1. Contexto Biotecnológico y Enunciado
En el escalado de un bioproceso de expresión de una proteína recombinante (enzima biocatalizadora), se monitoriza la tasa de producción proteica \(y(t)\) (en \(\text{g/L}\cdot\text{h}\)) en la fase exponencial del cultivo continuado en un biorreactor.
El equipo de investigación propone un modelo cinético lineal simplificado de la forma \(y(t) = x_1 + x_2 t\), donde el vector de parámetros desconocidos es \(\vec{x} = (x_1, x_2)^T\):
- \(x_1\): Tasa de producción basal inicial (\(\text{g/L}\cdot\text{h}\)).
- \(x_2\): Coeficiente de aceleración cinético por inducción (\(\text{g/L}\cdot\text{h}^2\)).
Se registran las siguientes 4 mediciones experimentales discontinuas en tiempos \(t = 1, 2, 3, 4 \text{ horas}\):
| Muestra (\(i\)) | Tiempo \(t_i\) (\(\text{h}\)) | Tasa Medida \(b_i\) (\(\text{g/L}\cdot\text{h}\)) |
|---|---|---|
| 1 | 1.0 | 2.0 |
| 2 | 2.0 | 3.0 |
| 3 | 3.0 | 5.0 |
| 4 | 4.0 | 6.0 |
Cuestiones a Resolver
- Formular el sistema sobredeterminado de ecuaciones lineales \(A\vec{x} = \mathbf{b}\) y demostrar que carece de solución exacta (sistema incompatible).
- Comprobar la independencia lineal de las columnas de la matriz de diseño \(A\), calcular la matriz normal \(A^T A\), su determinante y su inversa \((A^T A)^{-1}\).
- Obtener la solución única por mínimos cuadrados \(\hat{x} = (A^T A)^{-1} A^T \mathbf{b}\) para determinar los parámetros cinéticos del modelo.
- Calcular el vector residual \(\mathbf{e} = \mathbf{b} - A\hat{x}\), verificar su ortogonalidad con el espacio columna de \(A\) (\(A^T \mathbf{e} = \mathbf{0}\)), determinar la suma de residuos al cuadrado \(\|\mathbf{e}\|^2\), y predecir la tasa de producción para \(t = 5\text{ h}\).
2. Fundamento Teórico y Fórmulas
En el modelado lineal de sistemas reales, es habitual encontrarse con sistemas de ecuaciones sobredeterminados de la forma \(A\vec{x} = \mathbf{b}\), donde la matriz \(A \in \mathbb{R}^{m \times n}\) tiene más filas que columnas (\(m > n\)). Debido al ruido experimental, la observación \(\mathbf{b}\) no pertenece generalmente al subespacio generado por las columnas de \(A\) (\(\text{Col}(A)\)), haciendo que el sistema sea incompatible y carezca de solución exacta.
Teorema Fundamental de la Solución por Mínimos Cuadrados
El método de mínimos cuadrados plantea encontrar la solución más cercana al sistema sobredeterminado. Si el sistema \(A\vec{x} = \mathbf{b}\) no tiene solución y las columnas de \(A\) son linealmente independientes, entonces \(A^T A\) es invertible y la ecuación \(A\vec{x} = \mathbf{b}\) tiene solamente una solución por mínimos cuadrados dada por:
\[ \hat{x} = (A^T A)^{-1} A^T \mathbf{b} \]Interpretación Geométrica
El vector \(\hat{\mathbf{b}} = A\hat{x}\) representa la proyección ortogonal de \(\mathbf{b}\) sobre el subespacio columna \(\text{Col}(A)\). Minimiza la distancia euclídea \(\|\mathbf{b} - A\vec{x}\|\).
\[ \mathbf{p} = A\hat{x} = A(A^T A)^{-1} A^T \mathbf{b} \]Vector Residual y Ortogonalidad
El vector de error o residuo \(\mathbf{e} = \mathbf{b} - A\hat{x}\) es perpendicular a cada columna de la matriz \(A\), cumpliendo las ecuaciones normales:
\[ A^T \mathbf{e} = A^T(\mathbf{b} - A\hat{x}) = \mathbf{0} \]3. Resolución Paso a Paso
1 Paso 1: Formulación Matricial y Demostración de Incompatibilidad
Planteamos las 4 observaciones cinéticas en formato de sistema matricial \(A\vec{x} = \mathbf{b}\):
\[ \begin{bmatrix} 1 & 1.0 \\ 1 & 2.0 \\ 1 & 3.0 \\ 1 & 4.0 \end{bmatrix} \begin{bmatrix} x_1 \\ x_2 \end{bmatrix} = \begin{bmatrix} 2.0 \\ 3.0 \\ 5.0 \\ 6.0 \end{bmatrix} \]Verificamos que el sistema es incompatible intentando resolver las dos primeras ecuaciones:
\[ \begin{cases} x_1 + 1.0 x_2 = 2.0 & \text{(Ecuación 1)} \\ x_1 + 2.0 x_2 = 3.0 & \text{(Ecuación 2)} \end{cases} \implies x_2 = 1.0, \quad x_1 = 1.0 \]
Sustituyendo estos valores en la Ecuación 3: \(1.0 + 3.0(1.0) = 4.0 \neq 5.0\).
Conclusión del Paso 1: No existe un vector \(\vec{x}\) que satisfaga simultáneamente todas las ecuaciones. El sistema no tiene solución exacta (\(\mathbf{b} \notin \text{Col}(A)\)).
