Leandro A. Bugnon

Mi objetivo de investigación es desarrollar métodos de IA que decodifiquen el lenguaje de la biología, lo que permitirá un descubrimiento más rápido de fármacos, mejores diagnósticos de enfermedades y una comprensión más profunda de los mecanismos moleculares.

Trabajo en la intersección entre aprendizaje automático y bioinformática, con foco en el aprendizaje de representaciones de secuencias biológicas, predicción de estructura de ARN y modelos generativos condicionados.

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.

$ grep selected publications.bib

2026

[DOI]

[CODE]

Homology-aware cross-validation strategies for generalization assessment in RNA structure prediction

Bugnon, Kulemeyer, Gerard et al. · bioRxiv
2026

[DOI]

[CODE]

ET-Pfam: ensemble transfer learning for protein family prediction

Duarte, Vitale, Escudero et al. · Bioinformatics 42(4)
2026

[DOI]

[CODE]

GNN2Pfam: Integrating protein sequence and structure with graph neural networks for Pfam domain annotation

Fenoy, Bugnon, Vitale et al. · Journal of Structural Biology 218(1)
2025

[DOI]

Big team science reveals promises and limitations of machine learning efforts to model physiological markers of affective experience

Coles, Perz, Behnke et al. · Royal Society Open Science 12(6)
2025

[DOI]

[CODE]

Comprehensive benchmarking of large language models for RNA secondary structure prediction

Zablocki, Bugnon, Gerard et al. · Briefings in Bioinformatics 26(2)
2024

[DOI]

[CODE]

sincFold: end-to-end learning of short- and long-range interactions in RNA secondary structure

Bugnon, Di Persia, Gerard et al. · Briefings in Bioinformatics 25(4)

$ cat activity.log | tail -5

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%. 2026-04 [preprint] Preprint de emb2dis: predicción de desorden en proteínasResNets, convoluciones dilatadas y modelos de lenguaje de proteínas para predecir desorden intrínseco. Trabajo conjunto con BioComputingUP (Padova). 2026-02 [paper] GNN2Pfam publicado en Journal of Structural BiologyRedes neuronales de grafos que combinan secuencia y estructura de proteínas para la anotación de dominios Pfam.

$ ▌