Framing local structural identifiability in terms of parameter symmetries

Cet article établit un lien fondamental entre l'approche algébrique différentielle et les symétries de Lie en démontrant qu'une combinaison de paramètres est localement identifiable si et seulement si elle est un invariant différentiel de toutes les symétries de paramètres d'un modèle, offrant ainsi une nouvelle méthode d'analyse de l'identifiabilité structurelle.

L'essentiel

Imaginez que vous êtes un détective privé essayant de résoudre un mystère : celui d'une machine complexe (un modèle biologique, comme la propagation d'un virus ou la régulation du sucre dans le sang). Cette machine fonctionne avec des pièces invisibles appelées paramètres (des vitesses, des taux, des volumes). Votre seul moyen d'observer cette machine est de regarder ce qu'elle produit à la sortie : des données, comme une courbe de température ou un niveau de sucre.

Le problème ? Vous ne voyez pas les pièces à l'intérieur. Vous devez deviner leur taille et leur forme en regardant uniquement ce qui sort de la machine.

Le vieux problème : "Qui est qui ?"

Dans le monde de la modélisation, on appelle cela l'identifiabilité structurelle. La question est simple : Est-ce que je peux déduire la valeur exacte de chaque pièce cachée en regardant la sortie ?

Parfois, la réponse est "Oui". Parfois, c'est "Non". Et parfois, c'est "Je ne peux pas distinguer la pièce A de la pièce B, mais je sais combien elles pèsent ensemble".

Pendant des décennies, les scientifiques utilisaient une méthode mathématique rigide (l'algèbre différentielle) pour répondre à cette question. C'est comme essayer de deviner les ingrédients d'une soupe en goûtant le bouillon et en faisant des calculs complexes sur les coefficients. Ça marche, mais c'est parfois lourd et ça ne vous dit pas pourquoi vous ne pouvez pas distinguer certains ingrédients.

La nouvelle approche : Les "Miroirs Magiques"

C'est là que cette nouvelle recherche intervient. Les auteurs, Johannes Borgqvist et ses collègues, proposent une nouvelle façon de voir les choses en utilisant la théorie des symétries.

Imaginez que votre machine a des miroirs magiques (ce qu'ils appellent des "symétries de paramètres").

• Si vous regardez dans le miroir, la machine change légèrement (les pièces internes bougent, changent de taille).
• MAIS, le résultat qui sort de la machine reste exactement le même !

C'est comme si vous aviez deux recettes de gâteau différentes (une avec beaucoup de sucre et peu de farine, l'autre avec peu de sucre et beaucoup de farine) qui donnent exactement le même goût. Si vous ne pouvez goûter que le gâteau final, vous ne pouvez pas savoir quelle recette a été utilisée.

Le concept clé : Les "Invariants Universels"

L'idée géniale de ce papier est de dire :

"Si une pièce (un paramètre) change quand vous regardez dans le miroir, mais que le résultat final ne change pas, alors cette pièce est inidentifiable. Par contre, si une pièce reste exactement la même dans tous les miroirs possibles, alors c'est une pièce identifiable."

Ils appellent ces pièces stables des invariants universels.

• L'analogie du poids : Imaginez que vous avez deux sacs de sable. Vous ne pouvez pas les peser individuellement, mais vous pouvez les peser ensemble. Si vous échangez un peu de sable du sac A vers le sac B, le poids total reste le même. Le "poids total" est l'invariant universel. Vous ne pouvez pas savoir combien il y a dans chaque sac, mais vous savez le total.

La recette en 3 étapes (CaLinInv)

Les auteurs proposent une méthode simple en trois étapes pour trouver ces pièces cachées, qu'ils appellent la recette CaLinInv :

1. Le Canon (Canonical) : On transforme l'histoire de la machine pour ne parler que de ce qu'on voit (la sortie), en oubliant temporairement l'intérieur. C'est comme regarder uniquement le film projeté, sans se soucier de la caméra.
2. L'Éclair (Linearised) : On cherche les "miroirs magiques". On demande : "Comment puis-je bouger les pièces à l'intérieur sans que le film projeté change ?" C'est une étape mathématique pour trouver toutes les façons de tricher sans se faire prendre.
3. L'Invariant (Invariants) : On regarde ce qui ne bouge jamais, peu importe comment on triche. Ce qui reste fixe est ce que l'on peut vraiment connaître.

Pourquoi c'est important ?

