Convergences for a Virus-like Evolving Population driven by Mutually-exciting Hawkes Processes

Dit artikel presenteert een stochastisch model voor een virusachtige populatie met mutaties, waarbij wederzijds exciterende Hawkes-processen worden gebruikt om geboorte- en sterfprocessen te beschrijven, en toont aan dat het bestuderen van de intensiteiten leidt tot de Markov-eigenschap die essentieel is voor het bewijzen van convergentie en het bestaan van een faseovergang bij een kritieke fitheid.

De kern

🦠 De Virus-achtige Wereld: Een Populatie die Zichzelf "Aanstekt"

Stel je een wereld voor die lijkt op een viruspopulatie, maar dan in de wiskundige wereld. In dit onderzoek kijken de auteurs (Rahul Roy, Dharmaraja Selvamuthu en Paola Tardelli) naar hoe een groep organismen groeit en krimpt, maar dan met een heel speciaal twistje: alles hangt samen met alles.

In de gewone wereld denken we vaak: "Als er vandaag een geboorte is, is de kans op een geboorte morgen precies hetzelfde." Maar in de echte wereld (en in dit model) is dat niet zo. Als er iets gebeurt, maakt dat de kans dat er nog meer gebeurt, groter.

1. De "Aanstekende" Geboorten en Sterfgevallen

De auteurs gebruiken een wiskundig instrument dat een Hawkes-proces heet. Laten we dit vergelijken met een vuurwerkshow of een virale trend op sociale media.

• Het Geboorte-gebeuren (Mutaties): Stel je voor dat er een nieuw virus ontstaat (een mutant). Dit is als een eerste persoon die een trend start. Maar in dit model "aantrekt" het niet alleen nieuwe mensen, het maakt ook bestaande groepen enthousiaster. Als er een mutant wordt geboren, wordt de kans groter dat er nog meer mutaties of nieuwe soorten worden geboren. Het is alsof elke geboorte een kleine "explosie" van energie geeft die de volgende geboorte makkelijker maakt.
• Het Sterfgebeuren: Ook sterfgevallen zijn besmettelijk. Als er iemand sterft, wordt het "drukker" in het proces van sterven, waardoor de kans op een volgend sterfgeval even toeneemt.

De Kern: In dit model is de toekomst niet alleen afhankelijk van het heden, maar ook van het verleden. Elke gebeurtenis "schudt" het systeem wakker en maakt het waarschijnlijker dat er binnenkort weer iets gebeurt.

2. De "Geheugen-kracht" en het Markov-probleem

Een groot probleem met dit soort modellen is dat ze vaak "geheugen" hebben. Ze onthouden elke gebeurtenis uit het verleden. Voor wiskundigen is dit lastig, omdat het maakt dat je niet kunt voorspellen wat er morgen gebeurt zonder de hele geschiedenis van de populatie te kennen. Dit heet het verlies van de Markov-eigenschap (het idee dat alleen de huidige staat telt).

De auteurs hebben een slimme truc bedacht. Ze zeggen: "Laten we niet kijken naar elke afzonderlijke gebeurtenis uit het verleden, maar naar de intensiteit (de 'opwinding') van het moment."

• De Analogie: Stel je voor dat je een badkamer hebt met een douchekop. Als je de kraan openzet, wordt de druk (intensiteit) hoger. Je hoeft niet te weten wanneer de kraan precies open ging, je hoeft alleen te weten hoe hard het water nu stroomt.
• Ze bewijzen dat als je de "opwinding" (de intensiteit) meet, je het hele systeem toch kunt beschrijven alsof het geen geheugen heeft. Dit maakt het berekenen van de toekomst mogelijk!

3. De Strijd: Geboorte vs. Dood

Het model heeft twee krachten die tegen elkaar vechten:

1. De Groeikracht: Mutaties en nieuwe soorten (de "aanstekende" geboorten).
2. De Doodkracht: Het verdwijnen van de zwakste soorten (degenen met de laagste "fitheid").

In dit model wordt een individu met een lage fitheid (bijvoorbeeld een zwakke variant) altijd als eerste weggegooid. Het is een strijd om te overleven.

4. Het Grote Geheim: De "Kritieke Drempel" (Fase-overgang)

Het meest fascinerende deel van het onderzoek is wat er gebeurt als je de balans tussen geboorte en dood verandert. De auteurs ontdekken een fase-overgang, vergelijkbaar met water dat bevriest tot ijs of verdampt tot stoom.

Er is een kritieke drempelwaarde (laten we dit de "Fitheidsgrens" noemen).

• Scenario A: Te veel doodkracht.
  Als de kans op sterven groter is dan de kans op geboorten, zal de populatie uiteindelijk uitsterven. Het is alsof je een bakje water hebt waar je te veel gaten in boort; het water loopt leeg en blijft leeg. De populatie keert steeds terug naar nul.

