Modelo Científico Nebula™
Documento que define el marco científico mediante el cual Nebula estudia, representa y valida procesos biológicos complejos.
Modelo Científico Nebula™
The Nebula Framework™ --- Scientific Edition v1.0
Campo Valor
Documento NBL-FWK-005
Estado Stable
Categoría Scientific
Versión 1.0.0
Idioma canónico Español Latino (es-419)
Traducciones previstas English · አማርኛ
Fecha efectiva 2026-07-19
Organización autora Cafelium SRL
Licencia Proprietary
La identidad, clasificación científica, propósito documental y relaciones institucionales de esta edición corresponden al registro oficial NBL-FWK-005.
Convenciones epistemológicas
El Modelo Científico Nebula™ distingue explícitamente entre realidad material, observación, evidencia, representación e inferencia. Esta separación constituye una condición de rigor y no una preferencia terminológica.
Un proceso biológico es un fenómeno material que ocurre con independencia de que sea observado. Una Observation es el resultado registrado de un acto de medición, inspección, muestreo o percepción. Evidence es una Observation, muestra, registro o relación de procedencia que puede respaldar o cuestionar una afirmación. Una Inference es una proposición derivada mediante un Scientific Model, una regla, un cálculo o un razonamiento experto. Un Knowledge Claim es una afirmación integrada cuyo alcance, fundamento y estado epistemológico han sido declarados.
El documento utiliza además cinco categorías editoriales:
Hecho designa una afirmación respaldada por literatura, estándares o Evidence reproducible.
Hipótesis designa una proposición susceptible de evaluación y refutación.
Interpretación designa una lectura argumentada de Evidence que puede coexistir con interpretaciones alternativas.
Decisión arquitectónica designa una elección de representación o implementación que podrá cambiar sin invalidar necesariamente los principios científicos.
Opinión institucional designa una posición adoptada por Nebula que deberá permanecer diferenciada de una conclusión científica.
La condición Stable significa que este documento constituye la referencia institucional vigente para el Scientific Model de The Nebula Framework™. No implica que sus modelos, métodos o hipótesis sean definitivos.
Prólogo
La ciencia de los procesos biológicos ha avanzado mediante una tensión productiva entre observación y abstracción. Los fenómenos vivos son materiales, históricos y contextuales; los modelos científicos son representaciones selectivas diseñadas para responder preguntas específicas. La utilidad de un modelo depende precisamente de no confundirse con aquello que representa.
Durante siglos, fermentaciones, maduraciones, cultivos y transformaciones poscosecha fueron comprendidos mediante observación empírica y conocimiento acumulado. Las personas responsables de esos procesos aprendieron a interpretar señales que no siempre podían formalizar: cambios de aroma, consistencia, temperatura, color, presión, sonido, actividad gaseosa o comportamiento de la materia.
La ciencia moderna añadió métodos de aislamiento, cuantificación, experimentación y análisis. La microbiología permitió investigar comunidades y metabolismos; la bioquímica relacionó transformaciones moleculares con rutas de reacción; la ingeniería desarrolló balances, modelos de transferencia y control; la estadística proporcionó herramientas para distinguir señal, variabilidad e incertidumbre.
La computación amplió nuevamente el horizonte. Hoy es posible capturar series temporales extensas, integrar fuentes heterogéneas, simular dinámicas no lineales, construir modelos probabilísticos y descubrir patrones difíciles de reconocer mediante inspección directa. Sin embargo, esta capacidad no elimina los problemas fundamentales del conocimiento científico.
Un sensor puede medir con alta frecuencia una variable poco relevante. Un algoritmo puede predecir correctamente sin explicar el mecanismo. Una correlación puede ser estable dentro de un conjunto de datos y fallar fuera de él. Un modelo mecanístico puede ser interpretable y, aun así, depender de parámetros imposibles de identificar. Una ontología puede estar formalmente bien construida y representar de forma incorrecta el dominio.
El reto no consiste únicamente en calcular más. Consiste en construir una continuidad epistemológica desde el proceso material hasta la decisión: qué ocurrió, qué se observó, cómo se preservó, qué modelo se aplicó, qué inferencia se produjo, con qué incertidumbre y bajo qué condiciones puede considerarse válida.
El Modelo Científico Nebula™ se formula para organizar esa continuidad.
Su objeto no es sustituir la microbiología, la bioquímica, la ingeniería, la estadística, la ciencia de datos ni la experiencia territorial. Su propósito es integrarlas dentro de un marco donde la evolución completa de una transformación pueda estudiarse como una Biological Trajectory.
El primer dominio de investigación es la fermentación del café de especialidad. Esta elección no se fundamenta en la facilidad del proceso, sino en su complejidad. La fermentación conecta materia vegetal, microbiota, metabolismo, ambiente, tiempo, infraestructura, decisiones humanas y calidad sensorial. Constituye, por tanto, una prueba exigente para cualquier modelo que aspire a representar procesos biológicos contextualizados.
El Modelo Científico Nebula™ no declara que toda transformación biológica pueda conocerse de manera exhaustiva. Declara que puede estudiarse con mayor rigor cuando se preservan su trayectoria, su contexto, su Evidence y la historia de las inferencias producidas.
Resumen Ejecutivo
El Modelo Científico Nebula™ define el marco mediante el cual The Nebula Framework™ observa, representa, modela, valida y aprende de procesos biológicos complejos.
Su unidad fundamental no es una medición individual, una muestra aislada ni el resultado final de un lote. Es la Biological Trajectory: una representación temporal, contextualizada y verificable de los estados, transiciones, observaciones, intervenciones e incertidumbres que caracterizan la evolución de un proceso.
Esta elección responde a un problema científico. Los procesos biológicos generan valor y diferenciación durante su transformación. Dos sistemas pueden presentar condiciones iniciales semejantes y resultados finales comparables, aunque hayan atravesado trayectorias diferentes. Esas diferencias pueden contener información sobre mecanismos, estabilidad, reproducibilidad, calidad, riesgo y capacidad de generalización.
El modelo se articula mediante ocho compromisos científicos.
Primero, el proceso material precede a su representación. Ningún modelo deberá ser confundido con la realidad que intenta describir.
Segundo, toda Observation requiere contexto. Una lectura solo adquiere significado cuando se conoce qué propiedad fue observada, sobre qué entidad, mediante qué procedimiento, en qué momento, con qué instrumento y bajo qué condiciones.
Tercero, Evidence e Inference deberán permanecer diferenciadas. Un resultado estimado, interpolado o predicho no deberá presentarse como medido.
Cuarto, la incertidumbre forma parte del modelo. Deberá representarse la incertidumbre de medición, de muestreo, paramétrica, estructural y predictiva.
Quinto, los modelos serán evaluados respecto a un propósito o Context of Use. Ningún Scientific Model es válido universalmente por haber demostrado buen desempeño en una tarea limitada.
Sexto, la validación deberá integrar verificación, calibración, análisis de sensibilidad, cuantificación de incertidumbre, validación externa y pruebas de refutación.
Séptimo, la reproducibilidad exige conservar no solo ecuaciones o código, sino datos, parámetros, transformaciones, versiones, dependencias, supuestos y procedencia. La experiencia en Systems Biology demuestra que incluso modelos matemáticos publicados pueden ser imposibles de reproducir cuando faltan parámetros, condiciones iniciales o descripciones coherentes. En un estudio de 455 modelos, aproximadamente la mitad no pudo reproducirse directamente con la información publicada, lo que evidencia que la formalización matemática no garantiza por sí sola reproducibilidad.
