Las mejores herramientas R para análisis científicos reproducibles

R para el análisis científico reproducible se basa en cuatro capas: una estructura de proyecto, un entorno controlado por versiones, un formato de documento literario y un administrador de dependencias. El ecosistema R proporciona al menos seis opciones maduras para las dos últimas capas —renv, targets, Quarto, R Markdown, Docker con imágenes de rocker y workflowr— y la lección de Software Carpentry R for Reproducible Scientific Analysis ha estado enseñando este stack desde 2014.

Conclusiones clave

• La reproducibilidad en R para el análisis científico reproducible es un stack, no una sola herramienta: diseño del proyecto + fijación de dependencias + informes literarios + automatización del flujo de trabajo.
• renv (CRAN, primera versión 2020) es el estándar de facto para bibliotecas de paquetes por proyecto; registra versiones exactas en renv.lock.
• targets reemplaza los scripts source() ad-hoc con un grafo de dependencias que omite los pasos actualizados y almacena los resultados en caché.
• Quarto (Posit, 2022) ha sustituido en gran medida a R Markdown para proyectos nuevos, pero R Markdown sigue siendo totalmente compatible y ampliamente utilizado en la enseñanza.
• Los contenedores (imágenes de rocker/verse y Bioconductor) fijan la capa del sistema que renv no puede alcanzar: el propio R, las bibliotecas del sistema y las dependencias compiladas.
• La lección de Software Carpentry sigue siendo la mejor vía de acceso gratuita; enseña el diseño de proyectos, knitr y ggplot2 en un único currículo de dos días.

Lo que realmente requiere ser “reproducible” en R

La reproducibilidad en R significa que una segunda persona, en una segunda máquina, en una fecha posterior, puede volver a ejecutar su análisis y obtener los mismos números y figuras. Cuatro modos de falla rompen esa garantía, y cada uno se mapea a una clase específica de herramienta.

Deriva del entorno. Su script llama a library(dplyr) y funciona hoy; seis meses después, una actualización de CRAN cambia un argumento predeterminado y su pipeline produce silenciosamente resultados diferentes. La solución es fijar las versiones de los paquetes por proyecto, lo que renv hace escribiendo un archivo de bloqueo (lock file).

Estado oculto. Su script asume un directorio de trabajo, un archivo .RData cargado o una variable que definió interactivamente hace una hora. La solución es un flujo de trabajo orientado a proyectos donde el directorio de trabajo es siempre la raíz del proyecto y no se filtra ningún estado de la sesión.

Pasos manuales. Ejecuta el script 1, luego el script 2, luego edita manualmente un CSV y luego ejecuta el script 3. La solución es una herramienta de flujo de trabajo que codifique el grafo de dependencias y vuelva a ejecutar solo lo que cambió.

Deriva de la capa del sistema. Su análisis depende de una implementación de BLAS específica, una biblioteca de C++ compilada o una versión de Bioconductor. El parche es una imagen de contenedor que congela el sistema operativo, el binario de R y las bibliotecas del sistema en conjunto.

Relacionado: DataCamp — Cursos interactivos de Python y ciencia de datos que codifica directamente en el navegador.

La mayoría de los análisis de R “reproducibles” publicados solo se centran en los dos primeros. Las herramientas a continuación se categorizan según el área restante que cubren.

La comparación: seis herramientas, clasificadas por alcance

Herramienta	Capa que fija	Curva de aprendizaje	Ideal para	Debilidad
renv	Versiones de paquetes de R	Baja	Cada proyecto, siempre	No puede fijar R ni las bibliotecas del sistema
targets	Pasos del pipeline + salidas en caché	Media	Análisis multietapa, tiempos de ejecución largos	Excesivo para trabajos de un solo script
Quarto	Documento + código + salida	Baja–media	Artículos, informes, diapositivas desde una sola fuente	No es un administrador de dependencias
R Markdown	Documento + código + salida	Baja	Enseñanza, proyectos heredados	Sustituido por Quarto para trabajos nuevos
Docker + rocker	SO, binario de R, bibliotecas del sistema	Alta	HPC, archivo, intercambio entre instituciones	Pesado; requiere conocimientos de contenedores
workflowr	Proyecto + sitio versionado	Media	Cuadernos de laboratorio publicados como sitios web	Diseño muy rígido; comunidad más pequeña

