Herreño Fierro , César AurelioPedraza Leal , Juan ManuelCapera Mendivelso , Jeimy Andrea2025-04-082025-04-082024-11-14http://hdl.handle.net/11349/94736El envejecimiento es un área de estudio fundamental para el humano debido a su impacto tanto a nivel físico como celular, por ejemplo, el deterioro neuronal esta directamente relacionado con el envejecimiento y puede conducir a un mayor riesgo de enfermedades crónicas como el Alzheimer. Sin embargo, es un área de investigación en auge y no hay muchos artículos que analicen los marcadores de envejecimiento en células con citometría de flujo, y aún menos que incorporen métodos de aprendizaje automático. En esta pasantía, se estudió el envejecimiento cronológico a nivel celular en la levadura Saccharomyces cerevisiae, utilizando HSP12 como marcador de quiescencia a través de la citometría de flujo. Se recopilaron 100.000 datos diarios durante un período de 10 días y se analizaron utilizando varios métodos de aprendizaje automático, como algoritmos de Clustering y Análisis de Componentes Principales (PCA). Estos análisis permitieron identificar subgrupos asociados con el envejecimiento, lo que proporciona una comprensión más detallada de los cuatro estados potenciales del envejecimiento celular: proliferación, senescencia, quiescencia y muerte.Aging is a fundamental area of ​​study for humans due to its impact at both the physical and cellular level, for example, neuronal deterioration is directly related to aging and can lead to an increased risk of chronic diseases such as Alzheimer's. However, it is a booming area of ​​research and there are not many articles that analyze aging markers in cells with flow cytometry, and even fewer that incorporate machine learning methods. In this internship, chronological aging was studied at the cellular level in the yeast Saccharomyces cerevisiae, using HSP12 as a quiescence marker through flow cytometry. 100,000 daily data were collected over a 10-day period and analyzed using several machine learning methods, such as Clustering algorithms and Principal Component Analysis (PCA). These analyses allowed to identify subgroups associated with aging, providing a more detailed understanding of the four potential states of cellular aging: proliferation, senescence, quiescence, and death.Machine learningClusteringEnvejecimientoSenescenciaQuiescenciaProliferacionHDBSCANCitometría de flujoFluorescenciabachelorThesisLicenciatura en Física -- Tesis y disertaciones académicasEmvejecimiento celularAnálisis clusterSacaromizasPasantías universitariasOpenAccessMachine learningClusteringAgingSenescenceQuiescenceProliferationHDBSCANFlow cytometryFluorescenceAbierto (Texto Completo)