Octavo, todo Scientific Model deberá evolucionar. La aparición de nueva Evidence podrá fortalecer, limitar, recalibrar, sustituir o refutar un modelo. Living Knowledge Infrastructure™ conservará esta Temporal Evolution sin borrar versiones anteriores.
El Framework admite múltiples familias de modelos: descriptivos, mecanísticos, estadísticos, probabilísticos, causales, basados en aprendizaje automático, agent-based e híbridos. Ninguna familia será considerada superior en términos absolutos. Su pertinencia dependerá de la pregunta científica, la cantidad y calidad de Evidence, la escala temporal, la interpretabilidad requerida y las consecuencias del error.
El modelo científico se conecta con otros componentes de The Nebula Framework™. Digital Terroir® proporciona contexto territorial. The Nebula Epistemology™ deberá formalizar los estados del conocimiento. The Nebula Mathematics™ deberá expresar estructuras cuantitativas, temporales y probabilísticas. The Nebula Ontology™ deberá definir entidades y relaciones. La Arquitectura Nebula™ deberá implementar la captura, persistencia y computación. FermentOps®, RoastOps® y TraceOps® aplicarán los modelos a dominios operacionales. Originblok® conservará identidad y procedencia. Proof of Process™ vinculará afirmaciones con Evidence.
La validación inicial se realizará en fermentación de café de especialidad mediante estudios replicados, instrumentación contextualizada, evaluación de resultados y comparación entre modelos. El objetivo no será demostrar que un algoritmo puede predecir cualquier resultado, sino determinar qué aspectos de la trayectoria pueden observarse, explicarse, anticiparse o controlarse con suficiente credibilidad.
La tesis científica será debilitada o refutada si la representación de Biological Trajectories no mejora la explicación, la reproducibilidad, la predicción o la toma de decisiones frente a métodos más simples; si el contexto añadido no contribuye a la interpretación; si la incertidumbre impide inferencias útiles; o si los modelos no generalizan más allá de los datos utilizados para construirlos.
1. Propósito y alcance
1.1 Propósito
El propósito del Modelo Científico Nebula™ es proporcionar un marco común para estudiar procesos biológicos en transformación.
El modelo define:
- qué constituye el objeto de estudio;
- cómo deben representarse Observation y Evidence;
- cómo se construyen Scientific Models;
- cómo se distingue descripción, explicación y predicción;
- cómo se representa incertidumbre;
- cómo se validan o refutan hipótesis;
- cómo evoluciona el conocimiento.
No define un algoritmo único. No establece una ecuación universal de fermentación. No prescribe un conjunto fijo de sensores. No sustituye protocolos específicos de laboratorio o producción.
1.2 Alcance científico
El Framework estudia sistemas donde interactúan, de manera directa o indirecta:
- organismos o comunidades biológicas;
- materia;
- energía;
- ambiente;
- tiempo;
- intervención humana o automatizada;
- información contextual;
- resultados observables.
El alcance inicial comprende fermentación de café de especialidad y su continuidad con secado, almacenamiento, tostado y evaluación. La expansión hacia cacao y otros dominios requerirá validación independiente.
1.3 Alcance epistemológico
El modelo no pretende producir certeza absoluta. Su propósito es construir afirmaciones cuyo fundamento, alcance e incertidumbre puedan examinarse.
Un resultado científico dentro de Nebula deberá poder responder:
- ¿Qué se observó?
- ¿Cómo se observó?
- ¿Qué Evidence se preservó?
- ¿Qué modelo fue utilizado?
- ¿Qué supuestos incorporó?
- ¿Qué Inference produjo?
- ¿Cómo fue validada?
- ¿Bajo qué condiciones podría fallar?
2. Antecedentes científicos
2.1 Del análisis de componentes al estudio de sistemas
La ciencia experimental ha obtenido enormes avances mediante descomposición: aislar componentes, controlar variables y estudiar mecanismos específicos. Sin embargo, muchos procesos biológicos presentan propiedades que emergen de interacciones entre componentes, escalas y tiempos.
Systems Biology desarrolló métodos para representar esas interacciones mediante redes, ecuaciones diferenciales, modelos lógicos, simulaciones y análisis computacional. Su objetivo no consiste únicamente en enumerar partes, sino en explicar cómo sus relaciones producen dinámicas observables.
Los modelos computacionales son instrumentos centrales en Systems Biology, pero su credibilidad depende de la capacidad de especificarlos, evaluarlos y reproducirlos. La literatura identifica estándares, documentación, anotación semántica, código y preservación de parámetros como condiciones necesarias para que los resultados puedan ser revisados y reutilizados.
The Nebula Framework™ adopta esta tradición sistémica y la traslada hacia procesos bioeconómicos que ocurren fuera de condiciones completamente controladas.
2.2 Sistemas abiertos y contexto
Los procesos biológicos operacionales son sistemas abiertos. Intercambian materia, energía e información con su entorno. Reciben influencias que no siempre pueden controlarse y contienen variables que no siempre pueden observarse.
Esta apertura impone límites a la inferencia. Una variación puede atribuirse incorrectamente al proceso interno cuando en realidad fue causada por temperatura ambiental, composición inicial, procedimiento de muestreo o intervención humana.
Digital Terroir® existe para representar parte de ese contexto. No elimina la apertura del sistema, pero hace explícitas algunas de las condiciones externas que podrían explicar la trayectoria.
2.3 De Digital Twins a representaciones científicas de procesos vivos
Los marcos de Digital Twins han formalizado arquitecturas para conectar entidades observables, representaciones digitales, servicios e intercambio de información. ISO 23247 establece principios y una arquitectura de referencia para Digital Twins en manufactura; sus extensiones de 2026 incorporan digital thread y composición integrada, unificada o federada entre múltiples gemelos.
El Modelo Científico Nebula™ reconoce estos aportes, pero evita declarar una equivalencia total entre proceso vivo y representación digital.
Una Biological Trajectory es explícitamente parcial. Representa variables seleccionadas, resoluciones limitadas y estados inferidos. Puede aproximar el proceso, pero no lo duplica exhaustivamente.
Esta distinción protege al Framework frente a la falsa precisión. Un modelo puede ser operacionalmente útil sin convertirse en copia completa de la realidad.
3. Objeto de estudio: el proceso biológico en transformación
3.1 Definición
Un proceso biológico en transformación es un sistema dinámico en el que la interacción entre organismos, materia, energía, ambiente y tiempo produce cambios observables o inferibles en el estado del sistema.
La definición incluye procesos espontáneos y dirigidos. Puede existir intervención humana, control automatizado o ausencia de control directo.
3.2 Estado y transición
Un estado es una representación de propiedades relevantes del sistema dentro de un instante o intervalo.
Una transición es un cambio material o informacional entre estados.
Los estados no deben suponerse perfectamente delimitados. En sistemas continuos, una «fase» puede ser una abstracción útil sobre una dinámica gradual.
3.3 Evolución temporal
La temporalidad no es un atributo adicional. Es constitutiva del proceso.
Una temperatura de 25 °C posee significados diferentes si se observa al inicio, durante una transición metabólica o después de completar una fermentación. El mismo valor puede representar condición normal, incremento crítico o enfriamiento, dependiendo de la trayectoria previa.
3.4 Intervención
Una intervención es una acción intencional que puede modificar el proceso. Puede incluir:
- adición o remoción de materia;
- modificación de temperatura;
- agitación;
- aireación;
- inyección de gases;
- cambio de presión;
- finalización de una etapa;
- transferencia a otro sistema.
