Formación en ciencias ómicas: uso educativo de plataformas bioinformáticas en estudios volatilómicos y xenovolatilómicos
Barra lateral del artículo
Contenido principal del artículo
Resumen
Los estudios volatilómicos y xenovolatilómicos han adquirido relevancia dentro de las ciencias ómicas debido a su capacidad para identificar y analizar compuestos orgánicos volátiles (COV) presentes en matrices biológicas. Estos compuestos son indicadores clave de procesos metabólicos, exposición a xenobióticos y calidad de productos biológicos. El avance de estas áreas ha generado una creciente necesidad de comprender y aplicar metodologías especializadas que permitan interpretar correctamente los datos obtenidos mediante técnicas instrumentales como la cromatografía de gases (GC) y la cromatografía líquida (LC), ambas acopladas a espectrometría de masas (MS). En este contexto, las plataformas bioinformáticas se han consolidado como herramientas esenciales para el preprocesamiento, procesamiento e interpretación de grandes volúmenes de datos. El presente artículo tiene como objetivo analizar el proceso metodológico necesario para el uso de plataformas bioinformáticas (como MZmine, MS-DIAL, SIRIUS, GNPS y otras) en estudios volatilómicos y xenovolatilómicos, describiendo su aplicabilidad en la identificación de compuestos, la construcción de redes moleculares y el análisis de rutas bioquímicas. Sin embargo, más allá de su dimensión técnica, este trabajo enfatiza la importancia de integrar estas herramientas en procesos formativos dentro de la educación química. Se propone una reflexión sobre cómo optimizar la formación de futuros investigadores mediante la incorporación de estas plataformas en cursos de química instrumental, metabolómica y análisis de datos, empleando estrategias educativas como estudios de caso, aprendizaje basado en proyectos y talleres de análisis bioinformático. Con ello, se busca facilitar la comprensión del flujo metodológico asociado a la investigación ómica y promover la apropiación de competencias necesarias para enfrentar desafíos analíticos contemporáneos.
##plugins.themes.bootstrap3.displayStats.downloads##
Detalles del artículo
Referencias
Achappa, S., Patil, L., Hombalimath, V., y Shet, A. (2020). Implementation of Project-Based-Learning (PBL) Approach for Bioinformatics Laboratory Course. Journal of Engineering Education Transformations, 33, 247–252. https://doi.org/10.16920/jeet/2020/v33i0/150154
Acito, F. (2023). Introduction to KNIME (pp. 21–52). https://doi.org/10.1007/978-3-031-45630-5_3
Aggio, R., Villas-Bôas, S. G., y Ruggiero, K. (2011). Metab: An R package for high-throughput analysis of metabolomics data generated by GC-MS. Bioinformatics, 27(16), 2316–2318. https://doi.org/10.1093/bioinformatics/btr379
Aksenov, A. A., Laponogov, I., Zhang, Z., Doran, S. L. F., Belluomo, I., Veselkov, D., Bittremieux, W., Nothias, L. F., Nothias-Esposito, M., Maloney, K. N., Misra, B. B., Melnik, A. V., Jones, K. L., Dorrestein, K., Panitchpakdi, M., Ernst, M., van der Hooft, J. J. J., Gonzalez, M., Carazzone, C., … Veselkov, K. (2020). Algorithmic learning for auto-deconvolution of GC-MS data to enable molecular networking within GNPS. BioRxiv. https://doi.org/10.1101/2020.01.13.905091
Alka, O., Sachsenberg, T., Bichmann, L., Pfeuffer, J., Weisser, H., Wein, S., Netz, E., Rurik, M., Kohlbacher, O., y Röst, H. (2020). CHAPTER 6. OpenMS and KNIME for Mass Spectrometry Data Processing (pp. 201–231). https://doi.org/10.1039/9781788019880-00201
Alsafran, M., Rais, J., Ahmad, K., y Kasote, D. (2025). Metabolomics and molecular networking studies to uncover the chemodiversity of three Pulicaria species in Qatar and their correlation with antioxidant and anticancer potential. RSC Advances, 15, 28338–28347. https://doi.org/10.1039/d5ra03980k
Andrews, D. A., Sekyere, E. O., y Bugarcic, A. (2020). Collaborative Active Learning Activities Promote Deep Learning in a Chemistry-Biochemistry Course. Medical Science Educator, 30(2), 801–810. https://doi.org/10.1007/s40670-020-00952-x
Baccolo, G., Quintanilla-Casas, B., Vichi, S., Augustijn, D., y Bro, R. (2021). From untargeted chemical profiling to peak tables – A fully automated AI driven approach to untargeted GC-MS. TrAC Trends in Analytical Chemistry, 145, 116451. https://doi.org/10.1016/j.trac.2021.116451
Barallobre-Barreiro, J., Chung, Y. L., y Mayr, M. (2013). La proteómica y la metabolómica: los mecanismos de la enfermedad cardiovascular y el descubrimiento de biomarcadores. Revista Espanola de Cardiologia, 66(8), 657–661. https://doi.org/10.1016/j.recesp.2013.04.010
Bernal-Ruiz, L. (2015). La era de las ciencias ómicas. Academia de Farmacia “Reino de Aragón,” 64.
