Biomedical Open Source Software: Crucial Packages and Hidden Heroes

Resumo Técnico: Software de Código Aberto Biomédico: Pacotes Cruciais e Heróis Ocultos

Declaração do Problema
O software científico é uma ferramenta ubíqua e crítica para a pesquisa moderna, mas sofre de um problema de "dupla invisibilidade". Primeiro, o software frequentemente não é citado formalmente em publicações, o que significa que os desenvolvedores e mantenedores das ferramentas usadas diretamente pelos pesquisadores muitas vezes permanecem não reconhecidos. Segundo, e mais criticamente, as bibliotecas fundamentais que sustentam essas ferramentas voltadas ao usuário (dependências) são ainda menos visíveis. Esses "heróis ocultos" são essenciais para a estabilidade e reprodutibilidade da computação científica, mas raramente são mencionados em artigos, deixando seus mantenedores sem crédito ou financiamento. Essa falta de reconhecimento cria riscos, como o potencial de essas bibliotecas sem manutenção se tornarem vetores de vulnerabilidades de segurança. As práticas e infraestruturas atuais de citação falham em capturar a rede complexa e transitiva de dependências da qual a pesquisa contemporânea depende.

Metodologia
Para mapear o impacto do software além das citações diretas, os autores construíram uma rede de dois modos integrando três conjuntos de dados principais:

1. Conjunto de Dados de Menções de Software CZ: Extraído de 2,4 milhões de artigos biomédicos usando um modelo de aprendizado de máquina treinado no padrão-ouro SoftCite. Isso identifica quais pacotes de software são mencionados na literatura.
2. Dados de Dependência do Ecosyste.ms: Informações de dependência agregadas de três grandes ecossistemas: PyPI (Python), CRAN (R) e Bioconductor (R).
3. OpenAlex: Utilizado para recuperar contagens de citações dos artigos para ponderar as arestas da rede.

A rede consiste em nós representando artigos e pacotes de software. Arestas diretas conectam artigos ao software que mencionam (ponderadas pela contagem de citações do artigo) e conectam pacotes de software às suas dependências (com base em metadados em arquivos de manifesto como pyproject.toml ou DESCRIPTION). Os autores recuperaram recursivamente dependências transitivas para capturar toda a pilha de dependências.

Para a análise de rede, os autores empregaram a centralidade de Katz. Essa métrica foi selecionada porque leva em conta:

• Nós sem arestas de entrada (artigos contribuem para a centralidade do software sem recebê-la).
• Pesos das arestas (artigos altamente citados contribuem mais para a centralidade de um pacote).
• A natureza difusiva da inovação, onde a importância se propaga através da rede.

A análise foi realizada em três variações da rede: não ponderada, ponderada (grafo completo) e ponderada (apenas o maior componente conectado).

Principais Contribuições e Framework
O artigo introduz um framework de classificação inspirado no "Quadrante de Pasteur" de Donald Stokes, adaptado à visibilidade e centralidade do software:

• Pacotes "Pasteur": Altamente visíveis na literatura (muitas menções) e altamente centrais na rede de dependências.
• Pacotes "Nebraska": Baixa visibilidade na literatura (poucas ou nenhuma menção) mas altamente centrais na rede de dependências. Estes representam a infraestrutura crítica e oculta.
• Pacotes "Populares": Alta visibilidade, mas baixa centralidade.
• "Maioria": Baixa visibilidade e baixa centralidade.

Os autores propõem que a identificação de pacotes "Nebraska" é essencial para direcionar financiamento e suporte à infraestrutura subjacente da ciência, em vez de apenas às ferramentas voltadas ao usuário.

Resultados

• Estrutura da Rede: A análise revelou um núcleo denso de pacotes populares (por exemplo, ggplot2, DESeq2, numpy) e um número significativo de pacotes que são apenas dependências, nunca mencionados diretamente em artigos. Aproximadamente 10% dos pacotes no ecossistema completo formaram loops de dependência, embora nenhum loop tenha sido encontrado dentro dos componentes conectados de pacotes realmente mencionados em artigos.
• Desigualdade de Impacto: A distribuição de menções e centralidade é altamente desigual (altos coeficientes de Gini). Uma pequena fração de pacotes responde pela vasta maioria das menções e centralidade.
• Identificação de Pacotes "Nebraska": O estudo identificou com sucesso pacotes críticos que raramente são citados, mas possuem alta centralidade de Katz. Exemplos incluem:
  • R (CRAN/Bioconductor): vctrs, withr, isoband, affyio. Muitos destes fazem parte do sistema tidyverse.
  • Python (PyPI): setuptools, tifffile, pauvre, requests.
• Validação: A metodologia identificou corretamente pacotes de alto impacto conhecidos como numpy, scipy e ggplot2 no quadrante "Pasteur", validando a abordagem.
• Diferenças entre Ecossistemas: No grafo não ponderado, os ecossistemas R (CRAN/Bioconductor) dominaram o quadrante "Nebraska", enquanto o PyPI foi super-representado no grafo ponderado.

Significância e Limitações
O artigo reivindica significância ao fornecer um método quantitativo para medir o "crédito transitivo" do software, tornando visível a infraestrutura invisível da ciência. Ao identificar pacotes "Nebraska", as partes interessadas (financiadores, provedores de infraestrutura) podem direcionar melhor o suporte aos mantenedores de bibliotecas críticas e de baixa visibilidade, melhorando assim a resiliência e a reprodutibilidade dos ecossistemas de software científico.

Os autores reconhecem explicitamente várias limitações:

• Desambiguação: A dependência do conjunto de dados de Menções de Software CZ significa que homônimos (por exemplo, velvet ou tophat referindo-se a ferramentas diferentes) podem levar a vinculações incorretas, embora isso não tenha alterado fundamentalmente as classificações de centralidade.
• Escopo: O estudo limita-se a pacotes de código aberto dentro do PyPI, CRAN e Bioconductor. Exclui software proprietário (por exemplo, Excel), aplicativos compilados (por exemplo, Gephi) e dependências de sistema de baixo nível (por exemplo, BLAS, Kernel Linux) que não são listadas explicitamente nos manifestos de pacotes.
• Instantâneo Temporal: A análise usa a versão mais recente dos pacotes, ignorando mudanças específicas de versão nas dependências ao longo do tempo.
• Uso vs. Dependência: A rede reflete dependências declaradas, não necessariamente o uso real em tempo de execução de bibliotecas dentro de artigos específicos.
• Cobertura do Ecossistema: A cobertura combinada dos três ecossistemas representa apenas uma fração (estimada em ~17,5%) do panorama total de software de código aberto.

Os autores concluem que, embora sua quantificação do impacto seja imperfeita, ela oferece uma linha de base reprodutível para entender a criticidade do software. Trabalhos futuros devem incorporar dados temporais, repositórios alternativos (como Conda) e resolução de dependências mais granular para refinar essas métricas.