Por qué los pequeños movimientos pueden revelar grandes secretos
Desde bacterias errantes hasta células que deambulan en nuestro organismo, los seres vivos rara vez se mueven de forma exactamente igual. Cada individuo tiene sus peculiaridades, pero los experimentos con frecuencia capturan solo fragmentos cortos y ruidosos de su movimiento. Este estudio muestra cómo convertir esas trayectorias fragmentadas en una imagen clara de cuán diversa es realmente una población, usando una herramienta estadística que funciona incluso cuando el movimiento parece aleatorio y solo se registran posiciones, no velocidades.
Observando a muchos pequeños viajeros
Microscopios y cámaras modernas pueden seguir enjambres de células, microorganismos u otras «partículas activas» mientras se arrastran, nadan o se deslizan. Pero en la práctica, cada célula puede desaparecer de la vista tras poco tiempo porque abandona el campo visual o queda bloqueada por vecinas. En lugar de unas pocas películas largas del mismo individuo, los científicos obtienen muchas trayectorias cortas de muchos partículas distintas. Además, incluso microbios o células genéticamente idénticos no se mueven de forma idéntica: algunos son más persistentes, otros más erráticos y algunos responden de modo distinto a su entorno. Ignorar esta individualidad puede llevar a conclusiones engañosas sobre el comportamiento del conjunto.
De trazas aleatorias a reglas ocultas Figure 1. Muchos partículas en movimiento distintas generan trazas cortas que revelan un patrón subyacente de diversidad en su movimiento.
Para entender tal movimiento, los investigadores suelen describirlo con modelos de «Langevin»: reglas matemáticas que tratan el desplazamiento como una combinación de tendencias regulares y sacudidas aleatorias. Para muchos sistemas activos no basta con mirar los cambios de posición, porque las velocidades subyacentes fluctúan en el tiempo e introducen memoria en el movimiento. Esto hace que las posiciones observadas sean no markovianas, lo que significa que el siguiente paso depende de más que del actual. Los enfoques estándar que estiman parámetros del modelo a partir de cambios paso a paso pueden entonces sesgarse, sobre todo cuando solo se miden posiciones y las verdaderas velocidades permanecen ocultas. Los autores muestran que los métodos ingenuos pueden estimar de forma sistemática cantidades clave, como la rapidez con la que las partículas cambian de dirección o la intensidad de las sacudidas aleatorias, de manera errónea.
Una forma más inteligente de leer datos ruidosos
El núcleo del artículo es una nueva manera de aproximar cuán probables son un conjunto de parámetros del modelo dados una trayectoria registrada. En lugar de suponer que las velocida des aproximadas por diferencias finitas se comportan como velocidades instantáneas verdaderas, el método tiene en cuenta cuidadosamente que el movimiento observado se ha suavizado sobre ventanas temporales cortas. Matemáticamente, esto conduce a una descripción en la que esas «velocidades secantes» están impulsadas por ruido coloreado con correlaciones de corto alcance específicas. Al captar esas correlaciones en una matriz compacta con estructura simple, los autores derivan una fórmula de verosimilitud que puede evaluarse con rapidez, incluso para trayectorias largas con muchos puntos de datos.
Ampliando la mirada de individuos a poblaciones Figure 2. Trayectorias cortas y ruidosas se combinan en un perfil poblacional más nítido al ponderar todos los posibles parámetros de movimiento por su verosimilitud.
Una vez que pueden escribir cuán probable es una traza individual para un conjunto dado de parámetros, los autores van un paso más allá y permiten que esos parámetros varíen de partícula a partícula. Tratan a la población completa como extraída de una distribución desconocida y preguntan cuál distribución explica mejor todas las trayectorias observadas a la vez. Para resolver esto usan un esquema de expectativa–maximización, que alterna entre estimar cuán probables son distintos valores de parámetros para cada trayectoria y actualizar la distribución poblacional general. Este enfoque de «verosimilitud completa» supera a los métodos más simples de dos pasos que primero ajustan cada traza por separado y luego ajustan una distribución a esos estimadores puntuales, especialmente cuando las trayectorias son cortas y la incertidumbre sobre cada individuo es alta.
Saber cuán seguros estamos
Además de proporcionar una imagen de mejor ajuste de la variabilidad poblacional, el marco también ofrece una manera de cuantificar la incertidumbre de esa imagen. Al examinar cuán estrechamente centrada está la verosimilitud alrededor de su máximo, los autores calculan una matriz Hessiana cuya inversa estima la dispersión esperada de los parámetros poblacionales inferidos en experimentos repetidos. Esto produce regiones de confianza que muestran cuánto podría desplazarse la distribución inferida debido a datos finitos. Pruebas con datos simulados, incluidos modelos de partículas activas con velocidades preferentes y tendencias rotacionales, muestran que el método recupera de forma fiable la heterogeneidad impuesta a medida que el muestreo se vuelve más fino y las trayectorias más largas.
Qué implica esto para el estudio del movimiento vivo
En términos sencillos, el artículo presenta una receta para desentrañar dos fuentes de aleatoriedad en datos de movimiento: las sacudidas aleatorias de cada individuo a lo largo del tiempo y las diferencias genuinas entre individuos de una población. Al manejar adecuadamente trayectorias cortas que solo contienen posiciones y las velocidades ocultas detrás de ellas, el método ofrece una visión más clara y honesta de cuán diversa es realmente un conjunto de partículas o células en movimiento y de cuánta confianza merece esa visión. Esto abre el camino a modelos más detallados y basados en datos de sistemas motiles complejos, desde células migrantes en tejidos hasta partículas autopropulsadas en materiales diseñados.
Cita: Albrecht, J., Opper, M. & Großmann, R. A Likelihood Approach for Inference of Population Heterogeneity in Particle Ensembles with Second-Order Langevin Dynamics.
Commun Phys9, 165 (2026). https://doi.org/10.1038/s42005-026-02670-z
