Máster en Bioestadística y Bioinformática

Módulo 1. Bioquímica y Biología Molecular

La célula y sus componentes

• La célula: estructura.
• Componentes de las células: (visión general) + glúcidos.
• Lípidos.
• Péptidos.
• ADN.
• ARN.
• Cromosomas.
  
  

Biología Molecular

• 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.
  
  

Módulo 2. Bioestadística y R

• Fundamentos del análisis descriptivo de datos unidimensionales.
• Introducción a R y RSTUDIO.
• Fundamentos de cálculo de Probabilidades I.
• 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.
  
  

Biología Estructural

• 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.
• Prácticas de R.Sesgo, varianza e intervalos de confianza para
• un estimador.
• 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 regresión lineal simple I.
• El método de regresión lineal simple II.
• El método de regresión lineal múltiple.
• Prácticas de R. Ajustes de regresión lineal.
• El modelo de análisis de varianza.
• El método de análisis de covarianza.
• Regresión logística.
• Redes neuronales para regresión.
• Técnicas de selección y extracción de variables para regresión.
• Métodos de selección y extracción de variables.
• Evaluación de modelos de regresión.
• Comparación de modelos de regresión.
• Examen Módulo 2 y Masterclass.
  
  

Módulo 3. Python

• Python el nuevo desconocido.
• Características básicas del lenguaje.
• Programación orientada a objetos y excepciones.
• Manipulación de datos.
• 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 Microarrays.
• Análisis de datos RNA-seq.
• Análisis supervisado: Expresión diferencial.
• Interpretación de datos de expresión.
• Análisis de datos de exomas (WES).
• Las otras ómicas.
• Análisis terciario en ómicas.
• R: Integración, creación y análisis de herramientas basadas en R para análisis.
  
  

Trabajo Fin de Máster