Una opción de estudio que te capacitará en el ámbito de la computación y el uso de algoritmos de Machine Learning en salud pública, para que seas un experto industrial en Bioinformática” 

La explosión de la Bioinformática como disciplina indispensable en muchos campos, como la biomedicina, la agricultura o la alimentación, ha propiciado un gran aumento en la demanda de profesionales. La rapidez con la que las nuevas enfermedades se adaptan al entorno para permanecer es lo que hace necesaria una capacitación experta para ingenieros analistas de datos que respondan ante los cambios emergentes.

En la actualidad, la mutación del genoma vírico del COVID-19 ha sido uno de los motivos por los que la disciplina bioinformática ha pasado a un primer plano en la medicina. Por esta razón, TECH ha creado una vía de aprendizaje digital, que está destinada a instruir a los ingenieros en el campo de la computación y el Big Data. El programa se plantea con el respaldo de un equipo profesional que se dedica al sector y que estará disponible para realizar un seguimiento exhaustivo al alumno y resolver todas sus cuestiones acerca de la materia.

Este Experto Universitario en Bioinformática y Big Data en Medicina se corresponde con una titulación con un diseño adaptado a los nuevos medios que facilita el aprendizaje del alumno, gracias a su modalidad 100% online y sus contenidos audiovisuales. Además, al contar con un temario descargable, el usuario podrá disponer de los materiales sin internet e, incluso, cuando ya haya cursado el Experto Universitario.

¿Aún no conoces la evolución del Big Data en medicina? Matricúlate en un programa que no solo te enseñará a comprender la importancia de las bases de datos, sino a aplicarlas en centros sanitarios” 

Este Experto Universitario en Bioinformática y Big Data en Medicina contiene el programa educativo más completo y actualizado del mercado. Sus características más destacadas son:

• El desarrollo de casos prácticos presentados por expertos en bioinformática y bases de datos
• Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que está concebido recogen una información práctica sobre aquellas disciplinas indispensables para el ejercicio profesional
• Los ejercicios prácticos donde realizar el proceso de autoevaluación para mejorar el aprendizaje
• Su especial hincapié en metodologías innovadoras
• Las lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos y trabajos de reflexión individual
• La disponibilidad de acceso a los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet

La información es poder, inscríbete en este Experto Universitario para indagar en las técnicas de preprocesado de datos mediante herramientas como Gene Ontology y KEGG” 

El programa incluye, en su cuadro docente, a profesionales del sector que vierten en esta capacitación la experiencia de su trabajo, además de reconocidos especialistas de sociedades de referencia y universidades de prestigio. 

Su contenido multimedia, elaborado con la última tecnología educativa, permitirá al profesional un aprendizaje situado y contextual; es decir, un entorno simulado que le proporcionará una capacitación inmersiva programada para entrenarse ante situaciones reales. 

El diseño de este programa se centra en el Aprendizaje Basado en Problemas, mediante el cual el profesional deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del curso académico. Para ello, contará con la ayuda de un novedoso sistema de vídeo interactivo realizado por reconocidos expertos. 

Gracias a TECH, podrás interpretar extensas recopilaciones de datos y cooperar en líneas de investigación y ensayos"

Desarrolla terapias más eficaces y con menores efectos secundarios sobre el cuerpo humano, gracias a las bases de datos de Reacciones Adversas a Medicamentos (RAM)"

El temario de esta Experto universitario en Bioinformática y Big Data en Medicina ha sido diseñado detalladamente por profesionales que trabajan en el sector de la ingeniería biológica y la bioinformática. Gracias a su aportación y la incorporación de herramientas tecnológicas, el alumno tendrá a su disponibilidad contenidos audiovisuales en distintos formatos que le ayudarán a su capacitación. Asimismo, la metodología Relearning que aplica TECH hace que el alumno se olvide de largas horas de estudio, al asimilar los conceptos de manera constante. De esta manera, el estudio 100% online se adaptará a su disponibilidad, mediante ejercicios teórico-prácticos que le prepararán para casos reales. 

La informática forma parte de nosotros, ahora tú puedes hacer que los flujos de información sean óptimos para potenciar la divulgación clínica” 

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. Reuso
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. Bases de datos biomédicas
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 ómicos

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 autorreportados 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. Criterios de elección entre una y otra base de datos

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

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. Depósito 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 espectrometría de masas
3.7.2. Estudio de modificaciones postraduccionales
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 ómicas
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

Una titulación diseñada para profesionales como tú, que persiguen la excelencia en sus predicciones genéticas utilizando herramientas transcriptómicas”