Temas selectos de análisis numérico y computación científica II - 3 hrs/sem
Sélem Mojica Nelly
Análisis Masivo de datos aplicado a Biología (ómica)
El objetivo del curso Biología Matemática (Multidisciplinaria) 2026 es proporcionar a las y los estudiantes las herramientas matemáticas, estadísticas y computacionales necesarias para analizar datos biológicos a gran escala, con énfasis en metagenomas, resistencia antimicrobiana, pangenomas, redes biológicas y modelos de lenguaje en proteínas. El curso integra conceptos fundamentales de biología molecular y microbiológica con técnicas modernas de estadística, aprendizaje automático, análisis de redes y modelado computacional, fomentando un enfoque interdisciplinario que permita interpretar, modelar y predecir fenómenos biológicos complejos.
Temario
1. Estadística en Metagenomas
Introducción a biología de metagenomas
Variables aleatorias, distribuciones y distribución muestral
Inferencia Bayesiana
Pruebas de hipótesis
Datos composicionales
Clustering
Comparación de comunidades microbianas
2. Big Data en Datos Biológicos (Resistencia a Antibióticos)
Introducción a biología de resistencia
Aprendizaje supervisado
Redes neuronales
Predicción de resistencia antimicrobiana
3. Redes y Grafos en Clústeres Biosintéticos, Metabolomas y Pangenomas
Introducción a pangenomas y metabolomas
Redes de interacción biológica
Análisis de redes diferencial
4. Modelos de Lenguaje en Proteínas
Introducción a la biología de proteínas
Modelos de lenguaje aplicados a secuencias biológicas
Bibliografía
Bibliografía Matemática
Bhattacharyya, G.K. & Johnson, R. (2009). Statistics: Principles and Methods. Wiley.
Casella, G. & Berger, R.L. (1990). Statistical Inference. Duxbury Press.
Lehmann, E.L. (1994). Testing Statistical Hypotheses, 2nd Ed. Chapman & Hall.
Pawlowsky-Glahn, V. & Buccianti, A. (2011). Compositional Data Analysis. Wiley.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer.
Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Ingalls, B. (2012). Mathematical Modelling in Systems Biology: An Introduction.
Murad, N. F., & Brandão, M. M. (2022). Probabilistic graphical models applied to biological networks. In Advances in Plant Omics and Systems Biology Approaches. Springer.
Shojaie, A. (2021). Differential network analysis: A statistical perspective. WIREs Computational Statistics, 13(2), e1508.
Tantardini, M., Ieva, F., Tajoli, L., et al. (2019). Comparing methods for comparing networks. Scientific Reports, 9, 17557.
Jurafsky, D. & Martin, J.H. (2025). Speech and Language Processing, 3rd ed. Manuscrito en línea.
Bibliografía Biológica
Datta (2021). Statistical Analysis of Microbiome Data. DOI: 10.1007/978-3-030-73351-3
Xia (2018). Statistical Analysis of Microbiome Data with R. DOI: 10.1007/978-981-13-1534-3
Danko et al. (2021). A global metagenomic map of urban microbiomes and antimicrobial resistance. Cell.
Arnold, A., McLellan, S., & Stokes, J.M. (2025). How AI can help us beat AMR. npj Antimicrob Resist.
Zhelyazkova et al. (2021). Antimicrobial resistance in diverse urban microbiomes. Frontiers in Genetics.
Toscan et al. (2025). Antimicrobial resistance… predictive markers. Frontiers in Genetics.
Nothias et al. (2020). Feature-Based Molecular Networking in the GNPS Analysis Environment. Nature Methods.
Tettelin et al. (2020). The Pangenome: Diversity, Dynamics and Evolution of Genomes.
Hayes (2025). Simulating 500 million years of evolution with a language model. Science.
Gill, J.K., Chetty, M., Lim, S., & Hallinan, J. (2025). BioBERT-based text mining for incorporating prior knowledge in genetic network inference. Computers in Biology and Medicine.
Requisitos
Se recomienda, pero no es indispensable contar con experiencia básica en algún lenguaje de programación. Si no se cuenta con esta experiencia, escribir al profesor del curso para que se le proporcione material básico de práctica antes del curso; con una semana de autoaprendizaje es suficiente. La biología se enseñará durante el curso, por lo que no es necesaria experiencia previa.
Comentarios
Se analizarán datos reales durante el curso y se espera la participación de estudiantes en hackatones de verano.
