Competencias / Resultados del título |
Código
|
Competencias / Resultados del título
|
A2 |
CE2 - Capacidad para resolver problemas matemáticos, planificando su resolución en función de las herramientas disponibles y de las restricciones de tiempo y recursos. |
B2 |
CB2 - Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio |
B3 |
CB3 - Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética |
B4 |
CB4 - Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado |
B7 |
CG2 - Elaborar adecuadamente y con cierta originalidad composiciones escritas o argumentos motivados, redactar planes, proyectos de trabajo, artículos científicos y formular hipótesis razonables. |
B8 |
CG3 - Ser capaz de mantener y extender planteamientos teóricos fundados para permitir la introducción y explotación de tecnologías nuevas y avanzadas en el campo. |
B9 |
CG4 - Capacidad para abordar con éxito todas las etapas de un proyecto de análisis de datos: exploración previa de los datos, preprocesado, análisis, visualización y comunicación de resultados. |
B10 |
CG5 - Ser capaz de trabajar en equipo, especialmente de carácter multidisciplinar, y ser hábiles en la gestión del tiempo, personas y toma de decisiones. |
C1 |
CT1 - Utilizar las herramientas básicas de las tecnologías de la información y las comunicaciones (TIC) necesarias para el ejercicio de su profesión y para el aprendizaje a lo largo de su vida. |
C4 |
CT4 - Valorar la importancia que tiene la investigación, la innovación y el desarrollo tecnológico en el avance socioeconómico y cultural de la sociedad. |
Resultados de aprendizaje |
Resultados de aprendizaje |
Competencias / Resultados del título |
Conocimiento y aplicación de técnicas de análisis de datos ómicos desde la generación de datos científicos de secuencias de ácidos nucleicos o secuencias de proteínas hasta el estudio de diferencias entre subtipos de una determinada patología |
A2
|
B2 B3 B4 B7 B8 B9 B10
|
C1 C4
|
Manejar las herramientas y entornos más actuales en el ámbito de análisis de datos biológicos |
