Bioinformática
Código: 104415 Créditos ECTS: 6| Titulación | Tipo | Curso |
|---|---|---|
| 2503740 Matemática Computacional y Analítica de Datos | OT | 4 |
Contacto
- Nombre:
- Angel Gonzalez Wong
- Correo electrónico:
- angel.gonzalez@uab.cat
Equipo docente
- Gianluigi Caltabiano
- Angel Gonzalez Wong
Idiomas de los grupos
Puede consultar esta información al final del documento.
Prerrequisitos
Conocimientos básicos del idioma inglés ya que parte del material docente está en esta lengua. Recomendable haber cursado la asignatura de Bioinformática.
Objetivos y contextualización
Resultados de aprendizaje
- CM34 (Competencia) Proponer modelos estadísticos apropiados para estudios epidemiológicos.
- CM34 (Competencia) Proponer modelos estadísticos apropiados para estudios epidemiológicos.
- CM35 (Competencia) Elaborar informes técnicos que expresen claramente los resultados y las conclusiones de un estudio de biociencias del estudio utilizando vocabulario propio del ámbito de aplicación.
- KM29 (Conocimiento) Reconocer los métodos de inferencia estadística más utilizados en bioinformática.
- KM30 (Conocimiento) Identificar la utilidad de los conocimientos estadísticos en bioinformática y en ciencias de la salud.
- KM30 (Conocimiento) Identificar la utilidad de los conocimientos estadísticos en bioinformática y en ciencias de la salud.
- KM31 (Conocimiento) Identificar las técnicas de inferencia estadística más utilizadas en estudios de epidemiología.
- SM36 (Habilidad) Analizar datos correspondientes a estudios epidemiológicos o ensayos clínicos.
- SM36 (Habilidad) Analizar datos correspondientes a estudios epidemiológicos o ensayos clínicos.
- SM36 (Habilidad) Analizar datos correspondientes a estudios epidemiológicos o ensayos clínicos.
- SM37 (Habilidad) Aplicar métodos estadísticos al análisis de datos de expresión génica.
- SM38 (Habilidad) Utilizar las bases de datos más comunes en el ámbito de ciencias de la salud.
Contenido
BLOQUE 1. Big Data en el Descubrimiento de Fármacos
- Introducción al Big Data en Biociencias.
- Bases de datos y representación de componentes biólogicos y compuestos químicos.
- Análisis, agrupamiento y visualización de sustancias químicas y farmacológicas.
- Cribado Virtual en el Descubrimiento de Fármacos.
BLOQUE 2. Big Data en Análisis de Datos Ómicos
- Introducción a Bioconductor y herramientas bioinformáticas para el análisis de datos ómicos.
- Estudios de asociación genética y GWAS (Estudios de genoma completo).
- Métodos Multivariantes para la Integración de Datos Ómicos y Big Data.ç
*A menos que las restricciones impuestas por las autoridades sanitarias obliguen a una priorización o reducción de estos contenidos.
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Tipo: Dirigidas | |||
| Clases prácticas | 21 | 0,84 | |
| Clases teóricas | 21 | 0,84 | |
| Presentación Proyecto de Investigación | 3 | 0,12 | |
| Tipo: Supervisadas | |||
| Tutorizaciones | 10 | 0,4 | |
| Tipo: Autónomas | |||
| Estudio | 70 | 2,8 | |
| Preparación Proyecto de Investigación | 20 | 0,8 |
La asignatura está organizada en sesiones de 3 horas. Cada sesión consta de una parte teórica (aulas de teoría) donde s'introudirà el temario nuevo seguida de una parte práctica (aulas de informática) donde se trabajará la aplicación de los conceptos explicados en la parte teórica. En cada sesión el profesor indicará a los estudiantes algunas tareas a realizar de manera autónoma, como lectura de artículos o elavoración de informes de prácticas. El material utilizado por los profesores estará disponible en el Campus Virtual de la asignatura.
*La metodología docente propuesta puede experimentar alguna modificación en función de las restricciones a la presencialidad que impongan las autoridades sanitarias.
Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Exámenes teórico-prácticos | 40 | 4 | 0,16 | CM34, CM35, KM29, KM30, KM31, SM36, SM37, SM38 |
| Preparación de informes de prácticas | 40 | 0,5 | 0,02 | CM34, CM35, KM29, KM30, KM31, SM36, SM37, SM38 |
| Presentación Proyecto de Investigación | 20 | 0,5 | 0,02 | CM34, CM35, KM29, KM30, KM31, SM36, SM37, SM38 |
BLOQUE 1. Big Data en Diseño de Fármacos (50%):
- ejercicios de prácticas (30%)
- presentación trabajo bioinformático ante una comisión (20%)
BLOQUE 2. Big Data en Análisis de Datos Ómicas (50%):
- ejercicios de prácticas (30%)
- prueba teórico-práctica (20%)
La calificación mínima global necesaria para superar la asignatura será de 5 puntos. Para hacer media es necesario que la nota mínima de cada una de las actividades evaluables sea igual o superior a 4 puntos. Los estudiantes que tengan alguna de las pruebas suspendidas o no presentadas podrán hacer el examen de recuperación donde se podrán examinar del bloque suspendido.
Bibliografía
- Lesk A.M. Introduction to Bioinformatics. Oxford University Press 2005.
- Attwood, T.K., Parry-Smith, D.J., Introducción a la Bioinformática. Pearson Education, 2002.
- Foulkes A.S. Applied Statistical Genetics with R. For Population-based Association Studies.Springer Dordrecht Heidelberg London New York. ISBN 978-0-387-89553-6
- Gonzalez JR, Cáceres A. Omic association studies with R and Bioconductor. Chapman and Hall/CRC, ISBN 9781138340565, 2019.
- https://www.bioconductor.org/
Software
R: https://www.r-project.org/
Rstudio: https://www.rstudio.com/
Lista de idiomas
| Nombre | Grupo | Idioma | Semestre | Turno |
|---|---|---|---|---|
| (PLAB) Prácticas de laboratorio | 1 | Catalán | primer cuatrimestre | tarde |
| (TE) Teoría | 1 | Catalán | primer cuatrimestre | tarde |