Avant, on savait ce qu'on pouvait connaître, mais on ne savait pas pourquoi on ne pouvait pas connaître le reste.
Avec cette nouvelle méthode, on obtient deux choses :

1. On sait exactement quelles combinaisons de paramètres sont identifiables (les invariants).
2. On sait exactement comment les paramètres peuvent se transformer pour rester invisibles (la famille de symétries).

C'est comme si, au lieu de simplement dire "Je ne peux pas distinguer le sel du poivre", on vous donnait la formule exacte : "Vous pouvez ajouter 1g de sel et retirer 1g de poivre, et le goût restera identique".

En résumé

Ce papier fait le pont entre deux mondes mathématiques qui ne parlaient pas beaucoup ensemble. Il montre que la capacité à identifier les paramètres d'un modèle biologique dépend de la façon dont ces paramètres se comportent face à des transformations invisibles (les symétries).

C'est une avancée majeure pour les biologistes et les médecins : cela leur permet de savoir, avant même de faire une expérience coûteuse, quelles mesures ils peuvent espérer obtenir avec précision et quelles combinaisons de facteurs resteront toujours un mystère, peu importe la qualité de leurs données.

Résumé technique

1. Problématique et Contexte

La modélisation mécaniste des systèmes dynamiques, particulièrement en biologie, repose sur la capacité à estimer les paramètres du modèle à partir de données observées. Une étape préliminaire cruciale est l'analyse d'identifiabilité structurelle, qui détermine théoriquement quels paramètres (ou combinaisons de paramètres) peuvent être uniques-ment inférés à partir d'un ensemble donné de sorties observées, en supposant des données parfaites (sans bruit).

Deux approches principales existent pour cette analyse :

1. L'approche par algèbre différentielle (standard) : Elle reformule le système d'équations différentielles ordinaires (EDO) en un système d'entrée-sortie polynomial. L'identifiabilité est alors déterminée par l'injectivité de la carte reliant les paramètres aux coefficients de ce système. Cette méthode est robuste mais se concentre principalement sur l'identifiabilité globale.
2. L'approche par symétries de Lie (symétries complètes) : Elle utilise des transformations (diffeomorphismes $C^\infty$) agissant sur les variables indépendantes, dépendantes et les paramètres, tout en préservant les solutions du système et les sorties observées. Bien que prometteuse, le lien précis entre ces symétries et l'identifiabilité structurelle, ainsi que leur cohérence avec l'approche par algèbre différentielle, restaient flous.

Le problème central résolu par cet article est l'établissement d'un lien théorique rigoureux entre l'identifiabilité structurelle locale et les symétries de Lie, en introduisant une nouvelle notion de symétrie spécifique aux paramètres.

2. Méthodologie : Les Symétries de Paramètres

Les auteurs introduisent le concept de symétries de paramètres (parameter symmetries), une classe spécifique de symétries de Lie complètes.

• Définition : Une symétrie de paramètres est une transformation infinitésimale qui agit uniquement sur les paramètres du modèle ($\theta$) tout en laissant invariantes les équations du système de sortie et les sorties observées ($y$). Les variables d'état et le temps sont également invariants sous cette action.
• Générateur infinitésimal : Ces symétries sont générées par un champ de vecteurs $X^\theta = \sum \chi_\ell(\theta) \partial_{\theta_\ell}$, où les fonctions $\chi_\ell$ sont les infinitésimaux des paramètres.
• Condition de linéarisation : Pour qu'une transformation soit une symétrie, son générateur doit annuler le système d'EDO de sortie (équation 11 dans le texte), ce qui conduit à un système d'équations linéaires pour les infinitésimaux.
• Invariants Différentiels : Une fonction des paramètres est un invariant de paramètre si elle est constante le long des trajectoires générées par la symétrie (c'est-à-dire si $X^\theta(I) = 0$).
• Invariants Universels de Paramètres : Les auteurs définissent les invariants universels comme les fonctions de paramètres qui sont des invariants pour toutes les symétries de paramètres possibles d'un modèle donné.

3. Résultats Clés et Contributions Théoriques

L'article présente plusieurs résultats fondamentaux reliant ces concepts à l'identifiabilité :

1. Théorème Principal (Identifiabilité Locale et Invariants Universels) :
   Un paramètre (ou une combinaison de paramètres) est localement structurellement identifiable si et seulement s'il est un invariant universel de paramètre.

   • Interprétation : Si un paramètre change sous l'action d'une symétrie de paramètres (c'est-à-dire s'il n'est pas un invariant), alors il existe une transformation de paramètres qui produit exactement la même sortie observée, rendant ce paramètre non identifiable localement.

