Licenciatura

Desarrollo de un apósito a base de mucílago de nopal para la recuperación de tejido epitelial dañado por quemaduras

Fri, 24 Apr 2026 00:00:00 GMT

Desarrollo de un apósito a base de mucílago de nopal para la recuperación de tejido epitelial dañado por quemaduras Carlo Iván Ramírez Álvarez Introducción: La colecistectomía laparoscópica es el estándar de oro para la patología biliar; la inflamación aguda incrementa significativamente la dificultad técnica y el riesgo de lesiones. Objetivo: El objetivo de este estudio fue correlacionar los niveles séricos de Proteína C Reactiva (PCR) preoperatoria con el grado de dificultad quirúrgica evaluado mediante las escalas de Parkland y Nassar en pacientes con colecistitis aguda (CA). Material y métodos: Se realizó un estudio observacional, retrospectivo y transversal en el Hospital General de Querétaro (2023-2024), con una muestra de 90 expedientes clínicos. Se empleó el coeficiente de correlación de Spearman (ρ) para evaluar la relación entre la PCR y las escalas de dificultad, y la prueba de chi cuadrada (χ²) para determinar la asociación de riesgo mediante estratificación en tres grupos: Bajo (<5 mg/dL), Intermedio (5-20 mg/dL) y Alto (>20 mg/dL). Resultados: Se identificó una correlación positiva muy fuerte y estadísticamente significativa entre los niveles de PCR y la escala de Parkland (ρ=0.798; p<0.001). Los pacientes en el grupo de alto riesgo (>20 mg/dL) presentaron una probabilidad del 85% de hallazgos anatómicos severos (Parkland ≥4) y una incidencia de colecistectomía subtotal del 42.1%, en contraste con el 0% observado en el grupo de bajo riesgo. Conclusiones: La PCR preoperatoria es un predictor independiente y lineal de la complejidad quirúrgica. El umbral de >20 mg/dL constituye una “zona de peligro” que debe alertar al cirujano sobre una alta probabilidad de anatomía alterada por inflamación y la posible necesidad de maniobras de rescate o del uso de adyuvantes como el verde de indocianina.

Evaluación de la expresión del gen pAMT en fruto de chile habanero por la aplicación de RNA sintético en doble cadena

Tue, 13 May 2025 00:00:00 GMT

Evaluación de la expresión del gen pAMT en fruto de chile habanero por la aplicación de RNA sintético en doble cadena Estefania Arellano Ordoñez El mejoramiento genético de plantas es importante en la agricultura actual, ya que permite desarrollar cultivos con características mejoradas en un plazo corto de tiempo a comparación de técnicas tradicionales. Dentro de este ámbito la biotecnología vegetal ha implementado herramientas como el RNA de doble cadena (dsRNA), que participa en varios procesos biológicos, como el silenciamiento de genes específicos a través del RNA interferente (RNAi). Investigaciones recientes han empleado RNAi para alterar la percepción del etileno en frutos de tomate, optimizando la maduración. En este estudio se exploró el silenciamiento del gen putativo aminotransferasa (pAMT) en chile habanero como una estrategia para disminuir la producción de capsaicina y favorecer la síntesis de capsiato, un compuesto no pungente con potencial nutracéutico. El dsRNA se aplicó por inyección en pedúnculo en frutos 10 Días Post-Antesis (DPA). Se evaluaron tres tratamientos y un grupo control por triplicado biológico: T1 1000 pmol, T2 100 pmol, T3 10 pmol y el grupo control consistió en agua estéril libre de nucleasas. Los frutos fueron analizados en 20 DPA. Los resultados indicaron que el tratamiento T1 1000, T2 100 y T3 10 pmol de dsRNA redujeron significativamente la expresión del gen pAMT en comparación con las plantas control. Este hallazgo sugiere una vía funcional para redirigir la síntesis de compuestos en la ruta de los capsaicinoides, aumentar la producción de capsiato, destacando por su utilizada en la biotecnología aplicada y del sector farmacéutico.

