Paquete de análisis reproducible

Al finalizar este tema

Podrá vincular el bloqueo del entorno, la semilla, el hash de entrada, el esquema, el identificador de acceso a la fuente y el registro de ejecución en un único manifiesto. Distinga entre “tener el código” y “poder verificar nuevamente el mismo análisis”.

El análisis no es solo un fragmento de código

Un análisis reproducible requiere, además del código, los datos de entrada, las versiones, las reglas de transformación, el entorno de ejecución, la salida y el historial. Aplique los principios de gestión de entornos y dependencias de la documentación de empaquetado de Python al proyecto, pero no escriba que un único archivo lock resuelve los derechos de los datos y el diseño de la investigación.

Estructura del manifiesto

analysis_id
topic_id
input_sha256
schema_version
requirements_lock
random_seed
source_accession
transformations
output_path
verification_status

La semilla es la información necesaria para recrear un ejemplo de números aleatorios, pero no garantiza por sí sola la identidad completa de la entrada, la biblioteca, el hardware y el código. La entrada original no se sobrescribe; en cambio, se conservan por separado la salida transformada y el hash correspondiente.

Estructura de paquete recomendada

analysis-package/
├── README.md
├── manifest.tsv
├── requirements-lock.txt
├── data/
│   ├── provenance/
│   └── normalized/
├── src/
├── tests/
└── outputs/

En el archivo README se especifica el orden de ejecución y los requisitos de entrada, mientras que el manifiesto registra el hash y el estado de cada archivo. src contiene el código de transformación y análisis, y tests incluye la API principal y el contrato de resultados. Si se ha modificado manualmente la salida, es necesario registrarla por separado para diferenciarla del resultado generado por la ejecución del código.

Diferencia entre reproducibilidad y validación

Si el mismo código produce los mismos resultados, se puede verificar la reproducibilidad computacional. Sin embargo, esto no valida la validez de las mediciones de entrada, la adecuación del diseño de la investigación ni la interpretación biológica de los resultados. Un paquete reproducible proporciona una ruta auditable, pero no sustituye el juicio científico.

Al congelar un paquete, también se registra el hash del propio manifiesto. Si posteriormente se modifican los archivos, se crea una nueva versión y nunca se sobrescribe silenciosamente la versión aprobada anteriormente.

Derechos y citación

Al utilizar repositorios como GEO o ENCODE, se registran los identificadores de acceso y las citas oficiales. El acceso abierto y el permiso de redistribución se tratan por separado; si los derechos del origen son inciertos, no se incluyen los archivos en el contenido, sino que solo se indica la ruta oficial de acceso.

Volver a la pregunta de investigación para la interpretación

El manifiesto no es una herramienta mágica que hace que los resultados sean más científicos, sino un mecanismo que permite examinar en qué entradas y supuestos se basan los resultados. Que la ejecución sea reproducible no demuestra automáticamente la validez de las mediciones ni la causalidad.

Resumen clave

• Registrar conjuntamente el entorno, la entrada, la transformación, la salida y el origen.
• La reproducibilidad no se logra solo con la semilla.
• Distinguir entre identificador de acceso, citación, licencia y redistribución.

Próximo tema

En el último capítulo, se comunican al lector los resultados, las limitaciones, la ética y la accesibilidad.

Referencias

• Guía del usuario de Python Packaging: https://packaging.python.org/en/latest/
• NCBI GEO: https://www.ncbi.nlm.nih.gov/geo/info/
• Guías de citación de ENCODE: https://www.encodeproject.org/help/citing-encode/

El manifiesto y los ejemplos de esta entrega fueron escritos de forma independiente por BioStatPy.