2. Cohérence avec l'Algèbre Différentielle :
   Les auteurs démontrent que l'approche standard par algèbre différentielle, qui extrait les coefficients des équations entrée-sortie, trouve systématiquement les invariants universels.

   • Cela prouve que l'approche par algèbre différentielle est cohérente avec le cadre des symétries. Les coefficients extraits correspondent soit à des constantes, soit à des invariants universels, qui sont précisément les quantités identifiables.

3. Distinction Identifiabilité Locale vs Globale :
   L'approche par symétries de paramètres identifie naturellement les quantités localement identifiables. L'approche par algèbre différentielle tend à identifier les quantités globalement identifiables. Cependant, les auteurs montrent que toute quantité globalement identifiable peut être exprimée comme une fonction des invariants universels (quantités localement identifiables).

4. La Recette "CaLinInv" :
   Les auteurs proposent un algorithme systématique en trois étapes pour analyser l'identifiabilité locale :

   • Canonical coordinates : Réécrire le système d'EDO original uniquement en fonction des sorties observées.
   • Linearised symmetry conditions : Résoudre les conditions de symétrie linéarisées pour trouver les infinitésimaux des paramètres et générer les symétries de paramètres.
   • Invariants : Calculer les invariants universels en résolvant l'équation aux dérivées partielles linéaires $X^\theta(I) = 0$ (méthode des caractéristiques).

4. Applications et Résultats Numériques

L'approche a été validée sur plusieurs modèles biologiques :

• Modèle Toy (Découplé) : Un système simple de deux espèces chimiques. La méthode a confirmé que la somme des taux de synthèse ($\kappa_1 + \kappa_2$) est identifiable, tandis que les taux individuels ne le sont pas, en accord avec l'algèbre différentielle. De plus, elle a identifié explicitement la symétrie de translation ($\kappa_1 \to \kappa_1 + \epsilon, \kappa_2 \to \kappa_2 - \epsilon$) qui préserve la sortie.
• Modèle Linéaire Couplé : Un cas où l'identifiabilité locale et globale diffère. La méthode a révélé que les paramètres individuels sont localement identifiables (sauf dans des cas dégénérés), alors que l'approche algébrique classique ne trouvait que les combinaisons globales (somme et produit).
• Modèle Glucose-Insuline : Analyse d'un modèle avec entrée dépendante du temps. La méthode a identifié que les paramètres $p_1, p_3, V_p$ sont identifiables, tandis que $p_2$ et $p_4$ ne le sont que via leur produit $p_2 p_4$. Elle a également caractérisé la symétrie d'échelle préservant ce produit.
• Modèle Épidémiologique SEI (Tuberculose) : Application sur un modèle complexe à 9 paramètres. La méthode a retrouvé les 7 combinaisons de paramètres identifiables globalement trouvées précédemment par d'autres auteurs, tout en fournissant la famille complète des symétries de paramètres (transformations continues) qui laissent les sorties invariantes. Les auteurs ont visualisé ces symétries dans l'espace des paramètres, montrant comment les paramètres indistinguables se déplacent tout en préservant les invariants.

5. Signification et Impact

Ce travail est significatif pour plusieurs raisons :

• Unification Théorique : Il comble le fossé entre deux domaines distincts (algèbre différentielle et théorie des groupes de Lie) en montrant que l'identifiabilité structurelle est fondamentalement une question d'invariance sous des transformations de paramètres.
• Nouvelle Perspective Locale : Il offre un cadre rigoureux pour l'identifiabilité locale, souvent négligée au profit de l'identifiabilité globale dans la littérature classique.
• Information Supplémentaire : Contrairement à l'approche par algèbre différentielle qui ne donne que les combinaisons identifiables, la méthode basée sur les symétries fournit également la famille de transformations de paramètres (les symétries elles-mêmes) qui rendent ces paramètres non identifiables. Cela permet de comprendre comment les paramètres peuvent varier sans changer le comportement du modèle.
• Potentiel d'Automatisation : La méthode "CaLinInv" est structurée de manière à être automatisée (via des solveurs symboliques comme SymPy), ouvrant la voie à des outils d'analyse d'identifiabilité plus complets pour des modèles mécanistes complexes, y compris potentiellement des systèmes d'équations aux dérivées partielles (EDP).

En résumé, l'article démontre que l'identifiabilité structurelle locale est équivalente à l'existence d'invariants universels sous les symétries de paramètres, offrant ainsi un outil puissant et conceptuellement riche pour l'analyse et la conception de modèles en biologie mathématique.