• Scenario B: Te veel groeikracht (onder de drempel).
  Als de populatie groeit, maar de "fitheid" van de nieuwe leden te laag is, dan groeit de populatie wel, maar de meeste leden zullen zich ophopen in het midden van het spectrum. Het is een gezellige chaos, maar geen echte dominatie.

• Scenario C: De "Super-Overlevende" (Boven de drempel).
  Dit is het spannende deel. Als de groeikracht sterk genoeg is én de nieuwe individuen een hoge fitheid hebben (boven de kritieke drempel), dan gebeurt er iets wonderlijks:
  De populatie groeit oneindig. Maar nog belangrijker: alleen de sterkste individuen blijven over.
  Het is alsof een natie alleen nog maar de beste atleten selecteert. Na verloop van tijd zie je dat bijna 100% van de populatie zich bevindt in het gebied van de "hoogste fitheid". De zwakke soorten zijn volledig verdwenen.

5. Waarom is dit belangrijk?

Dit onderzoek is niet alleen leuk wiskundig puzzelen. Het helpt ons begrijpen hoe:

• Virussen evolueren: Waarom sommige varianten van een virus (zoals COVID-19) de wereld overnemen terwijl andere verdwijnen.
• Markten werken: Hoe paniek of enthousiasme in de beurs zich kan verspreiden (contagie-effect).
• Sociale trends: Waarom bepaalde ideeën viraal gaan en andere doodvallen.

Samenvattend:
De auteurs hebben een wiskundig model gebouwd dat laat zien hoe een populatie, die zichzelf "aanstekt" met geboorten en sterfgevallen, kan groeien tot een enorme massa. Ze ontdekten dat er een magisch punt is: als de populatie sterk genoeg is, zal de natuur (of de wiskunde) ervoor zorgen dat alleen de allersterkste, meest fitte individuen overblijven, terwijl de rest wordt weggeveegd. Het is een wiskundige bevestiging van het Darwiniaanse principe: "Overleving van de fittest", maar dan met een extra dosis besmettelijke energie.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Convergences for a Virus-like Evolving Population driven by Mutually-exciting Hawkes Processes" in het Nederlands.

Titel: Convergenties voor een virus-achtige evoluerende populatie gedreven door wederzijds exciterende Hawkes-processen

Auteurs: Rahul Roy, Dharmaraja Selvamuthu, Paola Tardelli.

---

1. Probleemstelling en Motivatie

Het artikel richt zich op de modellering van de evolutie en het overleven van een populatie (geïnspireerd door viruspopulaties) die onderhevig is aan mutaties en selectie. Traditionele modellen (zoals die van Guiol et al., Ben-Ari en Scinazi, en Roy en Tanemura) gebruiken vaak discrete tijdstappen of Poisson-processen, waarbij geboorte- en sterfgebeurtenissen onafhankelijk zijn of een constante intensiteit hebben.

De auteurs stellen echter dat deze aannames in veel real-world scenario's (zoals epidemieën, financiële markten of sociale trends) niet geldig zijn. In deze context kan de intensiteit van geboortes of sterfgevallen worden beïnvloed door eerdere gebeurtenissen (een "besmettingseffect" of contagion effect).

• Kernprobleem: Hoe modelleren we een continue-tijd populatie waar geboortes en sterfgevallen niet onafhankelijk zijn, maar elkaars intensiteit verhogen (wederzijdse excitatie voor geboortes, zelf-excitatie voor sterfte), en hoe kunnen we de convergentie en stabiliteit van zo'n populatie analyseren?
• Specifiek doel: Het afleiden van noodzakelijke en voldoende voorwaarden voor de Markov-eigenschap van dit complexe systeem en het onderzoeken van fase-overgangen in de populatiedynamiek op basis van een kritiek fitheid-niveau.

2. Methodologie

Het model is een continue-tijd geboorte-sterfteproces met de volgende componenten:

• Populatiestructuur: Individuen hebben een "fitheid" ($f \in [0, 1]$).
  • Mutanten ($N_1$): Nieuwe individuen met een willekeurige fitheid (uniform verdeeld op $[0, 1]$).
  • Niet-mutanten ($N_2$): Nieuwe individuen die een bestaande fitheid kopiëren, met een kans evenredig aan het aantal individuen met die fitheid.
  • Sterfte ($N_3$): Het individu met de laagste fitheid (dichtst bij 0) wordt geëlimineerd.
• Stochastische Processen:
  • De geboorteprocessen ($N_1$ en $N_2$) zijn wederzijds exciterende Hawkes-processen. De intensiteit van het ene proces wordt verhoogd door gebeurtenissen in het andere.
  • Het sterfteproces ($N_3$) is een zelf-exciterend Hawkes-proces.
  • De totale populatiegrootte is $N(t) = N_1(t) + N_2(t) - N_3(t)$.
• Technische Uitdaging: Hawkes-processen zijn in het algemeen niet-Markoviaans omdat de intensiteit afhangt van de volledige geschiedenis. Om analyseerbare resultaten te krijgen, moeten de auteurs de Markov-eigenschap afdwingen.
• Oplossingsstrategie:
  1. Shot Noise Representatie: De auteurs introduceren shot-noise processen ($\xi_i$) om de geschiedenis van de processen te vangen.
  2. Markov-eigenschap: Ze tonen aan dat het paar (proces, intensiteit) Markoviaans is als en slechts als de excitatiefuncties (memory kernels) een exponentiële vorm hebben: $\phi(t) = \delta + \alpha e^{-\beta t}$.
  3. Generator: Onder deze voorwaarden wordt een infinitesimale generator ($G$) afgeleid voor het gezamenlijke proces $(N_1, \lambda_1, N_2, \lambda_2, N_3, \lambda_3)$.
  4. Convergentieanalyse: Er wordt een verband gelegd tussen de verwachte intensiteiten van geboorte en sterfte om de asymptotische gedrag van de populatie te bepalen.

