Programa del congreso

Uno de los principales retos a los que se enfrentan los tratamientos de enfermedades como el cáncer es mejorar su selectividad, ya que no solo atacan a células tumorales, sino también a tejidos sanos, provocando efectos secundarios adversos al paciente. Como respuesta, surgen las terapias dirigidas, que actúan sobre moléculas presentes casi exclusivamente en células malignas. En estas terapias es clave utilizar un adecuado transportador del fármaco. Los nanomateriales se presentan como una solución prometedora; entre ellos, el óxido de grafeno (GO) destaca por su biocompatibilidad, química superficial y elevada superficie específica, que le permite interaccionar con distintas moléculas.

En este trabajo se ha funcionalizado GO, que actúa como transportador del fármaco, con ácido fólico (FA), debido a la afinidad de este con los receptores folato sobreexpresados en células tumorales, que permiten direccionar el sistema de transporte a estas, y con polietilenimina (PEI), que facilita la unión del GO con el FA. Así, se formó un vehículo capaz de transportar naringenina (NAR), un fármaco antitumoral cuya insolubilidad en agua dificulta la administración intravenosa. El proceso también se realizó con GO carboxilado (GOC), que contiene más grupos carboxilo que pueden favorecer la funcionalización.

Los resultados de TEM y XPS mostraron que la funcionalización y adsorción de NAR fueron efectivas en ambos sistemas. El GOC aportó mejores resultados de unión con PEI y FA, mientras que el GO mostró mayor adsorción de NAR. Un posterior ensayo de liberación fármaco evidenció una liberación controlada y sostenida del fármaco en el tiempo.

Abstract—Gas Chromatography–Ion Mobility Spectrometry (GC-IMS) is increasingly used for untargeted metabolomic profiling in biomedical research [1]. However, the stability of GC-IMS signals can be compromised by technical variability introduced during acquisition [2], [3]. These effects reduce data reliability and compromise the performance of downstream analyses, including classification and biomarker detection.

This work presents a robust data correction pipeline designed to mitigate the impact of acquisition-related variability. Using 135 GC-IMS measurements from a single pooled urine sample acquired over nine consecutive sessions, two major sources of systematic noise were identified: the batch index (measurement session) and the elapsed time at room temperature before injection (acquisition order within a batch). Independent linear models

fitted to each compound’s intensity revealed that approximately 35% of the total variance could be attributed to the batch index, and a 30% to elapsed time, suggesting a substantial linear

association between acquisition order and signal variability.

An orthogonal projection approach was applied in the sample space to eliminate the signal components linearly associated

with the external variables, by projecting each feature intensity onto the subspace orthogonal to these effects. After correction, the proportion of technically stable features (Relative Standard

Deviation, RSD < 20%) increased from 22.6% to 71%.

The proposed pipeline offers a lightweight and generalizable solution to enhance GC-IMS data quality, improving its stability

and reliability for classification and interpretation in metabolomic studies.

El temblor esencial (TE) es el trastorno del movimiento más prevalente en adultos, afectando hasta al 5% de la población mayor de 65 años. La predicción precisa y a nivel individual de la dinámica del ET resulta fundamental para optimizar terapias como la estimulación subumbral, donde la sincronizaci´on del est´ımulo con la activaci´on muscular es cr´ıtica para lograr una reducci´on eficaz del temblor. Aunque se han propuesto modelos predictivos basados en

aprendizaje autom´atico, la predicció en tiempo real de la activació muscular continúa siendo un reto debido a la naturaleza de bucle cerrado del control neuromuscular, el ruido de los sensores, los retrasos en la transmisi´on de se˜nales y la escasez de datos cl´ınicos. En este estudio, desarrollamos y evaluamos un gemelo digital para entrenar redes neuronales en la predicci´on en tiempo real de la activación muscular en TE. Mostramos como el gemelo digital—un modelo neuromusculoesquelético computacional

de TE—permite entrenar adecuadamente redes neuronales profundas recurrentes (RNN) y generar simulaciones sint´eticas parametrizadas del temblor. Los resultados de la predicci´on de la activaci ´on muscular a partir del movimiento flexo-extensi´on de la mu˜neca

muestran que la RNN tiene un error quadr´atico medio de 0.0101

(R2=81 %) con redes basadas en Long Short-Term Memory y del

0.0086 (R2=83 %) con Gated Recurrent Unit. Aunque el presente

trabajo se limita a datos sint´eticos, su comparativa estad´ıstica con

datos experimentales evidencian el potencial de este enfoque para

crear terapias optimizadas y el dise˜no de estrategias personalizadas,

p.ej., usando estimulaci´on el´ectrica perif´erica.

Las señales EMG reales contienen ruido, artefactos y variabilidad fisiológica que dificultan el análisis cuantitativo del patrón de interferencia, clave para detectar la pérdida de unidades motoras. El método de análisis se basa en la evolución del factor de llenado durante contracciones en rampa. La curva de llenado obtenida refleja la velocidad de reclutamiento de unidades motoras y posee alto valor diagnóstico. Para afrontar los problemas de las señales reales, se propone un sistema de procesado en tres etapas: (1) eliminación de artefactos de movimiento, (2) detección automática de puntos distorsionados y (3) segmentación automática de la curva de llenado. Los resultados muestran una mejora en el ajuste de las curvas tras el procesado, permitiendo una representación más precisa del fenómeno fisiológico. Como consecuencia, se incrementa la capacidad diagnóstica, alcanzando una sensibilidad de 0.80 y una especificidad de 0.89. En conjunto, este sistema permite extraer características más fiables a partir de señales EMG reales, acercando su aplicación al entorno clínico.

