📊 statistics

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

Ce tutoriel présente un cadre computationnel moderne et reproductible utilisant le package Julia StructuralIdentifiability.jl pour réaliser une analyse d'identifiabilité structurelle symbolique sur des modèles d'équations différentielles ordinaires, guidant les chercheurs à travers des concepts théoriques et des flux de travail pratiques via sept études de cas diversifiées afin d'assurer une estimation fiable des paramètres.

Auteurs originaux : Abdallah Alsammani

Publié 2026-05-20

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Abdallah Alsammani

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un détective tentant de résoudre une énigme. Vous avez une scène de crime (les données que vous avez collectées) et une théorie sur ce qui s'est produit (un modèle mathématique décrivant le fonctionnement du système). Votre objectif est de déterminer les détails exacts du crime : la vitesse de la voiture de fuite, l'heure du braquage, le nombre de suspects.

Cet article est un guide pour les détectives qui utilisent des modèles d'équations différentielles ordinaires (EDO). Ce sont des formules mathématiques complexes utilisées pour décrire comment les choses évoluent dans le temps, comme la propagation d'un virus, le déplacement d'un médicament dans l'organisme ou la croissance d'une population.

L'article pose une question très spécifique avant même que vous ne commenciez à chercher des indices : « Est-il réellement possible de déterminer les détails exacts du crime, même si nous disposions d'informations parfaites et sans bruit ? »

Ce concept s'appelle l'identifiabilité structurelle.

Voici la décomposition des idées principales de l'article à l'aide d'analogies simples :

1. Le problème central : Le détective « aveuglé »

Parfois, votre modèle mathématique est configuré d'une manière qui rend impossible la connaissance des vraies valeurs de vos variables, peu importe la quantité de données que vous collectez.

L'analogie : Imaginez que vous observez une voiture s'éloigner, mais que vous ne pouvez voir que ses phares. Vous pouvez dire à quelle vitesse la voiture se déplace (la sortie), mais vous ne pouvez pas déterminer s'il s'agit d'une voiture rapide avec un moteur faible ou d'une voiture lente avec un moteur suralimenté. Deux configurations totalement différentes produisent exactement le même résultat.
L'affirmation de l'article : Si un modèle est « non identifiable », cela signifie que différentes combinaisons de paramètres (comme la vitesse et la puissance du moteur) créent exactement le même résultat. Si vous tentez d'estimer ces nombres à partir de données réelles, votre ordinateur ne fera que deviner au hasard, et vos résultats seront dépourvus de sens.

2. La solution : Un nouvel outil d'enquête (Julia et StructuralIdentifiability.jl)

L'article présente une nouvelle boîte à outils moderne, construite dans un langage de programmation appelé Julia. Considérez cette boîte à outils comme un « détecteur de vérité » pour vos modèles mathématiques.

Son fonctionnement : Au lieu de deviner, cet outil utilise des mathématiques avancées (calcul symbolique) pour analyser les équations avant que vous ne collectiez des données. Il vérifie : « Si je change ce nombre, la sortie change-t-elle d'une manière unique ? »
Le flux de travail :
1. Écrire le modèle : Vous indiquez à l'ordinateur vos équations (comme si vous écriviez votre théorie du crime).
2. Vérification locale : L'outil effectue un scan rapide pour voir si les nombres sont même localement uniques (comme vérifier si la vitesse de la voiture est unique dans un petit quartier).
3. Vérification globale : Si la première vérification réussit, il effectue un scan plus approfondi pour voir si les nombres sont uniques partout (vérifier si la vitesse de la voiture est unique dans toute la ville).
4. La correction : Si les nombres ne sont pas uniques, l'outil vous indique exactement quelles combinaisons de nombres sont uniques.

3. La « magie » des combinaisons

Souvent, vous ne pouvez pas trouver les nombres individuels, mais vous pouvez trouver leur produit ou leur somme.

