Desarrollo de un backend automatizado para el análisis funcional de genomas fúngicos

Abstract

La presente memoria detalla el diseño, desarrollo e implementación de un backend especializado para el análisis funcional y filogenético de genomas fúngicos, integrando de manera coherente herramientas bioinformáticas consolidadas con metodologías y tecnologías propias de la Ingeniería Civil Telemática. En respuesta a la necesidad de optimizar la interpretación de datos genómicos, se diseñó una arquitectura modular basada en contenedores Docker y servicios web ligeros (mediante Python y Flask) que orquesta flujos de trabajo complejos. El sistema automatiza la anotación funcional (p. ej., usando eggNOG-mapper), la extracción de métricas ortológicas y la generación de visualizaciones gráficas, garantizando reproducibilidad, escalabilidad y una alta eficiencia en entornos distribuidos. Esta solución no sólo agiliza la integración de datos y el análisis bioinformático sin requerir conocimientos especializados del usuario final, sino que también constituye un aporte significativo para la comunidad investigadora, al reducir la complejidad y los costos asociados a la gestión, comparación y evaluación de grandes volúmenes de información genómica. El trabajo sienta las bases para futuras expansiones, incluyendo la incorporación de análisis metagenómicos, aprendizaje automático y despliegues en plataformas de computación en la nube.

This thesis presents the development and implementation of a specialized backend for the functional and phylogenetic analysis of fungal genomes, bridging established bioinformatics tools with methodologies and technologies drawn from the field of Telecommunications Engineering. To address the increasing complexity and volume of genomic data, a modular architecture was devised that employs Docker-based containers and lightweight web services (via Python and Flask) to orchestrate complex bioinformatic workflows. The system automates functional annotation (e.g. using eggNOG-mapper), orthology metric extraction, and the generation of graphical outputs, ensuring reproducibility, scalability, and efficient resource utilization in distributed environments. By consolidating multiple steps into an integrated pipeline, the solution reduces both the complexity and overhead traditionally associated with large-scale genomic data processing, enabling researchers, regardless of their computational background, to rapidly obtain and interpret biologically meaningful insights. Furthermore, the proposed framework sets the foundation for future enhancements, including metagenomic analyzes, machine learning integration, and seamless deployment in cloud-based infrastructures.