Listado de capacidades

La metodología-modelo CEAMA, en un manual que se compone de elementos de gestión, selección y diseño de tareas matemáticas para la Formación Inicial Docente (FID), con la que se enfrenta a la y el estudiante de Pedagogía. En el modelo se presentan una serie de recomendaciones de gestión para la instalación de la metodología en los programas de formación. En el modelo de gestión se distinguen cuatro instancias: entrega, monitoreo activación, monitoreo consolidación y plenaria. La primera y la última instancia se desarrollan con el curso completo, mientras que las otras dos, con grupos pequeños.

Modelo predictivo geoespacial para a cuantificar el secuestro de carbono en estos ecosistemas, integrando mediciones de campo, sensores remotos, análisis de laboratorio y algoritmos de aprendizaje automático. El modelo propuesto permitirá cuantificar y cartografiar con precisión el carbono almacenado en suelos profundos (hasta 1 metro de profundidad), biomasa aérea y subterránea, y hojarasca, para ecosistemas forestales de bosque nativo (Lenga, Roble-Raulí-Coihue y Roble-Hualo) y plantaciones de Pinus radiata en las regiones del Maule, Ñuble y Biobío. La información generada contribuirá a fortalecer las plataformas de monitoreo forestal del país, proporcionando bases de datos actualizadas, algoritmos y modelos geoespaciales predictivos que permitirán a instituciones como la Corporación Nacional Forestal (CONAF) y el Instituto Forestal (INFOR) mejorar sus sistemas de monitoreo forestal. Los principales componentes tecnológicos del modelo predictivo geoespacial incluyen: * · Algoritmo de aprendizaje automático que permite el procesamiento de datos geoespaciales y de campo, basado en múltiples variables ambientales, incluyendo factores climáticos (precipitación, temperatura, humedad del suelo), topográficos (pendiente, altitud, exposición), edáficos (tipo de suelo, contenido de materia orgánica, textura), cobertura de ecosistemas (bosques nativos, plantaciones forestales, uso de suelo). * · Modelo de análisis exploratorio de carbono forestal, que permite la integración de datos de diferentes fuentes (mediciones de campo, sensores remotos, datos de inventarios forestales y bases de datos existentes), con el fin de identificar patrones espaciales y temporales en la acumulación de carbono en bosques nativos y plantaciones forestales. * · Modelo validado a través de métricas de precisión que garantiza la confiabilidad de las estimaciones de carbono mediante la comparación con datos de referencia obtenidos en terreno. Se emplearán métricas como el coeficiente de determinación (R2), error cuadrático medio (RMSE) y validación cruzada para evaluar el desempeño del modelo. * · Algoritmo de modelación espacial de alta resolución que incorpora técnicas de interpolación espacial y machine learning, utilizando modelos de regresión no lineal como Random Forest, Support Vector Machines (SVM) o redes neuronales para estimar y cartografiar el carbono almacenado en diferentes tipos de ecosistemas forestales. * · Un sistema integrado de visualización y análisis, que genera mapas georreferenciados, bases de datos estructuradas, gráficos y tablas dinámicas, permitiendo a los usuarios interactuar con la información de manera intuitiva. · Plataforma de acceso abierto que integrará los resultados en los sistemas nacionales de monitoreo forestal, como SIMEF y el SEIL, garantizando la transparencia y disponibilidad de la información para distintos actores del sector forestal, investigadores y formuladores de políticas públicas.

Molécula que interactúa con la proteína G (beta-gamma) y contribuye en la inhibición de efectos de intoxicaciones agudas y profundas con etanol.   La molécula se diseñó computacionalmente en base al estudio de la estructura del receptor que se asocia a estos efectos nocivos, se sintetizó y su funcionalidad se encuentra validada en un modelo in vivo.

Molécula que interactúa con la proteína G (beta-gamma) y contribuye en la inhibición de efectos de intoxicaciones agudas y profundas con etanol. La molécula se diseñó computacionalmente en base al estudio de la estructura del receptor que se asocia a estos efectos nocivos, se envió a sintetizar y se validó su funcionalidad en un modelo in vivo.

Moléculas reconocen específicamente el Factor de Crecimiento de Endotelio Vascular-A (VEGF-A) humano, e interfieren con sus efectos estimulantes in vitro, y pro-angiogénicos in vivo. Su producción recombinante disminuiría los costos de terapias inmunes contra el cancer