A2
|
B9 B10
|
C1 C4
|
Contenidos |
Tema |
Subtema |
1. Introducción a los datos ómicos |
1.1. El ADN
1.2. El dogma central de la biología molecular
1.3. Las ómicas |
2. Trabajo con secuencias moleculares |
2.1. El formato FASTA
2.2. Bases de datos abiertas
2.3. Herramientas para el análisis de secuencias moleculares: BLAST, Clustal, Galaxy... |
3. Tecnologías de secuenciación masiva (NGS) |
3.1. El origen con la secuenciación Sanger
3.2. Nuevas tecnologías NGS
3.3. Illumina, PacBio, MinION, Solexa...
3.4. Diferencias entre plataforma de secuencia corta y larga, aplicaciones más frecuentes |
4. Análisis de calidad y filtrado de secuencias |
4.1. Formato FASTAQ
4.2. Control y evaluación de calidad de las secuencias
4.3. Filtrado de las secuencias |
5. Ensamblaje de genomas y metagenomas |
5.1. Ensamblaje de genomas
5.2. Ensamblajede novo
5.3. Ensamblaje contra genoma de referencia
5.4. Herramientas software de ensamblaje
5.5. Mapeado contra genoma
5.6. Anotación de las secuencias
5.7. Ejemplos de uso |
6. Análisis de expresión génica mediante RNA-Seq |
6.1. Preprocesado
6.2. Análisis de expresión diferencial con R/Bioconductor: DESeq2, ...
6.3. The Cancer Genome Atlas (TCGA) |
7. Análisis del metagenoma |
7.1. Secuenciación del genoma completo (shotgun)
7.2. Secuenciación del genoma bateriano 16S rRNA
7.2.1. Anotación basada en asignación de OTUs y ASVs
7.2.2. Análisis de diferencias en equilibrio microbiano
7.3. American Gut Project (AGP), Human Microbiome Project (HMP) |
Planificación |
Metodologías / pruebas |
Competencias / Resultados |
Horas lectivas (presenciales y virtuales) |
Horas trabajo autónomo |
Horas totales |
Prácticas de laboratorio |
A2 B2 B9 B10 C1 C4 |
16 |
16 |
32 |
Prueba de respuesta múltiple |
B7 B8 |
3 |
21 |
24 |
Trabajos tutelados |
A2 B2 B3 B4 B7 B9 B10 C1 C4 |
6 |
30 |
36 |
Sesión magistral |
B7 B8 C1 C4 |
21 |
36 |
57 |
|
Atención personalizada |
|
1 |
0 |
1 |
|
(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos |
Metodologías |
Metodologías |
Descripción |
Prácticas de laboratorio |
Resolución de problemas y diferentes partes individuales del pipeline de análisis de datos ómicos |
Prueba de respuesta múltiple |
Prueba de evaluación escrita en la que el/la estudiante deberá demostrar los conocimientos adquiridos |
Trabajos tutelados |
Elaboración supervisada de análisis de datos ómicos reales mediante técnicas aprendidas a lo largo de las sesiones magistrales y de prácticas de laboratorio de la asignatura |
Sesión magistral |
Impartición teórica de la materia de la asignatura. Se alternarán la exposición de nuevos conceptos teóricos con la revisión de ejemplos y la resolución de pequeños ejercicios |
Atención personalizada |
Metodologías
|
Prácticas de laboratorio |
Trabajos tutelados |
|
Descripción |
El profesor guiará el proceso de resolución de los problemas y solventará las dudas que surjan en el desarrollo |
|
Evaluación |
Metodologías
|
Competencias / Resultados |
Descripción
|
Calificación
|
Prácticas de laboratorio |
A2 B2 B9 B10 C1 C4 |
Las/os estudiantes deberán realizar pequeñas partes de los pipelines de análisis de datos ómicos para asentar el conocimiento teórico y prepararse para el trabajo tutelado |
10 |
Trabajos tutelados |
A2 B2 B3 B4 B7 B9 B10 C1 C4 |
Las/os estudiantes deberán analizar datos ómicos reales aplicando las técnicas/aproximaciones aprendidas en la asignatura. Deberá acompañarse de un informe replicable de resultados, código y conclusiones realizado en entorno R justificando el pipeline de análisis utilizado y las conclusiones obtenidas |
60 |
Prueba de respuesta múltiple |
B7 B8 |
En el periodo de evaluación se realizará una prueba de conocimientos teórico-prácticos para evaluar la adquisición de las competencias por parte del alumno |
30 |
|
Observaciones evaluación |
La/el estudiante deberá obtener una nota mínima de 3 sobre 10 puntos en la prueba objetiva y una nota mínima de 4 sobre 10 puntos en los trabajos tutelados. Las prácticas de laboratorio no tienen nota mínima. De no alcanzar esta nota mínima en alguno de dichos apartados, la nota de la materia será la menor de las dos.
Las entregas correspondientes a los trabajos tutelados en las fechas indicadas y la asistencia a las clases prácticas son obligatorias para aprobar la asignatura.
Un/una estudiante se considerará presentado/a en una convocatoria si hace entrega de los trabajos tutelados o si se presenta a la prueba objetiva.
Todos los aspectos relacionados con dispensa académica, dedicación al estudio, permanencia y fraude académico se regirán de acuerdo con la normativa académica vigente de la UDC.
Sobre la responsabilidad compartida de los trabajos en grupo. En las actividades que se llevan a cabo en grupos, tales como los trabajos tutelados, todos los miembros del grupo serán responsables solidarios del trabajo realizado y entregado, así como de las consecuencias que se deriven del incumplimiento de las normas de autoría del mismo.
Segunda oportunidad y convocatorias posteriores En la segunda oportunidad, se mantiene la nota obtenida en los trabajos tutelados. Solo en el caso de no haber presentado los trabajos tutelados en la primera oportunidad o que estas hubiesen obtenido la calificación de SUSPENSO (calificación menor que 5), se podrán presentar nuevamente los trabajos tutelados en la segunda oportunidad.
