Tienes ante ti la mejor oportunidad del mercado académico para convertirte, al fin, en un experto en Bioinformática y Big Data en Medicina de manera 100% online”

¿Por qué estudiar en TECH?

TECH es la mayor escuela de negocio 100% online del mundo.

Se trata de una Escuela de Negocios de élite, con un modelo de máxima exigencia académica. Un centro de alto rendimiento internacional y de entrenamiento intensivo en habilidades directivas.   

TECH es una universidad de vanguardia tecnológica, que pone todos sus recursos al alcance del alumno para ayudarlo a alcanzar el éxito empresarial”

En TECH Global University

Innovación

La universidad ofrece un modelo de aprendizaje en línea que combina la última tecnología educativa con el máximo rigor pedagógico. Un método único con el mayor reconocimiento internacional que aportará las claves para que el alumno pueda desarrollarse en un mundo en constante cambio, donde la innovación debe ser la apuesta esencial de todo empresario.

“Caso de Éxito Microsoft Europa” por incorporar en los programas un novedoso sistema de multivídeo interactivo. 

Máxima exigencia

El criterio de admisión de TECH no es económico. No se necesita realizar una gran inversión para estudiar en esta universidad. Eso sí, para titularse en TECH, se podrán a prueba los límites de inteligencia y capacidad del alumno. El listón académico de esta institución es muy alto...

95% de los alumnos de TECH finaliza sus estudios con éxito.

Networking

En TECH participan profesionales de todos los países del mundo, de tal manera que el alumno podrá crear una gran red de contactos útil para su futuro. 

+100.000 directivos capacitados cada año, +200 nacionalidades distintas.

Empowerment

El alumno crecerá de la mano de las mejores empresas y de profesionales de gran prestigio e influencia. TECH ha desarrollado alianzas estratégicas y una valiosa red de contactos con los principales actores económicos de los 7 continentes.

+500 acuerdos de colaboración con las mejores empresas.

Talento

Este programa es una propuesta única para sacar a la luz el talento del estudiante en el ámbito empresarial. Una oportunidad con la que podrá dar a conocer sus inquietudes y su visión de negocio.

TECH ayuda al alumno a enseñar al mundo su talento al finalizar este programa.

Contexto multicultural

Estudiando en TECH el alumno podrá disfrutar de una experiencia única. Estudiará en un contexto multicultural. En un programa con visión global, gracias al cual podrá conocer la forma de trabajar en diferentes lugares del mundo, recopilando la información más novedosa y que mejor se adapta a su idea de negocio.

Los alumnos de TECH provienen de más de 200 nacionalidades.  

Aprende con los mejores

El equipo docente de TECH explica en las aulas lo que le ha llevado al éxito en sus empresas, trabajando desde un contexto real, vivo y dinámico. Docentes que se implican al máximo para ofrecer una especialización de calidad que permita al alumno avanzar en su carrera y lograr destacar en el ámbito empresarial.

Profesores de 20 nacionalidades diferentes.

TECH busca la excelencia y, para ello, cuenta con una serie de características que hacen de esta una universidad única:   

Análisis

En TECH se explora el lado crítico del alumno, su capacidad de cuestionarse las cosas, sus competencias en resolución de problemas y sus habilidades interpersonales.  

Excelencia académica

En TECH se pone al alcance del alumno la mejor metodología de aprendizaje online. La universidad combina el método Relearning (metodología de aprendizaje de posgrado con mejor valoración internacional) con el Estudio de Caso. Tradición y vanguardia en un difícil equilibrio, y en el contexto del más exigente itinerario académico.   

Economía de escala

TECH es la universidad online más grande del mundo. Tiene un portfolio de más de 10.000 posgrados universitarios. Y en la nueva economía, volumen + tecnología = precio disruptivo. De esta manera, se asegura de que estudiar no resulte tan costoso como en otra universidad. 

En TECH tendrás acceso a los análisis de casos más rigurosos y actualizados del panorama académico” 

TECH Global University emplea en la totalidad de sus titulaciones las mejores herramientas académicas y la efectiva y novedosa metodología Relearning. Además, garantiza una serie de horas mínimas de material adicional en diferentes formatos, para que el egresado pueda, no solo contextualizar la información desarrollada en el temario, sino profundizar en aquellos aspectos que considere más interesantes o relevantes para su desempeño laboral. Todo ello es lo que hace de titulaciones como esta la mejor del mercado, gracias a la cual el empresario podrá desarrollarse amplia y concienzudamente, contribuyendo a mejorar su futuro profesional a través de un programa 100% online. 