Toda intervención deberá conservar actor, tiempo, propósito, fundamento y resultado esperado.
3.5 Resultado
El resultado no se limita al producto final. Puede incluir estabilidad, composición, perfil sensorial, inocuidad, rendimiento, energía utilizada, residuos, variabilidad o capacidad de reproducir la trayectoria.
4. Biological Trajectory como unidad científica fundamental
4.1 Definición formal conceptual
Una Biological Trajectory puede representarse conceptualmente como:
donde:
- (S_t) representa el estado del proceso;
- (O_t) representa las Observations;
- (E_t) representa la Evidence;
- (I_t) representa las intervenciones;
- (C_t) representa el contexto;
- (U_t) representa la incertidumbre.
Esta expresión no prescribe una estructura matemática única. Establece los componentes conceptuales mínimos.
4.2 Razón de existencia
Una medición individual describe un punto. Una trayectoria describe relaciones.
Las relaciones temporales permiten investigar:
- dirección del cambio;
- velocidad;
- aceleración;
- retrasos;
- umbrales;
- oscilaciones;
- divergencia;
- respuesta a intervenciones;
- dependencia de condiciones iniciales.
4.3 Trayectoria observada y trayectoria latente
La trayectoria observada está formada por las Observations disponibles.
La trayectoria latente representa estados del proceso que no fueron observados directamente y deben estimarse mediante un modelo.
Estas trayectorias no deberán confundirse. La interpolación o reconstrucción de un intervalo sin mediciones es una Inference.
4.4 Trayectoria material y trayectoria informacional
La trayectoria material corresponde a la evolución real del sistema.
La trayectoria informacional corresponde a la representación construida por el Framework.
La distancia entre ambas nunca puede conocerse completamente. Puede evaluarse de manera parcial mediante calibración, validación independiente, redundancia instrumental y análisis de incertidumbre.
4.5 Estructura conceptual
```mermaid id="9e3m1c" classDiagram class BiologicalTrajectory { +trajectoryId +startTime +endTime +status +contextOfUse }
class BiologicalState {
+stateId
+timeInterval
+observed
+inferred
}
class Observation {
+observationId
+result
+unit
+timestamp
+uncertainty
}
class Evidence {
+evidenceId
+provenance
+integrityStatus
+qualityStatus
}
class Intervention {
+interventionId
+actor
+purpose
+timestamp
}
class Context {
+contextId
+location
+environment
+materialHistory
}
class ScientificModel {
+modelId
+version
+purpose
+domain
}
class Inference {
+inferenceId
+estimate
+confidence
+modelVersion
}
BiologicalTrajectory "1" *-- "*" BiologicalState
BiologicalTrajectory "1" *-- "*" Observation
BiologicalTrajectory "1" *-- "*" Evidence
BiologicalTrajectory "1" *-- "*" Intervention
BiologicalTrajectory "1" --> "1..*" Context
Observation --> Evidence
ScientificModel --> Inference
Evidence --> ScientificModel
Inference --> BiologicalState
---
# 5. Observation
## 5.1 Naturaleza
Una Observation es una afirmación sobre el resultado de un acto de observación.
No es la propiedad material en sí. La temperatura del sistema existe; el valor producido por un instrumento es una representación sometida a error, resolución, calibración y condiciones de instalación.
## 5.2 Componentes mínimos
Toda Observation debería identificar:
- entidad observada;
- propiedad;
- resultado;
- unidad;
- tiempo;
- procedimiento;
- instrumento u observador;
- ubicación;
- incertidumbre;
- estado de calidad.
SSN/SOSA ofrece una base semántica para representar sensores, observaciones, procedimientos, muestras, propiedades observadas y entidades de interés. La versión de 2017 alcanzó estado de W3C Recommendation; el W3C mantiene además una revisión denominada 2023 Edition en proceso de desarrollo.
## 5.3 Observación instrumental
Una Observation instrumental deberá conservar:
- identidad del instrumento;
- versión o configuración;
- rango;
- resolución;
- fecha de calibración;
- ubicación;
- frecuencia;
- transformación aplicada a la señal.
Una lectura numérica sin estos elementos puede servir para operación inmediata, pero posee valor científico limitado.
## 5.4 Observación humana
La Observation humana es legítima cuando el procedimiento y la competencia del observador son relevantes.
Una evaluación sensorial, descripción visual o decisión de un operador puede contener información no capturada por los sensores. Deberá conservarse como Observation humana, no como dato instrumental.
## 5.5 Muestreo
La muestra introduce una relación entre el material analizado y el sistema del cual procede.
El modelo deberá representar:
- método;
- ubicación;
- tiempo;
- cantidad;
- conservación;
- preparación;
- representatividad esperada.
Un resultado de laboratorio preciso puede no representar el proceso si la muestra fue inadecuada.
## 5.6 Datos faltantes
La ausencia de datos deberá conservarse explícitamente.
Un intervalo sin Observation puede deberse a:
- falta de instrumento;
- falla;
- pérdida de comunicación;
- descarte por calidad;
- decisión de muestreo;
- imposibilidad material.
Imputar un valor no elimina la ausencia. Produce una Inference que deberá registrarse como tal.
---
# 6. Evidence y procedencia
## 6.1 Definición
Evidence es el conjunto de objetos y relaciones que permite evaluar una afirmación.
Puede incluir:
- Observations;
- muestras físicas;
- resultados analíticos;
- fotografías;
- certificados;
- registros de calibración;
- protocolos;
- código;
- parámetros;
- Decision Records.
## 6.2 Procedencia
La procedencia describe cómo una entidad fue generada, utilizada, modificada o atribuida.
PROV-O proporciona una ontología del W3C para representar entidades, actividades, agentes y relaciones de procedencia. Este enfoque permite conectar datos con procesos y responsables sin prescribir un único sistema de almacenamiento.
## 6.3 Integridad y exactitud
Integridad y exactitud son propiedades distintas.
La integridad responde si un registro fue alterado o si puede verificarse su identidad.
La exactitud responde si representa correctamente aquello que pretendía observar.
Un hash puede ayudar a demostrar integridad de un archivo, pero no demuestra que el sensor estuviera calibrado ni que la muestra fuera representativa.
## 6.4 Calidad de Evidence
La calidad deberá evaluarse de forma multidimensional:
| Dimensión | Pregunta |
|---|---|
| Identidad | ¿La Evidence corresponde al proceso correcto? |
| Temporalidad | ¿Fue generada en el momento declarado? |
| Metrología | ¿La medición posee calidad conocida? |
| Procedencia | ¿Puede reconstruirse su origen? |
| Integridad | ¿Puede detectarse alteración? |
| Relevancia | ¿Respalda realmente la afirmación? |
| Cobertura | ¿Representa suficientemente el fenómeno? |
| Independencia | ¿Existe confirmación por otra fuente? |
## 6.5 Evidence negativa
La ausencia de un efecto, el fallo de un modelo o una réplica adversa constituye Evidence.
Living Knowledge Infrastructure™ deberá preservar estos resultados. Eliminar la Evidence que contradice una hipótesis produciría un sistema de confirmación institucional, no un sistema científico.
---
# 7. Contexto y Digital Terroir®
## 7.1 Dependencia contextual
Los sistemas biológicos no responden únicamente a sus variables internas.
El contexto puede incluir:
- variedad o genotipo;
- madurez;
- historia agronómica;
- altitud;
- microclima;
- composición inicial;
- infraestructura;
- prácticas humanas;
- condiciones de transporte y almacenamiento.
