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:
Prerequisites:
No prerequisites
Available vacancies:
1/1
Class Code Initials:
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:
Prerrequisitos:
Sin prerrequisitos
Vacantes disponibles:
1/1
Siglas iniciales:
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

 		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:
Prerequisites:
Available vacancies:
4/4
Class Code Initials:

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:
Prerrequisitos:
Vacantes disponibles:
4/4
Siglas iniciales:

Tiene un método de evaluación Nota 1-7, con 10 créditos

 		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:
Prerequisites:
No prerequisites
Available vacancies:
4/5
Class Code Initials:
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:
Prerrequisitos:
Sin prerrequisitos
Vacantes disponibles:
4/5
Siglas iniciales:
Estudiantes de doctorado que ayudarán mentoreando en esta investigación:
Carlota Rivera

Tiene un método de evaluación Nota 1-7, con 10 créditos

 		Ver
30/06/2026

Mejoramiento de Revisiones de Diseño Basadas en BIM usando Asistentes Virtuales de Inteligencia Artificial (2026-2)

IoP para estudiantes de pregrado en un innovador proyecto de investigación que combina el modelado de información de construcción (BIM), la realidad virtual (VR) y la inteligencia artificial (AI). El objetivo es desarrollar y optimizar asistentes virtuales basados en técnicas de inteligencia artificial para mejorar las revisiones de diseño en la industria de Arquitectura, Ingeniería y Construcción (AEC). Los participantes tendrán la oportunidad de trabajar en áreas emergentes, como la recuperación de información basada en AI (IR), la integración de modelos de lenguaje como GPT, y la mejora de la interacción en entornos de realidad virtual.

El proyecto implica diseñar y desarrollar un asistente virtual que utilice inteligencia artificial para facilitar la recuperación de información desde datos BIM en un entorno VR, mejorando así la comprensión del diseño, la colaboración entre stakeholders y la eficiencia del proceso de revisión de diseño.

Keywords:
Prerequisites:
No prerequisites
Available vacancies:
2/3
Class Code Initials:

This opportunity uses a Nota 1-7 evaluation method and is worth 10 credits

Mejoramiento de Revisiones de Diseño Basadas en BIM usando Asistentes Virtuales de Inteligencia Artificial (2026-2)

IoP para estudiantes de pregrado en un innovador proyecto de investigación que combina el modelado de información de construcción (BIM), la realidad virtual (VR) y la inteligencia artificial (AI). El objetivo es desarrollar y optimizar asistentes virtuales basados en técnicas de inteligencia artificial para mejorar las revisiones de diseño en la industria de Arquitectura, Ingeniería y Construcción (AEC). Los participantes tendrán la oportunidad de trabajar en áreas emergentes, como la recuperación de información basada en AI (IR), la integración de modelos de lenguaje como GPT, y la mejora de la interacción en entornos de realidad virtual.

El proyecto implica diseñar y desarrollar un asistente virtual que utilice inteligencia artificial para facilitar la recuperación de información desde datos BIM en un entorno VR, mejorando así la comprensión del diseño, la colaboración entre stakeholders y la eficiencia del proceso de revisión de diseño.

Keywords:
Prerrequisitos:
Sin prerrequisitos
Vacantes disponibles:
2/3
Siglas iniciales:

Tiene un método de evaluación Nota 1-7, con 10 créditos

 		Ver
30/06/2026

Fronteras de la IA Generativa: Arquitecturas de Agentes y Modelos Multimodales para Dominios de Alto Impacto (2026-2)

¿Te imaginas desarrollar sistemas de IA que puedan razonar, crear y colaborar como nunca antes? Este proyecto te invita a sumergirte en las fronteras de la inteligencia artificial generativa, explorando Modelos de Lenguaje Multimodal (LMM) y LLM a través de arquitecturas de agentes inteligentes. Inspirados en laboratorios disruptivos (OpenAI, Google DeepMind, Anthropic), exploraremos cómo revolucionar sectores como educación adaptativa, diagnóstico médico, ingeniería automatizada e industrias creativas. En este proyecto desarrollarás: Arquitecturas de agentes IA que integren LMMs y LLMs para resolver problemas complejos; Sistemas de razonamiento explicable y Prototipos funcionales que demuestren el potencial transformador en aplicaciones reales

¿Por qué este proyecto? No es solo académico: es tu oportunidad de prepararte para el futuro de la IA contribuyendo en dominios de alto impacto. ¿Listo para explorar donde la creatividad humana se encuentra con la IA generativa?

Keywords:
Prerequisites:
No prerequisites
Available vacancies:
5/6
Class Code Initials:

This opportunity uses a Nota 1-7 evaluation method and is worth 10 credits

Fronteras de la IA Generativa: Arquitecturas de Agentes y Modelos Multimodales para Dominios de Alto Impacto (2026-2)

¿Te imaginas desarrollar sistemas de IA que puedan razonar, crear y colaborar como nunca antes? Este proyecto te invita a sumergirte en las fronteras de la inteligencia artificial generativa, explorando Modelos de Lenguaje Multimodal (LMM) y LLM a través de arquitecturas de agentes inteligentes. Inspirados en laboratorios disruptivos (OpenAI, Google DeepMind, Anthropic), exploraremos cómo revolucionar sectores como educación adaptativa, diagnóstico médico, ingeniería automatizada e industrias creativas. En este proyecto desarrollarás: Arquitecturas de agentes IA que integren LMMs y LLMs para resolver problemas complejos; Sistemas de razonamiento explicable y Prototipos funcionales que demuestren el potencial transformador en aplicaciones reales

¿Por qué este proyecto? No es solo académico: es tu oportunidad de prepararte para el futuro de la IA contribuyendo en dominios de alto impacto. ¿Listo para explorar donde la creatividad humana se encuentra con la IA generativa?

Keywords:
Prerrequisitos:
Sin prerrequisitos
Vacantes disponibles:
5/6
Siglas iniciales:

Tiene un método de evaluación Nota 1-7, con 10 créditos

 		Ver
20/07/2026

Visualization and annotation of medical images for AI training

In this research opportunity, you will develop a system to visualize and annotate DICOM files of X-ray images to facilitate the creation of datasets with visual grounding, thus enabling you to train more interpretable AI models.

You are expected to have full-stack web development experience (having completed web development and database management courses) and to be interested in researching how to use these tags to train multimodal AI models.

Keywords:
Prerequisites:
Available vacancies:
1/4
Class Code Initials:
PhD students who will assist in mentoring for this research opportunity:
Pablo Messina

This opportunity uses a Nota 1-7 evaluation method and is worth 10 credits

Visualización y anotación de imágenes médicas para entrenamiento de IA

En esta oportunidad de investigación, desarrollarás un sistema para visualizar y anotar archivos DICOM de imagenes de rayos X con el propósito de facilitar la creación de dataset con grounding visual y así entrenar modelos de IA más interpretables.
Se espera que sepas desarrollo web full stack (que hayas cursado las asignaturas de desarrollo web, así como BBDD) y que estés interesado en investigar cómo usar estas etiquetas para entrenar modelos multimodales de IA.
Una posibilidad de esta investigación es enfocarse más en la evaluación y mejoramiento de modelos de IA para imágenes médicas, como Medgemma, MAIRA-2 y CURE (desarrollado por nuestro laboratorio)

Keywords:
Prerrequisitos:
Vacantes disponibles:
1/4
Siglas iniciales:
Estudiantes de doctorado que ayudarán mentoreando en esta investigación:
Pablo Messina

Tiene un método de evaluación Nota 1-7, con 10 créditos

 		Ver
Loading…
Loading the web debug toolbar…
Attempt #