3. Belangrijkste Bijdragen

1. Characterisatie van de Markov-eigenschap: Het artikel levert de strikte noodzakelijke en voldoende voorwaarden voor welke Hawkes-processen (met wederzijdse excitatie) een Markov-proces vormen wanneer gecombineerd met hun intensiteiten. Dit beperkt de familie van memory kernels tot exponentiële functies.
2. Analytische Oplossingen voor Verwachtingen: De auteurs leiden gesloten vormen af voor de verwachte intensiteiten $E[\lambda_i(t)]$ en het verwachte aantal gebeurtenissen $E[N_i(t)]$ onder de Markov-aannames.
3. Fase-overgang bij Kritieke Fitheid: Het artikel identificeert een kritieke drempelwaarde $f_c$ (kritieke fitheid) die bepaalt of de populatie uitsterft of exponentieel groeit, en waar de populatie zich in de fitheidsruimte concentreert.
4. Verbinding met Bestaande Literatuur: Het model generaliseert eerdere discrete tijdmodellen naar continue tijd met een meer realistische "besmettingseffect" (Hawkes-processen) in plaats van Poisson-processen.

4. Resultaten

De belangrijkste resultaten worden samengevat in Stelling 8.1 en Corollarium 8.4:

• Definitie van Kritieke Fitheid ($f_c$):
  $$f_c := \lim_{t \to \infty} \frac{E[\lambda_3(t)]}{E[\lambda_1(t)]}$$
  Dit is de verhouding tussen de verwachte sterfte-intensiteit en de verwachte mutatie-geboorte-intensiteit op de lange termijn.

• Dynamische Regimes:

  1. Uitsterven (Extinctie): Als de sterftekans groter is dan de geboortekans (specifiek als $\liminf \frac{E[\lambda_3]}{E[\lambda_1] + E[\lambda_2]} \geq 1$), keert de populatie oneindig vaak terug naar 0. De populatie overleeft niet.
  2. Groeien met Concentratie ($f_c \leq 1$): Als de populatie groeit ($N(t) \to \infty$) en $f_c \leq 1$, dan concentreert de populatie zich in het interval $[f_c, 1]$. Individuen met een fitheid lager dan $f_c$ worden geëlimineerd. De verdeling van de populatie over de fitheidsruimte convergeert naar een uniforme verdeling op $[f_c, 1]$.
  3. Groeien met Extreme Concentratie ($f_c \geq 1$): Als $f_c \geq 1$, groeit de populatie ook, maar concentreert deze zich volledig rond de maximale fitheid (dicht bij 1). Dit impliceert dat alleen de "fitste" varianten overleven.

• Empirische Distributie: Corollarium 8.4 toont aan dat als $f_c < 1$, de empirische verdelingsfunctie van de sites (fitheidswaarden) convergeert naar $\frac{\max(f - f_c, 0)}{1 - f_c}$.

5. Betekenis en Impact

• Wiskundige Strengh: Het werk biedt een rigoureuze wiskundige basis voor het gebruik van Hawkes-processen in populatiedynamiek, waarbij het probleem van de niet-Markoviaanse aard van deze processen wordt opgelost door restricties op de kernel-functies.
• Biologische/Epidemiologische Toepassing: Het model biedt een krachtig kader voor het begrijpen van virus-evolutie. Het verklaart hoe "besmettingseffecten" (waarbij een infectie de kans op nieuwe infecties vergroot) leiden tot fase-overgangen. Het concept van een kritieke fitheid $f_c$ helpt bij het voorspellen of een viruspopulatie zal uitsterven of zich zal stabiliseren in een specifieke subpopulatie van mutanten.
• Algemene Toepasbaarheid: Hoewel geïnspireerd door viruspopulaties, zijn de resultaten van toepassing op elk systeem met wederzijdse excitatie, zoals financiële markten (crashs en bubbelvorming) of sociale media-trends.

Kortom, dit artikel verbindt de theorie van Hawkes-processen met evolutiebiologie, levert een nieuwe methode om de Markov-eigenschap te garanderen in niet-Markoviaanse systemen, en identificeert fundamentele wetten die de overleving en concentratie van een populatie bepalen op basis van een kritieke fitheidsschaal.