http://localhost:8080/xmlui;;xmluterpe89ctsuemime.png El repositorio digital RepoFI captura, almacena, indexa, preserva y distribuye materiales de investigación en formato digital. Wed, 30 Sep 2026 19:32:14 GMT 2026-09-30T19:32:14Z http://www.ptolomeo.unam.mx:8080/xmlui/handle/RepoFi/20855 Integración SOAP para Carga Masiva de Contratos en un ERP Corporativo García Gómez, José Manuel Consumo de un Servicio Web SOAP para automatizar tareas a gran escala. El trabajo presenta el análisis, diseño y desarrollo de una herramienta para realizar la finalización masiva de contratos mediante el consumo de servicios Web SOAP de un ERP corporativo. La solución permitió automatizar el proceso, considerar las condiciones requeridas por el ERP y reducir las inconsistencias generadas por el procedimiento anterior basado en modificaciones directas mediante querys. También se presentan las pruebas, optimizaciones y resultados obtenidos con su implementación. http://www.ptolomeo.unam.mx:8080/xmlui/handle/RepoFi/20855 http://www.ptolomeo.unam.mx:8080/xmlui/handle/RepoFi/20854 Diseño e implementación de un clúster HPC académico como plataforma para análisis genómico y epidemiológico en estudios poblacionales Pacheco Saavedra, Angel Gael Este trabajo presenta el diseño e implementación de un clúster de cómputo de alto desempeño (HPC) académico, concebido como plataforma computacional multiusuario para la ejecución de análisis genómicos y epidemiológicos en estudios poblacionales, particularmente el Estudio Prospectivo de la Ciudad de México. El punto de partida fue una única estación de trabajo compartida, sin mecanismos de control de recursos ni redundancia de almacenamiento, aunada a una dependencia costosa de servicios de cómputo en la nube. A partir de un análisis de requerimientos funcionales y no funcionales se definió una arquitectura de cinco nodos que integra 152 núcleos de procesamiento, 1 TB de memoria RAM agregada, cinco GPUs y 232 TB de almacenamiento distribuido CephFS bajo una configuración híbrida HDD+NVMe. La gestión de recursos y trabajos se realiza con Slurm, empleando políticas de calidad de servicio (QoS), aislamiento por cgroups y contabilidad en base de datos; las herramientas bioinformáticas se ejecutan dentro de contenedores Apptainer, mientras que los servicios de acceso, colaboración y soporte: JupyterHub, RStudio Server, Nextcloud y Zammad, operan como contenedores en el nodo maestro.La validación fue de carácter operativo y se realizó con cargas de trabajo reales de análisis genómico a escala poblacional, ejecutadas de forma concurrente y distribuida sobre varios nodos, incluyendo la transformación masiva de datos de variantes y el cálculo de puntajes de riesgo poligénico. Los resultados confirman que la plataforma sostiene el acceso concurrente, el aislamiento entre usuarios y los flujos de análisis genómico a escala poblacional, empleando exclusivamente software libre sobre hardware de consumidor. Tesina de titulación en Ingeniería en Computación que documenta el diseño, la implementación y la validación de una infraestructura de cómputo de alto desempeño para investigación biomédica en un entorno académico. El documento se organiza en nueve capítulos que abarcan el planteamiento del problema, el marco conceptual sobre HPC, gestión de trabajos, contenedores y almacenamiento distribuido; el análisis de requerimientos del entorno computacional previo; el diseño y la implementación del clúster; la integración de servicios de soporte a usuarios; y la validación operativa con cargas de trabajo genómicas reales, además de la discusión de resultados, limitaciones y líneas de trabajo futuro. http://www.ptolomeo.unam.mx:8080/xmlui/handle/RepoFi/20854 http://www.ptolomeo.unam.mx:8080/xmlui/handle/RepoFi/20853 Hacia un Centro de Datos Distribuido: Redefinición de la infraestructura organizacional mediante tecnologías open source Frausto Martínez, Juan Carlos Las instituciones públicas y educativas de gran escala han acumulado durante años recursos de cómputo que hoy operan en silos, fragmentados y subutilizados. La nube pública comercial no resuelve esa infraestructura local preexistente y añade el riesgo de dependencia de proveedor, comprometiendo la independencia y la soberanía tecnológica de la organización. Ante este problema, la tesis sostiene que es posible diseñar una arquitectura de referencia para constituir un centro de datos distribuido construida exclusivamente con tecnologías de código abierto, cuyos componentes se integren mediante interfaces estandarizadas y no mediante desarrollo a la medida, y que admita cargas de cómputo de propósito general y especializado sin requerir un rediseño estructural cuando se incorporan nuevos recursos. Para sustentarla, el trabajo revisa los fundamentos del centro de datos distribuido, la infraestructura definida por software, la infraestructura como código y la contenerización; establece criterios estratégicos, organizacionales y técnicos de selección; y con ellos justifica un stack integrado por OpenStack como capa de infraestructura, Ceph como almacenamiento unificado y Kubernetes como capa de contenedores, complementados por OpenTofu, Ansible, Cilium, Harbor, OpenBao, cert-manager y el conjunto Prometheus–Loki–Grafana, todos con licencia libre y gobernanza abierta, acoplados mediante estándares como las APIs de OpenStack, CRI, CSI y OCI. Sobre esa base se define la arquitectura por capas, el modelo distribuido entre nodos y una estrategia de transición con evaluación de madurez digital, técnicas de modernización y un roadmap de implementación. La validación es documental y de diseño, no experimental: acredita la viabilidad arquitectónica de la propuesta. Su principal limitación es la ausencia de una prueba de concepto con prototipo funcional, planteada como línea de trabajo futura. http://www.ptolomeo.unam.mx:8080/xmlui/handle/RepoFi/20853 http://www.ptolomeo.unam.mx:8080/xmlui/handle/RepoFi/20852 Clasificación de pacientes con COVID-19 mediante algoritmos de machine learning fundamentados en biomarcadores Garcia Macedo, Isael Guillermo El análisis tomográfico del daño pulmonar por COVID-19 enfrenta desafíos derivados de la opacidad diagnóstica de los modelos de aprendizaje profundo y las fallas de segmentación ante eventos severos daño tisualr. En este trabajo se desarrolló un sistema integral de clasificación supervisada fundamentado en un vector de 14 biomarcadores cuantitativos que integra descriptores morfológicos del árbol vascular y aéreo, estadísticas de lesión parenquimatosa y métricas texturales de la matriz de co-ocurrencia de niveles de grises, extraídos tras una segmentación en MATLAB con una lógica de respaldo topográfica validada con un coeficiente de Dice superior al 95%. A partir de una cohorte balanceada de 150 pacientes, se optimizaron seis algoritmos de machine learning mediante búsqueda en cuadrícula y validación cruzada estratificada. En el conjunto de prueba independiente, el modelo XGBoost alcanzó el desempeño líder con una exactitud de 96.67%, una sensibilidad de 100% y un AUC-ROC de 0.9844, clasificando todos los casos patológicos sin generar falsos negativos. El análisis de explicabilidad con valores SHAP reveló que el volumen vascular y la energía textural son los predictores clave que sustentan la decisión algorítmica, guardando coherencia con la reducción vascular provocada por la infección. Se concluye que el paradigma de machine learning orientado a biomarcadores alcanza una precisión diagnóstica competitiva frente al deep learning, garantizando interpretabilidad clínica, reproducibilidad experimental y alta eficiencia computacional para el apoyo en la toma de decisiones médicas y el seguimiento de secuelas pulmonares. http://www.ptolomeo.unam.mx:8080/xmlui/handle/RepoFi/20852