在生物學、物理學、流行病學和金融等諸多領域，隨機過程是理解和描述系統動態演變的核心。從細胞內部的生化反應網絡，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）在概率規則驅動下的相互作用。然而，要準確地模擬這些復雜系統的行為，尤其是當系統規模龐大、個體行為復雜時，一直是一個重大的計算挑戰。

長久以來，基于馬爾可夫性質的經典方法，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：系統是“無記憶”的，且同類個體是“同質”的。具體來說，這意味著在任意時刻，系統中某個事件（如化學反應、個體間的接觸）發生的概率（傾向性，propensities）只依賴于系統當前的狀態，而與過去的歷史無關，并且等待時間服從指數分布。同時，它默認所有屬于同一種類的主體在統計上是完全相同的，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”掉了現實世界中許多復雜系統最鮮明的特征：個體層面的異質性（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在分裂周期，對信號的響應時間也各不相同，這種個體差異往往決定了組織發育或腫瘤演進的方向。在社會網絡中，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系。在神經系統中，神經元放電的間隔時間分布常常偏離指數分布，呈現出“陣發性”等特征。這些“非指數”的等待時間分布，正是系統具有“記憶”（即過去事件影響未來）的數學表現。傳統的馬爾可夫模型無法捕捉這些關鍵特性，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來近似模擬記憶效應），這使得模擬具有復雜個體行為的真實系統變得異常困難甚至不可行。

為了解決經典模擬框架的局限性，一項發表在《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：能否構建一個計算上可擴展的隨機模擬方法，既能像經典吉萊斯皮算法一樣高效，又能自然地整合個體間的異質性、動態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一這些復雜特性于一個單一的隨機形式體系內，從而為模擬真實的異質性隨機系統提供一種實用工具。

為開展這項研究，作者們主要應用了計算建模與模擬分析的關鍵技術。他們設計了MOSAIC這一算法框架，并將其核心思想嵌入到事件驅動（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（如反應速率、交互伙伴偏好）和內在計時器（用于管理非指數等待時間）。研究團隊開發了相應的軟件實現，以驗證框架的通用性和效率。在應用驗證部分，他們選取了來自不同領域的案例，包括延遲生化反應網絡、具有競爭動態的免疫細胞群體模型以及時態社交網絡演化模型。這些案例的數據特征或模型參數來源于相應領域的已有研究或典型設定，用于對比MOSAIC與現有方法（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構化方法等）的準確性和計算性能。

統一框架的構建與驗證：研究人員成功構建了MOSAIC框架。其核心創新在于將主體（agent）的復雜屬性（包括異質性速率、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。通過一種高效的優先級隊列管理所有主體的“內部時鐘”，MOSAIC實現了事件驅動的逐步模擬。理論分析和數值實驗均證明，該框架能夠精確地重現已知的隨機過程行為，同時其計算復雜度與系統中的活躍主體數量成線性關系，從而保留了與經典吉萊斯皮算法相當的可擴展性。

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

在競爭性免疫細胞動力學中的應用：免疫系統中，不同的T細胞克隆對同一抗原的響應時間和增殖速率存在顯著差異（即異質性），并且細胞分裂存在一個不應期（可視為非指數等待時間）。應用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。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，模型成功再現了實驗中觀察到的“優勢克隆”涌現和克隆大小分布的長尾特征。而基于同質主體和指數等待時間的經典模型則無法重現這些經驗特征，突顯了整合個體異質性和非馬爾可夫動力學的必要性。

在時態社交網絡中的應用：社交互動具有強記憶性（如“爆發性”通信模式）和異質性（個體有穩定的聯系偏好）。研究使用時態社交網絡數據，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出的聯系偏好（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驗數據高度吻合。相比之下，使用平均聯系概率和指數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模型中納入個體記憶和偏好對于準確預測至關重要。

該研究得出的核心結論是，MOSAIC框架成功地將主體異質性、動態交互偏好以及非馬爾可夫等待時間分布統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（與經典吉萊斯皮算法同階）的前提下，對復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突破了傳統馬爾可夫模擬框架的限制，為計算系統生物學、流行病學、社會動力學等領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（如異質性速率分布、經驗等待時間分布）來構建模型，而無需為了計算便利而做出過度簡化的假設。在應用層面，該框架能夠更準確地模擬和預測復雜系統的行為，例如，更真實地預測腫瘤內細胞群體的演化、免疫應答的結果或流行病在結構化人群中的傳播軌跡，從而為干預策略的設計提供更可靠的依據。總而言之，MOSAIC架起了一座橋梁，將描述個體復雜行為的豐富實證數據與大規模隨機系統的可計算模型更緊密地連接起來，推動了對復雜系統動力學的更深入理解。