https://rinacional.tecnm.mx/jspui/handle/TecNM/990 2026-09-11T15:06:02Z 2026-09-11T15:06:02Z Velázquez Cano, Jorge Enrique%728006 https://rinacional.tecnm.mx/jspui/handle/TecNM/13976 2026-09-11T03:34:29Z 2026-09-03T00:00:00Z

Title: Detección unimodal de estados emocionales en Ambientes Virtuales de Aprendizaje Inmersivo mediante técnicas de Inteligencia Artificial aplicadas al análisis del comportamiento y datos espaciales Authors: Velázquez Cano, Jorge Enrique%728006 Description: La presente tesis documenta la investigación realizada, los instrumentos desarrollados, análisis de los datos y resultados de la detección de estados emocionales en ambientes virtuales usando técnicas de inteligencia artificial con información espacial de manos y cabeza. Particularmente, este trabajo da seguimiento al uso del ambiente virtual de aprendizaje inmersivo (AVAI) “pinta tu raya ASI” (AVAI ASI) y su uso como la plataforma donde se implementan los distintos mecanismos de detección e instrumentos de auto reporte emocional. La investigación considera esta perspectiva como parte fundamental del proyecto, abordándolo desde el estado del arte como un proyecto multidisciplinario. No obstante, se enfocan los procesos y resultados al área de las ciencias de la computación. Se describen los mecanismos de detección desarrollados y los instrumentos de medición utilizados, destacando su diseño y desarrollo como parte indispensable para el modelo propuesto, así como hallazgos relacionados al diseño de mejores interfaces para sistemas en realidad virtual (RV). Se analizan estudios exploratorios adicionales que pueden abrir nuevas oportunidades de investigación y para los cuales se diseñaron e implementaron instrumentos nuevos. Posteriormente se presentan las intervenciones realizadas en campo junto con el protocolo seguido. Se registró el comportamiento de niños de 8 a 10 años de edad durante el uso del AVAI ASI para generar un dataset con un ground truth compuesto de las respuestas de los instrumentos de autoevaluación. Finalmente se describe el tratamiento de los datos obtenidos y los resultados de los diferentes modelos de regresión utilizados. Se encontró el uso de bosques aleatorios como el modelo con mejores resultados, se hallaron diferencias importantes con respecto a la medida central utilizada que apuntan a establecer balances entre dimensionalidad y precisión requerida. En cuanto al grupo etario hubo hallazgos relevantes en relación a la percepción emocional con la edad del participante. Las conclusiones presentan las consideraciones bajo las cuales el modelo propuesto funciona y cómo pueden estos resultados adaptarse a otros proyectos de naturaleza similar.

2026-09-03T00:00:00Z Erazo Valadez, Manuel%1082025 https://rinacional.tecnm.mx/jspui/handle/TecNM/13953 2026-09-10T06:06:15Z 2026-08-19T00:00:00Z

Title: Modelo predictivo sobre el emparejamiento de cadenas pesadas y ligeras de anticuerpos Authors: Erazo Valadez, Manuel%1082025 Description: Resumen Los anticuerpos son moléculas formadas por cadenas pesadas y cadenas ligeras cuyo emparejamiento correcto es esencial para la formación de un sitio de unión funcional. Sin embargo, en los métodos de secuenciación de nueva generación, ambas cadenas se obtienen de forma separada, lo que provoca la pérdida del emparejamiento natural y genera el problema de identificar, a partir de información de secuencia, qué combinaciones forman anticuerpos funcionales. Para abordar este problema, se construyó un modelo computacional basado en una red neuronal siamesa asimétrica entrenada con la función de pérdida InfoNCE con temperatura τ=0.07, diseñada para aprender un espacio métrico en donde las cadenas que forman anticuerpos funcionales se encuentran cercanas en términos de distancia coseno, mientras que las combinaciones incompatibles se encuentran más alejadas. Las secuencias de aminoácidos se representaron mediante los factores Atchley, una codificación fisicoquímica que captura propiedades como polaridad, hidrofobicidad, carga, volumen molecular y tendencia estructural, y que demostró el mejor desempeño frente a representaciones alternativas evaluadas. La arquitectura cuenta con encoders especializados para cada tipo de cadena: el encoder de cadenas ligeras emplea activaciones GELU con normalización por lotes, y el encoder de cadenas pesadas utiliza activaciones ReLU, proyectando ambas cadenas a un espacio embebido de ocho dimensiones. Una contribución central del trabajo es el uso de cadenas pesadas de ratón BALB/c como negativos verdaderos en el entrenamiento. Debido a las divergencias germinales, diferencias estructurales y ausencia de coevolución entre especies, estas cadenas no pueden formar anticuerpos funcionales con cadenas ligeras humanas, lo que proporciona una señal negativa con respaldo biológico sólido. Los resultados mostraron que esta decisión tuvo un impacto directo en la calidad del espacio métrico aprendido: la separación entre pares compatibles e incompatibles mejoró sustancialmente en comparación con el modelo entrenado sin negativos verdaderos. El modelo fue evaluado sobre un conjunto de prueba independiente, obteniendo una exactitud de 0.97, F1-Score de 0.96, Recall de 0.94 y ROC-AUC de 0.97. En la evaluación de recuperación por ranking, se alcanzó un Recall@1 de 71.55%, Recall@5 de 91.77% y Recall@10 de 93.06%, lo que confirma la utilidad del modelo para reducir el espacio de cadenas candidatas en repertorios de gran escala. El análisis del espacio de embeddings mediante UMAP reveló una organización coherente con propiedades biológicas como la familia germinal V, el gen V específico y la longitud del CDR3, sin que estas propiedades fueran incluidas explícitamente en el entrenamiento. Los resultados demuestran que es posible construir un modelo computacional con capacidad discriminativa real para el problema del emparejamiento de cadenas de anticuerpos, y que la calidad biológica de los negativos de entrenamiento es un factor determinante en el desempeño del modelo y que las representaciones fisicoquímicas compactas como los factores Atchley son una alternativa viable y efectiva para este tipo de tareas.