2 Paso 2: Cálculo de la Matriz Normal \(A^T A\) y su Inversa
Las columnas de \(A\) son \(\vec{a}_1 = (1,1,1,1)^T\) y \(\vec{a}_2 = (1,2,3,4)^T\), las cuales no son proporcionales, luego son linealmente independientes.
Calculamos el producto transpuesto de la matriz de diseño \(A^T A\):
\[ A^T A = \begin{bmatrix} 1 & 1 & 1 & 1 \\ 1.0 & 2.0 & 3.0 & 4.0 \end{bmatrix} \begin{bmatrix} 1 & 1.0 \\ 1 & 2.0 \\ 1 & 3.0 \\ 1 & 4.0 \end{bmatrix} = \begin{bmatrix} 4 & 10.0 \\ 10.0 & 30.0 \end{bmatrix} \]Calculamos el determinante de la matriz normal \(A^T A\):
\[ \det(A^T A) = (4)(30.0) - (10.0)(10.0) = 120.0 - 100.0 = 20.0 \]Como \(\det(A^T A) = 20.0 \neq 0\), la matriz es invertible. Su inversa \((A^T A)^{-1}\) es:
3 Paso 3: Obtención de la Solución por Mínimos Cuadrados \(\hat{x}\)
Calculamos en primer lugar el vector de proyecciones independientes \(A^T \mathbf{b}\):
\[ A^T \mathbf{b} = \begin{bmatrix} 1 & 1 & 1 & 1 \\ 1.0 & 2.0 & 3.0 & 4.0 \end{bmatrix} \begin{bmatrix} 2.0 \\ 3.0 \\ 5.0 \\ 6.0 \end{bmatrix} = \begin{bmatrix} 2.0 + 3.0 + 5.0 + 6.0 \\ 2.0(1) + 3.0(2) + 5.0(3) + 6.0(4) \end{bmatrix} = \begin{bmatrix} 16.0 \\ 47.0 \end{bmatrix} \]Aplicamos la fórmula matricial explícita \(\hat{x} = (A^T A)^{-1} A^T \mathbf{b}\):
\[ \hat{x} = \begin{bmatrix} 1.5 & -0.5 \\ -0.5 & 0.2 \end{bmatrix} \begin{bmatrix} 16.0 \\ 47.0 \end{bmatrix} = \begin{bmatrix} 1.5(16.0) - 0.5(47.0) \\ -0.5(16.0) + 0.2(47.0) \end{bmatrix} = \begin{bmatrix} 24.0 - 23.5 \\ -8.0 + 9.4 \end{bmatrix} \]Por lo tanto, la ecuación de la tasa cinética estimada es: \(\hat{y}(t) = 0.5 + 1.4 t\).
4 Paso 4: Evaluación de Residuos, Verificación de Ortogonalidad y Predicción
Calculamos el vector de valores predichos por el modelo \(\hat{\mathbf{b}} = A\hat{x}\) y el vector residual \(\mathbf{e} = \mathbf{b} - A\hat{x}\):
Verificación de Ortogonalidad (\(A^T \mathbf{e} = \mathbf{0}\)):
\[ A^T \mathbf{e} = \begin{bmatrix} 1 & 1 & 1 & 1 \\ 1.0 & 2.0 & 3.0 & 4.0 \end{bmatrix} \begin{bmatrix} 0.1 \\ -0.3 \\ 0.3 \\ -0.1 \end{bmatrix} = \begin{bmatrix} 0.1 - 0.3 + 0.3 - 0.1 \\ 0.1 - 0.6 + 0.9 - 0.4 \end{bmatrix} = \begin{bmatrix} 0.0 \\ 0.0 \end{bmatrix} \quad \checkmark \]Suma de Cuadrados Residuales (\(\|\mathbf{e}\|^2\)):
\[ \|\mathbf{e}\|^2 = (0.1)^2 + (-0.3)^2 + (0.3)^2 + (-0.1)^2 = 0.01 + 0.09 + 0.09 + 0.01 = 0.20 \text{ (g/L}\cdot\text{h)}^2 \]Predicción cinético-biotecnológica para \(t = 5\text{ h}\):
\[ \hat{y}(5) = 0.5 + 1.4(5.0) = 0.5 + 7.0 = 7.5 \text{ g/L}\cdot\text{h} \]4. Resumen de Resultados e Interpretación Biotecnológica
💡 Conclusión del Análisis de Optimización en Biorreactores
La resolución matricial mediante la ecuación de mínimos cuadrados \(\hat{x} = (A^T A)^{-1} A^T \mathbf{b}\) permite proyectar ortogonalmente las mediciones ruidosas sobre el espacio del modelo lineal cinético:
- Parámetro Basal (\(\hat{x}_1 = 0.5 \text{ g/L}\cdot\text{h}\)): Cuantifica la tasa constitutiva de síntesis enzimática antes del efecto completo del inductor químico.
- Aceleración por Inducción (\(\hat{x}_2 = 1.4 \text{ g/L}\cdot\text{h}^2\)): Mide la eficiencia con la que la maquinaria celular responde incrementalmente hora a hora tras la adición del inductor.
- Validación Geométrica: La comprobación \(A^T \mathbf{e} = \mathbf{0}\) asegura numéricamente que la discrepancia residual de \(0.20 \text{ (g/L}\cdot\text{h)}^2\) es puramente ortogonal al subespacio del modelo, garantizando que \(\hat{x}\) es la mejor aproximación posible sin sesgos de sobreajuste.