4.57.5.6 Modelos Probabilísticos en Biología Molecular (4 horas)

Resultados de la carrera Outcomes:

Temas

1. Probabilidad: Variables aleatorias, Cadenas de Markov, Algoritmo de Metropoli-Hasting, Campos Aleatorios de Markov y Muestreador de Gibbs, Máxima Verosimilitud.
2. Modelos Ocultos de Markov (HMM), estimación de parámetros, algoritmo de Viterbi y método Baul-Welch, Aplicación en alineamientos de pares y múltiples, en detección de Motifs en proteínas, en ADN eucariótico, en familias de secuencias.
3. Filogenia Probabilística: Modelos probabilísticos de evolución, verosimilitud de alineamientos, verosimilitud para inferencia, comparación de métodos probailísticos y no probabilísticos

Objetivos de Aprendizaje (Learning Outcomes)

1. Revisar conceptos de Modelos Probabilísticos y comprender su importancia en Biología Molecular Computacional. [Evaluar]
2. Conocer y aplicar Modelos Ocultos de Markov para varios análisis en Biología Molecular. [Usar]
3. Conocer la aplicación de modelos probabilísticos en Filogenia y comparalos con modelos no probabilísticos [Evaluar]

Bibliografía: [,,,]