Gilberto Alejandro Camarillo García

Resumen: La tractografía por resonancia magnética es una técnica computacional no invasiva de neuroimagen que permite reconstruir las conexiones de sustancia blanca del cerebro mediante trayectorias continuas denominadas streamlines, esto a partir de datos de difusión de las moléculas de agua en el tejido cerebral. Los métodos clásicos dependen de información local que limita su precisión, especialmente en regiones de cruce, beso o bifurcación de fibras.

Esta tesis estudia un modelo de tractografía basado en aprendizaje profundo con una arquitectura híbrida de bloques convolucional y Transformer. Así, se busca que el modelo aprenda a predecir la dirección de propagación de cada paso considerando el contexto espacial local y una ventana de pasos previos, capturando dependencias a lo largo del tracto que los métodos clásicos ignoran.

Descarga Póster

Naikary Paloma Martínez Velázquez

Resumen: La rata topo desnuda (Heterocephalus glaber, en adelante NMR) es un mamífero longevo que no desarrolla deterioro cognitivo asociado a la enfermedad de Alzheimer, a diferencia del ratón (Mus musculus). Estudios lipidomicos comparativos han documentado que el cerebro de NMR presenta una proporción molar CHOL:DPSM de 2:1, inversa a la del Ratón (1:2) (Frankel et al., 2020), diferencia que podría modular las propiedades estructurales de sus membranas neuronales. Sin embargo, las consecuencias moleculares de esta inversión composicional no habían sido caracterizadas a resolución molecular. Se simularon dos bicapas lipídicas binarias colesterol (CHOL)/esfingomielina (DPSM) con campo de fuerza Martini 2 en GROMACS (512 lípidos, 10 µs, 310.15 K), representando ambos sistemas. Se calcularon parámetros estructurales clásicos y se aplicó un análisis avanzado basado en la función de distribución radial-angular de tres cuerpos (g₃) combinada con agrupamiento no supervisado (SSIM → t-SNE → DBSCAN). Las membranas de NMR resultaron más compactas (APL 19% menor), más gruesas, menos móviles y más ordenadas que las del Ratón. El análisis de aprendizaje automático reveló subpoblaciones de lípidos, sugiriendo que el alto contenido de colesterol en NMR genera un entorno lipídico distinto que podría relacionarse con la resistencia de esta especie a la neurodegeneración.

Descarga Póster

Maria del Rayo Hernández Delgado

Resumen: Las Physics-Informed Neural Networks (PINNs) se han desarrollado como una alternativa para aproximar soluciones de ecuaciones diferenciales parciales complejas; sin embargo, aún son limitadas las plataformas de  evaluación de su desempeño de manera sistemática y reproducible en problemas biológicos avanzados. En este trabajo se desarrolla un benchmark jerárquico para evaluar PINNs en un modelo inmuno-oncológico unidimensional que incorpora memoria temporal mediante derivadas fraccionarias de Caputo, retardo inmunológico y difusión espacial fraccionaria.

El benchmark se estructura en cuatro niveles de complejidad creciente (L1–L4), donde cada nivel añade nuevos fenómenos físicos y biológicos al sistema. A partir de soluciones numéricas de referencia se generan conjuntos de datos sintéticos bajo distintos escenarios de ruido, los cuales son utilizados para entrenar y evaluar PINNs bajo condiciones experimentales controladas. La evaluación considera métricas de precisión, estabilidad y costo computacional, permitiendo así analizar el impacto de la complejidad física sobre el desempeño de los modelos.

Los resultados obtenidos proporcionan una plataforma reproducible para evaluar el desempeño de PINNs en modelos inmuno-oncológicos con complejidad física creciente, contribuyendo al desarrollo de benchmarks y herramientas de evaluación estandarizadas en Scientific Machine Learning (SciML).

Descarga Póster

Jorge Loera

Resumen: La tesis propone un algoritmo evolutivo (NAS-Adapter) que automatiza la búsqueda de qué capas adaptar y con qué rango en LLMs usando LoRA/QLoRA sobre LLaMA-7B, comparando dos funciones de aptitud: Low-Fidelity (LF, basada en entrenamiento parcial) y GradNorm (GN, proxy zero-shot basado en normas de gradiente). Los experimentos muestran que GN logra speedups de hasta 144.5× sobre LF, identifica arquitecturas muy compactas (196K parámetros) que superan a LoRA uniforme con 50M parámetros, y generaliza tanto entre datasets como entre modelos (aplicando arquitecturas de LLaMA-7B a Mistral-7B con menos de 2 pp de diferencia), todo evaluado mediante el test estadístico Bayesian Signed-Rank con ROPE ±0.01.

Descarga Póster

Gustavo Hernández Angeles

Resumen: El proyecto propone un sistema de recomendación para ayudar a los viajeros a elegir su próximo Pueblo Mágico, resolviendo el problema de sobrecarga de información ante tantos destinos disponibles. Para lograrlo, se extrae información detallada de las reseñas de los usuarios mediante análisis de sentimientos por aspecto, lo que permite construir perfiles de preferencias tanto para usuarios como para destinos.

Con esos perfiles se combinan dos enfoques de recomendación (uno basado en la similitud entre usuarios y otro en la calidad de los destinos según aspectos) en un modelo híbrido controlado por un único parámetro que permite balancear qué tan relevante es la recomendación contra qué tan diversa es.

Descarga Póster

Irvin Omar Herrera Guzmán

Resumen: Las series epidemiológicas basadas en registros diarios suelen verse afectadas por subregistros, retrasos administrativos y errores de adquisición que dificultan la detección oportuna de cambios en la dinámica de infección. Este trabajo presenta una metodología adaptativa diseñada como herramienta complementaria para escenarios de información limitada, cuyo objetivo es proporcionar una representación más consistente de la evolución epidemiológica y anticipar cambios estructurales en la transmisión.

