Riepilogo Tecnico: Un Tutorial sull'Analisi di Identificabilità Strutturale Simbolica dei Modelli a Equazioni Differenziali Ordinarie (ODE) in Julia

1. Enunciazione del Problema

I modelli meccanicistici a equazioni differenziali ordinarie (ODE) sono strumenti fondamentali in epidemiologia, biologia dei sistemi, farmacocinetica e ingegneria biomedica per descrivere processi dinamici. Tuttavia, l'affidabilità della stima dei parametri e delle successive inferenze dipende criticamente dall'identificabilità strutturale: la capacità teorica di recuperare in modo univoco i parametri del modello sconosciuti da osservazioni ideali, prive di rumore e continue.

Il documento affronta il divario tra la teoria matematica dell'identificabilità strutturale e la sua applicazione pratica nei flussi di lavoro scientifici moderni. Sebbene esistano quadri teorici (risalenti a Bellman e Åström), la loro applicazione è ostacolata da:

• Barriere Software: Molti strumenti esistenti si basano su sistemi di algebra computazionale proprietari (ad es. Maple, MATLAB), limitando la riproducibilità.
• Requisiti di Competenza: I metodi simbolici richiedono spesso conoscenze matematiche specializzate, creando una barriera per gli scienziati applicati.
• Complessità Computazionale: L'analisi di identificabilità globale per modelli non lineari su larga scala è stata storicamente proibitiva dal punto di vista computazionale.
• Disconnessione del Flusso di Lavoro: L'analisi di identificabilità è spesso trattata come un passo diagnostico separato piuttosto che come parte integrata della pipeline di modellazione, simulazione e stima.

Di conseguenza, i ricercatori calibrano frequentemente modelli non identificabili, portando a stime dei parametri non uniche, incertezze gonfiate e interpretazioni biologiche fuorvianti.

2. Metodologia

Il documento presenta un quadro computazionale unificato per l'analisi di identificabilità strutturale simbolica utilizzando il linguaggio di programmazione Julia e il pacchetto StructuralIdentifiability.jl. La metodologia integra il calcolo simbolico con il più ampio ecosistema Julia SciML (inclusi ModelingToolkit.jl, DifferentialEquations.jl e Catalyst.jl).

Fondamenti Matematici

L'analisi considera sistemi parametrici di ODE della forma:
$$\dot{x}(t) = f(x(t), u(t); \theta), \quad x(0) = x_0(\theta), \quad y(t) = g(x(t), u(t); \theta)$$
dove $x$ sono gli stati, $u$ sono gli ingressi, $y$ sono le uscite e $\theta$ sono i parametri. Il problema centrale è determinare l'iniettività della mappa parametro-uscita $\Phi$.

Il quadro distingue tra:

• Identificabilità Locale: I parametri sono determinati in modo univoco all'interno di un intorno del valore vero.
• Identificabilità Globale: I parametri sono determinati in modo univoco sull'intero spazio dei parametri.
• Funzioni Identificabili: Quando i parametri individuali non sono identificabili, le combinazioni razionali di parametri (generatori del campo identificabile $K_{id}$) possono comunque essere recuperate in modo univoco.

Approccio Algoritmico

Il flusso di lavoro impiega due strategie algoritmiche principali:

1. Identificabilità Locale (Test di Sedoglavic): Un algoritmo probabilistico a tempo polinomiale che valuta le sensibilità simboliche in un punto casuale per verificare il rango di una matrice Jacobiana. Questo funge da screening iniziale rapido.
2. Identificabilità Globale (Algebra Differenziale): Un metodo basato sull'eliminazione differenziale tramite proiezioni (stile SIAN). Elimina gli stati non osservati per derivare relazioni ingresso-uscita, i cui coefficienti sono funzioni identificabili dei parametri. Questo approccio è computazionalmente efficiente per modelli biologici non lineari di dimensioni medie rispetto ai metodi classici delle basi di Gröbner.

Flusso di Lavoro Computazionale

Il documento propone una pipeline standardizzata implementata tramite quattro funzioni principali:

1. @ODEmodel: Una macro per dichiarare sistemi ODE, stati, parametri, ingressi e uscite in una sintassi vicina a quella matematica.
2. assess_local_identifiability: Esegue il test di Sedoglavic per segnalare i parametri localmente non identificabili.
3. assess_identifiability: Esegue il test globale per distinguere tra parametri globalmente e localmente identificabili.
4. find_identifiable_functions: Calcola i generatori del campo identificabile $K_{id}$, fornendo la riparametrizzazione necessaria (ad es. identificando che solo il prodotto $pq$ è recuperabile, non $p$ e $q$ individualmente).