Betancourt-Arango, J. P., Patiño-Ospina, A., Tabares-Sepúlveda, J. E., Vélez-Naranjo, E. A., Fiscal-Ladino, J. A., y Taborda-Ocampo, G. (2025). Lipidomic approach to the analysis of Persea americana Mill . cv . from the northern subregion of the department of Caldas. Exploration of Foods and Foodomics, 3(1010100), 1–24. https://doi.org/10.37349/eff.2025.1010100
Betancourt-Arango, J. P., Patiño-Ospina, A., Taborda-Ocampo, G., y Fiscal-Ladino, J. A. (2025). Aplicaciones de la xenometabolómica para la identificación de biomarcadores de toxicidad: una revisión del tema. Revista Biosalud, 19(1), 7–30. https://doi.org/10.17151/biosa.2020.19.1.1
Betancourt-Arango, J. P., Suárez-Millán, M. del C., y Taborda-Ocampo, G. (2025). Didáctica de las ciencias ómicas: hacia la enseñanza y el aprendizaje de la metabolómica en la educación superior. Educación Química, 36(4), 208–222. https://doi.org/10.22201/fq.18708404e.2025.4.90704
Betancourt-Arango, J. P., Villaroel-Solis, E. E., Fiscal-Ladino, J. A., y Taborda-Ocampo, G. (2024). Volatilomics: An emerging discipline within Omics Sciences - A systematic review. F1000Research, 13, 991. https://doi.org/10.12688/f1000research.149773.1
Betancourt Arango, J. P., Patiño Ospina, A., Fiscal Ladino, J. A., y Taborda Ocampo, G. (2025). Xenovolatilomic profiling of Hass avocado (Persea americana Mill.) tissues exposed to endosulfan: identification of potential toxicity biomarkers. Sustainable Food Technol. https://doi.org/10.1039/D5FB00163C
Böcker, S., Letzel, M. C., Lipták, Z., y Pervukhin, A. (2009). SIRIUS: Decomposing isotope patterns for metabolite identification. Bioinformatics, 25(2), 218–224. https://doi.org/10.1093/bioinformatics/btn603
Calvi, L., Pentimalli, D., Panseri, S., Giupponi, L., Gelmini, F., Beretta, G., Vitali, D., Bruno, M., Zilio, E., Pavlovic, R., y Giorgi, A. (2018). Comprehensive quality evaluation of medical Cannabis sativa L. inflorescence and macerated oils based on HS-SPME coupled to GC–MS and LC-HRMS (q-exactive orbitrap®) approach. Journal of Pharmaceutical and Biomedical Analysis, 150, 208–219. https://doi.org/10.1016/j.jpba.2017.11.073
Campos, J. F., De Castro, D. T. H., Damiaõ, M. J., Vieira Torquato, H. F., Paredes-Gamero, E. J., Carollo, C. A., Estevinho, L. M., De Picoli Souza, K., y Santos, E. L. Dos. (2016). The Chemical Profile of Senna velutina Leaves and Their Antioxidant and Cytotoxic Effects. Oxidative Medicine and Cellular Longevity, 2016. https://doi.org/10.1155/2016/8405957
Cao, J., Guan, H., y Jiang, J. (2025). A Review of the Literature on Project-Based Learning in High School Chemistry over the Past Decade in the Journal of Chemical Education. Journal of Chemical Education, 102(2), 599–614. https://doi.org/10.1021/acs.jchemed.4c00886
Castaño-Acosta, M., Betancourt-Arango, J. P., Castellanos-Galeano, F., y Taborda-Ocampo, G. (2025). Cannabinomics in the flower of Cannabis sativa: a systematic review of extraction , analytical identification , and micro / nanoencapsulation methods for bioactive metabolites. Journal of Cannabis Research, 7(97). https://doi.org/10.1186/s42238-025-00350-3
Cheatsheet: general approaches in MS data analysis | MaSH. (n.d.).