La apnea obstructiva del sueño pediátrica (AOS) es un trastorno respiratorio relacionado con un mayor riesgo cardiovascular para los niños afectados. En este contexto, la clasificación precisa de las fases del sueño es esencial para su diagnóstico. Sin embargo, este proceso suele realizarse manualmente por especialistas clínicos, lo que implica una elevada carga de trabajo, subjetividad y dependencia del nivel de experiencia. Como alternativa, proponemos un método basado en el uso de convolutional neural networks (CNN) para la clasificación automática de dichas fases. En este sentido, el electrocardiograma (ECG) representa una alternativa menos incómoda que el electroencefalograma habitual y facilita la evaluación del riesgo cardiovascular asociado a la AOS. Por ello, se han utilizado 1.610 ECGs nocturnos de la base de datos pública Childhood Adenotonsillectomy Trial para desarrollar y evaluar un modelo CNN de predicción de las cinco fases del sueño: W, N1, N2, N3 y sueño REM. Además, a partir de la clasificación del modelo, se estimaron métricas clave como el tiempo total de sueño y el tiempo despierto tras comenzar el sueño, a fin de completar el análisis de su aplicabilidad clínica. El modelo propuesto logró un rendimiento superior al de enfoques previos basados en ECG, o señales cardíacas derivadas, alcanzando una exactitud y kappa de Cohen en 5 clases del 78,00 % y del 0.70 en el conjunto de test, respectivamente.

La resonancia magnética funcional en estado de reposo (resting-state functional Magnetic Resonance Imaging, rs-fMRI) es una técnica que evalúa la actividad cerebral espontánea mediante señales con contraste dependiente del nivel de oxígeno sanguíneo (Blood-Oxygen-Level Dependent, BOLD), reflejo de los procesos neuronales intrínsecos a través del acoplamiento neurovascular. No obstante, los pipelines de preprocesamiento convencionales suelen omitir ciertos factores fisiológicos ajenos a la actividad neuronal, especialmente las oscilaciones sistémicas de baja frecuencia (systemic Low-Frequency Oscillations, sLFO).

Este estudio analiza el impacto de las sLFOs sobre la red de acción somato-cognitiva (Somato-Cognitive Action Network, SCAN) y las redes cerebrales en estado de reposo (Resting-State Networks, RSNs). Se utilizaron registros extensos de rs-fMRI de tres sujetos, aplicando un preprocesamiento convencional, seguido de un filtrado vóxel a vóxel de las sLFO. Los resultados muestran que las sLFO explican una considerable varianza en las señales BOLD (14.5% en materia gris), afectando significativamente a la conectividad funcional en reposo (Resting-State Functional Connectivity, RSFC), así como a la extensión espacial de la SCAN (con una reducción del 37%) y de las RSNs. Estos hallazgos subrayan la importancia de controlar este factor fisiológico para una interpretación precisa de la conectividad cerebral.

La pérdida auditiva afecta a más de 430 millones de personas, esperando alcanzar 700 millones para 2050. Los implantes corticales optogenéticos representan una alternativa terapéutica prometedora, ya que permiten estimular directamente la corteza auditiva mediante luz con un control preciso. En este trabajo se desarrolló y validó protocolos experimentales para evaluar la eficacia de implantes corticales optogenéticos para la audición en dos ratones C57BL/6J con inyección de vector AAV-ChRmine e implantación de matrices de μLEDs (Hearlight). El ratón M588 adquirió el paradigma Go/No-Go en 1285 ensayos, alcanzando

96.4% de rendimiento y mantuvo discriminación hasta 1 mW/mm², mientras que M589 requirió 1340 ensayos, alcanzando 88.9% de rendimiento, aunque con mayor dificultad. El peso se

estabilizó en ~90% del original en ambos, confirmando el bienestar animal.

Whole-brain models provide a valuable framework to investigate the mechanisms underlying large-scale brain dynamics. In this work, we introduce methodological and modeling contributions that enhance their performance and interpretability. First, we implement the Heun integration scheme in neurolib, achieving significantly better alignment with empirical functional connectivity compared to the classical Euler method, as measured by a geodesic distance on symmetric positive definite matrices. Second, we develop a fast multimodel framework, 600× faster than the original one, enabling the coupling of cortical and thalamic models at scale. Using this framework, we compare a phenomenological corticothalamic model (Hopf supercritical in cortex, subcritical in thalamus) with a biophysical corticothalamic model (ALN–Costa). Results show that ALN–Costa reproduces empirical functional connectivity more

accurately. We identify the main limitation of Hopf in this context: the Balloon–Windkessel model only receives the real part of the oscillatory signal, oversimplifying its dynamics and yielding flattened Fmats. Nevertheless, propagation experiments reveal that Hopf has strong potential to describe how oscillations spread across brain networks, with coupling strength emerging as the key determinant

of dynamical diffusion.