En menos de 6 meses habrás logrado dominar el procesamiento masivo de datos médicos a través del dominio de la genómica estructural y funcional, así como de la transcriptómica”

Plan de estudios

El Experto Universitario en Bioinformática y Big Data en Medicina ofrecido por TECH Global University es un programa intensivo y multidisciplinar que preparará al egresado para enfrentarse al mercado laboral y a los proyectos más ambiciosos y complejos del sector de la Bioinformática y el Big Data, con la garantía de contar con el conocimiento más actualizado y completo. 

El contenido del programa está pensado para ampliar las habilidades profesionales del estudiante, a través del dominio de las herramientas que se están utilizando en la actualidad, tanto para la investigación en las ciencias de la salud, como para la gestión de datos. 

Y es que se trata de una titulación en la que contará con 450 horas del mejor material teórico, práctico y adicional, con el cual podrá ahondar en las aplicaciones de esta área y en la adaptación de su perfil a la demanda laboral que existe actualmente en el sector profesional.
Este Experto Universitario se desarrolla a lo largo de 6 meses y se divide en 3 módulos: 

Módulo 1. Computación en Bioinformática
Módulo 2. Bases de datos biomédicas
Módulo 3. Big Data en Medicina: procesamiento masivo de datos médicos

Módulo 1. Computación en Bioinformática

1.1. Dogma central en Bioinformática y computación. Estado actual

1.1.1. La aplicación ideal en Bioinformática
1.1.2. Desarrollos en paralelo en biología molecular y computación
1.1.3. Dogma en biología y teoría de la información
1.1.4. Flujos de información

1.2. Bases de datos para computación en Bioinformática

1.2.1. Base de datos
1.2.2. Gestión del dato
1.2.3. Ciclo de vida del dato en Bioinformática

1.2.3.1. Uso
1.2.3.2. Modificación
1.2.3.3. Archivado
1.2.3.4. Reúso
1.2.3.5. Desechado

1.2.4. Tecnología de bases de datos en Bioinformática

1.2.4.1. Arquitectura
1.2.4.2. Gestión de bases de datos

1.2.5. Interfaces para bases de datos en Bioinformática

1.3. Redes para la computación en Bioinformática

1.3.1. Modelos de comunicación. Redes LAN, WAN, MAN y PAN
1.3.2. Protocolos y trasmisión de datos
1.3.3. Topología de redes
1.3.4. Hardware en Datacenters para computación
1.3.5. Seguridad, gestión e implementación

1.4. Motores de búsqueda en Bioinformática

1.4.1. Motores de búsqueda en Bioinformática
1.4.2. Procesos y tecnologías de los motores de búsqueda en Bioinformática
1.4.3. Modelos computacionales: algoritmos de búsqueda y aproximación

1.5. Visualización de datos en Bioinformática

1.5.1. Visualización de secuencias biológicas
1.5.2. Visualización de estructuras biológicas

1.5.2.1. Herramientas de visualización
1.5.2.2. Herramientas de renderizado

1.5.3. Interfaz de usuario para aplicaciones en Bioinformática
1.5.4. Arquitecturas de información para la visualización en Bioinformática

1.6. Estadística para computación

1.6.1. Conceptos estadísticos para computación en Bioinformática
1.6.2. Caso de uso: Microarrays de MARN
1.6.3. Datos imperfectos. Errores en estadística: aleatoriedad, aproximación, ruido y asunciones
1.6.4. Cuantificación del error: precisión, sensibilidad y sensitividad
1.6.5. Clusterización y clasificación

1.7. Minado de datos

1.7.1. Métodos de minado y cómputo de datos
1.7.2. Infraestructura para el cómputo y minado de datos
1.7.3. Descubrimiento y reconocimiento de patrones
1.7.4. Aprendizaje automático y nuevas herramientas

1.8. Coincidencia de patrones genéticos

1.8.1. Coincidencia de patrones genéticos
1.8.2. Métodos de cómputo para alineaciones de secuencia
1.8.3. Herramientas para la coincidencia de patrones

1.9. Modelado y simulación

1.9.1. Uso en el campo farmacéutico: descubrimiento de fármacos
1.9.2. Estructura de proteínas y biología de sistemas
1.9.3. Herramientas disponibles y futuro

1.10. Colaboración y proyectos de computación en línea

1.10.1. Computación en red
1.10.2. Estándares y reglas. Uniformidad, consistencia e interoperabilidad
1.10.3. Proyectos de computación colaborativa

