📊 statistics

A Tutorial on Symbolic Structural Identifiability Analysis of ODE Models in Julia

Este tutorial introduce un marco computacional moderno y reproducible utilizando el paquete de Julia StructuralIdentifiability.jl para realizar análisis de identificabilidad estructural simbólica en modelos de EDO, guiando a los investigadores a través de conceptos teóricos y flujos de trabajo prácticos mediante siete estudios de caso diversos para garantizar una estimación de parámetros fiable.

Autores originales: Abdallah Alsammani

Publicado 2026-05-20

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Abdallah Alsammani

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un detective tratando de resolver un misterio. Tienes una escena del crimen (los datos que recopilaste) y una teoría sobre lo que sucedió (un modelo matemático de cómo funciona el sistema). Tu objetivo es averiguar los detalles exactos del crimen: la velocidad del coche de la huida, la hora del robo, el número de sospechosos.

Este artículo es una guía para detectives que utilizan modelos de Ecuaciones Diferenciales Ordinarias (EDO). Estas son fórmulas matemáticas complejas utilizadas para describir cómo cambian las cosas con el tiempo, como la propagación de un virus, el movimiento de un fármaco en el cuerpo o el crecimiento de una población.

El artículo plantea una pregunta muy específica antes de que incluso empieces a buscar pistas: "¿Es realmente posible averiguar los detalles exactos del crimen, incluso si tuviéramos información perfecta y libre de ruido?"

Este concepto se llama Identificabilidad Estructural.

Aquí tienes el desglose de las ideas principales del artículo utilizando analogías simples:

1. El Problema Central: El detective "vendado"

A veces, tu modelo matemático está configurado de una manera que hace imposible conocer los valores verdaderos de tus variables, sin importar cuántos datos recolectes.

La Analogía: Imagina que estás viendo alejarse un coche, pero solo puedes ver sus faros. Puedes decir a qué velocidad se mueve el coche (la salida), pero no puedes decir si es un coche rápido con un motor débil o un coche lento con un motor sobrealimentado. Dos configuraciones completamente diferentes producen exactamente el mismo resultado.
La Afirmación del Artículo: Si un modelo es "no identificable", significa que diferentes combinaciones de parámetros (como la velocidad y la potencia del motor) crean exactamente el mismo resultado. Si intentas estimar estos números a partir de datos reales, tu computadora solo adivinará al azar, y tus resultados carecerán de significado.

2. La Solución: Una nueva herramienta para detectives (Julia y StructuralIdentifiability.jl)

El artículo presenta un nuevo y moderno conjunto de herramientas construido en un lenguaje de programación llamado Julia. Piensa en este conjunto de herramientas como un "Detector de la Verdad" para tus modelos matemáticos.

Cómo funciona: En lugar de adivinar, esta herramienta utiliza matemáticas avanzadas (computación simbólica) para analizar las ecuaciones antes de que recolectes cualquier dato. Verifica: "Si cambio este número, ¿cambia la salida de una manera única?"
El Flujo de Trabajo:
1. Escribir el Modelo: Le dices a la computadora tus ecuaciones (como escribir tu teoría del crimen).
2. Verificación Local: La herramienta realiza un escaneo rápido para ver si los números son incluso localmente únicos (como verificar si la velocidad del coche es única en un vecindario pequeño).
3. Verificación Global: Si la primera verificación pasa, realiza un escaneo más profundo para ver si los números son únicos en todas partes (verificando si la velocidad del coche es única en toda la ciudad).
4. La Solución: Si los números no son únicos, la herramienta te dice exactamente qué combinaciones de números sí son únicas.

3. La "Magia" de las Combinaciones

A menudo, no puedes encontrar los números individuales, pero sí puedes encontrar su producto o su suma.