La propuesta integra etapas de imputación proporcional, deconvolución epidemiológica calibrada mediante la distribución del periodo de incubación de cada enfermedad, modelación mediante regresión cuantil no lineal basada en curvas logísticas generalizadas y supervisión estructural mediante análisis de residuos con el estadístico CUSUM. Cada componente se ajusta de acuerdo con las características biológicas del patógeno y la calidad de la información disponible, permitiendo una aplicación flexible en distintos contextos epidemiológicos.

La metodología fue validada retrospectivamente utilizando series históricas de COVID-19 en Nuevo León durante 2021 y dengue en Jalisco durante 2024. Los resultados muestran que la integración de estas técnicas mejora la consistencia temporal de los registros y permite anticipar señales de alerta entre 6 y 8 días respecto al análisis directo de datos crudos. Estos hallazgos sugieren que la propuesta constituye una herramienta auxiliar útil para fortalecer la vigilancia epidemiológica y apoyar la toma de decisiones durante situaciones de emergencia sanitaria.

Descarga Póster

Estefany Haideé Moreno Alcalá

Resumen: En el presente trabajo se construye un indicador adelantado del ciclo de crecimiento de la economía mexicana mediante un enfoque de aprendizaje supervisado, utilizando la metodología de Mínimos Cuadrados Parciales (PLS). A diferencia de los métodos tradicionales no supervisados (como PCA), este modelo maximiza la covarianza entre un panel masivo de predictores y una variable objetivo (IGAE), permitiendo anticipar los puntos de giro de la actividad económica con mayor precisión.

Descarga Póster

Uziel Isaí Luján López

Resumen: El póster presenta un sistema híbrido de ligado de registros para bases de datos clínicas heterogéneas del INER, donde una misma persona puede aparecer en distintas bases con atributos inconsistentes, errores de captura e identificadores no confiables. Los datos comprenden tres bases clínicas, 23,706 registros y 68 columnas, con un espacio de búsqueda de más de 151 millones de pares y fuerte desbalance negativo:positivo.

La metodología aprende un espacio métrico compartido para acercar registros de la misma entidad y separar registros distintos, con potencial de transferencia a otros dominios de vinculación de personas.

El sistema sigue una arquitectura Retrieve & Re-rank: primero, un Bi-Encoder entrenado con MNRL recupera candidatos con alto recall; después, un Cross-Encoder reevalúa los pares difíciles con mayor precisión. 

Los resultados muestran desempeño casi perfecto: el Bi-Encoder logra Recall@5 = 1.0 y separación robusta del espacio métrico, mientras que el Cross-Encoder alcanza F1 ≈ 0.9997, con un único falso negativo que terminó revelando un error de etiquetado asociado a un expediente reciclado tras defunción. La contribución central es adaptar modelos de lenguaje pre-entrenados y aprendizaje métrico al ligado de registros clínicos tabulares en español.

Descarga Póster 

César Miguel Aguirre Calzadilla

Resumen: El SDSS DR16 posee millones de galaxias, pero su clasificación morfológica y diagnóstico nuclear siguen siendo abiertos. MAGMA-01 combina tres agentes de Hard Computing (HC) que procesan imágenes, espectros y fotometría con un componente de Soft Computing (SC) basado en AstroSage-8B + RAG, que integra señales, resuelve tensiones y genera comentarios físicos en lenguaje natural con confianza por bandas. Evaluado en 9,386 galaxias, alcanza 99.8% de fidelidad HC↔SC en diagnóstico BPT, 97.0% de accuracy en alta confianza, 79.5% de acuerdo morfológico en las clases estructurales mejor definidas y BERTScore F1 de 0.849, demostrando que el SC resuelve tensiones que el BPT aislado no puede adjudicar.

Descarga Póster

Javier Eulalio Alvarado Acosta

Resumen: Se presenta un sistema automatizado para la detección, conteo Y georreferenciación de criaderos potenciales del mosquito Aedes aegypti a partir de videos capturados con un dron. El sistema integra el modelo de detección YOLOv12-nano, un tracker basado en IOU + Témplate Matching para el conteo de objetos únicos, y un pipeline de georreferenciación con corrección por homografía para ubicar cada criadero en coordenadas GPS estimadas. Evaluado sobre el dataste público MBG-V2 (Río de Janeiro, Brasil), el sistema detecta 5 clases de criaderos obteniendo un MAE de 15.2 criaderos en el Vuelo 17 y 18.8 en el Vuelo 12.

Descarga Póster 

 Brenda Liliana Tránsito Pimentel

Resumen: La segmentación automática de neoplasias hipofisiarias en imágenes de resonancia magnética (MRI) es fundamental para apoyar el diagnóstico y la planificación terapéutica. En este trabajo se evalúan arquitecturas convolucionales e híbridas CNN–Transformer utilizando el subconjunto de tumores hipofisiarios del dataset BRISC 2025. Como referencia se implementaron cuatro variantes de U-Net (Base, LightMap, ROI y LayerNorm), mientras que se propuso RestormerSeg, una adaptación de Restormer para segmentación binaria. Los modelos fueron evaluados mediante un protocolo de diez corridas independientes empleando las métricas Dice e IoU. Los resultados muestran que RestormerSeg obtuvo el mejor desempeño, alcanzando un Dice de 0.8165 ± 0.0047 y un IoU de 0.6835 ± 0.0160, superando a la mejor variante de U-Net. Además, logró esta mejora utilizando únicamente 20 millones de parámetros, evidenciando que las arquitecturas híbridas CNN–Transformer constituyen una alternativa eficiente para la segmentación de tumores hipofisiarios.

Descarga Póster