En caso de suspender la asignatura, los trabajos tutelados con nota igual o superior a 5 se guardarán para cursos posteriores con calificación de aprobado (5). En cada curso, el/la estudiante tendrá la opción de entregar un nuevo trabajo tutelado que sustituirá la nota de la anterior. Los trabajos no se guardarán más de un curso.
Tutorías A mayores, las tutorias se consideran una parte importante dentro del desarrollo de la asignatura. Están orientadas de tal manera que las/los estudiantes tengan y/o puedan consultar distintas cuestiones como: 1. Problemas en el desarrollo de las prácticas 2. Maneras de enfocar/organizar los trabajos tutelados 3. Resolución de dudas sobre las cuestiones teóricas.
Se pedirá a las/los estudantes que soliciten cita a los/las profesores/as responsables para realizar reuniones presenciales dentro de los horarios de tutorías del profesorado establecido en espazos.udc.es. El uso de Teams deberá limitarse a cuestiones puntuales organizativas.
|
Fuentes de información |
Básica
|
Chen Y, Lun AAT, Smyth GK (2016). From reads to genes to pathways: differential expression analysis of RNA-Seq experiments using Rsubread and the edgeR quasi-likelihood pipeline. F1000Research
Malachi Griffith y col. (2015). Informatics for RNA Sequencing: A Web Resource for Analysis on the Cloud. Plos Computational Biology
Love MI, Huber W, Anders S (2014). Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biology
Michael Love, Wolfgang Huber y Simon Anders. (2014). Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biology
NCBI Gene Expression Omnibus (2022). NCBI Gene Expression Omnibus. https://www.ncbi.nlm.nih.gov/geo/
TCGA Consortium (2022). The Cancer Genome Atlas. https://portal.gdc.cancer.gov/
Enis Afgan, Dannon Baker, Bérénice Batut, Marius van den Beek, Dave Bouvier, Martin ?ech, John Chilt (2018). The Galaxy platform for accessible, reproducible and collaborative biomedical analyses: 2018 update. Nucleic Acids Research |
|
Complementária
|
Liñares-Blanco, J., Gestal, M., Dorado, J., y Fernandez-Lozano, C. (2019). Differential gene expression analysis of RNA-seq data using machine learning for cancer research. Machine Learning Paradigms. Learning and Analytics in Intelligent Systems. Vol 1. Springer, Cham.
Fernández-Edreira D., Liñares-Blanco J. y Fernandez-Lozano C. (2021). Machine Learning analysis of the human infant gut microbiome identifies influential species in type 1 diabetes. Expert Systems with Applications
Liñares-Blanco J., Fernandez-Lozano C., Seoane JA y López-Campos G. (2022). Machine Learning Based Microbiome Signature to Predict Inflammatory Bowel Disease Subtypes. Frontiers in Microbiology |
|
Recomendaciones |
Asignaturas que se recomienda haber cursado previamente |
Análisis Estadístico de Datos Complejos/614G02031 | Aprendizaje Automático I/614G02019 | Cálculo Multivariable/614G02006 |
|
Asignaturas que se recomienda cursar simultáneamente |
|
Asignaturas que continúan el temario |
Análisis Estadístico de Datos Complejos/614G02031 | Aprendizaje Automático a Gran Escala/614G02032 |
|
Otros comentarios |
- Según se recoge en las distintas normativas de aplicación para la docencia universitaria se deberá incorporar la perspectiva de género en esta materia (se usará lenguaje no sexista, se utilizará bibliografía de autores/as de ambos sexos, se propiciará la intervención en clase de alumnos y alumnas...)
- Se trabajará para identificar y modificar perjuicios y actitudes sexistas y se influirá en el entorno para modificarlos y fomentar valores de respeto e igualdad.
- Se deberán detectar situaciones de discriminación por razón de género y se propondrán acciones y medidas para corregirlas. |
|