L'analogie : Imaginez que vous avez un code secret où deux nombres, $A$ et $B$ , sont multipliés ensemble pour produire un résultat. Vous ne pouvez pas dire si $A=2$ et $B=3$ , ou si $A=6$ et $B=1$ . Les deux vous donnent 6.
L'insight de l'article : L'outil vous dit : « Arrêtez d'essayer de trouver $A$ et $B$ séparément. Ils sont une énigme. Mais le produit ( $A \times B$ ) est parfaitement clair. Modifiez votre rapport pour vous concentrer sur le produit. »
Exemple réel tiré de l'article : Dans un modèle de propagation d'un virus, vous pourriez ne pas pouvoir distinguer la vitesse à laquelle le virus infecte les cellules ( $\beta$ ) de la vitesse à laquelle les cellules infectées éclatent ( $p$ ). Mais l'outil révèle que le produit de ces deux ( $\beta \times p$ ) est la seule chose qui compte. Vous devez rapporter ce produit, et non les nombres individuels.

4. La puissance de « plus d'yeux » (Ajout de mesures)

L'article montre que parfois, le problème ne réside pas dans le modèle, mais dans le fait que vous n'observez pas assez de choses.

L'analogie : Si vous ne regardez que les phares de la voiture, vous ne pouvez pas déterminer le type de moteur. Mais si vous ajoutez une deuxième caméra qui observe le pot d'échappement de la voiture, vous pourriez enfin réussir à distinguer le moteur.
Les exemples de l'article :
- Dynamique virale : Si vous ne mesurez que la quantité de virus dans le sang, vous ne pouvez pas séparer tous les taux biologiques. Mais si vous mesurez aussi le nombre de cellules saines, l'énigme est résolue et chaque nombre devient identifiable.
- Épidémies : Si vous ne comptez que les nouvelles infections, vous ne pouvez pas déterminer quelle part de la propagation provient de personne à personne par rapport à l'environnement (comme l'eau sale). Mais si vous mesurez aussi le virus dans l'eau, l'énigme est résolue.

5. Pourquoi cela compte (La règle « Ne perdez pas votre temps »)

L'article soutient que les scientifiques sautent souvent cette étape. Ils construisent un modèle, le font tourner sur un ordinateur, obtiennent un résultat et le publient.

Le risque : Si le modèle était structurellement non identifiable, le résultat obtenu n'était qu'une chance ou un artefact mathématique. Il n'a aucun sens dans le monde réel.
La recommandation : Exécutez toujours ce « détecteur de vérité » avant d'essayer d'estimer les paramètres. Cela fait gagner du temps, prévient les conclusions erronées et vous indique exactement quel type de données vous devez collecter pour résoudre l'énigme.

Résumé de la contribution de l'article

Cet article est un tutoriel. Il enseigne aux chercheurs comment utiliser un package logiciel spécifique (StructuralIdentifiability.jl) pour :

Diagnostiquer si leur modèle est soluble.
Identifier quelles parties du modèle sont solubles et lesquelles ne le sont pas.
Reformuler le modèle (en regroupant des nombres ou en ajoutant de nouvelles mesures) afin qu'il devienne soluble.

Il souligne que ce n'est pas seulement des mathématiques théoriques ; c'est un processus pratique, étape par étape, qui peut être réalisé sur un ordinateur portable à l'aide d'outils open source, garantissant ainsi que les modèles scientifiques sont construits sur des bases solides avant d'être utilisés pour faire des prédictions sur les maladies, les médicaments ou les écosystèmes.

Résumé technique : Un tutoriel sur l'analyse d'identifiabilité structurelle symbolique des modèles d'EDOs en Julia

1. Énoncé du problème

Les modèles mécanistes d'équations différentielles ordinaires (EDOs) sont des outils fondamentaux en épidémiologie, biologie des systèmes, pharmacocinétique et ingénierie biomédicale pour décrire les processus dynamiques. Cependant, la fiabilité de l'estimation des paramètres et des inférences subséquentes dépend de manière critique de l'identifiabilité structurelle : la capacité théorique à retrouver de manière unique les paramètres inconnus du modèle à partir d'observations idéales, sans bruit et continues.

L'article comble le fossé entre la théorie mathématique de l'identifiabilité structurelle et son application pratique dans les flux de travail scientifiques modernes. Bien que des cadres théoriques existent (remontant à Bellman et Åström), leur application est entravée par :

Obstacles logiciels : De nombreux outils existants reposent sur des systèmes d'algèbre informatique propriétaires (par exemple, Maple, MATLAB), limitant la reproductibilité.
Exigences d'expertise : Les méthodes symboliques exigent souvent des connaissances mathématiques spécialisées, créant une barrière pour les scientifiques appliqués.
Complexité computationnelle : L'analyse d'identifiabilité globale pour les modèles non linéaires à grande échelle a historiquement été computationnellement prohibitive.
Déconnexion des flux de travail : L'analyse d'identifiabilité est souvent traitée comme une étape de diagnostic séparée plutôt que comme une partie intégrée du pipeline de modélisation, de simulation et d'estimation.