La Analogía: Imagina que tienes un código secreto donde dos números, $A$ y $B$ , se multiplican para dar un resultado. No puedes decir si $A=2$ y $B=3$ , o si $A=6$ y $B=1$ . Ambos te dan 6.
La Perspectiva del Artículo: La herramienta te dice: "Deja de intentar encontrar $A$ y $B$ por separado. Son un misterio. Pero el producto ( $A \times B$ ) está perfectamente claro. Cambia tu informe para centrarte en el producto."
Ejemplo del Mundo Real del Artículo: En un modelo de cómo se propaga un virus, es posible que no puedas distinguir qué tan rápido el virus infecta células ( $\beta$ ) versus qué tan rápido las células infectadas estallan ( $p$ ). Pero la herramienta revela que el producto de estos dos ( $\beta \times p$ ) es lo único que importa. Deberías reportar ese producto, no los números individuales.

4. El Poder de "Más Ojos" (Añadir Mediciones)

El artículo muestra que a veces el problema no es el modelo; es que no estás observando suficientes cosas.

La Analogía: Si solo observas los faros del coche, no puedes decir el tipo de motor. Pero si añades una segunda cámara que observa el tubo de escape del coche, finalmente podrías ser capaz de distinguir el motor.
Los Ejemplos del Artículo:
- Dinámica Viral: Si solo mides la cantidad de virus en la sangre, no puedes separar todas las tasas biológicas. Pero si también mides el número de células sanas, el misterio se resuelve y cada número se vuelve identificable.
- Epidemias: Si solo cuentas las nuevas infecciones, no puedes decir cuánto de la propagación es de persona a persona versus desde el entorno (como agua sucia). Pero si también mides el virus en el agua, el misterio se resuelve.

5. Por Qué Esto Importa (La Regla de "No Pierdas tu Tiempo")

El artículo argumenta que los científicos a menudo saltan este paso. Construyen un modelo, lo ejecutan en una computadora, obtienen un resultado y lo publican.

El Riesgo: Si el modelo era estructuralmente no identificable, el resultado que obtuvieron fue solo una adivinanza afortunada o un artefacto matemático. No tiene significado en el mundo real.
La Recomendación: Ejecuta siempre este "Detector de la Verdad" antes de intentar estimar parámetros. Ahorra tiempo, previene conclusiones falsas y te dice exactamente qué tipo de datos necesitas recopilar para resolver el misterio.

Resumen de la Contribución del Artículo

Este artículo es un tutorial. Enseña a los investigadores cómo usar un paquete de software específico (StructuralIdentifiability.jl) para:

Diagnosticar si su modelo es resoluble.
Identificar qué partes del modelo son resolubles y cuáles no.
Reformular el modelo (agrupando números juntos o añadiendo nuevas mediciones) para que se vuelva resoluble.

Enfatiza que esto no es solo matemática teórica; es un proceso práctico, paso a paso, que se puede realizar en una computadora portátil utilizando herramientas de código abierto, asegurando que los modelos científicos se construyan sobre bases sólidas antes de usarse para hacer predicciones sobre enfermedades, fármacos o ecosistemas.

Resumen Técnico: Un Tutorial sobre Análisis de Identificabilidad Estructural Simbólica de Modelos de EDO en Julia

1. Planteamiento del Problema

Los modelos mecanísticos de ecuaciones diferenciales ordinarias (EDO) son herramientas fundamentales en epidemiología, biología de sistemas, farmacocinética e ingeniería biomédica para describir procesos dinámicos. Sin embargo, la fiabilidad de la estimación de parámetros y la inferencia subsiguiente dependen críticamente de la identificabilidad estructural: la capacidad teórica de recuperar de manera única los parámetros desconocidos del modelo a partir de observaciones ideales, libres de ruido y continuas.

El artículo aborda la brecha entre la teoría matemática de la identificabilidad estructural y su aplicación práctica en los flujos de trabajo científicos modernos. Aunque existen marcos teóricos (que se remontan a Bellman y Åström), su aplicación se ve obstaculizada por:

Barreras de Software: Muchas herramientas existentes dependen de sistemas de álgebra computacional propietarios (por ejemplo, Maple, MATLAB), lo que limita la reproducibilidad.
Requisitos de Experiencia: Los métodos simbólicos a menudo exigen conocimientos matemáticos especializados, creando una barrera para los científicos aplicados.
Complejidad Computacional: El análisis de identificabilidad global para modelos no lineales a gran escala ha sido históricamente prohibitivo desde el punto de vista computacional.
Desconexión del Flujo de Trabajo: El análisis de identificabilidad a menudo se trata como un paso de diagnóstico separado en lugar de una parte integrada del pipeline de modelado, simulación y estimación.