Chong, J., y Xia, J. (2018). MetaboAnalystR: An R package for flexible and reproducible analysis of metabolomics data. Bioinformatics, 34(24), 4313–4314. https://doi.org/10.1093/bioinformatics/bty528
Croft, D., O’Kelly, G., Wu, G., Haw, R., Gillespie, M., Matthews, L., Caudy, M., Garapati, P., Gopinath, G., Jassal, B., Jupe, S., Kalatskaya, I., MayMahajan, S., May, B., Ndegwa, N., Schmidt, E., Shamovsky, V., Yung, C., Birney, E., … Stein, L. (2011). Reactome: A database of reactions, pathways and biological processes. Nucleic Acids Research, 39(SUPPL. 1). https://doi.org/10.1093/nar/gkq1018
Crowell, K. L., Slysz, G. W., Baker, E. S., LaMarche, B. L., Monroe, M. E., Ibrahim, Y. M., Payne, S. H., Anderson, G. A., y Smith, R. D. (2013). LC-IMS-MS feature finder: Detecting multidimensional liquid chromatography, ion mobility and mass spectrometry features in complex datasets. Bioinformatics, 29(21), 2804–2805. https://doi.org/10.1093/bioinformatics/btt465
Dabrowski, Ł. (2020). Evaluation of a Simplified Method for GC/MS Qualitative Analysis of Polycyclic Aromatic Hydrocarbons, Polychlorinated Biphenyls, and Organic Pesticides Using PARADISe Computer Program. Molecules, 25(16). https://doi.org/10.3390/molecules25163727
Dai, X., Fang, X., Yang, M., Li, H., y He, Y. (2008). Application of Liquid Chromatography/LTQ Linear Ion Trap Mass Spectrometry for Quantifying the Biomarkers Creatinine and Cortisol in Serum. Analytical Letters - ANAL LETT, 41, 2912–2922. https://doi.org/10.1080/00032710802440467
Davies, A. M. C., y Fearn, T. (2008). Back to basics: Multivariate qualitative analysis, “SIMCA.” Spectroscopy Europe, 20, 15–19. https://doi.org/10.1255/sew.2008.a1
Dojahn, J. (2014). New TripleTOF® 6600 and SWATHTM(2.0 for next generation proteomics and quantitative biology. EuPA Open Proteomics, 5, 43. https://doi.org/10.1016/j.euprot.2014.09.011
Du, X., Smirnov, A., Pluskal, T., Jia, W., y Sumner, S. (2020). Metabolomics Data Preprocessing Using ADAP and MZmine 2. In Methods in Molecular Biology (Vol. 2104, Issue Lc). https://doi.org/10.1007/978-1-0716-0239-3_3
Dührkop, K., Fleischauer, M., Ludwig, M., Aksenov, A. A., Melnik, A. V., Meusel, M., Dorrestein, P. C., Rousu, J., y Böcker, S. (2019). SIRIUS 4: a rapid tool for turning tandem mass spectra into metabolite structure information. Nature Methods, 16(4), 299–302. https://doi.org/10.1038/s41592-019-0344-8
Emwas, A.-H., Roy, R., Mckay, R., Tenori, L., Saccenti, E., Gowda, N., Raftery, D., Alahmari, F., Jaremko, L., Jaremko, M., y Wishart, D. (2019). NMR Spectroscopy for Metabolomics Research. 9. https://doi.org/10.3390/metabo9070123
Escudero, E., Sentandreu, M. A., y Toldrá, F. (2012). Caracterización de péptidos generados en la digestión in vitro de la carne. 1–17.
