在生物學(xué)、物理學(xué)、流行病學(xué)和金融等諸多領(lǐng)域，隨機過程是理解和描述系統(tǒng)動態(tài)演變的核心。從細胞內(nèi)部的生化反應(yīng)網(wǎng)絡(luò)，到人群中疾病的傳播，再到金融市場的波動，背后往往都涉及大量個體（或稱主體，agent）在概率規(guī)則驅(qū)動下的相互作用。然而，要準確地模擬這些復(fù)雜系統(tǒng)的行為，尤其是當系統(tǒng)規(guī)模龐大、個體行為復(fù)雜時，一直是一個重大的計算挑戰(zhàn)。

長久以來，基于馬爾可夫性質(zhì)的經(jīng)典方法，如吉萊斯皮算法（Gillespie algorithm），是模擬隨機過程的主力工具。這些方法之所以高效，是因為它們遵循一個簡化的核心假設(shè)：系統(tǒng)是“無記憶”的，且同類個體是“同質(zhì)”的。具體來說，這意味著在任意時刻，系統(tǒng)中某個事件（如化學(xué)反應(yīng)、個體間的接觸）發(fā)生的概率（傾向性，propensities）只依賴于系統(tǒng)當前的狀態(tài)，而與過去的歷史無關(guān)，并且等待時間服從指數(shù)分布。同時，它默認所有屬于同一種類的主體在統(tǒng)計上是完全相同的，可以相互替代。這個簡潔的框架雖然在許多情況下行之有效，但它也恰好“過濾”掉了現(xiàn)實世界中許多復(fù)雜系統(tǒng)最鮮明的特征：個體層面的異質(zhì)性（heterogeneity）和記憶性（memory）。

在真實世界里，細胞并非整齊劃一的克隆。它們可能擁有各自的內(nèi)在分裂周期，對信號的響應(yīng)時間也各不相同，這種個體差異往往決定了組織發(fā)育或腫瘤演進的方向。在社會網(wǎng)絡(luò)中，一個人傾向于與特定的朋友或家人互動，而不是隨機地與任何陌生人聯(lián)系。在神經(jīng)系統(tǒng)中，神經(jīng)元放電的間隔時間分布常常偏離指數(shù)分布，呈現(xiàn)出“陣發(fā)性”等特征。這些“非指數(shù)”的等待時間分布，正是系統(tǒng)具有“記憶”（即過去事件影響未來）的數(shù)學(xué)表現(xiàn)。傳統(tǒng)的馬爾可夫模型無法捕捉這些關(guān)鍵特性，要么完全忽略，要么需要付出極其高昂的計算代價（例如，通過引入大量額外狀態(tài)來近似模擬記憶效應(yīng)），這使得模擬具有復(fù)雜個體行為的真實系統(tǒng)變得異常困難甚至不可行。

為了解決經(jīng)典模擬框架的局限性，一項發(fā)表在《自然-通訊》（Nature Communications）上的研究，提出了一種名為MOSAIC（Modeling of Stochastic Agents with Individual Complexity，復(fù)雜個體隨機主體建模）的全新通用框架。這項研究旨在回答一個核心問題：能否構(gòu)建一個計算上可擴展的隨機模擬方法，既能像經(jīng)典吉萊斯皮算法一樣高效，又能自然地整合個體間的異質(zhì)性、動態(tài)交互偏好以及非馬爾可夫（non-Markovian）的等待時間分布？研究人員的目標是統(tǒng)一這些復(fù)雜特性于一個單一的隨機形式體系內(nèi)，從而為模擬真實的異質(zhì)性隨機系統(tǒng)提供一種實用工具。

為開展這項研究，作者們主要應(yīng)用了計算建模與模擬分析的關(guān)鍵技術(shù)。他們設(shè)計了MOSAIC這一算法框架，并將其核心思想嵌入到事件驅(qū)動（event-driven）的模擬引擎中。該框架允許為每個主體單獨定義其屬性（如反應(yīng)速率、交互伙伴偏好）和內(nèi)在計時器（用于管理非指數(shù)等待時間）。研究團隊開發(fā)了相應(yīng)的軟件實現(xiàn)，以驗證框架的通用性和效率。在應(yīng)用驗證部分，他們選取了來自不同領(lǐng)域的案例，包括延遲生化反應(yīng)網(wǎng)絡(luò)、具有競爭動態(tài)的免疫細胞群體模型以及時態(tài)社交網(wǎng)絡(luò)演化模型。這些案例的數(shù)據(jù)特征或模型參數(shù)來源于相應(yīng)領(lǐng)域的已有研究或典型設(shè)定，用于對比MOSAIC與現(xiàn)有方法（如直接吉萊斯皮算法、或針對非馬爾可夫過程的分層年齡結(jié)構(gòu)化方法等）的準確性和計算性能。

