Um grupo internacional de pesquisadores apresentou um novo arcabouço matemático que promete redefinir a forma como sistemas complexos são simulados em áreas que vão da biologia molecular às redes sociais. Publicado nesta segunda-feira (2), na revista Nature Communications, o estudo descreve o MOSAIC (Modeling of Stochastic Agents with Individual Complexity), um método capaz de incorporar simultaneamente memória temporal e heterogeneidade individual em processos estocásticos — dois elementos historicamente difíceis de combinar com eficiência computacional.

O trabalho, liderado por María Rodríguez Martínez, da Yale School of Medicine e da IBM Research Europe, em colaboração com cientistas da ETH Zurich e da Aix-Marseille University, propõe uma generalização do clássico algoritmo de Gillespie, padrão-ouro para simulações estocásticas desde os anos 1970.

Segundo os autores, o modelo resolve uma tensão antiga na modelagem matemática: algoritmos elegantes e escaláveis assumem homogeneidade e ausência de memória; modelos mais realistas incorporam diversidade e atrasos, mas tornam-se computacionalmente pesados. O MOSAIC busca unir esses dois mundos.

“Sistemas reais raramente são ‘sem memória’ ou compostos por agentes idênticos”, afirmam os pesquisadores no artigo. “Nosso objetivo foi preservar a eficiência do método de Gillespie, ao mesmo tempo em que incorporamos propriedades individuais e distribuições de tempo não exponenciais.”

Grande parte das simulações estocásticas baseia-se na suposição markoviana — isto é, de que o futuro depende apenas do estado atual do sistema. Essa hipótese permite o uso do algoritmo de Gillespie, que gera trajetórias estatisticamente exatas para processos com tempos de espera exponenciais.

O problema, como destacam os autores, é que muitos fenômenos biológicos e sociais exibem memória temporal e heterogeneidade intrínseca: células dividem-se em ritmos distintos; moléculas podem sofrer atrasos antes de reagir e interações humanas ocorrem em rajadas (“bursty”), separadas por longos períodos de inatividade.

Modelos anteriores tentaram contornar essas limitações, como variações com atrasos (DelaySSA) ou algoritmos não markovianos, mas geralmente ao custo de maior complexidade computacional — frequentemente com escalabilidade proporcional a O(log N) ou pior.

O MOSAIC adota uma estratégia diferente: em vez de atualizar todas as taxas individuais a cada evento, ele rastreia apenas um limite superior global (?max) e utiliza amostragem por rejeição para selecionar eventos válidos. O resultado, segundo os autores, é um custo computacional constante por evento aceito — independente do número total de processos no sistema.

Para demonstrar a versatilidade do método, os pesquisadores aplicaram o MOSAIC a três problemas distintos.

No primeiro experimento computacional, o modelo simulou a seleção competitiva de linfócitos B durante a maturação de afinidade — processo fundamental na resposta imune.

Células com maior afinidade por antígenos competem por ajuda de linfócitos T. Cada célula possui afinidade própria, criando uma explosão combinatória de interações possíveis. Em implementações tradicionais, isso exige manter listas extensas de pares competidores.

Com o MOSAIC, a equipe mostrou que é possível reproduzir a dominância clonal observada experimentalmente após 50 dias de simulação, mantendo custo computacional praticamente linear. “O método evita a necessidade de atualizar explicitamente todas as interações potenciais”, escrevem os autores.

No segundo caso, o modelo foi aplicado à regulação do gene Hes1, conhecido por produzir oscilações de RNA e proteína por meio de retroalimentação negativa com atraso.

Aqui, o diferencial do MOSAIC foi permitir que o tempo de elongação do RNA — modelado como distribuição Gamma — variasse dinamicamente de acordo com a disponibilidade de recursos celulares. Métodos baseados em atrasos fixos não conseguem capturar esse tipo de dependência contextual.

Os resultados mostraram que o modelo reproduz alterações no período das oscilações quando a elongação desacelera devido à competição por recursos — um efeito biologicamente plausível e ausente em abordagens tradicionais.

No terceiro teste, os pesquisadores estenderam o método para redes temporais (MOSAIC-TN), nas quais cada nó possui sua própria dinâmica de ativação.

Usando dados empíricos de interações face a face na conferência IC2S2 de 2017, o modelo conseguiu reproduzir distribuições de interações com caudas pesadas (tipo Pareto), bem como métricas estruturais da rede — incluindo modularidade e transitividade — com maior precisão do que modelos baseados em “spanning trees” ou redes dirigidas por atividade.

A introdução de um único parâmetro adicional de reforço histórico (w) melhorou significativamente a concordância com dados reais, sem aumento mensurável no custo computacional.

O estudo também quantifica matematicamente o erro esperado do método, demonstrando que ele decresce quadraticamente com o aumento do parâmetro ?max, enquanto o número de rejeições cresce apenas linearmente — um compromisso favorável entre precisão e desempenho.

Em termos de escalabilidade, os autores relatam que o método mantém custo constante por evento aceito, diferindo do algoritmo de Gillespie apenas por um fator multiplicativo relacionado ao número médio de rejeições.

Na seção de discussão, os pesquisadores argumentam que o MOSAIC representa “uma mudança de paradigma” ao integrar diversidade individual e memória temporal em um único formalismo contínuo no tempo.

Entre as aplicações potenciais citadas estão modelagem de epidemias com heterogeneidade comportamental; medicina personalizada, incorporando variabilidade entre pacientes; biologia sintética; neurociência e mercados financeiros

“O MOSAIC demonstra que realismo mecanístico e eficiência computacional não precisam ser mutuamente excludentes”, concluem os autores.

Se confirmada sua robustez em sistemas ainda maiores e mais complexos, a nova abordagem poderá se tornar ferramenta central na próxima geração de simulações estocásticas — aproximando modelos matemáticos da complexidade observada no mundo real.