UPF Digital Repository
Guides
Recent Submissions
To what extent does refugee protection in Western Europe depend on the ethno-religious and gender identity of asylum seekers? This article examines how selective humanitarianism, shaped by the identity of asylum seekers and migrants, shapes their protection status. It offers an analysis of Germany's response to Yezidi refugees, in comparison with that of France, in the wake of the genocidal campaign carried out by the Islamic State in 2014. Drawing on fieldwork that includes interviews with Yezidi refugees and stakeholders in Germany, we argue that contemporary asylum regimes operate through three interrelated mechanisms: the securitization of certain groups, selective humanitarian exceptions, and neoliberal selection criteria. The Yezidi experience illustrates how these mechanisms generate hierarchies of protection, wherein even recognized victims of genocide must meet increasingly economic thresholds to secure lasting refuge. While specialized programs for women survivors represent important humanitarian innovations, they often exclude male family members, thereby producing new forms of vulnerability. Struggling to align with dominant narratives of economically valuable migrants, Yezidis encounter a renewed form of liminality in Europe.
(2025) Ayhan, Tutku; Tezcur, Gunes Murat (2026) Erta-Majó, Arnau; Valverde-Valencia, Àlex; Balcells, Jordi; Batalla Gavaldà, Abraham; Besalduch Canes, Núria; Castellano Granell, Jordi; Cecília Gallego, Pau; Cid da Silva, Montse; Cid Górriz, Robert; Cuadrat García, Ramón; Fraile, Mar; Garmendia, Beñat; Guasch Bosch, Joaquim; Martín Moreno, Jordi; Morral, Anna; Panisello Tafalla, Pere; Perales Domini, Tània; Pradas, Ricard; Salvador Lluesma, Mireia
Scientists have the right and responsibility to engage in activism-from the translation of their work in societal outputs to the participation in policy or civic events-because their expertise and ethical responsibility position them well to change policy. Similarly, civic groups that engage with scientific evidence make their actions more credible and effective. Lastly, collaborations between researchers and activists enhance the inclusiveness of climate science and action.
The recent comment in this journal that called for climate scientists to be more 'neutral' and disengaged from climate activism does not provide good guidance for scientists dealing with urgent social and environmental challenges. It fails to define its key terms ('science' or 'activism') and provides only general truisms as to what good science entails.
In this Matters Arising, we argue that the broader societal role scientists can play should be recognized and respected. We also call for the support of activists who engage with researchers in pursuit of evidence-based action. Mutually supportive relations between science and civic groups will make science more horizontal, inclusive, and thus legitimate and impactful in the eyes of policymakers and society at large.
(2025) Anguelovski, Isabelle; Corbera, Esteve; Conde, Marta; Walter, Mariana; Sekulova, Filka; Kotsila, Panagiota; Pascual, Unai; Brockington, Dan (2026) Robles Planas, Ricardo
El auge de las tecnologías de alto rendimiento ha revolucionado las ciencias de la vida, permitiendo pasar del estudio de moléculas individuales al perfilado de genomas, transcriptomas, epigenomas, microbiomas y más. Aunque muy potentes, estas tecnologías generan datos de alta dimensionalidad y con un grado considerable de ruido. Además, las técnicas de medición suelen producir valores relativos en lugar de absolutos, lo que introduce un sesgo composicional: si la cantidad absoluta de un componente aumenta, la proporción relativa de los demás se reduce automáticamente. Estas particularidades complican de forma sustancial cualquier intento de análisis o interpretación. Los métodos estadísticos tradicionales, por ejemplo, suelen asumir que las variables son independientes y se expresan en una escala absoluta, una condición que los datos composicionales no cumplen. A su vez, técnicas más complejas como el aprendizaje profundo, pese a su potencia, son extremadamente sensibles a las características de los datos: pueden sobreajustarse fácilmente a patrones ruidosos y fracasar al generalizar a nuevos contextos. El éxito de AlphaFold2 (AF2) ilustra el potencial del aprendizaje profundo en biología, pero también evidencia una limitación clave: su desarrollo se benefició de un problema bien definido y de datos extensos, limpios y estandarizados, condiciones poco frecuentes en ómicas. Numerosos métodos fueron desarrollados para afrontar las complejidades inherentes a los datos ómicos; sin embargo, ninguno ha resultado universalmente óptimo. Además, la elección de métodos suele estar condicionada por factores prácticos, como facilidad de uso, popularidad o accesibilidad, más que por su idoneidad real frente a los datos, lo que lleva a resultados subóptimos. Mi tesis aborda estos desafíos a través de múltiples contribuciones, con un foco particular en transcriptómica. Específicamente, investigué cómo el sesgo composicional afecta el análisis de correlación entre genes y propuse una forma de calcular correlaciones parciales regularizadas válidas para datos composicionales. También reinterpreté la proporcionalidad diferencial como una alternativa al análisis de expresión diferencial que evita la necesidad de normalización. Paralelamente, contribuí al desarrollo de nf-core/differentialabundance, un pipeline reproducible y escalable para el análisis diferencial dentro del ecosistema nf-core. Aunque actualmente soporta un conjunto limitado de métodos, está diseñado para ser extensible y crecer con la contribución de la comunidad. El objetivo es hacer más accesibles los enfoques alternativos y facilitar la selección e integración informada de métodos mediante análisis comparativos automatizados. Por último, reconociendo que los datos, y no solo los algoritmos, son centrales tanto en el análisis estadístico tradicional como en el aprendizaje profundo, co-desarrollé stimulus-py y nf-core/deepmodeloptim, un marco conjunto que permite explorar de manera sistemática cómo distintos aspectos de los datos, o de su procesamiento, influyen en el comportamiento de los modelos. Al colocar los datos en el centro del desarrollo, este enfoque busca generar modelos de aprendizaje profundo más robustos y generalizables en biología. El éxito de AlphaFold2 demuestra el valor del aprendizaje profundo en biología, pero el objetivo final es ir más allá de logros aislados, hacia un futuro en el que el aprendizaje profundo ofrezca soluciones confiables, interpretables y biológicamente fundamentadas en una amplia gama de tareas. Stimulus-py y nf-core/deepmodeloptim representan pasos concretos en esa dirección: herramientas para optimizar el desarrollo de modelos alineándolos con las realidades de los datos biológicos. Finalmente, la última parte de esta tesis muestra cómo las predicciones estructurales de AF2, con precisión a nivel experimental, pueden emplearse para mejorar los alineamientos múltiples de secuencias.
(2026-01-23) Jin Wu, Suzanne