¿A quién va dirigido?

Está dirigido a estudiantes de posgrado, investigadores, profesionales en biotecnología, bioinformáticos y docentes interesados en el análisis de datos genómicos, transcriptómicos, proteómicos y metabolómicos. Está especialmente diseñado para quienes trabajan con datos biológicos de alta dimensión y desean aprender a procesarlos, analizarlos y visualizarlos utilizando herramientas estadísticas en R. Se recomienda tener conocimientos básicos en biología molecular, estadística y programación en R.

Objetivo:

Aprender las características especiales de los datos ómicos (proteómicos, genómicos y metabólicos), mediante la ciencia de datos en biomedicina, realizando un análisis  con especial interés en la utilización de herramientas de investigación estadística reproducible como Rmarkdown con la finalidad de mejorar en calidad las investigaciones estadísticas y contribuir al desarrollo de la investigación.

«TEMA 1. LOS SERES VIVOS Y LOS DATOS ÓMICOS.

• 1.1 Introducción a las ciencias ómicas. 
• 1.2. Expresión génica. La regulación de la expresión génica. 
• 1.3. La epigenética. 
• 1.4. La mutación y la variación poblacional. 
• 1.5. Los genomas de los seres vivos. 
• 1.6. Las mutaciones y la salud. La herencia de las enfermedades. 
• 1.7. Descubrimiento de patrones en estudios estadísticos reales.
• 1.8. Las bases de datos generales de secuencias y los archivos de secuencia.

TEMA 2. INTRODUCCIÓN A LOS DATOS ÓMICOS.

• 2.1. R y Bioconductor. 
• 2.2. Anotación de genomas.
• 2.3. Marcadores genéticos.
• 2.4. Técnicas estadísticas para el tratamiento genético.
• 2.5. Técnicas de reconocimiento de patrones.

TEMA 3. DATOS.

• 3.1. Microarrays. Obtención y preprocesado de datos de microarrays. 
• 3.2. Método RMA.
• 3.3. GEO y Array Express.
• 3.4. RNA-Seq. 
• 3.5. Obtención y preprocesado de datos de RNA-Seq. 
• 3.6. Alineamiento y normalización.

TEMA 4. EXPRESIÓN DIFERENCIAL.

4.1. Expresión diferencial marginal o gen a gen.

• 4.2. Microarrays. Selección no específica. Comparaciones múltiples. 
• 4.3. Método de Benjamini-Hochberg.
• 4.4. El q-valor. Método limma para datos de microarrays.
• 4.5. RNA-Seq. Métodos edgeR y DESeq2.

TEMA 5. ANÁLISIS DE GRUPOS DE GENES.

5.1. Expresión diferencial considerando grupos de genes.

• 5.2. Grupos de genes utilizando GO y Kegg. Análisis de sobre representación. Análisis basado en enriquecimiento.
• 5.3. Curvas LOD.
• 5.4. QTLs.
• 5.5. Análisis logarítmico y toma de decisiones.
•