Oportunidades Públicas

Fecha de Creación	Descripción	Mentor(es)	Acciones
04/12/2025	Using generative AI for the de novo design of the metamorphic domain of RfaH in its autoinhibited state The metamorphic protein RfaH is a bacterial virulence factor, which has two domains: NTD and CTD. The CTD reversible interconverts from an alpha-helical into a beta-barrel state through a metamorphic process. Although the possible folding routes between both states have been studied, it is unknown if there are other alternatives of folding topologies for the CTD in the autoinhibited state. In this regard, the use of generative AI tools for de novo protein structure design, such as RFDiffusion, allow to explore novel structures never seen in nature. The purpose of this research is, therefore, to ascertain if RFDiffusion allows to generate novel structures for the CTD of RfaH in the autoinhibited state, as well as analyzing the diversity of generated structures via clustering methods based on structural superposition metrics. Keywords: ingeniería proteínas Proteínas inteligencia artificial Prerequisites: No prerequisites Available vacancies: 1/1 Class Code Initials: IBM PhD students who will assist in mentoring for this research opportunity: Camila Neira-Mahuzier, Jorge González-Higueras This opportunity uses a Nota 1-7 evaluation method and is worth 10 credits Uso de IA generativa para el diseño de novo del dominio metamórfico de RfaH en su estado autoinhibido La proteína metamórfica RfaH es un factor de virulencia bacteriano, el cual cuenta con dos dominios: NTD y CTD. El CTD cambia reversible desde un estado de alfa-hélice a un barril beta mediante un proceso metamórfico. Si bien se han estudiado las posibles rutas de plegamiento reversible entre ambos estados, se desconoce si es que existen otras topologías de plegamiento alternativas para el CTD en el estado autoinhibido. En esta línea, el uso de herramientas de IA generativa para diseño de novo de estructuras de proteínas, como RFDiffusion, permiten explorar nuevas estructuras nunca antes vistas en la naturaleza. El propósito de esta investigación es, por lo tanto, verificar si RFDiffusion permite generar nuevas estructuras para el CTD de RfaH en el estado autoinhibido y analizarla diversidad de estructuras generadas mediante métodos de agrupamiento basados en métricas de superposición estructural Keywords: ingeniería proteínas Proteínas inteligencia artificial Prerrequisitos: Sin prerrequisitos Vacantes disponibles: 1/1 Siglas iniciales: IBM Estudiantes de doctorado que ayudarán mentoreando en esta investigación: Camila Neira-Mahuzier, Jorge González-Higueras Tiene un método de evaluación Nota 1-7, con 10 créditos	César Antonio Ramírez Sarmiento	Ver
23/06/2026	Diffussion Language Models for Music Generation The goal of this research opportunity is to work within the CreativAI UC group to explore text diffusion models applied to symbolic music generation. In this internship, you will: - Study diffusion models - Implement and develop experiments to evaluate text diffusion models such as the recently released DiffusionGemma - Attend weekly group meetings to stay up-to-date on topics within the Creative AI field https://creativai-uc.github.io/ (initially Tuesdays 12:30pm-1:30pm) - Requirements: * Advanced programming skills or equivalent * Experience programming neural network models with PyTorch, Keras, TensorFlow, JAX, etc. Keywords: música inteligencia artificial modelos de difusión modelos de lenguaje Prerequisites: IIC2233 Available vacancies: 4/4 Class Code Initials: IIC IEE ING This opportunity uses a Nota 1-7 evaluation method and is worth 10 credits Modelos de Difusion de Texto para Generación Musical El objetivo de esta oportunidad de investigación es trabajar en el grupo CreativAI UC para explorar los modelos de difusión de texto aplicados a generación musical simbólica. En esta IPRE: - Estudiarás los modelos de difusión - Implementarás y desarrollarás experimentos para evaluar modelos de difusión de texto como el recientemente liberado DiffusionGemma - Asistirás a reuniones semanales del grupo para mantenerte actualizado en los temas del área de IA Creativa https://creativai-uc.github.io/ (inicialmente martes 12:30pm-13:30pm) - Requisitos: * Programacion avanzada o equivalente * Experiencia programando modelos de redes neuronales con Pytorch, Keras, Tensorflow, JAX, etc. Keywords: música inteligencia artificial modelos de difusión modelos de lenguaje Prerrequisitos: IIC2233 Vacantes disponibles: 4/4 Siglas iniciales: IIC IEE ING Tiene un método de evaluación Nota 1-7, con 10 créditos	Denis Alejandro Parra Santander Rodrigo Fernando Cadiz Cadiz Marcelo Gabriel Mendoza Rocha	Ver
30/06/2026	Semi-supervised automatic segmentation in cardiac magnetic resonance imaging Medical image segmentation is a labor-intensive and time-consuming task, which presents a significant challenge in clinical practice. This is exacerbated by the scarcity of data manually annotated by experts, as the labeling of 3D volumes requires specialized personnel and extensive hours of work. In this context, artificial intelligence, and particularly semi-supervised learning, emerges as a promising solution: it allows for leveraging both a small set of labeled images and a larger volume of unlabeled images, reducing the reliance on manual annotations without sacrificing accuracy. This work aims to utilize state-of-the-art neural network architectures, adapted for semi-supervised frameworks, to automatically segment various contrasts and 3D cardiac MRI maps, optimizing the annotation process and improving the model's accuracy even with limited labeled data. Keywords: resonancia magnética imágenes cardiacas inteligencia artificial Prerequisites: No prerequisites Available vacancies: 4/5 Class Code Initials: IEE IBM ING PhD students who will assist in mentoring for this research opportunity: Carlota Rivera This opportunity uses a Nota 1-7 evaluation method and is worth 10 credits Segmentación automática semisupervisada en imágenes de resonancia magnética cardíaca La segmentación en imágenes médicas es una tarea laboriosa que exige una gran cantidad de tiempo, lo que presenta un desafío significativo en la práctica clínica. Esto se agrava por la escasez de datos anotados manualmente por expertos, ya que el etiquetado de volúmenes 3D requiere de personal especializado y horas de trabajo. En este contexto, la inteligencia artificial, y en particular el aprendizaje semisupervisado, surge como una solución prometedora: permite aprovechar tanto un conjunto reducido de imágenes etiquetadas como un volumen mayor de imágenes sin etiquetar, reduciendo la dependencia de anotaciones manuales sin sacrificar precisión. El trabajo tiene como objetivo utilizar arquitecturas de redes neuronales de última generación, adaptadas a esquemas semisupervisados, para segmentar automáticamente diferentes contrastes y mapas 3D de MRI cardíaco, optimizando el proceso de anotación y mejorando la precisión del modelo incluso con datos etiquetados limitados. Keywords: resonancia magnética imágenes cardiacas inteligencia artificial Prerrequisitos: Sin prerrequisitos Vacantes disponibles: 4/5 Siglas iniciales: IEE IBM ING Estudiantes de doctorado que ayudarán mentoreando en esta investigación: Carlota Rivera Tiene un método de evaluación Nota 1-7, con 10 créditos	Claudia Del Carmen Prieto Vásquez René Michael Botnar	Ver