Pablo Enrique Guillem

Pablo Enrique Guillem

Auto-generated profile, based on publicly available information

Pablo Enrique Guillem

Universidad de Salamanca

Research Focus & Metrics

Academic Career Length

2Years (2025-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
1 June 2025 in Journal of Integrative Bioinformatics
Verified
Journal Article
Open access
PDF file
PGPablo Enrique Guillem
Pablo Enrique Guillem
Marco Hernández PérezMarco Hernández Pérez
Marco Hernández Pérez
NINoelia Egido Iglesias
Noelia Egido Iglesias
ÁCÁngel Canal-Alonso
Ángel Canal-Alonso
LFLiliana Durón Figueroa
Liliana Durón Figueroa
Fernando De La PrietaFernando De La Prieta
Fernando De La Prieta
The rapid advancement of Next-Generation Sequencing (NGS) technologies has revolutionized the field of genomics, producing large volumes of data that necessitate sophisticated analytical techniques. This paper introduces a Deep Learning model designed to predict the pathogenicity of genetic variants, a vital component in advancing personalized medicine. The model is trained on a dataset derived from the analysis of NGS outputs, containing a combination of well-defined and ambiguous genetic variants. By employing a semi-supervised learning approach, the model efficiently utilizes both confidently labeled and less certain data. At the core of the methodology is the Feature Tokenizer Transformer architecture, which processes both numerical and categorical genomic information. The preprocessing pipeline includes key steps such as data imputation, scaling, and encoding to ensure high data quality. The results highlight the model’s impressive accuracy, particularly in detecting confidently labeled variants, while also addressing the impact of its predictions on less certain (soft-labeled) data.

25 April 2025
Verified
Book Chapter
Closed access
PDF file
PGPablo Enrique Guillem
Pablo Enrique Guillem
Marco Hernández PérezMarco Hernández Pérez
Marco Hernández Pérez
LFLiliana Durón Figueroa
Liliana Durón Figueroa
ÁCÁngel Canal-Alonso
Ángel Canal-Alonso
Guillermo HernándezGuillermo Hernández
Guillermo Hernández
Fernando De La PrietaFernando De La Prieta
Fernando De La Prieta

29 July 2026
Verified
Book Chapter
Closed access
Marco Hernández PérezMarco Hernández Pérez
Marco Hernández Pérez
Javier PrietoJavier Prieto
Javier Prieto
PFPablo-Enrique Guillem Fernández
Pablo-Enrique Guillem Fernández
Los modelos epidemiológicos clásicos SEIR ofrecen interpretabilidad, pero presentan una flexibilidad limitada para capturar factores contextuales dinámicos, mientras que los enfoques de aprendizaje automático suelen carecer de transparencia. Presentamos SEIR-XAI, un marco híbrido que integra un modelo SEIR en tiempo discreto con aprendizaje automático explicable para inferir la tasa de transmisión efectiva β como una variable dependiente del contexto. Mediante modelos interpretables y explicaciones basadas en SHAP, SEIR-XAI permite un análisis tanto global como local de cómo las intervenciones políticas y los factores ambientales influyen en la dinámica de transmisión. La evaluación con datos de COVID-19 muestra una mejora en el ajuste del modelo en comparación con un modelo SEIR base, manteniendo al mismo tiempo la interpretabilidad. Los resultados ponen de relieve que una modelización epidémica eficaz no debe centrarse únicamente en la precisión predictiva, sino también en proporcionar información transparente y accionable para el apoyo a la toma de decisiones.