Máster en Bioestadística y Bioinformática

Módulo 1. Bioquímica y Biología Molecular

La célula y sus componentes
1. La célula: estructura.
2. Componentes de las células: (visión general) + glúcidos.
3. Lípidos.
4. Péptidos.
5. ADN.
6. ARN.
7. Cromosomas.

Biología Molecular

8. Genes y genoma.
9. Estudio de los cromosomas.
10.Mutaciones y polimorfismos.
11. División celular.
12. Dogma central de la biología molecular.
13. Replicación y reparación del ADN.
14. Transcripción.
15. Traducción.
16. Control de la expresión genética en procariotas.
17. Control de la expresión genética en eucariotas I.
18. Control de la expresión genética en eucariotas II.
19. Epigenética.
20. PCR.
21. Tecnología del ADN recombinante.
22. Secuenciación
23. Hibridación de ácidos nucleicos: arrays.

Módulo 2. Bioestadística y R

1. Fundamentos del análisis descriptivo de datos unidimensionales.
2. Introducción a R y RSTUDIO.
3. Fundamentos de cálculo de Probabilidades I.
4. Fundamentos de cálculo de Probabilidades II.
5. Variables aleatorias discretas.
6. Variables aleatorias continuas.
7. Distribuciones notables discretas.
8. Práctica de R- Principales Objetos de R.
9. Distribuciones notables continuas.
10. Elementos básicos de un vector aleatorio.
11. Práctica con R. Representación y simulación de variables aleatorias con R.
12. Vector de medias y matriz de covarianzas.
13. Estimación de los parámetros de una población.
14. Intervalo de confianza para una proporción.
15. Intervalo de confianza en distribuciones normales.
16. Contraste de hipótesis para una proporción.

Biología Estructural

24. Movilidad de la célula y transporte.
25. Proteínas de membrana.
26. Espectrometría de masas.
27.Cristalografía de rayos X.
28. Predicción de estructura de proteínas.
29. Inmunología básica.
30.Virus: estructura y función.
17. Prácticas de R.Sesgo, varianza e intervalos de confianza para un estimador.
18. Contraste de hipótesis para una población normal.
19. Comparación de poblaciones.
20. Práctica de R. Contraste de hipótesis en R.
21. El método de máxima verosimilitud.
22. El método de regresión lineal simple I.
23. El método de regresión lineal simple II.
24. El método de regresión lineal múltiple.
25. Prácticas de R. Ajustes de regresión lineal.
26. El modelo de análisis de varianza.
27. El método de análisis de covarianza.
28. Regresión logística.
29. Redes neuronales para regresión.
30.Técnicas de selección y extracción de variables para regresión.
31. Métodos de selección y extracción de variables.
32. Evaluación de modelos de regresión.
33. Comparación de modelos de regresión.
34. Examen Módulo 2 y Masterclass.

Módulo 3. Python

1. Python el nuevo desconocido.
2. Características básicas del lenguaje.
3. Programación orientada a objetos y excepciones.
4. Manipulación de datos.
1. Introducción a las ómicas: aplicación.
2. Bases de datos para el análisis e interpretación de datos ómicos.
3. Computación de datos de alto rendimiento (HTS).
4. Introducción a la ultrasecuenciación (Nex-generation sequencing NGS).
5. Transcriptómica.
6. Análisis de datos Microarrays.
7. Análisis de datos RNA-seq.
8. Análisis supervisado: Expresión diferencial.
9. Interpretación de datos de expresión.
10.Análisis de datos de exomas (WES).
11. Las otras ómicas.
12. Análisis terciario en ómicas.
13. R: Integración, creación y análisis de herramientas basadas en R para análisis.

Trabajo Fin de Máster