Mora Riquelme, Hugo Andrés2025-11-142025-11-142025Kaminski Lasarte, O. A. (2025). HydrAID: Un enfoque de inteligencia artificial neurosimbólica para biomarcadores predictivos en inmunoterapia del cáncer (Proyecto). Universidad ORT Uruguay, Facultad de Ingeniería. Recuperado de https://rad.ort.edu.uy/handle/20.500.11968/7755https://hdl.handle.net/20.500.11968/7755Incluye bibliografía y anexos.HydrAID aborda una limitación persistente en la oncología de pulmón: la baja capacidad predictiva de biomarcadores aislados y la fragmentación de la evidencia multimodal. Este proyecto diseña e implementa una arquitectura semántica y neurosimbólica destinada a descubrir y explicar biomarcadores de respuesta a inmunoterapia, priorizando interoperabilidad, trazabilidad y consultas reproducibles. Para ello se desarrolló la Biomarker Evidence Ontology y se transformó un conjunto de datos curado a RDF, cargándolo luego en GraphDB. Sobre este grafo se integró una interfaz de lenguaje natural a SPARQL dentro de un flujo RAG neurosimbólico que recupera hechos y genera explicaciones sustentadas en evidencia. La calidad estructural del grafo se garantizó mediante validación SHACL y consultas de verificación SPARQL, mientras que la interoperabilidad se reforzó alineando enfermedades con MeSH y biomarcadores con NCIt mediante mapeos SKOS. Los resultados muestran un aumento significativo del control semántico y la coherencia del grafo tras la remediación. Además, se alcanzó alineación completa de enfermedades con MeSH, heredando definiciones, sinónimos y jerarquías, y se aplicó un patrón análogo con NCIt para biomarcadores. El agente de lenguaje natural a SPARQL produjo consultas deterministas y explicables, recuperando biomarcadores por terapia y enfermedad junto con publicaciones y significancia clínica. Sobre esta evidencia se aplicó una lógica de inferencia y un puntaje reproducible basado en el diseño del estudio y el signo de la asociación, generando rankings auditables, donde destacan PD-L1, CD8 positivo y Akkermansia. HydrAID evidencia que los grafos de conocimiento combinados con RAG neurosimbólico permiten convertir literatura heterogénea en respuestas explicables, auditables e interoperables. Como trabajo futuro, se propone ampliar reglas de inferencia y calibrar el puntaje con expertos para fortalecer la reproducibilidad clínica.117 p., diagrs., maps., tbls., grafs.PDFAcceso abiertoPROYECTOS-MDINTELIGENCIA ARTIFICIALBIG DATABIOMARCADORESPROCESAMIENTO DE LENGUAJE NATURALREDES NEURONALESMODELOS DE LENGUAJE GRANDECÁNCERTrabajo final de carrera