Categoría: CURRENT PROJECTS

The main objective of our project is to develop a comprehensive basic and applied study platform dedicated to generating new, non-transgenic strains of Saccharomyces cerevisiae. By addressing critical production challenges across various biotechnological industries, we aim to lay the necessary scientific and technological foundations to drive the development, diversification, and long-term sustainability of the yeast industry both locally in Chile and globally.

To achieve these milestones over a three-year period, our project incorporates advanced computational and multi-omic pipelines into its technical workflow. The research team will first establish a high-diversity yeast platform by incorporating global genetic variants from international collections. Using recent advances in omics sciences, we will simultaneously collect exhaustive genomic, transcriptomic, and metabolomic data. Our multidisciplinary team, including bioinformaticians and geneticists, will process this massive analytical data to map out complex genetic factors, secondary metabolites, and metabolic pathways. This computational framework will enable us to create high-resolution predictive models to guide our breeding programs and design optimized yeast prototypes tailored for the wine, distillates, and animal feed industries. Finally, we aim to scale these computationally optimized innovations by constructing the essential infrastructure required for pilot-scale production, allowing us to thoroughly evaluate our newly improved strains in relevant operational environments at a Technology Readiness Level 4 (TRL 4).

Este proyecto desarrolla estrategias y herramientas basadas en datos para evaluar la eficiencia del sistema de salud en hospitales públicos de Chile, con especial énfasis en la gestión de recursos en contextos de alta presión o disrupción, como fue el caso de la pandemia de COVID-19. A través del uso de análisis cuantitativo, modelos computacionales y fuentes de información institucional, se busca identificar patrones de desempeño, cuellos de botella y oportunidades de mejora en la asignación de camas, atención de pacientes y utilización de tecnologías médicas. El objetivo es entregar insumos objetivos que permitan orientar políticas públicas más eficaces, promover una gestión hospitalaria más resiliente y contribuir a la equidad y sostenibilidad del sistema de salud chileno frente a escenarios críticos.This project develops data-driven strategies and tools to evaluate healthcare efficiency in Chilean public hospitals, addressing challenges in resource management during disruptive events like the COVID-19 pandemic.

Este proyecto se centra en el desarrollo de algoritmos robustos de clustering multiobjetivo aplicados al análisis de datos biológicos, con énfasis en conjuntos de datos relacionados con distintos tipos de cáncer. A diferencia de enfoques tradicionales, estos algoritmos integran conocimiento biológico explícito como anotaciones funcionales, vías metabólicas o relaciones filogenéticas para guiar el proceso de agrupamiento, permitiendo identificar patrones más coherentes desde el punto de vista biomédico. El objetivo es avanzar en la comprensión de los mecanismos subyacentes a la expresión génica en contextos oncológicos, mejorar la precisión y la interpretabilidad de los métodos computacionales y facilitar la generación de hipótesis biológicamente relevantes. Además, el proyecto busca fortalecer la colaboración entre disciplinas como la informática, la biología molecular y la medicina, así como contribuir a la formación de recursos humanos especializados en bioinformática y aprendizaje automático con aplicaciones biomédicas.

Este proyecto utiliza inteligencia artificial y técnicas de aprendizaje automático para estudiar la evolución y el genoma de cepas vínicas de Saccharomyces cerevisiae, con el objetivo de mejorar la eficiencia de los procesos fermentativos y comprender los mecanismos de adaptación genética asociados a condiciones enológicas. A través del análisis de datos genómicos, transcriptómicos y fenotípicos, se busca identificar variantes genéticas clave que influyen en el rendimiento fermentativo, la tolerancia a factores de estrés y la producción de compuestos de interés industrial, como los perfiles aromáticos. El enfoque combina modelamiento filogenético, predicción genotipo-fenotipo e inferencia explicable, lo que permite no solo avanzar en el conocimiento evolutivo de estas levaduras, sino también generar herramientas aplicables a la selección racional y el mejoramiento de cepas en la industria del vino. Este esfuerzo integra conocimientos de bioinformática, biología evolutiva y biotecnología enológica, promoviendo la innovación en un sector estratégico para la economía nacional.

Este proyecto desarrolla una herramienta de uso amigable basada en modelamiento matemático para automatizar el diseño curricular en programas de ingeniería, con el propósito de optimizar la secuenciación de asignaturas, la estructura de prerrequisitos y la articulación entre cursos. Mediante algoritmos de optimización y criterios pedagógicos, la herramienta busca generar propuestas curriculares coherentes, equilibradas y adaptadas a las capacidades reales de avance de los estudiantes. Al reducir sobrecargas académicas, mejorar la progresión formativa y facilitar la toma de decisiones institucionales, se espera que esta solución contribuya de manera directa a mejorar las tasas de titulación oportuna y la eficiencia del sistema formativo en educación superior.

Este proyecto desarrolla y valida una herramienta para medir la carga académica percibida por estudiantes de ingeniería, con el fin de proporcionar una evaluación más precisa y contextualizada de las exigencias que enfrentan durante su formación. A través de un enfoque metodológico riguroso que incluye análisis psicométrico, pruebas piloto y validación cruzada en distintas cohortes y contextos curriculares, se busca generar un instrumento confiable, adaptable y útil tanto para la gestión académica como para la investigación educativa. La herramienta permitirá identificar sobrecargas estructurales, diferencias por género o trayectoria académica, y posibles puntos críticos en la planificación docente. Además, el proyecto se compromete con las prácticas de ciencia abierta, asegurando la disponibilidad pública de los datos, los instrumentos y los scripts analíticos utilizados, promoviendo así la transparencia, la replicabilidad y el uso compartido de evidencias en el ámbito de la investigación en educación superior. Esta iniciativa busca no solo mejorar la comprensión del fenómeno de la carga percibida, sino también contribuir a la toma de decisiones informadas para el diseño de planes de estudio más equilibrados y sostenibles.

Este proyecto desarrolla estrategias de optimización con múltiples objetivos aplicadas a la inferencia filogenética, con el propósito de reducir sesgos en la modelación de hipótesis evolutivas y mejorar la calidad de los árboles filogenéticos generados a partir de datos moleculares. A través del diseño e implementación de algoritmos que consideran simultáneamente diversos criterios como la verosimilitud, la parsimonia, la robustez topológica y la consistencia biológica se busca superar las limitaciones de enfoques tradicionales que dependen de un único criterio optimizado. Esta aproximación permite obtener soluciones más equilibradas y representativas de la complejidad de los procesos evolutivos. El proyecto integra conocimientos avanzados de biología evolutiva, informática y optimización computacional, y se orienta a resolver problemas reales en áreas como sistemática, genética comparada y clasificación de especies. Además, promueve la colaboración interdisciplinaria y la formación de capacidades en el desarrollo de métodos filogenéticos modernos para contextos de alta complejidad.