Contenido
Máster en Bioestadística y Bioinformática.
Matrícula abierta: Plazas limitadas
Por qué CEMP?
Máster universitario de título propio
ucam
UE
Acceso al Mercado Europeo
- 1500 horas
- Prácticas en empresa
- Online
- Doble titulación
- 60 ECTS
- Plan de empleabilidad:
Este Máster en Bioestadística y Bioinformática te prepara para aplicar y desarrollar nuevas técnicas computacionales en la investigación biomédica y para trabajar en empresas del sector biotecnológico y entornos hospitalarios.
Nuestro máster online en Bioestadística y Bioinformática te enseñará como aplicar herramientas informáticas para almacenar, organizar, analizar e interpretar enormes volúmenes de datos con el fin de extraer el máximo conocimiento de ellos y aplicarlo a la resolución de problemas biológicos y biomédicos.
Con este máster te adentrarás en un sector en pleno auge y con una elevada demanda de perfiles profesionales.
Tu recorrido en CEMP:
Desde la primera etapa de tu viaje hasta la última, estaremos a tu lado para que saques el máximo partido a tu formación.
Matrícula y preparación.
En cuanto te hayas matriculado, tendrás acceso a la plataforma virtual, a cursos de inglés adaptados a tu nivel y recibirás el libro de apoyo. También comenzaremos con tu plan de empleabilidad. ¡Vamos que nos vamos!
Vídeos y clases telepresenciales.
Más de 100 horas de vídeos, resúmenes en pdf y clases en directo de tu equipo docente.
Ejercicios y cuestionarios.
Irás poniendo a prueba tus conocimientos para avanzar con paso firme hacia tu destino.
Trabajo fin de máster.
Realizarás un trabajo de investigación bibliográfica sobre un tema de tu interés.
Prácticas en España.
100% adaptado a ti. Gestionamos tus prácticas en España o tu país de residencia.
Titulación CEMP/UCAM.
¡Has llegado a tu destino! Ya tienes tu título propio de CEMP y la acreditación universitaria de la UCAM. Es hora de encarar nuevos retos… ¡y nuevas aventuras!
Doble titulación de las mejores universidades europeas:
Titulación por el Centro Europeo de Másteres y Posgrados CEMP
Titulación y acreditación por la Universidad Católica de Murcia, reconocida por su prestigio internacional y encontrándose entre las 10 mejores universidades de Europa
¿Por qué la UCAM?
Porque es una institución reconocida internacionalmente por sus estándares de alta calidad, distinguida en los campos en los que CEMP te ayuda a formarte y que garantiza que sus alumnos destaquen profesionalmente.
Asignaturas del Máster en Bioestadística y Bioinformática.
A medida que avanza tu viaje, irás descubriendo los distintos módulos, que te ayudarán, paso a paso, a llegar a tu destino final:
Módulo 1. Bioquímica y Biología Molecular.
1. La célula: estructura.
2. Componentes de las células: (visión general) + glúcidos.
3. Lípidos.
4. Péptidos.
5. ADN.
6. ARN.
7. Cromosomas.
8. Genes y genoma.
9. Estudio de los cromosomas.
10. Mutaciones y polimorfismos.
11. División celular.
12. Dogma central de la biología molecular.
13. Replicación y reparación del 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 nucleicos: arrays.
24. Movilidad de la célula y transporte.
25. Proteínas de membrana.
26. Espectrometría 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 de cálculo de ProbabilidadesI.
4. Fundamentos de cálculo de Probabilidades II.
5. Variables aleatorias discretas.
6. Variables aleatorias continuas.
7. Distribuciones notables discretas.
8. Práctica de R- Principales Objetos de R.
9. Distribuciones notables continuas.
10. Elementos básicos de un vector aleatorio.
11. Práctica con 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. Contraste de hipótesis para una población normal.
18. Comparación de poblaciones.
19. Práctica de R. Contraste de hipótesis en R.
20. El método de máxima verosimilitud.
21. El método de máxima verosimilitud para la estimación de parámetros. Estimando la media y la varianza de una muestra procedente de una distribución normal mediante el método de máxima verosimilitud.
22. El modelo de regresión lineal simple. Estimación de los parámetros por mínimos cuadrados.
23. Propiedades de los estimadores. Contrastes de hipótesis sobre los parámetros. Predicción.
24. El modelo de regresión lineal múltiple. Estimación de los parámetros por mínimos cuadrados. Propiedades de los estimadores. Contrastes de hipótesis sobre los parámetros. Predicción. Diagnosis del modelo.
25. Ajuste de modelos de regresión lineal (regresión simple y regresión múltiple) con R. Predicción de modelos de regresión lineal con R. Ajuste de modelos polinómicos con R.
26. El modelo de análisis de la varianza (ANOVA). El test F.
27. Support vector machines para regresión.
28. Redes neuronales para regresión.
29. Métodos de selección de variables para regresión. Tipos de métodos de selección de variables. Métodos de filtrado. La correlación. La ganancia de información. El test de Chi Cuadrado.
30. Métodos de extracción de variables para regresión. El análisis de componentes principales (PCA).
31. Métodos de selección y extracción de variables en R.
32. Construcción rigurosa de un modelo de regresión. Conjuntos de en- trenamiento y de test. Medidas para la capacidad predictiva de un modelo de regresión. El error cuadrático medio. Comparación de modelos de regresión.
Módulo 3. Python.
1. Python el nuevo desconocido.
2. Características básicas del lenguaje.
3. Programación orientada a objetos y excepciones.
4. Manipulación de datos.
Módulo 4. Introducción a base de datos y Análisis de datos Ómicos.
1. Introducción a las ómicas: aplicación
2. Bases de datos para el análisis e interpretación de datos ómicos
3. Computación de datos de alto rendimiento (HTS)
4. Introducción a la ultrasecuenciación (Nex-generation sequencing NGS)
5. Transcriptómica
6. Análisis de datos de microarrays
7. Análisis de datos de RNA-seq
8. Análisis supervisado: Expresión diferencial
9. Interpretación de datos de expresión
10. Análisis de exomas (WES)
11. Las otras ómicas
12. Análisis terciario en ómicas
13. R: Integración, creación y análisis de herramientas basadas en R para análisis ómico.
