Pardo Pérez, José Adrián
Departamento de Ingeniería de la Información y de las Comunicaciones/Facultad de Informática/Universidad de Murcia.joseadrian.pardop@um.es
joseadrian.pardop@um.es
Nace en Murcia en 2001. En 2023 obtiene el grado de ingeniero en informática por la Universidad de Murcia, donde obtuvo el Premio Extraordinario de Fin de Carrera. A continuación cursa el máster en Tecnologías de Análisis de Datos Masivos: Big Data en la Universidad de Murcia obteniendo el título de máster en el año 2024. Antes de obtener la ayuda FPI de la Fundación Séneca, disfrutó de dos becas de formación práctica en el ámbito de actividades de I+D+i del Plan de Fomento de la Investigación de la Universidad de Murcia, ambas en 2023. La primera se centró en formación e investigación en Machine Learning para problemas de alta dimensionalidad, y la segunda estuvo asociada al proyecto VPS (Software para Priorización de Variantes). En 2024, se incorpora como personal contratado al proyecto CALM (Concept-drift Aware Machine Learning), donde realizó actividades científicas relacionadas con el desarrollo del proyecto. Actualmente continúa vinculado a dicho proyecto. En el año 2025 obtiene una ayuda de la Fundación Séneca para realizar la tesis doctoral en la Universidad de Murcia, donde participa en actividades docentes en los años 2025/2026. Paralelamente está asociado al desarrollo del proyecto CALM. Domina la lengua española y tiene conocimientos de la lengua inglesa.
En la última década, hemos sido testigos del crecimiento exponencial de los datos de ómicas disponibles para el estudio de enfermedades complejas. La ómica se define como un conjunto de disciplinas que identifican, cuantifican y caracterizan un conjunto de moléculas de una misma tipología, incluyendo genes, proteínas, metabolitos... Estos datos han despertado un gran interés para el estudio de enfermedades, no solo porque su medición es no invasiva y a un bajo coste, sino también porque permiten entender el cuerpo humano como un sistema donde todos los componentes (moléculas) interaccionan continuamente. Para poder alcanzar a comprender a un individuo como un sistema, es imprescindible la integración de datos de multi-ómica. Sin embargo, la integración de este tipo de datos presenta grandes desafíos, donde destaca la alta dimensionalidad así como la heterogeneidad entre las diferentes ómicas. Los AutoEncoders, un tipo de modelo de aprendizaje automático basado en deep learning, han demostrado ser una estrategia adecuada para esta tarea dada su capacidad para comprimir información, lo que permite eliminar atributos redundantes y reducir la dimensionalidad de los datos. Un desafío clave que aún queda por resolver es la interpretabilidad de los espacios latentes generados por los AutoEncoders, lo cual es esencial para poder contribuir a la caracterización molecular de enfermedades complejas en base a los resultados de nuestros análisis
Ciencias de la computación e inteligencia artificial
Sistemas inteligentes y telemática
Director: Juan Antonio Botía Blaya
Codirector: Alicia Gómez Pascual
Programa de doctorado en informática
En desarrollo