3. Contributi Chiave

Il documento contribuisce con un tutorial completo e un riferimento riproducibile che colma il divario tra identificabilità teorica e implementazione pratica. I contributi chiave includono:

• Un Quadro Unificato Julia: L'integrazione dell'analisi di identificabilità simbolica nell'ecosistema open-source Julia SciML, consentendo un'interoperabilità senza soluzione di continuità con la simulazione numerica, la differenziazione automatica e gli strumenti di inferenza bayesiana.
• Flusso di Lavoro Standardizzato: Una pipeline chiara e passo-passo (Test Locale $\to$ Test Globale $\to$ Calcolo della Funzione Identificabile) applicabile a diversi modelli meccanicistici.
• Dimostrazioni di Casi di Studio: Sette casi di studio dettagliati provenienti da epidemiologia, farmacocinetica e dinamiche virali che illustrano:
  • Sistemi globalmente identificabili (ad es. modello SIR con dati di incidenza).
  • Identificabilità solo locale dovuta a simmetrie di scambio (ad es. modelli farmacocinetici a due compartimenti).
  • Non identificabilità strutturale e il recupero dell'identificabilità tramite misurazioni aggiuntive (ad es. l'aggiunta di dati sul serbatoio ambientale ai modelli SIWR).
  • Strategie di riparametrizzazione utilizzando combinazioni identificabili (ad es. stimare $\beta p$ invece di $\beta$ e $p$ separatamente nelle dinamiche virali).
• Guida Pratica: Raccomandazioni concrete per la progettazione sperimentale, la riformulazione del modello e l'interpretazione dei risultati di identificabilità in contesti applicati.

4. Risultati

L'applicazione del quadro ai sette casi di studio produce insight strutturali specifici:

• Modello SIR: Ha dimostrato che i soli dati di incidenza ($\beta SI$) sono sufficienti per l'identificabilità globale sia del tasso di trasmissione ($\beta$) che del tasso di recupero ($\gamma$), nonostante il compartimento recuperato non sia osservato.
• Farmacocinetica (2-Compartimenti): Ha confermato il risultato classico secondo cui le costanti di velocità $a_{01}$ e $a_{12}$ sono localmente ma non globalmente identificabili a causa di una simmetria di scambio. Il quadro ha identificato con successo le combinazioni simmetriche ($a_{01} + a_{12}$ e $a_{01}a_{12}$) come le quantità globalmente identificabili.
• Dinamiche Virali (Modello Perelson): Ha mostrato che misurare solo il carico virale ($V$) rende il tasso di infezione ($\beta$) e il tasso di produzione ($p$) non identificabili individualmente, con solo il prodotto $\beta p$ recuperabile. L'analisi ha confermato che l'aggiunta di una misurazione delle cellule bersaglio non infette ($T$) ripristina l'identificabilità globale per tutti i parametri.
• Modelli SIWR e SEIR-H: Ha illustrato come i dati di incidenza aggregati confondano i parametri di trasmissione ambientale. Il quadro ha dimostrato che l'aggiunta di misurazioni specifiche (ad es. concentrazione di patogeni ambientali o incidenza dei casi) risolve queste non identificabilità.
• Riparametrizzazione: In tutti i casi non identificabili, lo strumento find_identifiable_functions ha generato con successo l'insieme minimo di combinazioni identificabili, fornendo un percorso costruttivo per la riformulazione del modello.

5. Significato e Affermazioni

Il documento sostiene che l'analisi di identificabilità strutturale è un prerequisito necessario per una stima affidabile dei parametri, la quantificazione dell'incertezza e l'interpretazione meccanicistica. La sua importanza è inquadrata come segue:

• Diagnostica Costruttiva: L'analisi di identificabilità non è meramente uno strumento diagnostico per rifiutare i modelli, ma uno costruttivo che guida la progettazione sperimentale (ad es. "quali misurazioni aggiuntive sono necessarie?") e la riformulazione del modello (ad es. "quali combinazioni dovrebbero essere stimate?").
• Riproducibilità: Utilizzando strumenti Julia open-source e fornendo notebook eseguibili archiviati, il quadro affronta la crisi della riproducibilità nella modellazione computazionale, garantendo che le affermazioni di identificabilità possano essere verificate indipendentemente.
• Accessibilità: Il tutorial abbassa la barriera all'ingresso per gli scienziati applicati, spostando l'analisi di identificabilità da un esercizio teorico di nicchia a un passo routine nel flusso di lavoro di modellazione.
• Distinzione dall'Identificabilità Pratica: Gli autori sottolineano che l'identificabilità strutturale è una proprietà intrinseca del modello e del piano di misurazione, distinta dall'identificabilità pratica (che dipende dalla qualità dei dati e dal rumore). Un modello deve essere strutturalmente identificabile prima che le questioni pratiche possano essere affrontate in modo significativo.

Il documento conclude che i moderni metodi simbolici, quando integrati in ecosistemi open-source, rendono l'analisi di identificabilità strutturale accessibile e praticamente realizzabile dal punto di vista computazionale, esortando i ricercatori a incorporarla come passo preliminare standard prima della stima dei parametri.