Máster en Bioestadística y Bioinformática

Módulo 1. Bioquímica y Biología Molecular
1. La célula: estructura
2. Componentes de las células y glúcidos
3. Lípidos
4. Péptidos
5. ADN
6. ARN
7. Cromosomas
8. Genes y genomas
9. Estudio de los cromosomas
10. Mutaciones y polimorfismos
11. División celular
12. Dogma central de la biología molecular
13. Replicación y reparación de 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 nucleidos: arrays
24. Movilidad de la célula y transporte
25. Proteínas de membrana
26. Espectometría 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
1. Fundamentos del análisis descriptivo de datos unidimensionales
2. Introducción a R y RSTUDIO
3. Fundamentos del cálculo de Probabilidades I
4. Fundamentos del cálculo de Probabilidades II
5. Variables aleatorias discretas
6. Variables aleatorias continuas
7. Distribución notables discretas
8. Práctica de R. Principales objetos de R
9. Distribución notables continuas
10. Elementos básicos de un vector aleatorio
11. Práctica de 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. Prácticas de R. Sesgo, varianza e intervalos de confianza para un estimador
18. Contraste de hipotesis para una población normal
19. Comparación de poblaciones
20. Práctica de R. Contraste de hipotesis 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 modelo 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

Módulo 3. Python
1. Introducción
2. Tipos de datos básicos, operadores y entrada/salida
3. Tipos de datos avanzados
4. Control de flujo
5. Función
6. Programación Orientada a Objetos y errores
7. Manipulación de datos

Módulo 4. Introducción a base de datos y análisis de datos ómicos
1. Introducción a la bioinformática I: Requisitos del sistema operativo
2. Introducción a la bioinformática II: Cómo utilizar la terminal
3. Introducción a las ómicas: aplicación
4. ¿Qué es la secuenciación masiva? Del ADN a los datos de NGS (Big Data)
5. Análisis bioinformático general de datos procedentes de secuenciación masiva
6. Secuenciación de ADN
7. Detección de variantes a través del uso de herramientas bioinformáticas
8. Integrative Genome Viewer
9. Transcriptómica I: RNA-seq
10. Transcriptómica II: Microarrays
11. Caracterización y enriquecimiento funcional
12. Otras ómicas
13. Bases de datos: Repositorios, análisis de datos e interpretación de resultados
14. Bioconductor: repositorio de herramientas bioinformáticas
15. Práctica I: Análisis de datos utilizando Galaxy
16. Práctica II: Diseño de un pipeline para datos de NGS de ADN
17. Práctica III: Diseño de un pipeline para transcriptómica
18. El futuro de la bioinformática

Trabajo Fin de Máster