4.11. Biología Matemática y Ciencias de la Vida (MBL)

4.11. Biología Matemática y Ciencias de la Vida (MBL)

Esta área cubre la aplicación de métodos matemáticos a sistemas biológicos, abarcando dinámica de poblaciones, epidemiología, biología de sistemas, bioinformática y neurociencia computacional, con énfasis en modelos basados en datos experimentales modernos.

Tabla 4.11: Lista de KUs del área de Biología Matemática y Ciencias de la Vida.

4.11.1. MBL/Dinámica de Poblaciones  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Modelos matemáticos de poblaciones simples e interactuantes: crecimiento logístico, sistemas de Lotka-Volterra, ecología espacial y dinámica evolutiva.
Temas:
Core

  • Modelos de crecimiento exponencial y logístico; capacidad de carga y efecto Allee
  • Modelos depredador-presa y de competición de Lotka-Volterra; equilibrios y análisis de estabilidad
  • Modelos estructurados por edad: matrices de Leslie y ecuación de Euler-Lotka
  • Modelos de reacción-difusión y ondas viajeras en ecología espacial (ecuación de Fisher-KPP)
  • Dinámica evolutiva: ecuaciones de replicador, teoría de juegos y ecuación de Price

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Analizar la estabilidad de los equilibrios en sistemas de Lotka-Volterra mediante linealización y retratos de fase [Familiarizarse]
  2. Construir modelos de población estructurados por edad usando matrices de Leslie y calcular tasas de crecimiento a largo plazo [Usar]
  3. Aplicar la teoría de reacción-difusión para modelar la propagación espacial de una especie invasora usando la ecuación de Fisher-KPP [Evaluar]

4.11.2. MBL/Epidemiología Matemática  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Modelos compartimentales (SIR, SEIR), el número básico de reproducción, inmunidad colectiva, epidemiología en redes y predicción en tiempo real de epidemias.
Temas:
Core

  • Modelos compartimentales SIR y SIS: deducción, equilibrios y el umbral epidémico
  • Número básico de reproducción \(\mathcal{R}_0\): definición, cálculo y su papel en la inmunidad colectiva
  • Extensiones SEIR y SEIRS: latencia, inmunidad decreciente y epidemias estructuradas por edad
  • Epidemiología en redes: estructuras de contacto heterogéneas y eventos de superpropagación
  • Predicción epidemiológica en tiempo real: asimilación de datos, cuantificación de incertidumbre y lecciones del COVID-19 (2020-2025)

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Derivar la condición de umbral epidémico a partir del modelo SIR e interpretar \(\mathcal{R}_0\) en términos de inmunidad colectiva [Familiarizarse]
  2. Extender el modelo SIR básico para incorporar vacunación, inmunidad decreciente o estructura por edad [Usar]
  3. Calibrar un modelo SEIR con datos epidémicos y cuantificar la incertidumbre de la predicción usando métodos de conjunto [Evaluar]

4.11.3. MBL/Biología de Sistemas y Dinámica de Redes  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Redes de regulación génica, osciladores bioquímicos, transducción de señales, topología de redes biológicas y modelado multi-escala.
Temas:
Core

  • Redes de regulación génica: modelos booleanos, funciones de Hill y motivos de realimentación
  • Osciladores bioquímicos: el represilador, oscilador de Goodwin y bifurcación de Hopf en biología
  • Transducción de señales: ultrasensibilidad, biestabilidad y la cascada MAPK
  • Topología de redes biológicas: redes libres de escala, motivos de red y robustez

Non Core

  • Modelado multi-escala: de la escala molecular a la tisular; modelos metabólicos basados en restricciones (FBA)

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Identificar motivos de realimentación en redes de regulación génica y predecir su papel en la adaptación y la biestabilidad [Familiarizarse]
  2. Analizar un modelo de oscilador bioquímico usando teoría de bifurcaciones y determinar condiciones para oscilaciones de ciclo límite [Usar]

NonCore:

  1. Construir un modelo de análisis de balance de flujo de una red metabólica y predecir tasas de crecimiento bajo restricciones de nutrientes [Evaluar]

4.11.4. MBL/Algoritmos de Bioinformática  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Alineamiento de secuencias, modelos ocultos de Markov, filogenética, ensamblaje de genomas y aprendizaje automático en genómica.
Temas:
Core

  • Alineamiento de secuencias: programación dinámica (Needleman-Wunsch, Smith-Waterman) y heurísticas BLAST
  • Modelos ocultos de Markov para análisis de secuencias: algoritmos de Viterbi y Baum-Welch
  • Inferencia filogenética: métodos de distancia (UPGMA, neighbor-joining) y máxima verosimilitud
  • Ensamblaje de genomas: enfoque de grafo de Bruijn, solapamiento-consenso y ensamblaje con lecturas largas

Non Core

  • Aprendizaje automático en genómica: aprendizaje profundo para expresión génica, detección de variantes y estructura de proteínas (AlphaFold, 2021-2025)

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Aplicar programación dinámica para realizar alineamiento de secuencias global y local e interpretar las puntuaciones de alineamiento [Familiarizarse]
  2. Implementar un HMM para la búsqueda de genes y aplicar el algoritmo de Viterbi para decodificar la secuencia de estados ocultos más probable [Usar]

NonCore:

  1. Evaluar enfoques de aprendizaje profundo para la predicción de estructura de proteínas y explicar las innovaciones clave de AlphaFold [Evaluar]

4.11.5. MBL/Neurociencia Matemática  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Modelos neuronales biofísicos, codificación neural, dinámica de redes, reducción de dimensionalidad en datos neuronales y psiquiatría computacional.
Temas:
Core

  • Modelo de Hodgkin-Huxley: dinámica de canales iónicos, generación de potencial de acción y análisis de bifurcaciones
  • Modelos de integración y disparo: IF con fuga, IF exponencial y adaptación de frecuencia de disparo
  • Codificación neural: codificación por tasa, temporización de disparos, códigos poblacionales y el cuello de botella de la información neural
  • Dinámica de poblaciones neuronales: atractores anulares, variedades de baja dimensión y modelos de variables latentes (2020-2025)

Non Core

  • Psiquiatría computacional: hipótesis del cerebro bayesiano, codificación predictiva y aprendizaje por refuerzo en la toma de decisiones

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Derivar el potencial de acción a partir de las ecuaciones de Hodgkin-Huxley e identificar el papel de cada corriente iónica [Familiarizarse]
  2. Aplicar reducción de dimensionalidad a registros de poblaciones neuronales e identificar variedades de actividad de baja dimensión [Usar]

NonCore:

  1. Formular un modelo de codificación predictiva de la percepción y relacionarlo con la inferencia bayesiana jerárquica [Evaluar]

¿Encontraste una errata, un curso desactualizado, un enlace roto, o tienes una sugerencia? Cuéntanos.

Escanea para abrir en tu teléfono