Máster en Bioestadística y Bioinformática - CEMP

Introducción a conceptos básicos de biología celular, genética y bioquímica, como glúcidos, lípidos, péptidos, ADN y ARN.
Describir la naturaleza de los cromosomas, genes, genoma, herencia, mutaciones y división celular, su importancia dentro de la óptica biomédica.
Analizar la inmunología básica como ciencia de la prevención de infecciones virales y bacterianas.
Formular cálculos estadísticos de utilidad en la Bioquímica, variables, sectores aleatorios, parámetros de una población, modelo de regresión lineal múltiple, métodos de selección y extracción de variables en R.
Analizar e interpretar datos ómicos, ultrasecuenciación, microarrays, datos de RNA-seq, y de exomas (WES), mediante el uso de herramientas basadas en R para análisis ómico.

Máster en Bioestadística y Bioinformática - Acreditado por la Universidad Católica de Murcia.

MÓDULO - BIOQUÍMICA Y BIOLOGÍA MOLECULAR
- La célula: estructura.
- Componentes de las células: (visión general) + glúcidos.
- Lípidos.
- Péptidos.
- ADN.
- ARN.
- Cromosomas.
- Genes y genoma.
- Estudio de los cromosomas.
- Mutaciones y polimorfismos.
- División celular.
- Dogma central de la biología molecular.
- Replicación y reparación del ADN.
- Transcripción.
- Traducción.
- Control de la expresión genética en procariotas.
- Control de la expresión genética en eucariotas I.
- Control de la expresión genética en eucariotas II.
- Epigenética.
- PCR.
- Tecnología del ADN recombinante.
- Secuenciación
- Hibridación de ácidos nucleicos: arrays.
- Movilidad de la célula y transporte.
- Proteínas de membrana.
- Espectrometría de masas.
- Cristalografía de rayos X.
- Predicción de estructura de proteínas.
- Inmunología básica.
- Virus: estructura y función
MÓDULO 2: BIOESTADÍSTICA Y R
- Fundamentos del análisis descriptivo de datos unidimensionales.
- Introducción a R y RSTUDIO.
- Fundamentos de cálculo de ProbabilidadesI.
- Fundamentos de cálculo de Probabilidades II.
- Variables aleatorias discretas.
- Variables aleatorias continuas.
- Distribuciones notables discretas.
- Práctica de R- Principales Objetos de R.
- Distribuciones notables continuas.
- Elementos básicos de un vector aleatorio.
- Práctica con R. Representación y simulación de variables aleatorias con R.
- Vector de medias y matriz de covarianzas.
- Estimación de los parámetros de una población.
- Intervalo de confianza para una proporción.
- Intervalo de confianza en distribuciones normales.
- Contraste de hipótesis para una proporción.
- Contraste de hipótesis para una población normal.
- Comparación de poblaciones.
- Práctica de R. Contraste de hipótesis en R.
- El método de máxima verosimilitud.
- El método de máxima verosimilitud para la estimación de parámetros. Estimando la media y la varianza de una muestra procedente de una distribución normal mediante el método de máxima verosimilitud.
- El modelo de regresión lineal simple. Estimación de los parámetros por mínimos cuadrados.
- Propiedades de los estimadores. Contrastes de hipótesis sobre los parámetros. Predicción.
- El modelo de regresión lineal múltiple. Estimación de los parámetros por mínimos cuadrados. Propiedades de los estimadores. Contrastes de hipótesis sobre los parámetros. Predicción. Diagnosis del modelo.
- Ajuste de modelos de regresión lineal (regresión simple y regresión múltiple) con R. Predicción de modelos de regresión lineal con R. Ajuste de modelos polinómicos con R.
- El modelo de análisis de la varianza (ANOVA). El test F.
- Support vector machines para regresión.
- Redes neuronales para regresión.
- Métodos de selección de variables para regresión. - Tipos de métodos de selección de variables.
- Métodos de filtrado. La correlación. La ganancia de información. El test de Chi Cuadrado.
- Métodos de extracción de variables para regresión. El análisis de componentes principales (PCA).
- Métodos de selección y extracción de variables en R.
- Construcción rigurosa de un modelo de regresión. Conjuntos de entrenamiento y de test. Medidas para la capacidad predictiva de un modelo de regresión. El error cuadrático medio. Comparación de modelos de regresión.
MÓDULO - PYTHON
- Python el nuevo desconocido.
- Características básicas del lenguaje.
- Programación orientada a objetos y excepciones.
- Manipulación de datos.
MÓDULO - INTRODUCCIÓN A BASE DE DATOS Y ANÁLISIS DE DATOS ÓMICOS
- Introducción a las ómicas: aplicación
- Bases de datos para el análisis e interpretación de datos ómicos
- Computación de datos de alto rendimiento (HTS)
- Introducción a la ultrasecuenciación (Nex-generation sequencing NGS)
- Transcriptómica
- Análisis de datos de microarrays
- Análisis de datos de RNA-seq
- Análisis supervisado: Expresión diferencial
- Interpretación de datos de expresión
- Análisis de exomas (WES)
- Las otras ómicas
- Análisis terciario en ómicas
- Integración, creación y análisis de herramientas basadas en R para análisis ómico.