Marcos Matabuena 是出生于圣地亚哥-德孔波斯特拉的加利西亚数学家。他接受过数理统计研究生训练，并拥有研究方向涉及计算机科学与生物统计学的博士学位。
他很早便对应用于健康的定量研究产生兴趣。十五岁参加田径比赛时，他决定学习数学，因为他相信，未来运动表现的优化将越来越依赖严谨定量方法的发展。
本科最后一年，他开发了一种基于函数型数据分析的间接方法，用于预测最大摄氧量。他还提出了 Banister 模型的新形式；该模型是描述和预测训练与疲劳引起的运动表现变化的主要数学模型之一。
硕士期间，他研究通过分析心率变异性识别无氧阈值的新方法。这些早期项目加深了他将数学、统计学与生理学相结合，从复杂信号中提取具有临床和生物学意义信息的兴趣。
理解这项工作需要考虑当时的背景。十多年前，数字健康，以及如今可以称为数字生物统计学的领域，尚未成为成熟的研究方向。出于主动探索，且经常超出正式学业要求，Marcos 已开始研究如何用先进数学方法分析体育、生理过程和监测设备产生的数据。这种早期好奇心预示了他后来科学事业的许多发展方向。
博士期间，他专注于数字健康及新统计方法的开发，并提出了 葡萄糖密度（glucodensity）这一概念，即对持续血糖监测设备生成数据的分布表示。该框架为高频数字信号的汇总与分析提供了新方法，同时保留了完整血糖分布的特征；这些特征在仅依赖传统临床指标时往往会丢失。
与此同时，他对机器学习理论产生了浓厚兴趣，认识到生物医学的变革性进展需要日益复杂的统计与计算方法。在博士研究之外，他参与建立了一个通用的不确定性量化与预测推断框架，适用于结局为度量空间中随机对象的情形。
随后，他在哈佛大学 Jukka-Pekka Onnela 指导下开展博士后研究，开发数字医学的新统计方法，尤其关注肌萎缩侧索硬化症等神经系统疾病。在此期间，他参与开发了源于数字数据的函数型生物标志物，以改善传统方法对疾病预后的预测。
正如他自己所说，在波士顿的经历是他人生中最重要的经历之一。他在那里结识了学术上和为人处世上都十分出色的人，并融入高度国际化的学术环境。这段经历促使他重新思考：有意义的研究究竟是什么，哪些问题值得持续关注，以及应如何研究才能产生长久的科学与社会影响。
Marcos Matabuena 的科研特色，是将对生物医学的理解、方法学专长和解决实际问题的坚定承诺相结合。他从具有临床意义的问题出发，通过统计学、机器学习、概率论、函数型数据分析与生物统计学的基础方法创新寻求答案。
他的科学理念是识别真正重要的生物医学问题，在不牺牲数学严谨性的前提下，开发解决这些问题所需的统计与计算方法，并将成果转化为临床实践。
尽管仍处于职业生涯相对早期，他已发表五十多篇科学论文，获得多项国际荣誉，并与医学、运动科学、机器学习、概率论、统计学和生物统计学领域的优秀研究者合作。他也受邀在国际会议和科学研讨会上介绍研究成果。
他的主要贡献包括提出 葡萄糖密度（glucodensity） 并开发相应统计分析方法；建立度量空间随机对象的随机效应模型；开发非欧几里得空间中不确定性量化的新方法；以及为临床试验和数字健康研究开发数据融合与整合方法。
他的工作的一大特点是，所开发的方法并不只追求数学创新，而是力图切实改善真实生物医学问题，并产生传统技术难以获得的临床知识。
他的最终研究目标是开发分析方法，推动医学转型，促进疾病早期检测，改善治疗的个体化程度，并提高人们的生活质量。
Marcos 相信，一些最重要的科学进展将产生于机器学习、统计推断与生物医学研究的交汇处。这一愿景不仅需要先进数学工具，也需要理解临床需求、识别重要问题，并提出能够应用于医疗卫生实践的解决方案。
加入研究组的学生将在统计推断、机器学习与生物医学研究的交叉领域工作。他们将有机会开发严谨的方法，与临床医生及国际研究者合作，分析独特的数字健康数据集，并探索具有科学与临床影响潜力的大胆想法。研究组希望提供密切指导，同时培养独立思考、提出原创研究问题的能力，以及个人科学研究特色。
学术之外，Marcos 喜欢运动、旅行和听音乐会。他尤其希望以好奇心和幽默感面对生活，相信科学抱负与职业投入应当与充实、富有体验和情感的生活相容。
除了希望自己的工作产生影响，他更重要的目标之一是创造一种环境，让学生找到令人充实的职业道路，发展有意义的想法，并成长为能够解决重要科学问题的独立研究者。