Par conséquent, les chercheurs calibrent fréquemment des modèles non identifiables, conduisant à des estimations de paramètres non uniques, à une incertitude gonflée et à des interprétations biologiques trompeuses.

2. Méthodologie

L'article présente un cadre computationnel unifié pour l'analyse d'identifiabilité structurelle symbolique utilisant le langage de programmation Julia et le package StructuralIdentifiability.jl. La méthodologie intègre le calcul symbolique avec l'écosystème plus large Julia SciML (incluant ModelingToolkit.jl, DifferentialEquations.jl et Catalyst.jl).

Fondements mathématiques

L'analyse considère des systèmes d'EDOs paramétrés de la forme :
$\dot{x}(t) = f(x(t), u(t); \theta), \quad x(0) = x_0(\theta), \quad y(t) = g(x(t), u(t); \theta)$
où $x$ sont les états, $u$ sont les entrées, $y$ sont les sorties et $\theta$ sont les paramètres. Le problème central consiste à déterminer l'injectivité de l'application paramètre-sortie $\Phi$ .

Le cadre distingue entre :

Identifiabilité locale : Les paramètres sont déterminés de manière unique dans un voisinage de la valeur vraie.
Identifiabilité globale : Les paramètres sont déterminés de manière unique sur l'ensemble de l'espace des paramètres.
Fonctions identifiables : Lorsque les paramètres individuels ne sont pas identifiables, des combinaisons rationnelles de paramètres (générateurs du corps identifiable $K_{id}$ ) peuvent néanmoins être retrouvées de manière unique.

Approche algorithmique

Le flux de travail emploie deux stratégies algorithmiques principales :

Identifiabilité locale (Test de Sedoglavic) : Un algorithme probabiliste, polynomial en temps, qui évalue les sensibilités symboliques en un point aléatoire pour vérifier le rang d'une matrice jacobienne. Cela sert de dépistage initial rapide.
Identifiabilité globale (Algèbre différentielle) : Une méthode basée sur l'élimination différentielle par projections (de style SIAN). Elle élimine les états non observés pour dériver des relations entrée-sortie, dont les coefficients sont des fonctions identifiables des paramètres. Cette approche est computationnellement efficace pour les modèles biologiques non linéaires de taille moyenne par rapport aux méthodes classiques de bases de Gröbner.

Flux de travail computationnel

L'article propose un pipeline standardisé implémenté via quatre fonctions principales :

@ODEmodel : Une macro pour déclarer les systèmes d'EDOs, les états, les paramètres, les entrées et les sorties dans une syntaxe proche des mathématiques.
assess_local_identifiability : Exécute le test de Sedoglavic pour signaler les paramètres localement non identifiables.
assess_identifiability : Effectue le test global pour distinguer les paramètres identifiables globalement de ceux identifiables localement.
find_identifiable_functions : Calcule les générateurs du corps identifiable $K_{id}$ , fournissant la reparamétrisation nécessaire (par exemple, identifier que seul le produit $pq$ est récupérable, et non $p$ et $q$ individuellement).

3. Contributions clés

L'article contribue par un tutoriel complet et une référence reproductible qui fait le pont entre l'identifiabilité théorique et l'implémentation pratique. Les contributions clés incluent :