## 7.2 Función científica
Digital Terroir® deberá permitir estudiar si las diferencias entre trayectorias se explican parcialmente por condiciones territoriales.
No debe utilizarse para asumir que el origen determina el resultado. Su propósito es formular y evaluar relaciones contextuales.
## 7.3 Resolución
El contexto posee escalas diferentes.
Una coordenada puede permanecer estable durante años. La temperatura ambiental puede cambiar cada minuto. La composición inicial puede variar entre unidades de material.
El modelo deberá evitar asignar una misma resolución temporal a todas las variables.
## 7.4 Selección contextual
Capturar más contexto no siempre produce mejor ciencia.
Cada variable deberá incorporarse por:
- hipótesis;
- plausibilidad científica;
- Evidence previa;
- necesidad de control;
- requisito de Governance;
- posible efecto de confusión.
La captura indiscriminada aumenta costos y riesgos de privacidad sin garantizar valor explicativo.
---
# 8. Scientific Model
## 8.1 Definición
Un Scientific Model es una representación formal o computacional construida para describir, explicar, simular o predecir un aspecto de una Biological Trajectory.
Su credibilidad depende de su propósito, Evidence, estructura, validación e incertidumbre.
## 8.2 Context of Use
Todo modelo deberá declarar su Context of Use.
Un modelo puede ser adecuado para:
- describir una tendencia;
- detectar desviaciones;
- estimar un estado latente;
- predecir un resultado;
- seleccionar una intervención;
- generar hipótesis.
La validez para una tarea no implica validez para otra. Un modelo capaz de clasificar trayectorias puede no ser adecuado para determinar causalidad.
La literatura contemporánea sobre credibilidad de modelos enfatiza que validación significa evaluar el grado en que una representación es adecuada respecto a su uso previsto, no demostrar que sea una copia absoluta de la realidad.
## 8.3 Familias de modelos
### 8.3.1 Modelos descriptivos
Resumen patrones observados sin afirmar mecanismos.
Pueden incluir estadística descriptiva, curvas, agrupamientos y reducción dimensional.
### 8.3.2 Modelos mecanísticos
Representan relaciones basadas en principios físicos, químicos, biológicos o bioquímicos.
Pueden ofrecer interpretabilidad, aunque dependen de supuestos y parámetros difíciles de estimar.
### 8.3.3 Modelos estadísticos
Estiman relaciones entre variables y resultados mediante estructuras probabilísticas.
Su utilidad depende de diseño, muestra, supuestos y generalización.
### 8.3.4 Modelos de series temporales
Representan dependencia temporal, autocorrelación, tendencias, cambios de régimen y estados latentes.
### 8.3.5 Modelos causales
Intentan estimar efectos de intervenciones y distinguir asociación de causalidad.
Requieren supuestos adicionales y diseños que controlen factores de confusión.
### 8.3.6 Modelos de aprendizaje automático
Aprenden patrones a partir de datos.
Pueden poseer elevada capacidad predictiva, pero deberán evaluarse por calibración, estabilidad, interpretabilidad y desempeño fuera de distribución.
### 8.3.7 Modelos agent-based
Representan entidades individuales y reglas de interacción. Pueden ser útiles para comunidades microbianas o actores operacionales, aunque su complejidad dificulta calibración y reproducibilidad.
### 8.3.8 Modelos híbridos
Combinan conocimiento mecanístico, restricciones y aprendizaje a partir de datos.
Los modelos híbridos son relevantes cuando existe conocimiento parcial del mecanismo y Evidence insuficiente para aprender toda la dinámica directamente.
## 8.4 Selección
La selección no deberá basarse únicamente en desempeño predictivo.
| Criterio | Pregunta |
|---|---|
| Propósito | ¿Qué decisión o pregunta debe apoyar? |
| Evidence | ¿Qué volumen y calidad existen? |
| Interpretabilidad | ¿Debe explicarse el mecanismo? |
| Riesgo | ¿Qué consecuencias tiene el error? |
| Temporalidad | ¿Importan secuencia y retardos? |
| Generalización | ¿Se aplicará a otros territorios? |
| Complejidad | ¿La ganancia justifica el costo? |
| Reproducibilidad | ¿Puede reconstruirse? |
---
# 9. Incertidumbre
## 9.1 Principio general
La incertidumbre no es un defecto que deba ocultarse. Es una propiedad del conocimiento disponible.
Un modelo que comunica incertidumbre puede ser más útil que otro que produce una cifra precisa sin fundamento.
## 9.2 Tipos de incertidumbre
### Incertidumbre de medición
Deriva de resolución, calibración, ruido, ubicación y procedimiento.
### Incertidumbre de muestreo
Deriva de utilizar una porción del sistema para inferir propiedades del conjunto.
### Incertidumbre paramétrica
Deriva de conocer imperfectamente los parámetros.
### Incertidumbre estructural
Deriva de simplificaciones, mecanismos omitidos o forma incorrecta del modelo.
### Incertidumbre contextual
Deriva de variables ambientales o históricas no observadas.
### Incertidumbre predictiva
Integra fuentes de incertidumbre que afectan el resultado pronosticado.
### Incertidumbre epistemológica
Deriva de falta de conocimiento potencialmente reducible mediante nueva Evidence.
### Variabilidad aleatoria
Representa diferencias inherentes que no necesariamente pueden eliminarse mediante más observaciones.
## 9.3 Representación
La incertidumbre podrá representarse mediante:
- intervalos;
- distribuciones;
- probabilidades;
- conjuntos de escenarios;
- bandas de predicción;
- estados cualitativos;
- límites de aplicabilidad.
No toda incertidumbre puede reducirse a una distribución numérica. El modelo deberá evitar cuantificaciones artificiales.
## 9.4 Propagación
Cuando las entradas poseen incertidumbre, el resultado deberá reflejar su propagación.
La cuantificación de incertidumbre, verificación y validación forman parte de las prácticas actuales para evaluar credibilidad de modelos computacionales.
---
# 10. Ciclo Científico Nebula
## 10.1 Estructura
```mermaid id="sc42h8"
flowchart TD
A[Formular pregunta] --> B[Definir hipótesis y Context of Use]
B --> C[Diseñar Observation y muestreo]
C --> D[Capturar y preservar Evidence]
D --> E[Construir Biological Trajectory]
E --> F[Seleccionar o construir Scientific Model]
F --> G[Verificar implementación]
G --> H[Calibrar]
H --> I[Validar]
I --> J[Generar Inference]
J --> K[Evaluar incertidumbre y utilidad]
K --> L{¿Evidence suficiente?}
L -->|Sí| M[Knowledge Claim provisional]
L -->|No| N[Hipótesis activa o no determinada]
M --> O[Decisión o nueva investigación]
N --> O
O --> P[Temporal Evolution]
P --> A
10.2 Formular la pregunta
El ciclo comienza con una pregunta, no con los datos ni con una tecnología.
Una pregunta adecuada delimita fenómeno, población, tiempo, resultado y propósito.
10.3 Definir hipótesis
La hipótesis deberá ser contrastable. Debe declarar qué resultado podría debilitarla o refutarla.
10.4 Diseñar observación
La selección de variables, instrumentos y frecuencia deberá responder a la hipótesis.
La captura de alta frecuencia no compensa un diseño deficiente.
10.5 Preservar Evidence
Los datos deberán ingresar a Living Knowledge Infrastructure™ con procedencia, contexto, calidad e identidad.
