感谢 TECH，您将在短短 6 个月的学术指导中了解临床实践的微创发展”

将生物信息学纳入健康领域是与大数据并行的进步，对于新冠疫情来说，它是全球数据知识和解释的基础。这些学科可以管理新组学技术产生的大量数据。生物信息学是一种高度研究生物学突变的方法，这就是为什么它多年来及其科学证据越来越重要。

目前，控制流行病突变是生物信息学研究增多的主要原因。如果可能的话，疫苗将是独一无二的，无需根据疾病的变异寻找替代品。因此，TECH 提供了医学的生物信息与大数据方面的专科文凭，旨在帮助护理毕业生扩展和更新这些专业人员的知识，并使他们能够将其应用到日常工作中。

该专科文凭是在生物医学专家教学团队的支持下提出的，他们不仅向学生传授理论知识，而且还将通过案例模拟指导他们自己的真实经验。此外，TECH应用Relearning方法来提供不需要长时间记忆的动态教学。 同样，由于其 100% 的模式和视听内容，学生将能够根据个人和职业的可能性调整学习进度。

你不掌握机器学习算法吗？现在就报名参加一门课程，该课程不仅会教您了解公共卫生中的计算，还会指导您生物信息学”

这个医学的生物信息与大数据专科文凭包含了市场上最完整和最新的科学课程。主要特点是：

• 生物信息学和数据库专家呈现的实际案例的开发
• 以图形， 图表和极具实用性的内容设计提供关于职业实践中不可或缺学科的实用信息
• 可以进行自我评估的实践以促进学习
• 特别强调创新的方法论
• 理论知识,专家预论,争议主题讨论论坛和个人反思工作
• 可以从任何联网的固定或移动设备上观看内容

通过TECH，您将能够了解生物信息学的细节，并成为劳动力市场上更有能力和竞争力的专业人士”

该课程的教学人员，包括来自这个行业的专业人士，他们将自己的工作经验带到培训中以及来自领先公司和著名大学的公认专家。

通过采用最新的教育技术制作的多媒体内容，专业人士将能够进行情境化学习即通过模拟环境进行沉浸式培训以应对真实情况。

这门课程的设计集中于基于问题的学习，通过这种方式专业人士需要在整个学年中解决所遇到的各种实践问题。为此，学生将得到知名专家制作的新的互动视频系统的帮助。

预防和健康诊断掌握在技术手中，以及未来的专业人员如何知道如何实施它。与 TECH 保持更新"

现在就报名该专科文凭，深入研究基因本体和 KEGG 的数据预处理技术"

这所大学医学的生物信息与大数据专科文凭的教学大纲是由生物信息学和生物医学领域以及健康科学其他学科的专业人士详细设计的。这是一个 100% 在线学位，为围绕计算，生物医学数据库和医学大数据知识的教育过程注入活力。TECH 凭借创新的Relearning 方法实现了这一目标。有了它，学生不必投入长时间的记忆，而是能够逐渐，不断地学习内容。通过这种方式，研究将完全灵活地适应您的可用性，获得与您的专业和个人义务相关的个性化学术体验。

发展分子生物学和并行计算，见证其诸多优势。只有这样，你才能成为健康进化的参与者”

模块 1.生物信息学中的计算

1.1. 生物信息学和计算中的核心教条。现状

1.1.1. 生物信息学中的理想应用
1.1.2. 分子生物学和计算的平行发展
1.1.3. 生物学和信息论中的教条
1.1.4. 信息流

1.2. 生物信息学计算的数据库

1.2.1. 数据库
1.2.2. 数据管理
1.2.3. 生物信息学中的数据生命周期

1.2.3.1. 用途
1.2.3.2. 修改
1.2.3.3. 归档
1.2.3.4. 再利用
1.2.3.5. 丢弃的

1.2.4. 生物信息数据库技术

1.2.4.1. 建筑学
1.2.4.2. 数据库管理层

1.2.5. 生物信息学中的数据库接口

1.3. 用于生物信息学计算的网络

1.3.1. 沟通模式。局域网、广域网、MAN和PAN网络
1.3.2. 协议和数据传输
1.3.3. 网络拓扑结构
1.3.4. 硬件计算数据中心
1.3.5. 安全，管理和实施

1.4. 生物信息学中的搜索引擎

1.4.1. 生物信息学中的搜索引擎
1.4.2. 生物信息学搜索引擎的流程和技术
1.4.3. 计算模型：搜索和近似算法

1.5. 生物信息学中的数据可视化

1.5.1. 生物序列的可视化
1.5.2. 生物结构的可视化

1.5.2.1. 可视化工具
1.5.2.2. 渲染工具

1.5.3. 生物信息学应用的用户界面
1.5.4. 生物信息学中可视化的信息架构

1.6. 计算的统计数据

1.6.1. 生物信息学中计算的统计学概念
1.6.2. 用例：MARN微阵列
1.6.3. 不完善的数据。统计学中的错误：随机性，近似性，噪音和假设
1.6.4. 误差量化：精度、灵敏度和敏感度
1.6.5. 聚类和分类

