Desarrollo de herramientas de IA que permitan optimizar el análisis de imágenes producidas en el marco de programas de mejora genética biotecnológica
La IA tiene múltiples aplicaciones. Una aplicación importante es proporcionar herramientas para facilitar el análisis de imagen. La mejora genética vegetal tiene como objetivo desarrollar nuevas variedades de cultivos que sean de mayor calidad y que puedan cultivarse de forma productiva en sistemas agrícolas más sostenibles, que tengan menor impacto ambiental, que utilicen menos recursos (pesticidas, fertilizantes, agua..) y generen menos residuos. Para ello, en esta investigación se trabajará con un equipo en numerosos proyectos orientados a desarrollar nuevas variedades de cucurbitáceas (melón, pepino, sandia y calabazas), la segunda familia de hortícolas en importancia económica y social, utilizando las estrategias biotecnológicas más avanzadas (secuenciación de genomas, edición génica, desarrollo de colecciones de marcadores moleculares para selección indirecta, etc.). El desarrollo de estas estrategias pasa por desarrollar estrategias de fenotipado de alta resolución. Este fenotipado, se fundamenta, entre otras cosas, en al análisis de imágenes: imágenes captadas por drones, imágenes captadas por microscopios, escáneres de alta resolución (que puedan determinar la salud de las plantas, su necesidad de riego o tratamientos, su fertilidad, estudiando micrografías de granos de polen y desarrollo de tubos polínicos, etc.). Se desarrollaran herramientas de IA que permitan optimizar el análisis de estas imágenes producidas en el marco de programas de mejora genética biotecnológica, bien sea segmentando partes de interés, reconociendo y clasificando diferentes tipos de objetos o generando nuevas imágenes a partir de ejemplos.
Detección de microplásticos con IA
Los microplásticos (MPs), es decir, partículas de plástico de menos de cinco milímetros, representan un área
de investigación relevante debido al aumento de su presencia en diversos entornos y a su capacidad para
transportar sustancias contaminantes. Si bien la mayoría de los estudios se centran en ecosistemas marinos,
es igualmente importante analizar su presencia en otros medios. Aunque algunos avances recientes han
permitido reducir los MPs en el agua, estas partículas no desaparecen, sino que pueden acumularse en otros
entornos, como el fango de las depuradoras.
Su reducido tamaño y alta variabilidad morfológica dificultan su detección mediante métodos tradicionales,
los cuales requieren tiempo y un alto consumo de recursos humanos. Para abordar estos desafíos, este trabajo
propone una metodología escalable y eficiente basada en redes neuronales convolucionales para la detección
y caracterización de MPs en muestras de fango procedentes de aguas residuales.
Aplicación de técnicas de IA para el diseño de algoritmos y herramientas de ayuda en la obtención de biomoléculas para combatir bacterias resistentes a antibióticos.
El
objetivo de esta investigación es el desarrollo de nuevas herramientas y
algoritmos de selección de anticuerpos con mejor afinidad para la interacción
con proteínas predefinidas, especificando la región de la proteína diana en la
que se une.
Estas herramientas y algoritmos se basarán en la aplicación de técnicas de machine learning, u otras medidas basadas en teoría de la información.
Aplicando técnicas de computación con membranas, para la modelización y simulación de los procesos de evolución dirigida y para establecer modelos de interacción de la bacteria con el sistema inmunológico.
Se desarrollarán herramientas para la validación biológica de los resultados de modelación y simulación generados.
Esta investigación tiene gran impacto en el “Objetivo 3: Garantizar una vida sana y promover el bienestar para todos en todas las edades” perteneciente a los objetivos de desarrollo sostenible aprobados por la ONU.
Estas herramientas y algoritmos se basarán en la aplicación de técnicas de machine learning, u otras medidas basadas en teoría de la información.
Aplicando técnicas de computación con membranas, para la modelización y simulación de los procesos de evolución dirigida y para establecer modelos de interacción de la bacteria con el sistema inmunológico.
Se desarrollarán herramientas para la validación biológica de los resultados de modelación y simulación generados.
Esta investigación tiene gran impacto en el “Objetivo 3: Garantizar una vida sana y promover el bienestar para todos en todas las edades” perteneciente a los objetivos de desarrollo sostenible aprobados por la ONU.
Caracterización de variables de estructura forestal como datos de entrada en el modelo 3D de comportamiento del fuego mediante técnicas de teledetección
El objetivo principal del proyecto es la clasificación de nubes de puntos obtenidas con sensores LiDAR (Light Detection and Ranging) y cámaras fotogramétricas en diferentes entornos, mediante técnicas de Deep Learning, con el fin de mejorar las clasificaciones existentes hasta ahora en entornos forestales. Ello permitirá la generación de gemelos digitales en espacios forestales, la extracción categórica de características útiles en la generación de inventarios y en la prevención de incendios forestales, así como la monitorización de la biodiversidad.
Desarrollo de estrategias de machine learning (ML) energéticamente eficientes para la gestión sostenible de Espacios Naturales Inteligentes (ENI)
Esta Investigación se centra en el desarrollo de estrategias de machine learning (ML) energéticamente eficientes para la gestión sostenible de Espacios Naturales Inteligentes (ENI), como reservas naturales y parques protegidos. Estos entornos desempeñan un papel clave en la conservación de la biodiversidad y el equilibrio ecológico, pero enfrentan amenazas crecientes debido a la actividad humana, como el turismo masivo, la contaminación y la sobreexplotación de recursos.
Para abordar estos desafíos, se busca implementar modelos de ML/DL que analicen grandes volúmenes de datos ambientales y socioeconómicos, permitiendo una toma de decisiones más precisa y adaptable en la gestión de estos espacios. A diferencia de los enfoques tradicionales, el uso de ML facilita la detección temprana de riesgos y la optimización de estrategias de conservación.
El objetivo principal es diseñar e implementar modelos de ML optimizados para el análisis de datos heterogéneos, integrando variables espaciales, temporales y socioeconómicas. Además, se evaluará la eficiencia de distintas estrategias de ML desde una perspectiva técnica y de sostenibilidad, considerando su impacto ambiental y la participación de actores locales en la gestión.
La metodología combina técnicas cuantitativas y cualitativas, incluyendo:
Exploración de indicadores socioambientales clave.
Identificación y recopilación de datos mediante fuentes abiertas y plataformas de monitoreo.
Desarrollo y evaluación de modelos de ML para predicción de impactos, detección de anomalías y optimización de recursos.
Diseño de algoritmos verdes que reduzcan el consumo energético de los modelos.
Divulgación de resultados mediante publicaciones científicas y colaboraciones con entidades interesadas.