Módulo 2. Bases de datos biomédicas

2.1. Bases de datos biomédicas

2.1.1. Base de datos biomédica
2.1.2. Bases de datos primarias y secundarias
2.1.3. Principales bases de datos

2.2. Bases de datos de ADN

2.2.1. Bases de datos de genomas
2.2.2. Bases de datos de genes
2.2.3. Bases de datos de mutaciones y polimorfismos

2.3. Bases de datos de proteínas

2.3.1. Bases de datos de secuencias primarias
2.3.2. Bases de datos de secuencias secundarias y dominios
2.3.3. Bases de datos de estructuras macromoleculares

2.4. Bases de datos de proyectos óhmicos

2.4.1. Bases de datos para estudios de genómica
2.4.2. Bases de datos para estudios de transcriptómica
2.4.3. Bases de datos para estudios de proteómica

2.5. Bases de datos de enfermedades genéticas. La medicina personalizada y de precisión

2.5.1. Bases de datos de enfermedades genéticas
2.5.2. Medicina de precisión. Necesidad de integración de datos genéticos
2.5.3. Extracción de datos de OMIM

2.6. Repositorios auto-reportados de pacientes

2.6.1. Uso secundario del dato
2.6.2. El paciente en la gestión de los datos depositados
2.6.3. Repositorios de cuestionarios auto-reportados. Ejemplos

2.7. Bases de datos en abierto elixir

2.7.1. Bases de datos en abierto elixir
2.7.2. Bases de datos recogidos en la plataforma elixir
2.7.3. Criterio de elección entre una y otra base de datos

2.8. Bases de datos de Reacciones Adversas a Medicamentos (RAMs)

2.8.1. Proceso de desarrollo farmacológico
2.8.2. Reporte de reacciones adversas a fármacos
2.8.3. Repositorios de reacciones adversas a nivel local, nacional, europeo e internacional

2.9. Plan de gestión de datos de investigación. Datos a depositar en bases de datos públicas

2.9.1. Plan de gestión de datos
2.9.2. Custodia de los datos resultantes de investigación
2.9.3. Déposito de datos en una base de datos pública

2.10. Bases de datos clínicas. Problemas con el uso secundario de datos en salud

2.10.1. Repositorios de historias clínicas
2.10.2. Cifrado de dato
2.10.3. Acceso al dato sanitario. Legislación

Módulo 3. Big Data en Medicina: procesamiento masivo de datos médicos

3.1. Big Data en investigación biomédica

3.1.1. Generación de datos en biomedicina
3.1.2. Alto rendimiento (Tecnología High-throughput)
3.1.3. Utilidad de los datos de alto rendimiento. Hipótesis en la era del Big Data

3.2. Preprocesado de datos en Big Data

3.2.1. Preprocesado de datos
3.2.2. Métodos y aproximaciones
3.2.3. Problemáticas del preprocesado de datos en Big Data

3.3. Genómica estructural

3.3.1. La secuenciación del genoma humano
3.3.2. Secuenciación vs. Chips
3.3.3. Descubrimiento de variantes

3.4. Genómica funcional

3.4.1. Anotación funcional
3.4.2. Predictores de riesgo en mutaciones
3.4.3. Estudios de asociación en genómica

3.5. Transcriptómica

3.5.1. Técnicas de obtención de datos masivos en transcriptómica: RNA-seq
3.5.2. Normalización de datos en transcriptómica
3.5.3. Estudios de expresión diferencial

3.6. Interactómica y epigenómica

3.6.1. El papel de la cromatina en la expresión genética
3.6.2. Estudios de alto rendimiento en interactómica
3.6.3. Estudios de alto rendimiento en epigenética

3.7. Proteómica

3.7.1. Análisis de datos de espectometría de masas
3.7.2. Estudio de modificaciones post-traduccionales
3.7.3. Proteómica cuantitativa

3.8. Técnicas de enriquecimiento y Clustering

3.8.1. Contextualización de los resultados
3.8.2. Algoritmos de Clustering en técnicas óhmicas
3.8.3. Repositorios para el enriquecimiento: Gene Ontology y KEGG

3.9. Aplicaciones del Big Data en salud pública

3.9.1. Descubrimiento de nuevos biomarcadores y dianas terapéuticas
3.9.2. Predictores de riesgo
3.9.3. Medicina personalizada

3.10. Big Data aplicado en medicina

3.10.1. El potencial de la ayuda al diagnóstico y la prevención
3.10.2. Uso de algoritmos de Machine Learning en salud pública
3.10.3. El problema de la privacidad

Tendrás a tu disposición material adicional de gran calidad y en diferentes formatos para ahondar en los aspectos del temario que más te interesen”