Un cadre Julia unifié : L'intégration de l'analyse d'identifiabilité symbolique dans l'écosystème open-source Julia SciML, permettant une interopérabilité transparente avec la simulation numérique, la différenciation automatique et les outils d'inférence bayésienne.
Flux de travail standardisé : Un pipeline clair, étape par étape (Test local $\to$ Test global $\to$ Calcul de fonctions identifiables) applicable à divers modèles mécanistes.
Démonstrations par études de cas : Sept études de cas détaillées issues de l'épidémiologie, de la pharmacocinétique et de la dynamique virale illustrant :
- Des systèmes globalement identifiables (par exemple, modèle SIR avec des données d'incidence).
- Une identifiabilité uniquement locale due à des symétries d'échange (par exemple, modèles pharmacocinétiques à deux compartiments).
- Une non-identifiabilité structurelle et le rétablissement de l'identifiabilité via des mesures supplémentaires (par exemple, l'ajout de données sur le réservoir environnemental aux modèles SIWR).
- Des stratégies de reparamétrisation utilisant des combinaisons identifiables (par exemple, estimer $\beta p$ au lieu de $\beta$ et $p$ séparément dans la dynamique virale).
Conseils pratiques : Recommandations concrètes pour la conception expérimentale, la reformulation de modèles et l'interprétation des résultats d'identifiabilité dans des contextes appliqués.

4. Résultats

L'application du cadre aux sept études de cas produit des insights structurels spécifiques :

Modèle SIR : A démontré que les données d'incidence ( $\beta SI$ ) seules suffisent pour l'identifiabilité globale des taux de transmission ( $\beta$ ) et de rétablissement ( $\gamma$ ), malgré le compartiment rétabli non observé.
Pharmacocinétique (2 compartiments) : A confirmé le résultat classique selon lequel les constantes de vitesse $a_{01}$ et $a_{12}$ sont identifiables localement mais pas globalement en raison d'une symétrie d'échange. Le cadre a identifié avec succès les combinaisons symétriques ( $a_{01} + a_{12}$ et $a_{01}a_{12}$ ) comme les quantités identifiables globalement.
Dynamique virale (Modèle de Perelson) : A montré que la mesure de la charge virale ( $V$ ) seule rend le taux d'infection ( $\beta$ ) et le taux de production ( $p$ ) non identifiables individuellement, seul le produit $\beta p$ étant récupérable. L'analyse a confirmé que l'ajout d'une mesure des cellules cibles non infectées ( $T$ ) rétablit l'identifiabilité globale pour tous les paramètres.
Modèles SIWR et SEIR-H : A illustré comment des données d'incidence agrégées confondent les paramètres de transmission environnementale. Le cadre a démontré que l'ajout de mesures spécifiques (par exemple, concentration de pathogène environnemental ou incidence des cas) résout ces non-identifiabilités.
Reparamétrisation : Dans tous les cas non identifiables, l'outil find_identifiable_functions a généré avec succès l'ensemble minimal de combinaisons identifiables, offrant une voie constructive pour la reformulation du modèle.

5. Importance et affirmations

L'article postule que l'analyse d'identifiabilité structurelle est une condition préalable nécessaire pour une estimation fiable des paramètres, une quantification de l'incertitude et une interprétation mécaniste. Son importance est présentée comme suit :

Diagnostics constructifs : L'analyse d'identifiabilité n'est pas simplement un outil de diagnostic pour rejeter des modèles, mais un outil constructif qui guide la conception expérimentale (par exemple, "quelles mesures supplémentaires sont nécessaires ?") et la reformulation de modèles (par exemple, "quelles combinaisons devraient être estimées ?").
Reproductibilité : En utilisant des outils Julia open-source et en fournissant des notebooks archivés et exécutables, le cadre répond à la crise de la reproductibilité dans la modélisation computationnelle, garantissant que les affirmations d'identifiabilité peuvent être vérifiées indépendamment.
Accessibilité : Le tutoriel abaisse la barrière à l'entrée pour les scientifiques appliqués, faisant passer l'analyse d'identifiabilité d'un exercice théorique de niche à une étape routinière du flux de travail de modélisation.
Distinction d'avec l'identifiabilité pratique : Les auteurs soulignent que l'identifiabilité structurelle est une propriété intrinsèque du modèle et du schéma de mesure, distincte de l'identifiabilité pratique (qui dépend de la qualité des données et du bruit). Un modèle doit être structurellement identifiable avant que les problèmes pratiques ne puissent être traités de manière significative.

L'article conclut que les méthodes symboliques modernes, lorsqu'elles sont intégrées dans des écosystèmes open-source, rendent l'analyse d'identifiabilité structurelle accessible et computationnellement pratique, encourageant les chercheurs à l'intégrer comme une étape préliminaire standard avant l'estimation des paramètres.