Nace en Cartagena en 1999. En 2022 obtiene el grado de ingeniero en informática y el grado de matemáticas por la Universidad de Murcia, cursando el programa conjunto de estudios simultáneos (PCEO). A continuación cursa el máster universitario en tecnologías de análisis de datos masivos: Big Data en la Universidad de Murcia, obteniendo el título de máster en el año 2023. Obtuvo en el curso 2021-2022 la beca de colaboración del ministerio para iniciación a la investigación en la universidad de Murcia. Estuvo contratado como becario de investigación de 2022 a 2023 asociado a un contrato de investigación para el departamento de ingeniería de la información y las comunicaciones de la universidad de Murcia. En el año 2023 obtiene una ayuda de la Fundación Séneca para realizar la tesis doctoral en la Universidad de Murcia. Domina la lengua española y tiene conocimientos de la lengua inglesa.

Tesis

El aprendizaje profundo (Deep Learning) supone en la actualidad un gran campo de investigación, pero su aplicación en biomedicina sufre a menudo de opacidad y desconexión con el conocimiento estructurado experto. En este trabajo se avanza en el diseño de modelos de IA neuro-simbólicos orientados a tratar datos biomédicos dispuestos en forma de ontologías. En concreto, la investigación evoluciona desde el uso de Redes Neuronales de Grafos (GNNs) para predecir relaciones fenotipo-gen, hacia la adaptación de Modelos de Lenguaje (LLMs) guiados por la estructura de grafos como Gene Ontology o Human Phenotype Ontology. Al mismo tiempo, el proyecto se centra en avanzar en dos ejes computacionales críticos: la explicabilidad de las representaciones latentes (mediante nuevas métricas y algoritmos) y la computación de alto rendimiento para escalar el cálculo de la similitud semántica de forma altamente eficiente.

Área de conocimiento

Informática

Grupo de investigación

Director: Juan Antonio Botía Blaya
Codirector: Alejandro Cisterna García

Programa de doctorado

Doctorado en Informática

Estado de tesis

En desarrollo

Principales indicadores de producción científico/tecnológicos

- Phenolinker: Phenotype-gene link prediction and explanation using heterogeneous graph neural networks

- Data-driven interpretation of dimensions in an embedding language model based on a reference knowledge graph

- GO3: A fast and lightweight library for semantic similarity of GO terms and genes

- Identifying risk factors and predicting long COVID in a Spanish cohort

- Multi-Network Co-expression Analysis Enhances Biological Insights from Single-Cell Gene Expression

Estancias en Centros Internacionales

>>>