10.6 Construir trayectoria
Las Observations deberán ordenarse temporalmente y relacionarse con estados, eventos e intervenciones.
10.7 Modelar
La familia de modelo deberá seleccionarse de acuerdo con la pregunta y no únicamente por disponibilidad tecnológica.
10.8 Verificar
La verificación evalúa si el modelo fue implementado correctamente.
Pregunta: ¿construimos correctamente la representación especificada?
10.9 Calibrar
La calibración estima parámetros utilizando Evidence.
Los datos de calibración deberán distinguirse de los utilizados para validación.
10.10 Validar
La validación evalúa si el modelo representa adecuadamente el fenómeno respecto al Context of Use.
Pregunta: ¿la representación es suficientemente adecuada para el propósito?
10.11 Inferir
La Inference deberá conservar modelo, versión, entradas e incertidumbre.
10.12 Aprender
El resultado podrá fortalecer, limitar o refutar la hipótesis. El aprendizaje deberá modificar el Knowledge Model sin borrar la historia.
11. Verificación, calibración y validación
11.1 Verificación conceptual
Evalúa coherencia entre pregunta, hipótesis y estructura del modelo.
Un modelo puede estar programado correctamente y representar una hipótesis equivocada.
11.2 Verificación matemática
Evalúa dimensiones, unidades, balances, restricciones y comportamiento límite.
Un modelo de concentraciones no debería producir valores físicamente imposibles sin una explicación explícita.
11.3 Verificación computacional
Incluye:
- pruebas unitarias;
- pruebas de integración;
- comparación entre implementaciones;
- control de precisión numérica;
- evaluación de semillas aleatorias;
- revisión de dependencias.
Las recomendaciones para modelos reproducibles de Systems Biology enfatizan registrar parámetros, algoritmos, opciones de simulación y procedencia de las fuentes utilizadas para construir el modelo.
11.4 Calibración
La calibración deberá evitar utilizar todos los datos disponibles, dejando Evidence independiente para validación.
Cuando existan múltiples conjuntos de parámetros capaces de explicar los datos, el modelo deberá declarar problemas de identificabilidad.
11.5 Validación interna
Evalúa desempeño dentro de la población utilizada para desarrollo mediante separación de datos, validación cruzada u otros métodos apropiados.
11.6 Validación externa
Evalúa desempeño en territorios, periodos, variedades, equipos o escalas diferentes.
La validación externa es esencial para determinar si un modelo aprendió relaciones generales o peculiaridades del conjunto original.
11.7 Validación temporal
Entrenar con datos futuros respecto al periodo evaluado produce fuga de información.
Los modelos temporales deberán respetar la secuencia real de disponibilidad de Evidence.
11.8 Validación operacional
Un modelo estadísticamente adecuado puede no mejorar una decisión real.
La validación operacional deberá comparar:
- calidad de decisión;
- tiempo;
- variabilidad;
- errores;
- costo;
- seguridad;
- carga para el operador.
11.9 Validación científica
Un modelo predictivo no necesariamente explica mecanismos.
La validación científica deberá evaluar consistencia con conocimiento de dominio, plausibilidad, sensibilidad y capacidad de generar hipótesis contrastables.
12. Sensibilidad, identificabilidad y robustez
12.1 Análisis de sensibilidad
El análisis de sensibilidad identifica qué entradas o parámetros influyen sobre el resultado.
Permite:
- priorizar mediciones;
- detectar parámetros irrelevantes;
- comprender inestabilidad;
- evaluar intervenciones;
- diseñar experimentos.
12.2 Identificabilidad
Un parámetro es identificable cuando puede estimarse de manera suficientemente única a partir de la Evidence.
Un modelo puede ajustarse bien y contener parámetros no identificables. En ese caso, su interpretación mecanística deberá limitarse.
12.3 Robustez
La robustez evalúa si las conclusiones permanecen bajo:
- perturbaciones;
- diferentes inicializaciones;
- cambios de muestreo;
- ruido;
- modelos alternativos;
- exclusión de observaciones.
12.4 Análisis de alternativas
Cuando varios modelos expliquen la Evidence, el Framework deberá conservar competencia entre hipótesis.
La selección prematura de una única explicación puede producir certeza institucional falsa.
13. Reproducibilidad y FAIR
13.1 Repetibilidad, reproducibilidad y replicación
Repetibilidad significa regenerar un resultado bajo la misma configuración, datos y herramientas.
Reproducibilidad computacional significa reconstruir el análisis con documentación suficiente, potencialmente mediante otra implementación.
Replicación significa evaluar la hipótesis con nueva Evidence.
Estas definiciones pueden variar entre disciplinas; todo estudio deberá declarar su uso.
13.2 Requisitos mínimos
Un modelo reproducible deberá preservar:
- ecuaciones o estructura;
- código;
- datos;
- parámetros;
- condiciones iniciales;
- procedimientos;
- versiones;
- dependencias;
- unidades;
- semillas;
- resultados esperados;
- procedencia.
La investigación sobre modelos de Systems Biology ha encontrado que parámetros ausentes, condiciones iniciales omitidas e inconsistencias entre descripción, ecuaciones y código constituyen causas frecuentes de no reproducibilidad.
13.3 FAIR
Los principios FAIR establecen que los objetos digitales científicos deben ser Findable, Accessible, Interoperable y Reusable. FAIR no determina una implementación única ni exige que todo dato sea públicamente abierto; exige que los objetos y metadatos puedan ser localizados, recuperados mediante protocolos definidos, interpretados y reutilizados bajo condiciones claras.
El Modelo Científico Nebula™ extiende FAIR hacia:
- Biological Trajectories;
- Scientific Models;
- hipótesis;
- simulaciones;
- Inferences;
- decisiones;
- protocolos.
13.4 FAIR no equivale a calidad
Un conjunto de datos puede ser FAIR y contener errores.
GO FAIR señala que los principios no resuelven por sí mismos los problemas de calidad y que FAIR tampoco equivale necesariamente a Open Data.
La calidad científica deberá evaluarse por procedimientos adicionales.
13.5 CURE como referencia emergente
En 2026 se propusieron principios complementarios para modelos computacionales de sistemas biológicos: Credible, Understandable, Reproducible y Extensible. Esta propuesta enfatiza verificación, validación, incertidumbre, claridad, estándares y modularidad. El Modelo Científico Nebula™ considera este marco una referencia relevante para su agenda futura.
14. Semantic Infrastructure del Scientific Model
14.1 Necesidad
Un modelo no puede interpretarse si sus variables carecen de significado compartido.
La variable T puede representar temperatura ambiental, temperatura del producto, temperatura del reactor o un tiempo normalizado.
Semantic Infrastructure deberá conectar cada variable con una propiedad, entidad, unidad y contexto.
14.2 Ontology
OWL 2 permite definir clases, propiedades, individuos y restricciones con semántica formal dentro del ecosistema RDF. Su utilidad reside en hacer explícitos los compromisos conceptuales y facilitar Interoperability.
The Nebula Ontology™ deberá utilizar o alinear vocabularios reconocidos cuando resulten adecuados.
14.3 Knowledge Graph
El Knowledge Graph deberá representar:
- modelos;
- versiones;
- variables;
- Evidence;
- hipótesis;
- Inferences;
- validaciones;
- contradicciones;
- dominios;
- responsables.
No deberá tratar todas las afirmaciones como igualmente ciertas.