La recomendación práctica para un grupo de física computacional o bioinformática que utilice R para el análisis científico reproducible: use renv y Quarto en cada proyecto, añada targets una vez que un pipeline supere aproximadamente tres etapas dependientes, y recurra a contenedores solo cuando necesite entregar el análisis a alguien fuera de su institución o archivarlo para un artículo.

renv: Fijación de la capa de paquetes

renv es el sucesor de Packrat, desarrollado por Kevin Ushey y mantenido por Posit. Crea una biblioteca local del proyecto en renv/library/ y registra cada versión de paquete en un archivo de texto plano renv.lock. Un colaborador clona su repositorio, ejecuta renv::restore() y obtiene versiones de paquetes idénticas bit a bit, incluidos los paquetes de Bioconductor, que renv resuelve según la versión de Bioconductor registrada en el archivo de bloqueo.

Vale la pena echarle un vistazo: Coursera Plus — Una suscripción para certificados de ciencia de datos y Python respaldados por la universidad.

Dos detalles importan en la práctica. Primero, renv::snapshot() solo registra los paquetes que puede detectar que están siendo usados; si carga un paquete dinámicamente mediante require() en una función o usa library() en un paquete referenciado solo en una cadena, añádalo explícitamente con renv::snapshot(type = "all") o lístelo en el archivo DESCRIPTION del proyecto.

Segundo, renv no fija la versión de R en sí: guarda la versión de R que utilizó, y renv::restore() le advertirá si hay una discrepancia, pero no instalará esa versión de R por usted. Para esto, necesita la capa de contenedores para garantizar R para el análisis científico reproducible.

Un proyecto reproducible mínimo se ve así:

my-analysis/
├── renv.lock
├── renv/
├── R/
│   ├── 01-load.R
│   └── 02-model.R
├── data/
├── report.qmd
└── README.md

El README.md debe indicar la versión de R, el comando para restaurar las dependencias y el comando para generar el informe. Tres líneas de documentación previenen la mayoría de los correos electrónicos de “no funciona en mi máquina”.

targets: Codificación del grafo de dependencias

targets, de Will Landau, transforma un pipeline en un grafo acíclico dirigido de objetivos (targets) nombrados. Cada objetivo es una llamada a una función con entradas declaradas; targets calcula el hash de las entradas y, en la siguiente ejecución, ignora cualquier objetivo cuyas entradas y código no hayan cambiado. Para un pipeline de posprocesamiento de dinámica molecular que tarda veinte minutos en analizar trayectorias, esa es la diferencia entre una iteración de segundos y una de media hora.

El cambio mental es pasar de “scripts que se ejecutan en orden” a “funciones que declaran lo que necesitan”. Un archivo _targets.R define el grafo:

Relacionado: O'Reilly Learning Platform — Una amplia biblioteca técnica de libros, vídeos y formación en directo sobre informática científica..

library(targets)
list(
  tar_target(raw_files, list.files("data", full.names = TRUE)),
  tar_target(parsed, parse_trajectory(raw_files), pattern = map(raw_files)),
  tar_target(summary_stats, summarize(parsed)),
  tar_target(report, render_report(summary_stats), format = "file")
)

La construcción pattern = map(...) es la característica de “ramificación dinámica”: crea un subobjetivo por cada archivo de entrada y los paraleliza con tar_make_future() o tar_make_clustermq(). En un clúster de HPC, esto corresponde naturalmente a una tabla de tareas.

La advertencia: targets almacena en caché de forma agresiva, y un objetivo que dependa de una semilla aleatoria o de la hora del sistema se invalidará constantemente a menos que defina la semilla dentro del objetivo y pase la hora como un argumento explícito. Trate el no determinismo como un error en el grafo, no como una molestia.