En consecuencia, los investigadores frecuentemente calibran modelos no identificables, lo que conduce a estimaciones de parámetros no únicas, incertidumbre inflada e interpretaciones biológicas engañosas.

2. Metodología

El artículo presenta un marco computacional unificado para el análisis de identificabilidad estructural simbólica utilizando el lenguaje de programación Julia y el paquete StructuralIdentifiability.jl. La metodología integra el cálculo simbólico con el ecosistema más amplio de Julia SciML (incluyendo ModelingToolkit.jl, DifferentialEquations.jl y Catalyst.jl).

Fundamentos Matemáticos

El análisis considera sistemas paramétricos de EDO de la forma:
$\dot{x}(t) = f(x(t), u(t); \theta), \quad x(0) = x_0(\theta), \quad y(t) = g(x(t), u(t); \theta)$
donde $x$ son los estados, $u$ son las entradas, $y$ son las salidas y $\theta$ son los parámetros. El problema central es determinar la inyectividad del mapa de parámetros a salidas $\Phi$ .

El marco distingue entre:

Identificabilidad Local: Los parámetros están determinados de manera única dentro de una vecindad del valor verdadero.
Identificabilidad Global: Los parámetros están determinados de manera única sobre todo el espacio de parámetros.
Funciones Identificables: Cuando los parámetros individuales no son identificables, las combinaciones racionales de parámetros (generadores del campo identificable $K_{id}$ ) pueden seguir siendo recuperables de manera única.

Enfoque Algorítmico

El flujo de trabajo emplea dos estrategias algorítmicas principales:

Identificabilidad Local (Prueba de Sedoglavic): Un algoritmo probabilístico de tiempo polinomial que evalúa sensibilidades simbólicas en un punto aleatorio para verificar el rango de una matriz jacobiana. Esto sirve como un tamizaje inicial rápido.
Identificabilidad Global (Álgebra Diferencial): Un método basado en la eliminación diferencial mediante proyecciones (estilo SIAN). Elimina estados no observados para derivar relaciones entrada-salida, cuyos coeficientes son funciones identificables de los parámetros. Este enfoque es computacionalmente eficiente para modelos biológicos no lineales de tamaño mediano en comparación con los métodos clásicos de bases de Gröbner.

Flujo de Trabajo Computacional

El artículo propone un pipeline estandarizado implementado mediante cuatro funciones principales:

@ODEmodel: Una macro para declarar sistemas de EDO, estados, parámetros, entradas y salidas en una sintaxis cercana a la matemática.
assess_local_identifiability: Ejecuta la prueba de Sedoglavic para señalar parámetros localmente no identificables.
assess_identifiability: Realiza la prueba global para distinguir entre parámetros identificables globalmente y localmente.
find_identifiable_functions: Calcula los generadores del campo identificable $K_{id}$ , proporcionando la reparametrización necesaria (por ejemplo, identificando que solo el producto $pq$ es recuperable, no $p$ y $q$ individualmente).

3. Contribuciones Clave

El artículo contribuye con un tutorial integral y una referencia reproducible que conecta la identificabilidad teórica con la implementación práctica. Las contribuciones clave incluyen:

Un Marco Unificado en Julia: La integración del análisis de identificabilidad simbólica en el ecosistema de código abierto Julia SciML, permitiendo una interoperabilidad fluida con herramientas de simulación numérica, diferenciación automática e inferencia bayesiana.
Flujo de Trabajo Estandarizado: Un pipeline claro y paso a paso (Prueba Local $\to$ Prueba Global $\to$ Cálculo de Funciones Identificables) aplicable a diversos modelos mecanísticos.
Demostraciones de Estudios de Caso: Siete estudios de caso detallados de epidemiología, farmacocinética y dinámica viral que ilustran:
- Sistemas globalmente identificables (por ejemplo, modelo SIR con datos de incidencia).
- Identificabilidad solo local debido a simetrías de intercambio (por ejemplo, modelos farmacocinéticos de dos compartimentos).
- No identificabilidad estructural y la recuperación de la identificabilidad mediante mediciones adicionales (por ejemplo, agregar datos de reservorios ambientales a modelos SIWR).
- Estrategias de reparametrización utilizando combinaciones identificables (por ejemplo, estimar $\beta p$ en lugar de $\beta$ y $p$ por separado en dinámica viral).
Orientación Práctica: Recomendaciones concretas para el diseño experimental, la reformulación de modelos y la interpretación de resultados de identificabilidad en entornos aplicados.

4. Resultados

La aplicación del marco a los siete estudios de caso arroja insights estructurales específicos:

Modelo SIR: Demostró que los datos de incidencia ( $\beta SI$ ) por sí solos son suficientes para la identificabilidad global de las tasas de transmisión ( $\beta$ ) y recuperación ( $\gamma$ ), a pesar del compartimento recuperado no observado.
Farmacocinética (2 Compartimentos): Confirmó el resultado clásico de que las constantes de velocidad $a_{01}$ y $a_{12}$ son localmente pero no globalmente identificables debido a una simetría de intercambio. El marco identificó con éxito las combinaciones simétricas ( $a_{01} + a_{12}$ y $a_{01}a_{12}$ ) como las cantidades globalmente identificables.
Dinámica Viral (Modelo Perelson): Mostró que medir solo la carga viral ( $V$ ) hace que la tasa de infección ( $\beta$ ) y la tasa de producción ( $p$ ) no sean identificables individualmente, siendo recuperable solo el producto $\beta p$ . El análisis confirmó que agregar una medición de células diana no infectadas ( $T$ ) restaura la identificabilidad global para todos los parámetros.
Modelos SIWR y SEIR-H: Ilustró cómo los datos de incidencia agregados confunden los parámetros de transmisión ambiental. El marco demostró que agregar mediciones específicas (por ejemplo, concentración de patógenos ambientales o incidencia de casos) resuelve estas no identificabilidades.
Reparametrización: En todos los casos no identificables, la herramienta find_identifiable_functions generó con éxito el conjunto mínimo de combinaciones identificables, proporcionando una vía constructiva para la reformulación del modelo.

5. Significado y Afirmaciones

El artículo postula que el análisis de identificabilidad estructural es un requisito previo necesario para la estimación fiable de parámetros, la cuantificación de la incertidumbre y la interpretación mecanística. Su significado se enmarca de la siguiente manera:

Diagnósticos Constructivos: El análisis de identificabilidad no es meramente una herramienta de diagnóstico para rechazar modelos, sino una constructiva que guía el diseño experimental (por ejemplo, "¿qué mediciones adicionales se necesitan?") y la reformulación del modelo (por ejemplo, "¿qué combinaciones deben estimarse?").
Reproducibilidad: Al utilizar herramientas de código abierto de Julia y proporcionar cuadernos archivados y ejecutables, el marco aborda la crisis de reproducibilidad en el modelado computacional, asegurando que las afirmaciones de identificabilidad puedan verificarse de forma independiente.
Accesibilidad: El tutorial reduce la barrera de entrada para los científicos aplicados, trasladando el análisis de identificabilidad de un ejercicio teórico de nicho a un paso rutinario en el flujo de trabajo de modelado.
Distinción de la Identificabilidad Práctica: Los autores enfatizan que la identificabilidad estructural es una propiedad intrínseca del modelo y del esquema de medición, distinta de la identificabilidad práctica (que depende de la calidad de los datos y el ruido). Un modelo debe ser estructuralmente identificable antes de que los problemas prácticos puedan abordarse de manera significativa.

El artículo concluye que los métodos simbólicos modernos, cuando se integran en ecosistemas de código abierto, hacen que el análisis de identificabilidad estructural sea accesible y computacionalmente práctico, instando a los investigadores a incorporarlo como un paso preliminar estándar antes de la estimación de parámetros.