14.4 Restricciones
Lenguajes como SHACL pueden expresar requisitos estructurales para grafos. Por ejemplo, una Observation podría requerir tiempo, propiedad, resultado y procedimiento.
La conformidad estructural no garantiza validez científica. Solo demuestra que una representación satisface reglas definidas.
15. Temporal Evolution del Scientific Model
15.1 Ciclo de vida
mermaid id="v9nr2a" stateDiagram [*] --> Proposed Proposed --> Designed: hipótesis y propósito definidos Designed --> Implemented: estructura ejecutable Implemented --> Verified: pruebas superadas Verified --> Calibrated: parámetros estimados Calibrated --> Validated: Evidence independiente Validated --> Candidate: revisión científica Candidate --> Operational: aprobación para Context of Use Operational --> Monitored: uso y seguimiento Monitored --> Recalibration: deriva o nueva Evidence Recalibration --> Validated Monitored --> Restricted: desempeño limitado Monitored --> Deprecated: alternativa superior Monitored --> Withdrawn: riesgo o refutación Restricted --> Recalibration Deprecated --> Archived Withdrawn --> Archived Archived --> [*]
15.2 Registro de modelos
Todo Scientific Model deberá poseer:
- identificador;
- nombre;
- propósito;
- versión;
- familia;
- responsable;
- dominio;
- Evidence;
- variables;
- parámetros;
- desempeño;
- incertidumbre;
- limitaciones;
- estado;
- fecha de revisión.
15.3 Deriva
La deriva puede afectar:
- distribución de entradas;
- relación entre entradas y resultados;
- calidad instrumental;
- prácticas operacionales;
- territorio;
- población biológica.
El monitoreo deberá distinguir degradación del modelo de cambios reales en el proceso.
15.4 Recalibración
La recalibración modifica parámetros. No deberá confundirse con validación completa.
Cuando cambia la estructura, la población o el propósito, podrá ser necesario crear una nueva versión mayor.
15.5 Retirada
Un modelo deberá retirarse cuando:
- falle fuera del límite aceptable;
- produzca riesgo;
- no pueda reproducirse;
- haya sido refutado;
- exista una alternativa superior;
- su Evidence ya no sea representativa.
16. Gobernanza de inteligencia artificial
16.1 Propósito
Los modelos basados en inteligencia artificial estarán sometidos a los mismos principios científicos que otros Scientific Models, además de controles específicos por su complejidad, escala y capacidad de automatización.
16.2 Riesgo
La evaluación deberá considerar:
- consecuencias de error;
- opacidad;
- sesgo;
- privacidad;
- seguridad;
- dependencia;
- posibilidad de manipulación;
- impacto territorial;
- autonomía del operador.
NIST AI RMF 1.0 organiza la gestión de riesgos de IA alrededor de las funciones Govern, Map, Measure y Manage, y enfatiza que el proceso debe ser continuo durante el ciclo de vida. El Framework se encuentra en revisión por NIST desde 2026, por lo que Nebula deberá observar su evolución sin asumir que una versión constituye referencia permanente.
16.3 Supervisión humana
La supervisión deberá ser material. La persona responsable necesita:
- competencia;
- autoridad;
- información;
- tiempo;
- mecanismo para detener el sistema.
Un botón de aprobación sin capacidad de comprender el resultado no constituye supervisión efectiva.
16.4 Explicabilidad
La explicación deberá ser proporcional al Context of Use.
En una investigación exploratoria puede bastar con análisis globales. En una decisión de alto impacto será necesario explicar variables, incertidumbre, límites y posibles causas de error.
16.5 Automatización
La autonomía deberá aumentar progresivamente:
- observación;
- recomendación;
- decisión asistida;
- intervención supervisada;
- control automático limitado.
Cada transición requerirá nueva Evidence.
17. Fermentación de café como dominio inicial
17.1 Justificación
La fermentación del café es adecuada para validar el Framework porque reúne:
- variabilidad de materia prima;
- actividad microbiana;
- cambios fisicoquímicos;
- influencia ambiental;
- intervención humana;
- atributos sensoriales;
- valor económico.
17.2 Sistema de estudio
La unidad material deberá definirse con precisión: masa de cerezas, café despulpado, tanque, reactor, lote o submuestra.
La frontera del sistema deberá indicar qué intercambios de materia y energía se consideran.
17.3 Variables candidatas
Las variables podrán incluir:
- tiempo;
- temperatura;
- pH;
- potencial de oxidación-reducción;
- oxígeno disuelto;
- presión;
- composición gaseosa;
- densidad;
- actividad microbiana;
- concentración de metabolitos;
- humedad;
- masa;
- intervenciones.
Su inclusión dependerá de hipótesis y capacidad metrológica.
17.4 Fases conceptuales
mermaid id="c6fp4k" flowchart LR A[Caracterización inicial] --> B[Inicio de fermentación] B --> C[Adaptación microbiana] C --> D[Transformación activa] D --> E[Transición metabólica] E --> F[Criterio de finalización] F --> G[Proceso posterior] G --> H[Evaluación física química y sensorial] H --> I[Integración en Knowledge Model]
Estas fases son hipótesis de segmentación y no deben suponerse universales. Los datos podrán revelar límites diferentes.
17.5 Hipótesis iniciales
Ejemplos de hipótesis susceptibles de estudio:
- determinadas tasas de cambio poseen mayor valor predictivo que los valores absolutos;
- el contexto inicial modifica la relación entre pH y resultado;
- la combinación de variables mejora la detección de estados respecto a una única medición;
- trayectorias similares se relacionan con resultados semejantes bajo condiciones definidas;
- una intervención basada en estado puede ser superior a otra basada solo en tiempo.
Estas hipótesis no deberán presentarse como resultados antes de su evaluación.
17.6 Diseño experimental
El programa deberá considerar:
- replicación;
- lotes independientes;
- controles;
- variación planificada;
- asignación de tratamientos;
- muestreo temporal;
- evaluación ciega cuando corresponda;
- validación entre cosechas y territorios.
17.7 Resultados sensoriales
La evaluación sensorial es una Observation humana estructurada.
El Scientific Model no deberá tratar un puntaje como propiedad absoluta. Deberá representar protocolo, panel, condiciones, repetición e incertidumbre.
17.8 Causalidad
Una asociación entre trayectoria y atributo sensorial no demuestra causalidad.
Para evaluar mecanismos será necesario integrar diseños experimentales, microbiología, metabolómica, bioquímica u otras disciplinas.
18. Integración con el resto del Framework
18.1 The Nebula Epistemology™
Deberá formalizar estados de afirmación, justificación, incertidumbre, contradicción y refutación.
El Modelo Científico produce objetos que la epistemología clasifica.
18.2 The Nebula Mathematics™
Deberá desarrollar estructuras para:
- series temporales;
- estados;
- transiciones;
- probabilidades;
- grafos;
- dinámica;
- causalidad;
- optimización;
- incertidumbre.
18.3 The Nebula Ontology™
Deberá definir las entidades y relaciones utilizadas para representar Biological Trajectory, Observation, Evidence, Scientific Model e Inference.
18.4 La Arquitectura Nebula™
Deberá implementar captura, persistencia, cómputo, versionado, seguridad e Interoperability.
La arquitectura no deberá imponer limitaciones que alteren silenciosamente el modelo científico.
18.5 Originblok®
Conservará identidad y procedencia de materiales, procesos y Evidence.
No deberá atribuir validez científica únicamente por integridad criptográfica.
18.6 Proof of Process™
Utilizará Evidence y modelos para respaldar afirmaciones sobre una transformación.
