Desenvolupament d'una nova plataforma de modelització per estudiar el comportament subcel·lular del calci en cardiomiòcits

Es van utilitzar models de minimització d'errors de models tipus Gompertz per predir, amb 2 setmanes d'antelació, augments en la incidència de la COVID-19 utilitzant dades reportades a nivell de país per l'OMS durant les epidèmies. En aquesta tesi, abordem la fiabilitat i la precisió d'aquests models. S'utilitzen diferents mètodes de processament de dades, i la tesi presenta un nou mètode per detectar la robustesa del millor ajust predit. Continuant amb l'epidemiologia, la tesi també presenta un estudi de la correlació entre la incidència de la COVID-19 a Espanya, província per província, i les dades de mobilitat de dues fonts: el Ministeri de Transports i Mobilitat espanyol i Facebook Data for Good. Utilitzant eines com l'Anàlisi de Components Principals i l'anàlisi multivariant amb retards, la tesi mostra que la mobilitat és directament causal o altament directament correlacionada amb altres mesures que van afectar la propagació de la COVID-19. En canvi, els patrons meteorològics semblen menys capaços de predir resultats.

Pel que fa a la dinàmica cardíaca, aquesta tesi s'ha centrat en el desenvolupament de models computacionals per estudiar la dinàmica del calci en cardiomiòcits, com a base per a una futura plataforma per vincular el comportament subcel·lular amb les malalties cardíaques de tot l'òrgan. Durant el procés, la tesi desenvolupa una nova metodologia per construir un enfocament de població de models. La nova metodologia és necessària per abordar un dels problemes més importants en les dades fisiològiques de les cèl·lules; algunes dades clau per validar el model són en termes de característiques d'una sèrie de dades en lloc d'una sèrie de dades coneguda. Finalment, però no menys important, desenvolupem un altre model a escala submicrònica per analitzar com les ones de calci subcel·lulars s'originen, es propaguen, desapareixen i reapareixen.