Máster en Bioestadística y Bioinformática (Formación Permanente)

Módulo 1: Bioquímica y Biología Molecular (15 ECTS)

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

Módulo 2: Bioestadística y R (15 ECTS)

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
17. Contraste de hipótesis para una población normal
18. Comparación de poblaciones
19. Práctica de R. Contraste de hipótesis en R
20. El método de máxima verosimilitud
21. 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
22. El modelo de regresión lineal simple. Estimación de los parámetros por mínimos cuadrados
23. Propiedades de los estimadores. Contrastes de hipótesis sobre los parámetros. Predicción
24. 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
25. 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
26. El modelo de análisis de la varianza (ANOVA). El test F
27. Support vector machines para regresión
28. Redes neuronales para regresión
29. 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
30. Métodos de extracción de variables para regresión. El análisis de componentes principales (PCA)
31. Métodos de selección y extracción de variables en R
32. 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 3: Python (10 ECTS)

1. Phyton el nuevo desconocido
2. Características básicas de lenguaje
3. Programación orientada a objetos y excepciones
4. Manipulación de datos

Módulo 4: Introducción a base de datos y Análisis de datos Ómicos (10 ECTS)

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 de microarrays
7. Análisis de datos de RNA-seq
8. Análisis supervisado: Expresión diferencial
9. Interpretación de datos de expresión
10. Análisis 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 ómico

Trabajo Fin de Máster (10 ECTS)