Fenizia, S., Scoditti, E., y Gastaldelli, A. (2024). Methods to Study Metabolomics. In Endocrinology (Switzerland): Vol. Part F2257. https://doi.org/10.1007/978-3-031-35064-1_2
Fiscal-ladino, J. A., Taborda-ocampo, G., y Betancourt-arango, J. P. (2025). Optimization of the methodology for the extraction of organophosphate pesticides by HS – SPME – GC – NPD. Revista de La Academia Colombiana de Ciencias Exactas, Físicas y Naturales, 49(193), 833–843. https://doi.org/10.18257/raccefyn.3173
Garcia, V., Zhang, M., Cobanoglu, T. S., Holm, K., Jennings, P., Poole, D., y Moco, S. (2025). Predicting xenobiotic metabolism: a computational approach mining LC–MS/MS data with SIRIUS and BioTransformer. Archives of Toxicology, 1–13. https://doi.org/10.1007/s00204-025-04248-0
GUO, G., McKenzie, E. J., Jones, M. B., Zarate, E., de Seymour, J., Baker, P. N., Villas-Bôas, S. G., y Han, T.-L. (2021). MassOmics: An R package of a cross-platform data processing pipeline for large-scale GC-MS untargeted metabolomics datasets. Zenodo. https://doi.org/10.5281/zenodo.4961895
Holman, J., Tabb, D., y Mallick, P. (2014). Employing ProteoWizard to Convert Raw Mass Spectrometry Data. Current Protocols in Bioinformatics / Editoral Board, Andreas D. Baxevanis ... [et Al.], 46, 13.24.1-9. https://doi.org/10.1002/0471250953.bi1324s46
Ji, Q., Lin, Z., Chen, S., y Yang, Z. (2023). Tandem Mass Spectrometry (pp. 457–473). https://doi.org/10.1007/978-981-99-3110-1_27
Jiang, N., Hou, S., Liu, Y., Ren, P., Xie, N., Yuan, Y., Hao, Q., Liu, M., y Zhao, Z. (2023). Combined LC-MS-based metabolomics and GC-IMS analysis reveal changes in chemical components and aroma components of Jujube leaf tea during processing. Frontiers in Plant Science, 14(May), 1–13. https://doi.org/10.3389/fpls.2023.1179553
Johnsen, L. G., Skou, P. B., Khakimov, B., y Bro, R. (2017). Gas chromatography – mass spectrometry data processing made easy. Journal of Chromatography A, 1503, 57–64. https://doi.org/10.1016/j.chroma.2017.04.052
Kanehisa, M., y Goto, S. (2000). KEGG: Kyoto Encyclopedia of Genes and Genomes. Nucleic Acids Research, 28(1), 27–30. https://doi.org/10.1093/nar/28.1.27
Kapoor, R., Ladak, S., y Gomase, V. (2009). MALDI-TOF based Metabolomic approach. International Journal of Genetics, 1. https://doi.org/10.9735/0975-2862.1.2.44-46
Lei, Y., Chen, X., Shi, J., Liu, Y., y Xu, Y.-J. (2022). Development and application of a data processing method for food metabolomics analysis. https://doi.org/10.21203/rs.3.rs-2274766/v1
Liu, Y., Wen, T., Zhang, J., Guan, W., Lin, C., Chen, K., Li, Y., Chen, Q., Zhang, L., Yan, J., Kuang, H., Yang, B., y Zhang, H. (2025). Qualitative and Quantitative Evaluations of Ciwujia Tablets: MS-DIAL, MS-FINDER, and GNPS-Assisted Chemical Characterization: Qualitative and Quantitative Evaluations…Y. Liu et al. Chromatographia, 89, 101–120. https://doi.org/10.1007/s10337-025-04461-0
Maia, M., Figueiredo, A., Cordeiro, C., y Sousa Silva, M. (2023). FT-ICR-MS-based metabolomics: A deep dive into plant metabolism. Mass Spectrometry Reviews, 42(5), 1535–1556. https://doi.org/10.1002/mas.21731
Mekonnen, Y., Dhake, N., Jaiswal, S., Rubio, V., Narvaez-Bandera, I., Ackerman, H., Flore, E., y Stewart, P. (2025). EnrichMET: R Package for Integrated Pathway and Network Analysis for Metabolomics. https://doi.org/10.1101/2025.08.28.672951
Mitchell, J., Chi, Y., Thapa, M., Pang, Z., Xia, J. (Jeff), y Li, S. (2024). Common data models to streamline metabolomics processing and annotation, and implementation in a Python pipeline. In bioRxiv : the preprint server for biology. https://doi.org/10.1101/2024.02.13.580048