Quarto y R Markdown: Informes literarios

Quarto es el sistema de publicación de próxima generación de Posit, lanzado en 2022, y ejecuta código de R, Python, Julia y Observable en el mismo documento. Para un grupo centrado en R, ofrece tres ventajas concretas sobre R Markdown: un único formato .qmd que se renderiza a PDF, HTML, Word y diapositivas sin gimnasia de YAML específica del formato; soporte nativo para referencias cruzadas a figuras, tablas y ecuaciones; y un archivo _quarto.yml a nivel de proyecto que puede construir todo un sitio web de laboratorio o un libro a partir de un directorio de documentos.

Favorito del lector: Dataquest — Rutas de ciencia de datos basadas en proyectos con una terminal guiada y conjuntos de datos reales.

R Markdown no ha muerto. El motor knitr subyacente es el mismo que utiliza Quarto, y la lección de Software Carpentry R for Reproducible Scientific Analysis —el currículo de R más enseñado en el mundo— está construido enteramente sobre R Markdown. Si está aprendiendo, aprenda los conceptos de knitr (chunks, opciones de chunk, cache=TRUE, fig.width), ya que se transfieren directamente a Quarto.

La ventaja de la reproducibilidad de los documentos literarios es que la prosa y el código no pueden divergir. Un número citado en el resumen es un fragmento de código en línea, no un valor ingresado manualmente. Cuando los datos se actualizan, el número se actualiza. Esta práctica única elimina la categoría más común de error adyacente a la retractación en artículos computacionales.

Contenedores: Fijación de la capa del sistema

renv fija los paquetes; no fija el compilador de C, la versión de la biblioteca HDF5 o el BLAS con el que NumPy y R están vinculados. Para análisis que dependen de código compilado —paquetes Rcpp, sf para trabajo geoespacial, paquetes de Bioconductor con dependencias de C— el contenedor es la única respuesta completa.

El proyecto rocker (rocker-org en GitHub, mantenido por Dirk Eddelbuettel y Carl Boettiger) publica imágenes oficiales de Docker para R. rocker/r-ver fija una versión específica de R; rocker/verse añade Tidyverse, herramientas de desarrollo y de publicación; rocker/bioconductor sigue los lanzamientos de Bioconductor. Un Dockerfile que comienza desde rocker/r-ver:4.4.1 y ejecuta renv::restore() le proporciona un stack completamente fijado desde el kernel hasta el paquete.

El compromiso honesto: los contenedores añaden un paso de construcción, un registro y un vocabulario que muchos miembros del laboratorio no han aprendido. Para un proyecto de dos personas en el clúster de una institución, renv más una versión de R documentada suele ser suficiente. Para un artículo con colaboradores externos, un contenedor es el artefacto que sobrevive a los próximos tres años de actualizaciones del sistema.

Cómo decidir: Una lista de verificación de criterios

Siga estos puntos en orden y deténgase en el primer “sí”.

1. ¿Alguien ajeno a su laboratorio realizará esto? Si es así, planifique un contenedor desde el principio; adaptarlo a posteriori es más difícil que construirlo.
2. ¿Tiene el pipeline más de tres etapas dependientes, o una etapa que tarde más de cinco minutos? Si es así, utilice targets para el análisis científico reproducible.
3. ¿El resultado incluye un documento, figura o tabla legible por humanos? Si es así, utilice Quarto (o R Markdown si su grupo ya tiene plantillas).
4. ¿El análisis depende de paquetes compilados o de una versión específica de Bioconductor? Si es así, añada un contenedor basado en rocker.
5. ¿Es este un único script que produce una sola figura? Utilice renv y un archivo de proyecto, y deténgase ahí. La sobreingeniería de un análisis puntual desperdicia más tiempo del que ahorra.

Recursos de aprendizaje que valen la pena

La lección de Software Carpentry R for Reproducible Scientific Analysis (swcarpentry.github.io/r-novice-gapminder) sigue siendo la introducción gratuita canónica. Cubre el diseño de proyectos, estructuras de datos, ggplot2, dplyr y knitr en un formato diseñado para talleres de dos días con un instructor en vivo. El repositorio de GitHub de la lección acepta contribuciones, por lo que se mantiene actualizado con los lanzamientos de R.

