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.
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.
Informática
Director: Juan Antonio Botía Blaya
Codirector: Alejandro Cisterna García
Doctorado en Informática
01/03/2024 - 28/02/2027
En desarrollo
- 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
Durante esta tesis doctoral se han producido 4 artículos de investigación. 2 en revistas Q1, 1 en revista Q2 y 1 en un congreso internacional de categoría A* como primer autor.
Además, se ha colaborado como autor en 2 artículos adicionales para revistas Q1.
Adicionalmente, se ha colaborado en una estancia internacional con el German Research Center for Artificial Intelligence (DFKI) y la Universidad de Osnabrück.
El objetivo principal de esta estancia de investigación es desarrollar un marco para la explicabilidad en la interpretación de objetos a partir de datos de sensores dentro del proyecto ExPrIS, que se está desarrollando en el centro receptor. Este proyecto se centra en investigar cómo integrar las técnicas clásicas de explicabilidad de GNN con la riqueza semántica y la estructura de reglas de ConceptNet para producir explicaciones más significativas e interpretables en el razonamiento gráfico de escenas 3D. El objetivo es explorar cómo la semántica ontológica y los patrones de grafos pueden mejorar conjuntamente la interpretabilidad. Por lo tanto, el doctorando visitante se integrará en el grupo de investigación receptor contribuyendo al proyecto ExPrIS.
La tesis se centra en el desarrollo de técnicas de explicabilidad para sistemas de IA basados en grafos, en especial aquellos que incorporan conocimiento de sentido común y estructuras semánticas. Esta estancia contribuirá directamente a ese objetivo, permitiéndome trabajar sobre un caso de estudio real (el proyecto ExPrIS), donde se utilizan grafos enriquecidos con conocimiento para interpretar escenas complejas.
Durante la estancia, se explorarán nuevas formas de combinar explicabilidad estructural (e.g., subgrafos relevantes, caminos causales) con semántica ontológica (e.g., relaciones de ConceptNet, inferencias tipo lógicas descriptivas), aportando así una nueva línea metodológica que podrá ser integrada como uno de los capítulos centrales de la tesis. Además, los resultados obtenidos durante esta estancia podrían dar lugar a contribuciones científicas en forma de artículos, prototipos funcionales y herramientas que complementen el trabajo teórico de la tesis.
La estancia me permitirá profundizar en el campo de la explicabilidad en modelos de grafos aplicados al razonamiento sobre escenas tridimensionales, integrando técnicas clásicas de interpretabilidad en GNNs con los aspectos semánticos y estructurales de grafos de conocimiento como ConceptNet. Esta experiencia fortalecerá la formación en inteligencia artificial explicable, aprendizaje profundo sobre grafos heterogéneos y conocimiento simbólico, consolidando así un perfil técnico e investigador de alto nivel en una de las áreas emergentes más relevantes de la IA actual: la combinación de aprendizaje y razonamiento. Además, tendré la oportunidad de colaborar en un entorno internacional e interdisciplinar, mejorando sus competencias en trabajo colaborativo, comunicación científica y adaptación a contextos de investigación avanzados. Esta estancia me permitirá adquirir conocimientos prácticos sobre herramientas y metodologías actuales, incluyendo técnicas de razonamiento simbólico (lógicas descriptivas), patrones semánticos (meta-paths), y generación de explicaciones estructuradas y comprensibles para usuarios finales.
2026
- Generación de explicaciones narrativas para modelos de redes neuronales de grafos basados en grafos de escenas 3D.
- Series temporales de grafos para la creación de grafos basados en escenas 3D.
13/04/2026
14/07/2026
ALEMANIA
Universität Osnabrück
Semantic Information Systems at the Institute of Computer Science
Durante la estancia, me integraré en el grupo de investigación anfitrión en Alemania, vinculado al proyecto ExPrIS, lo que le permitirá entrar en contacto con investigadores activos en el ámbito del razonamiento simbólico, IA explicable y grafos de conocimiento. Asimismo, participará en seminarios, reuniones de grupo y
actividades científicas del equipo, lo que facilitará su inclusión en redes internacionales como:
• La comunidad europea de inteligencia artificial explicable (XAI),
• Redes centradas en el aprendizaje profundo sobre grafos.
• Grupos especializados en IA neuro-simbólica y razonamiento automático,
• Posibles colaboraciones con miembros de proyectos europeos relacionados con Knowledge Graphs.
• Esta interacción con comunidades internacionales reforzará mi visibilidad académica y abrirá oportunidades para futuras colaboraciones y estancias postdoctorales.
Se mantiene una relación investigadora estable gracias a la relación de los investigadores principales de ambas instituciones.
.jpeg)