Mosca, E., Ulaszewska, M., Alavikakhki, Z., Bellini, E., Mannella, V., Frigerio, G., Drago, D., y Andolfo, A. (2024). MargheRita: an R package for LC-MS/MS SWATH metabolomics data analysis and confident metabolite identification based on a spectral library of reference standards. https://doi.org/10.1101/2024.06.20.599545
O’Callaghan, S., De Souza, D. P., Isaac, A., Wang, Q., Hodkinson, L., Olshansky, M., Erwin, T., Appelbe, B., Tull, D. L., Roessner, U., Bacic, A., McConville, M. J., y Likić, V. A. (2012). PyMS: A Python toolkit for processing of gas chromatography-mass spectrometry (GC-MS) data. Application and comparative study of selected tools. BMC Bioinformatics, 13(1). https://doi.org/10.1186/1471-2105-13-115
Obeso, D., Contreras, N., Dolores-Hernández, M., Carrillo, T., Barbas, C., Escribese, M. M., Villaseñor, A., y Barber, D. (2022). Development of a Novel Targeted Metabolomic LC-QqQ-MS Method in Allergic Inflammation. Metabolites, 12(7). https://doi.org/10.3390/metabo12070592
Orfao, A., Benítez, J., Corrales, F., Martín-Subero, I., Ordovás, J. M., Carracedo, Á., y Lapunzina, P. (2019). Ciencias ómicas. Instituto Roche, 32.
Pluskal, T., Castillo, S., Villar-Briones, A., y Orešič, M. (2010). MZmine 2: Modular framework for processing, visualizing, and analyzing mass spectrometry-based molecular profile data. BMC Bioinformatics, 11. https://doi.org/10.1186/1471-2105-11-395
Pluskal, T., Korf, A., Smirnov, A., Schmid, R., Fallon, T. R., Du, X., y Weng, J. K. (2020). CHAPTER 7: Metabolomics Data Analysis Using MZmine. New Developments in Mass Spectrometry, 2020-Jan (8), 232–254. https://doi.org/10.1039/9781788019880-00232
Qin, W., Wu, Y., Gao, W., y Wang, Y. (2024). Application of molecular networking to improve the compound annotation in liquid chromatography-mass spectrometry-based metabolomics analysis: A case study of Bupleuri radix. Phytochemical Analysis: PCA, 35. https://doi.org/10.1002/pca.3412
Quintanilla-Casas, B., Bro, R., Hinrich, J. L., y Davie-Martin, C. L. (2023). Tutorial on PARADISe: PARAFAC2-based Deconvolution and Identication System for processing GC-MS data. X, 1–18.
Ramírez-navasa, J. S., y Jaramillo-lópez, F. (2023). Las disciplinas ómicas en la ciencia de los alimentos Omics disciplines in food science. 10(2), 1–22.
Realizadas, A., La, E. N., y Madrid, C. D. E. (2011). Emisiones de Compuestos Orgánicos Volátiles. 2010 (Junio).
Saldivar-gonzález, F. I., y Gortari, E. F. (2023). Inteligencia artificial en el diseño de fármacos: hacia la inteligencia aumentada. Educación Química, 34(2), 17–25.
Selamat, J., Rozani, N. A. A., y Murugesu, S. (2021). Application of the metabolomics approach in food authentication. Molecules, 26(24), 1–19. https://doi.org/10.3390/molecules26247565
Shannon, P., Markiel, A., Ozier, O., Baliga, N. S., Wang, J. T., Ramage, D., Amin, N., Schwikowski, B., y Ideker, T. (2003). Cytoscape: a software environment for integrated models of biomolecular interaction networks. Genome Research, 13(11), 2498–2504. https://doi.org/10.1101/gr.1239303
Shen, X., y Zhu, Z. J. (2019). MetFlow: An interactive and integrated workflow for metabolomics data cleaning and differential metabolite discovery. Bioinformatics, 35(16), 2870–2872. https://doi.org/10.1093/bioinformatics/bty1066
Shimadzu Corporation. (2018). Analysis of Volatile Toxic Substances Using Headspace GC/MS Part.2 - Cyanide and Azide. 3–6.
