Los modelos de planta funcional-estructural (FSP) se utilizan para ayudar en entender los enlaces entre la arquitectura física de una planta y los mecanismos de desarrollo que la crean. Uno de los desafíos clave del modelado de FSP es la estimación de parámetros, porque en algunos casos, la recopilación de datos a través de experimentos de campo o de laboratorio es difícil o imposible, y los valores de los parámetros deben establecerse indirectamente, a través de la calibración. El modelado orientado a patrones (POM) es un medio de calibración en el que los patrones observados se utilizan para rechazar combinaciones de parámetros poco realistas. En este caso, un patrón es cualquier observación de variación no aleatoria que pueda suponerse que contiene información sobre el mecanismo que la produjo.

En un reciente artículo técnico publicado en Annals of Botany, autor principal Ming Wang y colegas investigadas si POM puede hacer que la estimación de parámetros para los modelos FSP sea más eficiente y poderosa que la calibración manual, y si puede reducir la incertidumbre cuando no se dispone de datos experimentales. Los autores utilizaron un modelo FSP de arquitectura de ramificación de aguacate y probaron la parametrización de POM con una parametrización manual existente para ver si ambas convergerían.

La calibración con POM permitió que el modelo reprodujera con éxito los patrones de verificación e incluso "predecir más patrones de validación independientes que no se usaron para la parametrización del modelo simultáneamente", escriben los autores. Si bien la calibración de POM no produjo un solo conjunto de parámetros óptimo, la salida agrupada, que consta de 22 conjuntos de parámetros, fue adecuada y capaz de predecir comportamientos emergentes del sistema.

De hecho, aunque un conjunto de parámetros fue similar a la calibración manual, los autores advierten que no se debe usar solo el mejor conjunto. “Nuestro estudio demuestra que sería arriesgado centrarse en un solo conjunto de parámetros. El conjunto único puede hacer que el modelo funcione perfectamente bajo ciertos patrones observados, pero cuando se observan nuevos patrones, es posible que el modelo no produzca resultados confiables que coincidan con las nuevas observaciones”.

“El enfoque de calibración POM permite que los modelos FSP se desarrollen de manera oportuna sin depender en gran medida de los experimentos de campo o laboratorio, o de la engorrosa calibración manual”, escriben los autores.