El nivel de prueba dependerá de la calidad de la cadena epistemológica.
18.7 FermentOps®, RoastOps® y TraceOps®
FermentOps® aplicará el modelo al proceso biológico.
RoastOps® permitirá estudiar la continuidad entre fermentación y transformación térmica.
TraceOps® relacionará la trayectoria científica con identidades, custodias y eventos.
19. Criterios de validación del Modelo Científico Nebula™
El modelo institucional se considerará respaldado cuando demuestre de forma reproducible que puede:
- construir Biological Trajectories con procedencia suficiente;
- distinguir Observation, Evidence e Inference;
- representar incertidumbre;
- producir modelos verificables;
- validar resultados mediante Evidence independiente;
- generalizar dentro de un dominio declarado;
- detectar sus propios límites;
- mejorar una decisión o explicación frente a una línea base;
- preservar Temporal Evolution;
- permitir revisión por terceros autorizados.
La validación deberá compararse con alternativas más simples.
La complejidad no será considerada mérito por sí misma.
20. Refutación
El Modelo Científico Nebula™ deberá considerarse limitado, revisado o refutado si la Evidence muestra que:
- Biological Trajectory no aporta información relevante adicional;
- el contexto no mejora explicación ni generalización;
- las Observations no pueden obtenerse con calidad suficiente;
- los Scientific Models no superan líneas base simples;
- la incertidumbre impide decisiones útiles;
- los resultados no son reproducibles;
- el sistema confunde asociación y causalidad;
- los costos superan persistentemente los beneficios;
- la infraestructura produce exclusión o concentración injustificada;
- las inferencias no pueden auditarse.
La refutación puede afectar una hipótesis, un dominio, una familia de modelos o el Framework completo.
21. Limitaciones
La primera limitación es ontológica: ningún modelo captura toda la realidad.
La segunda es observacional: variables relevantes pueden permanecer ocultas.
La tercera es metrológica: los instrumentos poseen error y condiciones de fallo.
La cuarta es experimental: los procesos productivos no siempre permiten control completo.
La quinta es estadística: muestras pequeñas pueden producir estimaciones inestables.
La sexta es causal: una trayectoria observacional puede no identificar mecanismos.
La séptima es computacional: modelos complejos pueden resultar costosos o difíciles de reproducir.
La octava es semántica: una Ontology puede imponer supuestos equivocados.
La novena es territorial: un modelo desarrollado en un lugar puede no generalizar.
La décima es institucional: incentivos comerciales pueden favorecer resultados positivos.
La undécima es humana: los operadores pueden confiar excesivamente en una recomendación.
La duodécima es temporal: las relaciones pueden cambiar con clima, materia prima, equipo o prácticas.
22. Agenda de investigación
22.1 Representación de trayectorias
Investigar métodos para segmentar estados, detectar transiciones y representar intervalos sin Observations.
22.2 Muestreo adaptativo
Determinar cuándo aumentar o reducir frecuencia de medición según el estado del proceso.
22.3 Modelos híbridos
Combinar conocimiento bioquímico, balances, restricciones y aprendizaje automático.
22.4 Identificabilidad
Determinar qué variables y parámetros pueden estimarse con la instrumentación disponible.
22.5 Causalidad
Diseñar experimentos para evaluar intervenciones y mecanismos.
22.6 Transferencia entre territorios
Investigar qué componentes generalizan y cuáles requieren recalibración mediante Digital Terroir®.
22.7 Credibilidad
Desarrollar un índice de credibilidad que combine verificación, validación, incertidumbre, reproducibilidad y desempeño.
22.8 Interoperability
Crear perfiles alineados con SSN/SOSA, PROV-O, OWL, FAIR y estándares de modelado.
22.9 Participación humana
Estudiar cómo integrar conocimiento de Caficultores y operadores sin reducirlo a una etiqueta cualitativa.
22.10 Impacto bioeconómico
Evaluar si el conocimiento generado mejora capacidad territorial, valor, eficiencia y sostenibilidad.
mermaid id="6mpb0a" timeline title Agenda científica del Modelo Científico Nebula™ Fase I : Protocolos de Observation : Biological Trajectory inicial : Ontology mínima Fase II : Estudios replicados en café : Modelos descriptivos y temporales : Cuantificación de incertidumbre Fase III : Modelos mecanísticos e híbridos : Validación multiterritorial : Proof of Process™ Fase IV : Integración con RoastOps® : Extensión a cacao : Modelos causales Fase V : Replicación independiente : Estándares científicos : Computational Bioeconomy™
Conclusiones
El Modelo Científico Nebula™ establece una disciplina para transformar observaciones dispersas en conocimiento científicamente gobernado.
Su contribución principal es reconocer que el objeto de estudio no es el dato individual ni el producto final. Es la Biological Trajectory que conecta condiciones iniciales, estados, intervenciones y resultados.
El modelo distingue realidad, Observation, Evidence e Inference. Esta separación permite identificar qué fue medido, qué fue estimado y qué permanece desconocido.
Scientific Model no designa una única familia matemática. Designa una representación construida para un propósito, acompañada por Evidence, incertidumbre, validación y límites.
Digital Terroir® proporciona contexto. Semantic Infrastructure proporciona significado. Living Knowledge Infrastructure™ preserva la historia. Originblok® conserva identidad y procedencia. Proof of Process™ relaciona afirmaciones con Evidence. FermentOps®, RoastOps® y TraceOps® trasladan el conocimiento hacia dominios operacionales.
La validez del Modelo Científico Nebula™ no deriva de su publicación. Dependerá de experimentos, replicaciones, comparación de modelos y capacidad de refutación.
El Framework no deberá considerarse exitoso cuando produzca más datos. Deberá considerarse exitoso cuando permita formular mejores preguntas, distinguir mejor la Evidence, comunicar incertidumbre, reproducir resultados y tomar decisiones de mayor calidad sin ocultar sus límites.
La ciencia de Nebula deberá ser capaz de aprender de aquello que confirma sus hipótesis y de aquello que las contradice.
Glosario
Biological State
Representación de las propiedades relevantes de un proceso dentro de un instante o intervalo.
Biological Trajectory
Representación temporal y contextualizada de estados, transiciones, Observations, intervenciones, Evidence e incertidumbres.
Calibration
Proceso mediante el cual se estiman parámetros de un Scientific Model utilizando Evidence.
Computational Bioeconomy™
Campo interdisciplinario orientado a representar, estudiar y gobernar recursos y transformaciones biológicas mediante modelos computacionales contextualizados.
Context of Use
Propósito, población, condiciones y decisiones para las cuales se pretende utilizar un Scientific Model.
Digital Terroir®
Modelo contextual dinámico de condiciones territoriales, ambientales, biológicas, históricas y humanas relevantes para una Biological Trajectory.
Evidence
Objeto o relación capaz de respaldar o cuestionar una afirmación.
FermentOps®
Dominio operacional del Framework dedicado al estudio y gobernanza de fermentaciones.
Identificabilidad
Grado en que los parámetros de un modelo pueden estimarse de forma suficientemente única a partir de Evidence.
Inference
Afirmación derivada mediante un Scientific Model, cálculo, regla o razonamiento.
Knowledge Claim
Afirmación integrada cuyo fundamento, alcance, incertidumbre y estado epistemológico han sido declarados.
Knowledge Graph
Representación de entidades, relaciones y afirmaciones susceptible de consulta, validación e inferencia.
Knowledge Model
Estructura semántica que define conceptos, identidades, relaciones y restricciones.
