[论文解读] Multiscale Modelling of Birth-Death Processes

Tom Kimpson, Domenic P. J. Germano+2 more|arXiv (Cornell University)|Jan 19, 2026

Gene Regulatory Network Analysis被引用 0

一句话总结

论文开发了一个 principled 框架，用于在 Jump–Switch–Flow (JSF) 混合方法中选择状态切换阈值，以在多尺度出生-死亡过程的灭绝概率估计中实现准确性，并提供了一个在随机 Lotka–Volterra 模型上经验证的实用阈值选择启发式方法。

ABSTRACT

Many biological systems exhibit multiscale dynamics, where some species occur in high copy numbers while others remain rare. This heterogeneity necessitates hybrid modelling approaches: deterministic models are computationally efficient but inaccurate for low-count species, while fully stochastic simulations are accurate but prohibitively expensive. Hybrid methods like the Jump-Switch-Flow (JSF) algorithm address this by simulating low-count species stochastically and high-count species deterministically. However, selecting regime-switching thresholds to control errors for specific observables remains an open challenge. We develop a principled framework for threshold selection targeting extinction probability. We formalise JSF as a piecewise-deterministic Markov process and derive backward equations for extinction under exact and hybrid dynamics. Near extinction boundaries, complex nonlinear dynamics reduce to tractable time-inhomogeneous linear birth-death processes. This structure yields a rigorous error decomposition based on early and late excursions. Isolating the dominant error term motivates a fast, actionable heuristic. We demonstrate via Monte Carlo studies on a stochastic Lotka-Volterra model that our heuristic reliably upper-bounds empirical errors in extinction probability. This enables users to select the smallest threshold that satisfies a target error tolerance. This work paves the way for principled, efficient multiscale modelling and simulation in stochastic biological systems.

研究动机与目标

• 在生物学中激励多尺度建模——某些物种数量很大而另一些很少。
• 开发一个系统方法来选择 JSF 阈值，以在准确性与效率之间取得平衡，聚焦于灭绝概率。
• 在接近灭绝边界的出生-死亡框架中表述灭绝分析。
• 推导误差分解和用于混合近似灭绝概率误差的实用启发式。

提出的方法

• 将 JSF 正式化为分段确定性马尔可夫过程（PDMP）。
• 推导在精确动力学和混合动力学下的灭绝向后方程。
• 证明接近灭绝动态简化为时间非齐次线性出生–死亡过程。
• 将误差分解为早期与晚期外 excursions 成分并推导可操作的启发式。
• 在随机 Lotka–Volterra 模型上提供蒙特卡洛验证，以界定 JSF 的误差。
• 提出一个实用算法来计算确保目标误差容忍度的阈值。

Figure 1: Illustration of the critical time $t_{c}$ and point of no return $s_{*}$ . (a) The net growth rate $r(t)=\lambda(t)-\mu(t)$ transitions from negative (death-dominated) to positive (birth-dominated) at $t_{c}$ . The point of no return $s_{*}$ marks the latest time an up-crossing can occur a

实验结果

研究问题

• RQ1 我们如何量化并界定由 JSF 混合方法引入的灭绝概率误差？
• RQ2 以何种 principled 方式选择状态切换阈值，以实现所需的精确度-效率权衡？
• RQ3 接近灭绝的动态如何简化为出生–死亡过程，从而实现解析的灭绝概率计算？
• RQ4 一个简单的启发式方法是否能够可靠地界定 JSF 的误差，以用于实际阈值选择？

主要发现

• 一旦将接近灭绝的动态简化为出生–死亡过程，灭绝概率可以通过分支过程理论进行精确分析。
• 误差分解将早期与晚期外 excursions 分离，从而实现有针对性的阈值优化。
• 推导出一个严格但在实际中可能不可行的 JSF 误差界，并批判性分析其局限性。
• 一个实用启发式方法通过在“无法回头点”处计算的灭绝概率来主要界定误差，使阈值选择变得直接。
• 对随机 Lotka–Volterra 模型的蒙特卡洛研究表明，该启发式方法能可靠地上界经验灭绝误差。
• 该框架使能选择满足给定误差容忍度的最小阈值，在保持精度的同时提高计算效率。

Figure 2: Comparison of full stochastic and hybrid simulations for the predator–prey model with decoupled predator decay. Parameters: $\alpha=1.10$ , $\beta=0.05$ , $\gamma=0.4$ , initial conditions $(x_{1,0},x_{2,0})=(10,50)$ . Top: 1000 exact SSA trajectories (solid black: mean). Bottom: 1000 JSF