El curso pretende ampliar conocimientos y destrezas fundamentalmente para los alumnos/as de doctorado en el tratamiento de datos ómicos (metabolómica o transcriptómica) mediante análisis estadísticos. 

Está orientado fundamentalmente al campo de la biotecnología pero puede aplicarse a otras disciplinas de las ciencias experimentales o biomedicina. Con ello se pretende que los alumnos puedan aplicar estos conocimientos y destrezas en sus trabajos de investigación de sus respectivas Tesis Doctorales. 

Tema 1: Introducción a las técnicas ómicas y a la biología de sistemas 
1.1 Introducción a las técnicas ómicas (metabolómica, proteómica, transcriptómica, etc...). 
1.2 Introducción a la biología de sistemas e integración de datos ómicos a modelos de estudio. 


Tema 2: Análisis estadístico univariante 
2.1 Limpieza, transformación e integración de los datos: datos faltantes,  datos de diferentes fuentes, datos extremos, normalización y transformación de datos. 
2.2 Análisis descriptivo univariante: medidas descriptivas de localización, dispersión y forma. 
2.3 Inferencia paramétrica: comparación de medias, varianzas y proporción. 
2.4 Inferencia no paramétrica: ajuste de distribuciones, comparación de medianas, test de aleatoriedad. 

Tema 3: Análisis estadístico multivariante. Software estadístico R
3.1 Introducción al análisis estadístico multivariante. Mapa de (algunas) técnicas existentes. 
3.2 Análisis de la varianza. ANOVA 
3.3 Técnicas de regresión multivariante
3.4 Técnicas de reducción de la dimensionalidad. ACP
3.5 Técnicas de agrupación: clustering jerárquico vs clustering no jerárquico
3.6 Técnicas de análisis discriminante

Tema 4. Análisis estadístico y discusión de datos ómicos. Sesión práctica 

-Demostrar una buena capacidad de acceder por búsquedas electrónicas en bases de datos a la literatura científico-técnica.

-Conocimiento de las técnica experimentales y sus aplicaciones en las técnicas ómicas. 

-Capacidad de análisis e interpretación de resultados derivados de las técnicas de análisis estadístico.

-Destreza en el uso de herramientas informáticas y estadísticas necesarias para el tratamiento de datos derivados de las técnicas de análisis.

-Gestión de datos para su empleo en la difusión de resultados científicos.

Se emplea una metodología mixta usando la lección magistral participativa y el aprendizaje basado en problemas y casos de estudio. Se iniciará cada sesión con una presentación del problema que se desea tratar y una explicación teórica del modelo/s que resuelve dicho problema detallando las hipótesis necesarias del modelo y las posibles limitaciones. A continuación se procederá a la resolución de un caso práctico mediante la técnica explicada en el software libre R.

Se implementarán test de evaluación a través del CV para cada tema que tendrá un peso del 25% de la calificación asociada a dicha parte. Por otro lado, se solicitará la entrega de un trabajo basado en la resolución de un caso práctico usando una de las técnicas explicadas en los temas 2 y 3. El trabajo tendrá un peso del 50% asociado a esta parte del curso. La asistencia a clase contará un 25%. La asistencia será obligatoria en un 80%. 

-Microbial Cell Factories Engineering for Production of Biomolecules” Ed. By Vijai Singh. 2021
-Bioquímica" Mathews van Holde. Ed. Addison-Wesley 2013
-The Element of Statistical Learnings: Data mining, Inference, and Prediction. T. Hastie, R. Tibshirani and J. Friedman. Ed. Springer Series in Statistics. Second Edition. 2008
-Principles and Theory for Data Mining and Machine Learning. B. Clarke, E. Fokoué, H.H. Zhang. Ed. Springer Series in Statistics. 2009
-Introducción a la Minería de Datos. J. Hernández, M.J. Ramírez, C. Ferri. Ed. Pearson Prentice Hall. 2005

Es fundamental que los estudiantes lleven sus propios portátiles a cada sesión.