Living Knowledge Infrastructure™
Infraestructura que preserva Evidence, modelos, inferencias, versiones y Temporal Evolution.
Observation
Resultado registrado de un acto de observación, medición, inspección o muestreo.
Ontology
Especificación formal o semiforme de conceptos, relaciones y restricciones de un dominio.
Originblok®
Infraestructura de identidad y procedencia del ecosistema Nebula.
Proof of Process™
Conjunto de pruebas que vincula una afirmación sobre una transformación con Evidence verificable.
Reproducibilidad
Capacidad de reconstruir un resultado científico mediante información, métodos y objetos suficientemente documentados.
RoastOps®
Dominio operacional dedicado a estudiar transformaciones térmicas de tostado.
Scientific Model
Representación formal o computacional utilizada para describir, explicar, simular o predecir un aspecto de una Biological Trajectory.
Semantic Infrastructure
Conjunto de vocabularios, ontologías, identificadores, reglas y servicios que preservan significado e Interoperability.
Temporal Evolution
Cambio documentado de Observations, modelos, conceptos, Evidence o afirmaciones a través del tiempo.
TraceOps®
Dominio operacional encargado de conectar identidades, eventos, custodias y transformaciones.
Trust Infrastructure
Mecanismos científicos, técnicos y de Governance que permiten evaluar identidad, integridad, procedencia y credibilidad.
Uncertainty Quantification
Proceso mediante el cual se representan y propagan fuentes de incertidumbre dentro de un modelo.
Validation
Evaluación del grado en que un modelo resulta adecuado para su Context of Use.
Verification
Evaluación de si un modelo fue conceptual, matemática y computacionalmente implementado de acuerdo con su especificación.
Bibliografía recomendada
Waltemath, D. y Wolkenhauer, O. "How Modeling Standards, Software, and Initiatives Support Reproducibility in Systems Biology and Systems Medicine." IEEE Transactions on Biomedical Engineering, vol. 63, núm. 10, 2016, pp. 1999--2006.
Medley, J. K. et al. "Guidelines for Reproducibly Building and Simulating Systems Biology Models." IEEE Transactions on Biomedical Engineering, 2016.
Tiwari, K., Kananathan, S., Roberts, M. G. et al. "Reproducibility in Systems Biology Modelling." Molecular Systems Biology, vol. 17, 2021, e9982.
Laubenbacher, R. et al. "Computational Models in Systems Biology: Standards, Dissemination, and Best Practices." 2022.
Waltemath, D. et al. "Standards, Dissemination, and Best Practices in Systems Biology." 2023.
Sauro, H. M. et al. "From FAIR to CURE: Guidelines for Computational Models of Biological Systems." npj Systems Biology and Applications, 2026.
Wilkinson, M. D. et al. "The FAIR Guiding Principles for Scientific Data Management and Stewardship." Scientific Data, vol. 3, artículo 160018, 2016. Referencia documentada por GO FAIR.
World Wide Web Consortium. PROV-O: The PROV Ontology. W3C Recommendation, 2013.
World Wide Web Consortium. OWL 2 Web Ontology Language: Document Overview, Second Edition. W3C Recommendation, 2012.
World Wide Web Consortium. Semantic Sensor Network Ontology. W3C Recommendation, 2017.
International Organization for Standardization. ISO 23247-1:2021 --- Automation Systems and Integration: Digital Twin Framework for Manufacturing --- Overview and General Principles. ISO, 2021.
International Organization for Standardization. ISO 23247-2:2021 --- Automation Systems and Integration: Digital Twin Framework for Manufacturing --- Reference Architecture. ISO, 2021.
International Organization for Standardization. ISO 23247-5:2026 --- Automation Systems and Integration: Digital Twin Framework for Manufacturing --- Digital Thread for Digital Twin. ISO, 2026.
International Organization for Standardization. ISO 23247-6:2026 --- Automation Systems and Integration: Digital Twin Framework for Manufacturing --- Digital Twin Composition. ISO, 2026.
Tabassi, E. Artificial Intelligence Risk Management Framework 1.0. NIST AI 100-1, National Institute of Standards and Technology, 2023.
Anexo A --- Registro mínimo de Scientific Model
Todo Scientific Model deberá documentarse mediante los siguientes campos:
Campo Contenido requerido
Identificador Identidad persistente
Nombre Denominación humana
Versión Estado de Temporal Evolution
Propósito Pregunta o decisión
Context of Use Dominio y limitaciones
Responsable Persona u órgano
Familia Mecanístico, estadístico, híbrido u otro
Variables Definiciones y unidades
Parámetros Valores, fuentes e incertidumbre
Evidence Datos y procedencia
Implementación Código, entorno y dependencias
Verificación Pruebas realizadas
Calibración Método y conjunto utilizado
Validación Evidence independiente
Desempeño Métricas y comparación
Incertidumbre Fuentes y representación
Sensibilidad Variables influyentes
Riesgos Fallos y consecuencias
Estado Proposed, Validated, Operational u otro
Retirada Criterios y mecanismo
Anexo B --- Escala de madurez científica
Nivel 0 --- Conceptual
Existe una pregunta y una hipótesis, pero no un modelo ejecutable.
Nivel 1 --- Exploratorio
Existe una implementación preliminar con Evidence limitada. No deberá utilizarse para decisiones materiales.
Nivel 2 --- Verificado
La implementación supera pruebas conceptuales, matemáticas y computacionales.
Nivel 3 --- Calibrado
Los parámetros han sido estimados mediante Evidence documentada.
Nivel 4 --- Validado internamente
El modelo demuestra desempeño dentro de la población de desarrollo.
Nivel 5 --- Validado externamente
El modelo demuestra desempeño en Evidence independiente.
Nivel 6 --- Operacional supervisado
El modelo apoya decisiones con supervisión humana y monitoreo.
Nivel 7 --- Replicado
Terceros independientes reproducen o replican resultados.
Nivel 8 --- Estándar científico
El modelo o su metodología posee suficiente Evidence, documentación e Interoperability para servir como referencia estable.
Anexo C --- Prueba de conformidad científica
Una investigación será compatible con el Modelo Científico Nebula™ cuando:
- formule una pregunta explícita;
- declare hipótesis y condiciones de refutación;
- defina la frontera del sistema;
- documente Observation y muestreo;
- preserve Evidence y procedencia;
- construya o identifique la Biological Trajectory;
- distinga Observation de Inference;
- represente incertidumbre;
- declare el Context of Use;
- verifique el Scientific Model;
- separe calibración y validación;
- compare con líneas base;
- documente limitaciones;
- preserve resultados adversos;
- registre Temporal Evolution.
Anexo D --- Declaración institucional
El Modelo Científico Nebula™ constituye el fundamento metodológico mediante el cual The Nebula Framework™ estudia procesos biológicos complejos.
Su propósito es integrar Observation, Evidence, contexto, Scientific Model, Inference y validación dentro de una estructura reproducible.
El modelo no declara que los procesos vivos puedan reducirse completamente a representaciones computacionales.
Declara que sus transformaciones pueden estudiarse con mayor rigor cuando la trayectoria, el contexto, la incertidumbre y la procedencia se preservan explícitamente.
La validez de este documento dependerá de su capacidad para producir investigaciones reproducibles, modelos refutables y conocimiento útil dentro de los límites declarados.
Versión: 1.0.0
Estado: Stable
Idioma canónico: Español Latino (es-419)
Documento: NBL-FWK-005
The Nebula Framework™