en konferens eller transaktioner på finansmarknader – utvecklas på oförutsägbara sätt. Forskare använder matematiska ”stokastiska” modeller för att fånga denna slumpmässighet, men de mest använda verktygen antar ofta att alla aktörer är identiska och saknar minne av det förflutna. Denna artikel presenterar ett nytt ramverk, kallat MOSAIC, som frigör sig från dessa antaganden och låter varje individ följa sin egen interna rytm och historik samtidigt som simuleringarna hålls tillräckligt snabba för att köras på en enda dator.

Slump bortom glömska system

Klassiska simuleringsmetoder, såsom den allmänt använda Gillespie-algoritmen, behandlar komplexa system som om sannolikheten för en händelse bara beror på vad som händer just nu, inte på hur lång tid som förflutit sedan något senast inträffade. Denna ”minneslösa” syn fungerar matematiskt och är beräkningsmässigt effektiv, men verkliga system beter sig sällan så. Celler har interna program som utvecklas över minuter eller timmar, människor uppvisar aktivitetsutbrott följt av lugna perioder, och interaktioner beror ofta på vem som träffade vem tidigare. När dessa minneseffekter och individuella skillnader ignoreras kan modeller missa viktiga mönster som syns i data. Tidigare försök att lägga till minne eller mångfald blir ofta långsamma eller otympliga, särskilt när många agenter interagerar.

Ett nytt sätt att simulera mångfacetterade individer

MOSAIC (Modeling of Stochastic Agents with Individual Complexity) tar sig an denna utmaning genom att behandla varje möjlig händelse – såsom en celldelning, en molekylär reaktion eller en social kontakt – som en egen process med en personlig klocka. Istället för att ständigt uppdatera den exakta hastigheten för varje process håller MOSAIC reda på en enda övre gräns för hur snabbt något kan hända. Vid varje steg avancerar algoritmen tiden, väljer en kandidatprocess slumpmässigt och avgör sedan om den händelsen faktiskt inträffar baserat på dess nuvarande sannolikhet. Denna ”rejectionsampling”-trick säkerställer att händelser utlöses med korrekta sannolikheter samtidigt som den undviker den tunga bokföring som saktar ner andra tillvägagångssätt. Avgörande är att varje process kan ha sitt eget väntemönster, inklusive realistiska långsvansade eller tätt toppade fördröjningar, och kan reagera på förändrade förhållanden eller agentegenskaper utan att offra hastighet.

Sätter ramverket på prov

För att visa vad MOSAIC kan göra tillämpar författarna det på tre mycket olika problem. Först modellerar de hur B-celler i immunsystemet konkurrerar om hjälp från en liten pool T-celler. Individuella B-cellssläkten skiljer sig åt i hur starkt de binder till ett mål, och familjer med högre affinitet dominerar gradvis. Standardmetoder måste följa ett enormt antal potentiella B–T-par; MOSAIC samplar istället möjliga möten och accepterar endast de där en starkare konkurrent kan tränga undan en svagare. Detta reproducerar observerade mönster av ”vinnande” kloner samtidigt som beräkningstiden hålls nästan konstant när systemet växer. För det andra studerar de en gen kallad Hes1, som stänger av sig själv genom en fördröjd negativ feedbackslinga. Här produceras RNA-molekyler, förlängs långsamt och översätts sedan till protein, med fördröjningen och hastigheten beroende på hur trångt systemet är. MOSAIC hanterar naturligt dessa tillståndsberoende, icke-exponentiella fördröjningar och fångar realistiska svängningar i RNA- och proteinnivåer som äldre fördröjningsbaserade verktyg inte kan uppdatera när en fördröjning väl har påbörjats.

Följer föränderliga sociala band över tid

Den tredje prövningen riktar in sig på mänskligt beteende: ansikte-mot-ansikte-kontakter bland hundratals människor på en vetenskaplig konferens. I detta sammanhang alternerar människor mellan långa perioder av inaktivitet och korta, intensiva samtalsutbrott, och de är mer benägna att tala igen med personer de redan mött. Författarna utvidgar sitt ramverk till temporala nätverk och kallar varianten MOSAIC-TN. Varje person bär en intern klocka som styr hur snart de sannolikt startar en ny interaktion, och parvisa möten beror på båda partnernas aktivitet och deras tidigare historia tillsammans. Med bara ett fåtal ingredienser reproducerar MOSAIC-TN de långsvansade mönstren för hur länge människor väntar mellan samtal, hur länge interaktioner varar och hur tätt det sociala nätverket klustras – och matchar verkliga data bättre än konkurrerande modeller samtidigt som god beräkningsskalning bibehålls.

Vad detta betyder för komplexa system

I vardagliga termer visar MOSAIC att det är möjligt att simulera stora, stökiga system där individer har sina egna egenheter och minnen utan att behöva superdatorer eller förenklade antaganden. Genom att förena den matematiska stringensen och snabbheten hos klassiska stokastiska algoritmer med flexibiliteten hos agentbaserade modeller erbjuder det ett gemensamt språk för att studera system så olika som germinalcentra, genreglerande kretsar och sociala sammankomster. Huvudbudskapet är att individualitet och historik inte är valfria tillägg: de kan byggas direkt in i effektiva simuleringar och ge en mer trogen bild av hur olika aktörer och deras minnen tillsammans formar kollektivt beteende.

Citering: 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

Nyckelord: stokastisk simulering, icke-Markovska dynamiker, agentbaserad modellering, temporala nätverk, immunsystem och genreglering