2026-08-19T00:00:00Z Peregrino de la Cruz, Cesar Augusto%819256 https://rinacional.tecnm.mx/jspui/handle/TecNM/13952 2026-09-10T06:00:33Z 2026-08-14T00:00:00Z

Title: Diseño e implementación de un controlador multivariable con estructura RST Authors: Peregrino de la Cruz, Cesar Augusto%819256 Description: La relevancia de los sistemas de control confiables en la industria de procesos está ampliamente consolidada. Los procesos industriales son frecuentemente multivariables, no lineales y se caracterizan por fuertes interacciones de acoplamiento cruzado entre sus variables. Las estrategias de control tradicionales, como los controladores PID multilazo, presentan un desempeño deficiente en estos sistemas complejos, incluso cuando se combinan con esquemas de desacoplamiento. Para abordar esta problemática, este trabajo propone el diseño de un controlador centralizado alternativo basado en la estructura polinomial RST. Históricamente, la estructura RST ha dado lugar a leyes de control flexibles, robustas y de alto desempeño para sistemas de una entrada y una salida (SISO). La contribución principal de esta tesis es la extensión de esta metodología clásica RST a sistemas de múltiples entradas y múltiples salidas (MIMO). La ley de control centralizada propuesta gestiona con éxito las no linealidades, las fuertes interacciones y los comportamientos dinámicos complejos de los procesos multivariables que los controladores PID convencionales no logran controlar de manera eficiente.

2026-08-14T00:00:00Z Miguel Ruiz, Juan Antonio%1077461 https://rinacional.tecnm.mx/jspui/handle/TecNM/13951 2026-09-10T05:52:42Z 2026-08-13T00:00:00Z

Title: Método para la reducción del espacio de búsqueda de alineamientos de genes V en vertebrados Authors: Miguel Ruiz, Juan Antonio%1077461 Description: Esta investigación aborda un problema central en la caracterización del genoma: la identificación de genes V de inmunoglobulinas en genomas de vertebrados, una tarea obliga a los expertos a revisar manualmente miles de regiones candidatas producidas por diversas herramientas de alineamiento de secuencias. Este proceso, realizado en el Centro de Investigación sobre Enfermedades Infecciosas (CISEI) del Instituto Nacional de Salud Pública, constituye un cuello de botella que escala con el tamaño del genoma y limita la capacidad de caracterizacióń n en organismos poco estudiados como los quirópteros. Como solucióń se propone el método Reduction for the Identification of V-genes by sequence Alignment and Machine learning (RIVAM), orientado a la reducción del espacio de búsqueda para la identificación de genes V. El método integra principios de diseño derivados del dominio biológico con técnicas de aprendizaje automático no supervisado, siguiendo la metodología de Ciencia del Diseño (DSR) combinada con una metodología de flujo de conocimiento del dominio. RIVAM consolida los resultados de cinco sistemas de alineamiento (HMMscan, Exonerate:est, Exonerate: prot, Tblastn y Tblastx) en una representación vectorial unificada basada en matrices de adyacencia, sobre la cual aplica reducción de dimensionalidad y agrupamiento para aislar el subconjunto de regiones con mayor densidad de genes V reales. Al evaluar el método se utilizaron doce genomas de quirópteros anotados por expertos. Se probaron tres configuraciones distintas y sus resultados se compararon con las pruebas de Friedman y Nemenyi. Los resultados indicaron que UMAP+GMM fue la mejor configuración, con diferencias estadísticamente significativas y mejoras de hasta 37 puntos porcentuales en algunos casos. La validación externa confirmó la capacidad de generalización del método sobre tres genomas con características deliberadamente distintas: Plecotus auritus (91.06% de cobertura sobre 850 genes de referencia), Ambystoma mexicanum (55.17% en un anfibio biogenéticamente distante) y Molossus nigricans (un quiróptero sin anotación experta). La comparación con IgDetective, método de referencia del estado del arte, mostró que RIVAM lo supera en tres de cinco genomas evaluados y, de forma destacada, identifica sistemáticamente el primer exón (SP_exon), ausente en todas las predicciones de IgDetective. RIVAM constituye un aporte metodológico al problema de reducción del espacio de búsqueda, demostrando que el aprendizaje no supervisado permite acotar grandes volúmenes de soluciones sin sustituir las herramientas disponibles ni sacrificar la cobertura de los genes V en el proceso de anotación y caracterizacióń del genoma.

2026-08-13T00:00:00Z