- ES Español (Latinoamérica)

- EN English

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.
| Área de Conocimiento (KA) | Core Tier1 | Core Tier2 |
4.11.1 Dinámica de Poblaciones | 1 | 1 |
4.11.2 Epidemiología Matemática | 1 | 1 |
4.11.3 Biología de Sistemas y Dinámica de Redes | 1 | 1 |
4.11.4 Algoritmos de Bioinformática | 1 | 1 |
4.11.5 Neurociencia Matemática | 1 | 1 |
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:
- Analizar la estabilidad de los equilibrios en sistemas de Lotka-Volterra mediante linealización y retratos de fase [Familiarizarse]
- Construir modelos de población estructurados por edad usando matrices de Leslie y calcular tasas de crecimiento a largo plazo [Usar]
- 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:
- Derivar la condición de umbral epidémico a partir del modelo SIR e interpretar \(\mathcal{R}_0\) en términos de inmunidad colectiva [Familiarizarse]
- Extender el modelo SIR básico para incorporar vacunación, inmunidad decreciente o estructura por edad [Usar]
- 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:
- Identificar motivos de realimentación en redes de regulación génica y predecir su papel en la adaptación y la biestabilidad [Familiarizarse]
- Analizar un modelo de oscilador bioquímico usando teoría de bifurcaciones y determinar condiciones para oscilaciones de ciclo límite [Usar]
NonCore:
- 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:
- Aplicar programación dinámica para realizar alineamiento de secuencias global y local e interpretar las puntuaciones de alineamiento [Familiarizarse]
- 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:
- 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:
- Derivar el potencial de acción a partir de las ecuaciones de Hodgkin-Huxley e identificar el papel de cada corriente iónica [Familiarizarse]
- Aplicar reducción de dimensionalidad a registros de poblaciones neuronales e identificar variedades de actividad de baja dimensión [Usar]
NonCore:
- Formular un modelo de codificación predictiva de la percepción y relacionarlo con la inferencia bayesiana jerárquica [Evaluar]