Evaluación de la conectividad de la sustancia blanca en fascículos longitudinales y uncinado en trabajadores expuestos a solventes

Thu, 26 Mar 2026 00:00:00 GMT

Evaluación de la conectividad de la sustancia blanca en fascículos longitudinales y uncinado en trabajadores expuestos a solventes José Enrique Rincón Silverio Las imágenes por tensor de difusión (DTI) nos permite obtener información detallada de la estructura de la sustancia blanca del cerebro mediante los valores de Disfunción axial (AD), Disfunción radial (RD) y Anisotropía Fraccionada (FA). Podemos obtener, si tenemos una buena mielinización o no mediante los valores de FA y RD, de la misma manera si existe un daño axonal mediante el valor de AD. Estos parámetros se utilizaron para analizar la conectividad de la sustancia blanca en fascículos longitudinales y uncinado en un grupo expuestos a solventes y realizar un análisis contra un grupo control, mediante los valores de AD, RD y FA. Las imágenes de resonancia magnética por tensor de difusión se tomaron de una base de datos de ambos grupos, posteriormente se procesaron las imágenes en el software DTI Studio para obtener los valores mencionados de las cuatro zonas de interés, en ambos grupos se realizó una prueba estadística, para comparar dos promedios de variables cuantitativas grupo control contra grupo expuesto, mediante pruebas de distribución normal y sin distribución normal, t de Student y U Mann Whitney. Con los resultados se realizó la comparativa de los parámetros de las cuatro zonas de interés entre el grupo expuesto y grupo control. En los valores de AD se obtuvieron resultados puntuales donde se vieron afectados el valor en el grupo de personas expuestas a solventes, pero se debe considerar aumentar el grupo de participantes para tener más muestras.

Uso de algoritmos de redes neuronales para la resolución de problemas numéricos en física disminuyendo el costo computacional

Wed, 18 Mar 2026 00:00:00 GMT

Uso de algoritmos de redes neuronales para la resolución de problemas numéricos en física disminuyendo el costo computacional Abel Santillán Rodríguez Esta tesis presenta un estudio comprehensivo del Operador Neuronal de Fourier (FNO) como una alternativa para resolver ecuaciones diferenciales parciales (EDP) en física computacional, con énfasis particular en reducir los costos computacionales comparados con métodos numéricos tradicionales. La creciente demanda de herramientas de simulación eficientes en campos como la dinámica de fluidos, transferencia de calor y física de plasmas ha motivado la exploración de enfoques basados en aprendizaje automático. Los métodos numéricos tradicionales, aunque robustos y bien establecidos, enfrentan limitaciones computacionales significativas al tratar con simulaciones de alta resolución o exploración extensiva de espacios de parámetros. Este trabajo investiga si los operadores neuronales pueden superar estas limitaciones manteniendo niveles de precisión aceptables. La metodología involucró implementar la arquitectura FNO usando PyTorch y entrenarla en conjuntos de datos generados a partir de soluciones numéricas espectrales de las ecuaciones de Navier-Stokes 2D y de calor. El modelo fue entrenado con 1,200 muestras con resolución espacial de 64×64, usando una configuración de 6 modos de Fourier, 20 canales internos y 4 capas de Fourier. Se realizó una campaña experimental sistemática para caracterizar el efecto de hiperparámetros clave: modos de Fourier (2–32), ancho de red (10–40 canales) y profundidad de red (2–32 capas). Los resultados demuestran que el FNO alcanza un error L2 relativo del 2.1% en el conjunto de validación, significativamente por debajo del umbral del 10% establecido en la hipótesis de investigación. El modelo captura exitosamente estructuras coherentes del flujo y dinámica de vorticidad en regímenes turbulentos. Además, la red exhibe capacidades de super-resolución notables, generalizando desde la resolución de entrenamiento 64×64 hasta 256×256 con solo un incremento marginal en el error (de 2.1% a 2.9%). El análisis computacional revela que el tiempo de inferencia escala linealmente con el ancho de red, aumentando en un factor de 3.16 al pasar de 10 a 40 canales. El tiempo de entrenamiento exhibe escalamiento aproximadamente lineal con el número de capas, siguiendo a relación tepoch≈2.2×ncapas+3.5 segundos. Estos hallazgos proporcionan insights valiosos para optimizar arquitecturas FNO en aplicaciones prácticas. La principal limitación identificada es el requerimiento de datos de entrenamiento generados mediante métodos numéricos tradicionales, lo cual representa una inversión computacional que debe amortizarse sobre múltiples inferencias. Sin embargo, una vez entrenado, el FNO permite predicción rápida de campos de solución, abriendo posibilidades para simulación en tiempo real, cuantificación de incertidumbre y flujos de trabajo de optimización de diseño.