Leandro A. Bugnon

> AI x BIO

prof_pic.jpg

Desarrollo métodos de aprendizaje automático para estudiar la relación entre secuencia, estructura y función en ARN y proteínas. Me interesa cómo aprovechar grandes datasets de secuencias para aprender cuando los datos experimentales son escasos, y cómo evaluar si esos modelos generalizan a nuevas moléculas.

Mi trabajo incluye predicción de estructura de ARN, anotación funcional de proteínas y aprendizaje de representaciones que integran secuencia y estructura. También exploro modelos generativos condicionados y aprendizaje activo para el diseño molecular y la selección de candidatos.

Soy Investigador Adjunto y vicedirector del sinc(i)/UNL - CONICET, y Profesor Adjunto en la Universidad Nacional del Litoral y Universidad Austral, y colaboro con The Cell Company en proyectos aplicados a la bioinformática.

Cuando no estoy entrenando redes neuronales suelo estar levando masa — algunos algoritmos panaderos.

$ cat activity.log | tail -5
2026-11 [congreso] 3rd IDPfun2 Conference @ XV CA2B2C, Buenos Aires · charla cortaCharla corta en la 3rd IDPfun2 Conference, realizada junto al XV congreso de la Asociación Argentina de Bioinformática y Biología Computacional, en la sesión sobre desorden proteico, linkers flexibles y herramientas computacionales. 2026-10 [beca] Beca AISAR · AI safety en agentes científicosProyecto de F. Peitti bajo mi dirección: ¿hizo el agente lo que dice que hizo? Evaluación y mitigación de desvíos no declarados en agentes científicos autónomos. 2026-06 [preprint] Preprint: ¿cómo validar modelos de plegado de ARN?Una revisión crítica de las estrategias de validación cruzada para predicción de estructura secundaria de ARN, y la fuga de homología que hace que los resultados parezcan mejores de lo que son. 2026-04 [estancia] BioComputingUP @ Università di Padova (IDPfun2)Estancia de investigación en el grupo BioComputingUP, dentro del proyecto IDPfun2: caracterización computacional de linkers en proteínas intrínsecamente desordenadas. 2026-04 [paper] ET-Pfam publicado en BioinformaticsEnsambles de clasificadores basados en aprendizaje por transferencia que reducen el error de predicción de familias de proteínas al 7%.
$ ▌