1.7. 数据挖掘

1.7.1. 数据挖掘和计算方法
1.7.2. 数据挖掘和计算基础设施
1.7.3. 模式发现和识别
1.7.4. 机器学习和新工具

1.8. 遗传模式匹配

1.8.1. 遗传模式匹配
1.8.2. 序列比对的计算方法
1.8.3. 模式匹配工具

1.9. 建模与仿真

1.9.1. 在制药领域的使用：药物发现
1.9.2. 蛋白质结构和系统生物学
1.9.3. 可用的工具和未来

1.10. 协作和电子计算项目

1.10.1. 网格计算
1.10.2. 标准和规则。统一性、一致性和互操作性
1.10.3. 协作式计算项目

模块 2.生物医学数据库

2.1. 生物医学数据库

2.1.1. 生物医学数据库
2.1.2. 一级和二级数据库
2.1.3. 主要数据库

2.2. ADN的数据库

2.2.1. 基因组数据库
2.2.2. 基因数据库
2.2.3. 突变和多态性数据库

2.3. 蛋白质组数据库

2.3.1. 初级序列数据库
2.3.2. 二级序列和结构域数据库
2.3.3. 大分子结构数据库

2.4. Omics项目数据库

2.4.1. 用于基因组学研究的数据库
2.4.2. 转录组学研究的数据库
2.4.3. 蛋白质组学研究的数据库

2.5. 遗传性疾病的数据库。个人化和精准医疗

2.5.1. 遗传性疾病的数据库
2.5.2. 精准医疗整合基因数据的必要性
2.5.3. 提取OMIM数据

2.6. 病人自我报告的资料库

2.2.1. 数据的二次利用
2.6.2. 沉淀的数据管理中的病人
2.6.3. 自我报告调查表的储存库。实例

2.7. Elixir开放数据库

2.7.1. Elixir开放数据库
2.7.2. 在Elixir平台上收集的数据库
2.7.3. 在两个数据库之间进行选择的标准

2.8. 药品不良反应（RAMs）数据库

2.8.1. 药学开发过程
2.8.2. 药物不良反应报告
2.8.3. 地方，国家，欧洲和国际层面的不良反应

2.9. 研究数据管理计划。将存入公共数据库的数据

2.9.1. 数据管理计划
2.9.2. 保管研究产生的数据
2.9.3. 将数据存入公共数据库

2.10. 临床数据库。卫生数据二次利用的问题

2.10.1. 临床记录的储存库
2.10.2. 数据加密
2.10.3. 获取健康数据。立法

模块 3.医学中的大数据：医疗数据的大规模处理

3.1. 生物医学研究中的大数据

3.1.1. 生物医学中的数据生成
3.1.2. 高通量 (技术 High-throughput)
3.1.3. 高通量数据的效用大数据时代的假说

3.2. 大数据中的数据预处理

3.2.1. 数据预处理
3.2.2. 方法和途径
3.2.3. 大数据中的数据预处理问题

3.3. 结构基因组学

3.3.1. 人类基因组的测序
3.3.2. 测序与芯片
3.3.3. 变异体的发现

3.4. 功能基因组学

3.4.1. 功能性注释
3.4.2. 突变中的风险预测因素
3.4.3. 全基因组关联研究

3.5. 转录组学

3.5.1. 在转录组学中获得大量数据的技术。RNA-seq
3.5.2. 转录组学数据的规范化
3.5.3. 差异性表达研究

3.6. 交互组学和表观基因组学

3.6.1. 染色质在基因表达中的作用
3.6.2. 交互组学的高通量研究
3.6.3. 表观遗传学的高通量研究

3.7. 蛋白质组学

3.7.1. 质谱数据的分析
3.7.2. 翻译后修饰研究
3.7.3. 定量蛋白质组学

3.8. 浓缩和clustering

3.8.1. 结果的背境化
3.8.2. 全息图谱技术中的聚类算法
3.8.3. 丰富的储存库. Gene Ontology 和 KEGG

3.9. 大数据在公共卫生保健中的应用

3.9.1. 发现新的生物标志物和治疗目标
3.9.2. 风险的预测因素
3.9.3. 个性化医疗

3.10. 大数据在医学中的应用

3.10.1. 帮助诊断和预防的潜力
3.10.2. Machine Learning 算法在公共卫生中的应用
3.10.3. 隐私问题

借助大数据的应用，该学位旨在帮助您发现新的生物标志物和治疗靶点”