Master's Degree Bioinformatics and Biostatistics - Online

Solicite informação sem compromisso CEMP - Centre for European Master´s Programme

Para enviar a solicitaçao, você deve aceitar a Política de Privacidade

Comentários sobre Master's Degree Bioinformatics and Biostatistics - Online

  • Conteúdo
    Mestrado em Bioestatística e Bioinformática.

    Matrículas abertas
    Vagas limitadas

    ¿Porquê CEMP?.

    O Mestrado em Bioestatística e Bioinformática prepara para que o profissional desta área possa aplicar e desenvolver novas técnicas computacionais em pesquisa biomédica e para trabalhar em empresas do setor de biotecnologia e ambientes hospitalares.
    Nosso Mestrado online em Bioestatística e Bioinformática ensinará como aplicar ferramentas informáticas para armazenar, organizar, analisar e interpretar grandes volumes de dados, com o objetivo de extrair o máximo de conhecimento desses dados e aplicá-los à resolução de problemas biológicos e biomédicos.
    Com este curso de Mestrado, entrará em um setor em expansão, com alto índice de empregabilidade.

    Objetivos.

    • Aplicar as técnicas mais comuns na investigação ómica.
    • Utilizar as ferramentas habitualmente utilizadas em bioinformática e bioestatística.
    • Resolver problemas de análise de dados, com conhecimento matemático e estatístico.
    • Escrever relatórios técnicos e fazer consultas de interesse.
    • Trabalhar em equipa, com pessoas de diferentes áreas de atuação.
    • Tirar o máximo proveito dos bancos de dados biológicos públicos.


    O seu percurso em CEMP.
    Desde a primeira etapa do seu percurso até a última, estaremos ao seu lado para que tire o melhor proveito do seu curso de Mestrado.

    Matrícula e preparação.
    Assim que estiver matriculado, na plataforma virtual terá acesso aos cursos de Técnicas de Estudo e de Inglês, que poderão ser realizados antes ou em paralelo com o curso de Mestrado.

    Vídeos e aulas telepresenciais.
    Mais de 100h de vídeos, resumos em PDF e aulas em direto realizadas pelos seus professores especialistas.

    Atividades práticas e testes.
    É a oportunidade de testar os seus conhecimentos para avançar, de forma segura, em direção ao seu destino.

    Trabalho final de Mestrado.
    Realizará um trabalho de investigação bibliográfica sobre um tema do seu interesse.

    Estágio.
    Mãos à obra! De 60h a 300h de estágio em empresas do setor.

    Título CEMP/UCAM.
    Chegou ao seu destino! Agora já tem o seu título de Mestre de CEMP e a acreditação da Universidade UCAM - Universidad Católica de Múrcia. É hora de encarar os novos desafios!


    Programa do curso.

    À medida em que avança no seu percurso, perceberá a sua evolução no decorrer dos diferentes módulos, pois passo a passo, vão guiá-lo ao seu destino final.

    Module 1: Biochemistry and Molecular Biology

    1. The cell: structure
    2. Cell components: (overview) + carbohydrates
    3. Lipids.
    4. Peptides.
    5. DNA.
    6. ARN.
    7. Chromosomes.
    8. Genes and genome.
    9. Study of the chromosomes.
    10. Mutations and polymorphisms.
    11. Cell division.
    12. Central dogma of molecular biology.
    13. DNA replication and repair.
    14. Transcription.
    15. Translation.
    16. Control of gene expression in prokaryotes.
    17. Control of gene expression in eukaryotes I.
    18. Control of gene expression in eukaryotes II.
    19. Epigenetics.
    20. PCR.
    21. Recombinant DNA technology.
    22. Sequencing.
    23. Nucleic acid hybridisation: arrays.
    24. Cell mobility and transport.
    25. Membrane proteins.
    26. X-ray crystallography.
    27. Cristalografía de rayos X.
    28. Protein structure prediction.
    29. Basic immunology.
    30. Viruses: structure and function.


    Module 2: Biostatistics and R

    1. Foundations of descriptive analysis of one-dimensional data.
    2. Introduction to R and RSTUDIO.
    3. Fundamentals of Probability Calculus I.
    4. Fundamentals of Probability Calculus II.
    5. Discrete random variables.
    6. Continuous random variables.
    7. Discrete notable distributions.
    8. Practice of R. Main objects of R.
    9. Continuous notable distributions.
    10. Basic elements of a random vector.
    11. Practice with R. Representation and simulation of random variables with R.
    12. Media vector and covariance matrix.
    13. Estimation of the parameters of a population.
    14. Confidence range for a proportion.
    15. Confidence range in normal distributions.
    16. Hypothesis contrast for a proportion.
    17. Hypothesis contrast for a normal population.
    18. Comparison of populations.
    19. Practical R. Hypothesis contrast in R.
    20. The maximum plausibility method
    21. The maximum plausibility method for parameter estimation. Estimating the average and variance of a sample from a normal distribution using the maximum plausibility method.
    22. The model of simple linear regression. Estimation of the parameters by least squares.
    23. Properties of estimators. Tests of hypotheses about the parameters. Prediction.
    24. The model of multiple linear regression. Estimation of the parameters by least squares. Properties of estimators. Tests of hypotheses about the parameters. Prediction. Model diagnosis.
    25. Adjustment of linear regression models (simple and multiple regression) with R. Prediction of linear regression models with R. Adjustment of polynomial models with R.
    26. The model of analysis of the variance (ANOVA). The test F.
    27. Support vector machines for regression.
    28. Neural networks for regression.
    29. Variable selection methods for regression. Types of variable selection methods. Filtering methods. Correlation. The gain of information. Chi-square test.
    30. Variable extraction methods for regression. Principal component analysis (PCA).
    31. Variable selection and extraction methods in R.
    32. Rigorous construction of a regression model. Re-training and test sets. Measures for the predictive ability of a regression model. The average square error. Comparison of regression models.


    Module 3: Python

    1. Phyton the new unknown
    2. Basic language features
    3. Object-oriented programming and exceptions
    4. Data manipulation


    Module 4: Introduction to omics database and data analysis

    1. Introduction to omics: application
    2. Databases for the analysis and interpretation of omics data
    3. Computación de datos de alto rendimiento (HTS).
    4. High-throughput data computing (HTS)
    5. Transcriptomics.
    6. Microarray data analysis.
    7. RNA-seq data analysis.
    8. Supervised analysis: Differential expression
    9. Interpretation of expression data.
    10. Exome analysis (WES).
    11. The other omics.
    12. Tertiary analysis in omics.
    13. R: Integration, creation and analysis of R-based tools for omic analysis.

Outro curso relacionado com biometria / bioestatísticas

Utilizamos cookies para melhorar nossos serviços.
Se continuar navegando, aceita o seu uso.
Ver mais  |