Simon-Manso, Y., Lowenthal, M., Kilpatrick, L., Sampson, M., Telu, K., Rudnick, P., Mallard, G., Bearden, D., Schock, T., Tchekhovskoi, D., Blonder, N., Yan, X., Liang, Y., Zheng, Y., Wallace, W., Neta, P., Phinney, K., Remaley, A., y Stein, S. (2013). Metabolite profiling of a NIST Standard Reference Material for human plasma (SRM 1950): GC-MS, LC-MS, NMR, and clinical laboratory analyses, libraries, and web-based resources. Analytical Chemistry, 85. https://doi.org/10.1021/ac402503m
Stashenko, E. E., y Martínez, J. R. (2010). GC-MS: Más de un Analizador de Masas, ¿para qué? Scientia Chromatographica, 2(4), 25–48.
Suárez-Millán, M. del C., y Betancourt-Arango, J. P. (2023). La Química Computacional como mediación pedagógica para el aprendizaje de conceptos inorgánicos. Educación Química, 34(1), 70–85. https://doi.org/10.22201/fq.18708404e.2023.1.77684
Tawana-Ndolo, S., Zachariah, M., Phaladze, N., y Sichilongo, K. (2025). MS-DIAL pre-processing for mining schistosomiasis metabolites in urine samples from the Okavango Delta of Botswana from a GC-MS dataset. Bioanalysis, 17, 1–9. https://doi.org/10.1080/17576180.2025.2580288
Tsugawa, H., Cajka, T., Kind, T., Ma, Y., Higgins, B., Ikeda, K., Kanazawa, M., VanderGheynst, J., Fiehn, O., y Arita, M. (2015). MS-DIAL: data-independent MS/MS deconvolution for comprehensive metabolome analysis. Nature Methods, 12(6), 523–526. https://doi.org/10.1038/nmeth.3393
Viera-Santana, S., y Santana-Rodríguez, J. J. (2015). Técnicas analíticas avanzadas para la extracción y preconcentración de contaminantes emergentes en muestras líquidas. Revista de La Academia Canaria de Ciencias, 25(2), 77–95.
Wenig, P., y Odermatt, J. (2010). OpenChrom: A cross-platform open source software for the mass spectrometric analysis of chromatographic data. BMC Bioinformatics, 11, 405. https://doi.org/10.1186/1471-2105-11-405
Winkler, G. M. (2017). Savitzky-Golay filter.
Yanes, Ó. (2015). Metabolómica: la ciencia ómica más multidisciplinaria. Sociedad Española de Bioquímica y Biología Molecular, 7–10.
Zachello, B., Zanardi-Lamardo, E., Choueri, R., y Castro, I. (2020). Marine Protected Areas in Latin America and Caribbean threatened by polycyclic aromatic hydrocarbons. Environmental Pollution, 269. https://doi.org/10.1016/j.envpol.2020.116194
Zhao, L., Huang, Y., Zhou, H., Adeleye, A. S., Wang, H., Ortiz, C., Mazer, S. J., y Keller, A. A. (2016). GC-TOF-MS based metabolomics and ICP-MS based metallomics of cucumber (Cucumis sativus) fruits reveal alteration of metabolites profile and biological pathway disruption induced by nano copper. Environmental Science: Nano, 3(5), 1114–1123. https://doi.org/10.1039/c6en00093b
Zhao, M., Bergaentzlé, M., Flieller, A., y Marchioni, E. (2019). Development and validation of an ultra-high performance liquid chromatography-high resolution mass spectrometry method for simultaneous quantification of cyanogenic glycosides and secoisolariciresinol diglucoside in flaxseed (Linum usitatissimum L.). Journal of Chromatography A, 1601, 214–223. https://doi.org/10.1016/j.chroma.2019.04.072
Zniber, M., Fatihi, Y., y Huynh, T.-P. (2024). Protomix: a Python package for 1H-NMR metabolomics data preprocessing. Bioinformatics Advances, 5. https://doi.org/10.1093/bioadv/vbae192
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Educación Química por Universidad Nacional Autónoma de México se distribuye bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivar 4.0 Internacional.
Basada en una obra en http://www.revistas.unam.mx/index.php/req.