5.57. CB309. Bioinformática (Obligatorio)

• Semestre: 9no Sem. Créditos: 4
• Horas del curso: Teoría: 2 horas; Práctica: 4 horas;
• Sílabo:

  Español

  English

• Prerrequisitos: Ninguno

5.57.1. Justificación

El uso de métodos computacionales en las ciencias biológicas se ha convertido en una de las herramientas claves para el campo de la biología molecular, siendo parte fundamental en las investigaciones de esta área.
En Biología Molecular, existen diversas aplicaciones que involucran tanto al ADN, al análisis de proteínas o al secuenciamiento del genoma humano, que dependen de métodos computacionales. Muchos de estos problemas son realmente complejos y tratan con grandes conjuntos de datos.
Este curso puede ser aprovechado para ver casos de uso concretos de varias áreas de conocimiento de Ciencia de la Computación como: Lenguajes de Programación (PL), Algoritmos y Complejidad (AL), Probabilidades y Estadística, Manejo de Información (IM), Inteligencia Artificial (IA).

5.57.2. Objetivos Generales

1.

Que el alumno tenga un conocimiento sólido de los problemas biológicos moleculares que desafían a la computación.

2.

Que el alumno sea capaz de abstraer la esencia de los diversos problemas biológicos para plantear soluciones usando sus conocimientos de Ciencia de la Computación

5.57.3. Contribución a los resultados (Outcomes)

AG-C11) Uso de Herramientas: Aplica herramientas modernas de computación en la resolución de problemas. (Usage)

AG-C10) Indagación: Estudia problemas complejos de computación usando métodos de ciencias de la información. (Usage)

5.57.4. Contenido

5.57.4.1. Introducción a la Biología Molecular (4 horas) [Habilidades AG-C10,AG-C11]

Referencias Bibliográficas: [Clote and Backofen, 2000, Setubal and Meidanis, 1997]

Temas

1.

Revisión de la química orgánica: moléculas y macromoléculas, azúcares, acidos nucleicos, nuclótidos, ARN, ADN, proteínas, aminoácidos y nivels de estructura en las proteinas.

2.

El dogma de la vida: del ADN a las proteinas, transcripción, traducción, síntesis de proteinas

3.

Estudio del genoma: Mapas y secuencias, técnicas específicas

Aprendizaje esperado (Learning Outcomes)

1.

Lograr un conocimiento general de los tópicos más importantes en Biología Molecular. [Familiarizarse]

2.

Entender que los problemas biológicos son un desafío al mundo computacional. [Evaluar]

5.57.4.2. Comparación de Secuencias (4 horas) [Habilidades AG-C10,AG-C11]

Referencias Bibliográficas: [Clote and Backofen, 2000, Setubal and Meidanis, 1997, Pevzner, 2000]

Temas

1.

Secuencias de nucléotidos y secuencias de aminoácidos.

2.

Alineamiento de secuencias, el problema de alineamiento por pares, búsqueda exhaustiva, Programación dinámica, alineamiento global, alineamiento local, penalización por gaps

3.

Comparación de múltiples secuencias: suma de pares, análisis de complejidad por programación dinámica, heurísticas de alineamiento, algoritmo estrella, algoritmos de alineamiento progresivo.

Aprendizaje esperado (Learning Outcomes)

1.

Entender y solucionar el problema de alineamiento de un par de secuencias. [Usar]

2.

Comprender y solucionar el problema de alineamiento de múltiples secuencias. [Usar]

3.

Conocer los diversos algoritmos de alineamiento de secuencias existentes en la literatura. [Familiarizarse]

5.57.4.3. Árboles Filogenéticos (4 horas) [Habilidades AG-C10,AG-C11]

Referencias Bibliográficas: [Clote and Backofen, 2000, Setubal and Meidanis, 1997, Pevzner, 2000]

Temas

1.

Filogenia: Introducción y relaciones filogenéticas.

2.

Arboles Filogenéticos: definición, tipo de árboles, problema de búsqueda y reconstrucción de árboles

3.

Métodos de Reconstrucción: métodos por parsimonia, métodos por distancia, métodos por máxima verosimilitud, confianza de los árboles reconstruidos

Aprendizaje esperado (Learning Outcomes)

1.

Comprender el concepto de filogenia, árboles filogenéticos y la diferencia metodológica entre biología y biología molecular. [Familiarizarse]

2.

Comprender el problema de reconstrucción de árboles filogenéticos, conocer y aplicar los principales algoritmos para reconstrucción de árboles filogenéticos. [Evaluar]

5.57.4.4. Ensamblaje de Secuencias de ADN (4 horas) [Habilidades AG-C10,AG-C11]

Referencias Bibliográficas: [Setubal and Meidanis, 1997, Aluru, 2006]

Temas

1.

Fundamento biológico: caso ideal, dificultades, métodos alternativos para secuenciamiento de ADN

2.

Modelos formales de ensamblaje: Shortest Common Superstring, Reconstruction, Multicontig

3.

Algoritmos para ensamblaje de secuencias: representación de overlaps, caminos para crear superstrings, algoritmo voraz, grafos acíclicos.

4.

Heurísticas para ensamblaje: búsqueda de sobreposiciones, ordenación de fragmentos, alineamientos y consenso.

Aprendizaje esperado (Learning Outcomes)

1.

Comprender el desafío computacional que ofrece el problema de Ensamblaje de Secuencias. [Familiarizarse]

2.

Entender el principio de modelo formal para ensamblaje. [Evaluar]

3.

Conocer las principales heurísticas para el problema de ensambjale de secuencias ADN [Usar]

5.57.4.5. Estructuras secundarias y terciarias (4 horas) [Habilidades AG-C10,AG-C11]

Referencias Bibliográficas: [Setubal and Meidanis, 1997, Clote and Backofen, 2000, Aluru, 2006]

Temas

1.

Estructuras moleculares: primaria, secundaria, terciaria, cuaternaria.

2.

Predicción de estructuras secundarias de ARN: modelo formal, energia de pares, estructuras con bases independientes, solución con Programación Dinámica, estructuras con bucles.

3.

Protein folding: Estructuras en proteinas, problema de protein folding.

4.

Protein Threading: Definiciones, Algoritmo Branch & Bound, Branch & Bound para protein threading.

5.

Structural Alignment: definiciones, algoritmo DALI

Aprendizaje esperado (Learning Outcomes)

1.

Conocer las estructuras protéicas y la necesidad de métodos computacionales para la predicción de la geometría. [Familiarizarse]

2.

Conocer los algoritmos de solución de problemas de predicción de estructuras secundarias ARN, y de estructuras en proteínas. [Evaluar]

5.57.4.6. Modelos Probabilísticos en Biología Molecular (4 horas) [Habilidades AG-C10,AG-C11]

Referencias Bibliográficas: [R et al., 1998, Clote and Backofen, 2000, Aluru, 2006, Krogh et al., 1994]

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

Aprendizaje esperado (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]

5.57.5. Referencias Bibliográficas

[Clote and Backofen, 2000]

[Setubal and Meidanis, 1997]

[Pevzner, 2000]

[Aluru, 2006]

[R et al., 1998]

[Krogh et al., 1994]