Por: Michael Hernández Segura
Miguel Romero se graduó de Economía e Ingeniería de Sistemas de la Escuela Colombiana de Ingeniería Julio Garavito, Bogotá – Colombia. Fue beneficiario del programa Jóvenes Investigadores e Innovadores 2016 y 2018 del Departamento Administrativo de Ciencia, Tecnología e Innovación (Colciencias), en donde se desempeñó como asistente de investigación en la Pontificia Universidad Javeriana Cali.
En 2019 se unió al Doctorado en Ingeniería y Ciencias Aplicadas en la Pontificia Universidad Javeriana Cali, financiado por la Beca Javeriana y el Programa ÓMICAS. En este programa, ha trabajado en el desarrollo de modelos matemáticos y algoritmos que permitan identificar, desde la caracterización ómica in sílico, las funciones de genes para diferentes variedades de cultivos agrícolas, basados en aprendizaje automático y teoría de grafos, bajo la supervisión de los Profesores Camilo Rocha y Jorge Finke. Esto le ha permitido robustecer su experiencia en lógica de reescritura, análisis de redes, diseño e implementación de algoritmos, programación competitiva y aprendizaje automático.
Su disertación estudia el problema de predicción de funciones de los genes desde una perspectiva computacional. El objetivo de este problema es predecir asociaciones entre genes y funciones, teniendo en cuenta que los genes pueden asociarse a múltiples funciones biológicas y las funciones están organizadas jerárquicamente. En su trabajo se desarrollaron cuatro métodos de aprendizaje automático enfocados en diferentes aspectos, el cual ha sido modelado como un problema de clasificación. El objetivo de estos métodos es: (a) considerar las relaciones jerárquicas entre las funciones para producir predicciones consistentes; (b) crear nuevas representaciones de los datos para construir modelos predictivos; (c) usar caminos de funciones en la jerarquía para identificar asociaciones faltantes de genes; e (d) integrar la información disponible para múltiples organismos en el problema de clasificación.
Las principales contribuciones de su trabajo incluyen el desarrollo de métodos novedosos que (i) superan las limitaciones del problema de predicción de funciones de genes; (ii) pueden ser usados para identificar eficientemente asociaciones entre genes y funciones de diferentes organismos, incluyendo aquellos organismos que no tienen suficiente información disponible para construir modelos predictivos; y (iii) ayudan a reducir el espacio de búsqueda en la experimentación in vivo. Estos métodos fueron aplicados para predecir las funciones de genes de maíz y arroz, sin embargo, han sido formulados de forma general y son aplicables a cualquier problema de clasificación multi-etiqueta (multi-label) cuyas clases están organizadas en una jerarquía.
Miguel realizó su pasantía de investigación en la universidad KU Leuven campus KULAK en Kortrijk, #Bélgica, bajo la supervisión de la profesora Celine Vens. En donde trabajó en el desarrollo de modelos de clasificación jerárquica multi-etiqueta (en Inglés, Hierarchical Multi-label Classification, abreviado HMC) para la identificación de las funciones de los genes en los cuales se tuvieran en cuenta las relaciones existentes entre los procesos biológicos. Durante su pasantía, abordó los dos últimos objetivos de su tesis doctoral a través del desarrollo de dos modelos basados en aprendizaje automático y transferencia de conocimiento para la adaptación de información disponible para el mismo organismo de estudio (arroz) u otros organismos similares (arabidopsis, maíz y soya).
Adicionalmente, el pasado mes septiembre sustentó los resultados de su tesis doctoral, la cual fue aprobada gracias a su experiencia y trabajo realizado.