統(tǒng)一框架的構(gòu)建與驗證：研究人員成功構(gòu)建了MOSAIC框架。其核心創(chuàng)新在于將主體（agent）的復(fù)雜屬性（包括異質(zhì)性速率、交互偏好和任何形式的等待時間分布）直接編碼為“下次事件時間”的計算。通過一種高效的優(yōu)先級隊列管理所有主體的“內(nèi)部時鐘”，MOSAIC實現(xiàn)了事件驅(qū)動的逐步模擬。理論分析和數(shù)值實驗均證明，該框架能夠精確地重現(xiàn)已知的隨機過程行為，同時其計算復(fù)雜度與系統(tǒng)中的活躍主體數(shù)量成線性關(guān)系，從而保留了與經(jīng)典吉萊斯皮算法相當?shù)目蓴U展性。

在延遲生化反應(yīng)中的應(yīng)用：在生化系統(tǒng)模擬中，MOSAIC能夠無縫處理具有固定或隨機延遲的反應(yīng)步驟。傳統(tǒng)方法需要引入中間“延遲”物種或大量額外狀態(tài)來近似，而MOSAIC通過為參與延遲反應(yīng)的每個分子實體設(shè)置獨立的延遲計時器，直接而精確地實現(xiàn)了延遲。模擬結(jié)果顯示，MOSAIC能夠準確捕捉由反應(yīng)延遲導(dǎo)致的動力學(xué)震蕩和相位偏移等現(xiàn)象，且計算效率遠高于傳統(tǒng)的分層年齡（hierarchical age）結(jié)構(gòu)化方法。

在競爭性免疫細胞動力學(xué)中的應(yīng)用：免疫系統(tǒng)中，不同的T細胞克隆對同一抗原的響應(yīng)時間和增殖速率存在顯著差異（即異質(zhì)性），并且細胞分裂存在一個不應(yīng)期（可視為非指數(shù)等待時間）。應(yīng)用MOSAIC，研究模擬了一個T細胞群體在抗原刺激下的競爭性擴增動態(tài)。通過為每個T細胞克隆賦予不同的激活閾值、增殖速率和分裂間隔分布，模型成功再現(xiàn)了實驗中觀察到的“優(yōu)勢克隆”涌現(xiàn)和克隆大小分布的長尾特征。而基于同質(zhì)主體和指數(shù)等待時間的經(jīng)典模型則無法重現(xiàn)這些經(jīng)驗特征，突顯了整合個體異質(zhì)性和非馬爾可夫動力學(xué)的必要性。

在時態(tài)社交網(wǎng)絡(luò)中的應(yīng)用：社交互動具有強記憶性（如“爆發(fā)性”通信模式）和異質(zhì)性（個體有穩(wěn)定的聯(lián)系偏好）。研究使用時態(tài)社交網(wǎng)絡(luò)數(shù)據(jù)，利用MOSAIC模擬信息在其中的傳播。通過為每個個體賦予基于其歷史交互記錄推導(dǎo)出的聯(lián)系偏好（傾向與特定好友互動）和通信間隔的厚尾分布，模擬出的信息傳播速度和范圍與經(jīng)驗數(shù)據(jù)高度吻合。相比之下，使用平均聯(lián)系概率和指數(shù)間隔的簡單模型嚴重高估了傳播速度，證明了在傳播動力學(xué)模型中納入個體記憶和偏好對于準確預(yù)測至關(guān)重要。

該研究得出的核心結(jié)論是，MOSAIC框架成功地將主體異質(zhì)性、動態(tài)交互偏好以及非馬爾可夫等待時間分布統(tǒng)一到了一個可擴展的隨機模擬形式體系之中。它證明了在計算成本可控（與經(jīng)典吉萊斯皮算法同階）的前提下，對復(fù)雜個體行為進行高保真度建模是可行的。

其重要意義在于多個層面。在方法論上，MOSAIC突破了傳統(tǒng)馬爾可夫模擬框架的限制，為計算系統(tǒng)生物學(xué)、流行病學(xué)、社會動力學(xué)等領(lǐng)域提供了一種強大而實用的新工具。它使得研究人員能夠直接基于個體或分子的真實、可測量的屬性（如異質(zhì)性速率分布、經(jīng)驗等待時間分布）來構(gòu)建模型，而無需為了計算便利而做出過度簡化的假設(shè)。在應(yīng)用層面，該框架能夠更準確地模擬和預(yù)測復(fù)雜系統(tǒng)的行為，例如，更真實地預(yù)測腫瘤內(nèi)細胞群體的演化、免疫應(yīng)答的結(jié)果或流行病在結(jié)構(gòu)化人群中的傳播軌跡，從而為干預(yù)策略的設(shè)計提供更可靠的依據(jù)。總而言之，MOSAIC架起了一座橋梁，將描述個體復(fù)雜行為的豐富實證數(shù)據(jù)與大規(guī)模隨機系統(tǒng)的可計算模型更緊密地連接起來，推動了對復(fù)雜系統(tǒng)動力學(xué)的更深入理解。