Para la capa de herramientas, la documentación oficial es excepcionalmente buena: la viñeta introductoria de renv, el manual de targets (que incluye una guía para usuarios de HPC) y el capítulo “Computations” de la documentación de Quarto. La Reproducible Research Task View en CRAN es el índice mantenido de cada paquete en este espacio y es el lugar adecuado para consultar antes de adoptar algo nuevo.

Para el contexto conceptual, el estudio de consenso de las Academias Nacionales Reproducibility and Replicability in Science (2019) define el vocabulario con precisión y vale la pena citarlo en solicitudes de subvenciones. Los FAIR Guiding Principles para la gestión de datos proporcionan un marco complementario sobre cómo deben publicarse los resultados.

Fuentes y lecturas adicionales

• Scientific method — Wikipedia: The scientific method is an empirical method for acquiring knowledge through careful observation, rigorous skepticism, hypothesis testing, and experimental validation…

Preguntas frecuentes

¿Cuál es el mejor paquete de R para el análisis reproducible?

renv es el paquete más importante para el análisis reproducible en R porque fija las versiones exactas de los paquetes por proyecto en un archivo de bloqueo que los colaboradores pueden restaurar. Debe combinarse con una herramienta de documentos literarios (Quarto o R Markdown) y, para pipelines multietapa, con targets. Ningún paquete cubre las cuatro capas de reproducibilidad, por lo que la respuesta es un pequeño stack en lugar de una sola herramienta.

¿Es mejor R Markdown o Quarto para la investigación reproducible?

Quarto es la mejor opción para proyectos nuevos: renderiza más formatos desde una sola fuente, admite referencias cruzadas de forma nativa y funciona con R, Python y Julia en el mismo documento. R Markdown sigue siendo totalmente compatible y es el formato utilizado por el currículo de Software Carpentry, por lo que los materiales didácticos y plantillas existentes no son obsoletos. Ambos utilizan el mismo motor de ejecución knitr, por lo que las habilidades se transfieren directamente.

¿Cómo hago que mi análisis de R sea reproducible en una máquina diferente?

Registre la versión de R en su README, haga commit de un archivo renv.lock e indique a los colaboradores que ejecuten renv::restore() antes de abrir cualquier script. Evite rutas absolutas y llamadas a setwd(); utilice rutas relativas al proyecto o el paquete here. Si su análisis depende de paquetes compilados o de una versión específica de Bioconductor, proporcione un Dockerfile basado en una imagen de rocker para que la capa del sistema también quede fijada.

¿Funciona renv con paquetes de Bioconductor?

Sí. renv detecta paquetes de Bioconductor y guarda la versión de lanzamiento de Bioconductor en el archivo de bloqueo junto con las versiones del paquete. renv::restore() luego instala desde la versión correspondiente de Bioconductor en lugar de desde CRAN, evitando el discrepancia de versiones que rompe los flujos de trabajo bioinformáticos. Si está mezclando paquetes CRAN y Bioconductor, verifique el archivo de bloqueo después de snapshot() para confirmar que ambas fuentes estén registradas.

¿Cuál es la diferencia entre targets y un Makefile para pipelines de R?

targets es nativo de R: los targets son objetos de R, el gráfico de dependencia se infiere a partir de los argumentos de la función y los resultados se almacenan en caché en un almacén legible por R. Un Makefile requiere que usted declare manualmente las dependencias a nivel de archivo y opera a nivel de archivo en lugar de a nivel de objeto. targets también admite ramificaciones dinámicas, por lo que una definición de target puede distribuirse en cientos de archivos de entrada y paralelizarse automáticamente, lo cual es incómodo de expresar en Make.

¿Puedo usar R para análisis reproducibles en un clúster HPC?

Sí, y el patrón estándar para usar R para análisis científicos reproducibles es targets con un backend de clúster (tar_make_clustermq() o tar_make_future()) más una imagen de contenedor creada a partir de rocker/r-ver o una imagen de Bioconductor. La mayoría de los centros HPC admiten Apptainer o Singularity en lugar de Docker, así que cree la imagen localmente y conviértala. Fije la versión R en la imagen y las versiones del paquete en renv.lock; Ambos hacen que el trabajo sea reproducible en todas las actualizaciones del clúster.