强驱动网络中的涌现记忆与动力学滞后

随机网络动力学通常被假定为无记忆的。这类马尔可夫网络涉及长时间的停留以及节点间瞬时转移，构成了化学反应、基因表达、分子机器、疾病传播、蛋白质动力学、能量景观中的扩散、表观遗传学等诸多过程的粗粒化范式。然而，一旦转移不再可忽略地短暂（如实验中常观察到的那样），动力学便会产生记忆。即状态变化不仅取决于当前状态，也取决于过去。在此，我们建立了首个将连续动力学映射到网络上的热力学一致——保耗散——映射，其揭示了固有的动力学对称性与未预见的动力学滞后。这些对称性在状态到状态的动力学中施加了三种独立的涨落源，决定了“记忆的特质”。连续轨迹在时间上前向/后向粗粒化之间的滞后意味着在记忆存在下（即超越局域细致平衡假设）主动分子过程热力学的新范式。我们的结果为分子机器运行中的涨落以及细胞黏附中涉及的捕获键提供了新理解。