Biologia-Computacional

Vista previa del material en texto

INSTITUTO POLITÉCNICO NACIONAL
SECRETARÍA ACADÉMICA
DIRECCIÓN DE EDUCACIÓN SUPERIOR
PROGRAMA SINTÉTICO 
UNIDAD ACADÉMICA: ESCUELA SUPERIOR DE FÍSICA Y MATEMÁTICAS
PROGRAMA ACADÉMICO: Licenciatura en Matemática Algorítmica 
UNIDAD DE APRENDIZAJE: Biología computacional SEMESTRE: 6 ó 7
PROPÓSITO DE LA UNIDAD DE APRENDIZAJE:
Explica la biología computacional, con base en representaciones computacionales, simulaciones, métodos
estadísticos y modelos.
CONTENIDOS:
I. Implicaciones de la Biología Computacional.
II. Análisis de información biológica.
III. Aplicaciones de la Biología Computacional.
ORIENTACIÓN
DIDÁCTICA:
Métodos de enseñanza Estrategias de aprendizaje
a) Deductivo a) Estudio de Casos X
b) Inductivo X b) Aprendizaje Basado en Problemas
c) Analógico X c) Aprendizaje Orientado a Proyectos 
d) Basado en la lógica de la 
disciplina
d) 
EVALUACIÓN Y
ACREDITACIÓN:
Diagnóstica X Saberes Previamente Adquiridos X
Solución de casos X Organizadores gráficos
Reporte de proyectos Reporte de seminarios
Reportes de indagación X Otras evidencias a evaluar: Presentaciones de
digitales de solución de casos
Reportes de prácticas X
Evaluaciones escritas X
BIBLIOGRAFÍA
BÁSICA:
Autor(es) Año Título del documento Editorial / ISBN
Balding, D.; 
Moltke, I.; 
Marioni, J.
2019
Handbook of Statistical Genomics, Fourth
Edition.
John Wiley & 
Sons Ltd / 
9781119429142
Kelley, S.; Didulo 
D.
2018 Computational Biology: A Hypertextbook.
ASM Press / 
1683670027
Selvarajoo, K. 
(Ed.)
2022
Computational Biology and Machine 
Learning for Metabolic Engineering and 
Synthetic Biology
Humana Press / 
9781071626160
Singh, D.B.; 
Pathak R.K.
2021 Bioinformatics: Methods and Applications
Academic Press / 
9780323897754
Waterman, M. 2014
Introduction to Computational Biology 
(Maps, sequences and genomes).
Chapman & Hall
9781439861318
INSTITUTO POLITÉCNICO NACIONAL
SECRETARÍA ACADÉMICA
DIRECCIÓN DE EDUCACIÓN SUPERIOR
PROGRAMA DE ESTUDIOS
UNIDAD DE APRENDIZAJE: Biología computacional HOJA 2 DE 8
UNIDAD ACADÉMICA: ESCUELA SUPERIOR DE FÍSICA Y MATEMÁTICAS
PROGRAMA ACADÉMICO: Licenciatura en Matemática Algorítmica 
SEMESTRE:
6 ó 7
ÁREA DE FORMACIÓN:
Terminal y de Integración 
MODALIDAD:
Escolarizada
TIPO DE UNIDAD DE APRENDIZAJE:
Teórica-Práctica/Optativa
VIGENTE A PARTIR DE:
Enero de 2023
CRÉDITOS: 
Tepic: 9.0 SATCA: 8.4
INTENCIÓN EDUCATIVA
La unidad de aprendizaje contribuye al perfil de egreso de la licenciatura en Matemática Algorítmica con el
desarrollo de habilidades de análisis y síntesis para la construcción de soluciones a problemas biológicos con
técnicas computacionales adaptados a los cambios vertiginosos de la sociedad. Asimismo, fomenta habilidades
transversales para trabajar en equipo de manera interdisciplinaria y comunicación efectiva con un alto sentido
ético. 
La presente unidad se relaciona de manera antecedente con Fundamentos de Inteligencia Artificial, Modelos
estadísticos y Modelos estocásticos, se relaciona de forma consecuente con Física computacional, Aprendizaje
profundo, Cómputo de alto desempeño y Trabajo Terminal I.
PROPÓSITO DE LA UNIDAD DE APRENDIZAJE
Explica la biología computacional, con base en representaciones computacionales, simulaciones, métodos 
estadísticos y modelos.
TIEMPOS ASIGNADOS
HORAS TEORÍA/SEMANA: 3.0
HORAS PRÁCTICA/SEMANA: 3.0
HORAS TEORÍA/SEMESTRE: 54.0
HORAS PRÁCTICA/SEMESTRE: 
54.0
HORAS APRENDIZAJE 
AUTÓNOMO: 32
HORAS TOTALES/SEMESTRE: 
108.0
UNIDAD DE APRENDIZAJE
DISEÑADA POR: 
Comisión de Diseño del
Programa Académico.
AUTORIZADO Y VALIDADO
POR:
__________________________
Mtro. Mauricio Igor Jasso
Zaranda
Secretario Académico
APROBADO POR:
Comisión de Programas
Académicos del H. Consejo
General Consultivo del IPN.
24/11/2022
INSTITUTO POLITÉCNICO NACIONAL
SECRETARÍA ACADÉMICA
DIRECCIÓN DE EDUCACIÓN SUPERIOR
UNIDAD DE APRENDIZAJE: Biología computacional HOJA 3 DE 8
UNIDAD TEMÁTICA I
Implicaciones de la
Biología Computacional
CONTENIDO HORAS CON
DOCENTE
HRS
AA
T P
UNIDAD DE
COMPETENCIA 
Explica la Biología
Computacional a partir de
su historia, contexto
social, representación
computacional y
simulación de proteínas.
1.1.Biología Computacional y contexto social
1.1.1. Historia y actualidad de la Biología Computacional
1.2.Proteínas
1.2.1. Aminoácidos y sus propiedades
1.2.2. Cadenas peptídicas
1.2.3. Funciones de las proteínas
1.3.Plegamiento de proteínas
1.3.1. El experimento de Anfinsen
1.3.2. Relación entre plegamiento y función en las proteínas
1.3.3. Casos de plegamiento incorrecto de proteínas
1.4.Representación computacional de la estructura
tridimensional de las proteínas
1.4.1. Repositorios de archivos de coordenadas
1.4.2. Representaciones gráficas de proteínas
1.5.Simulaciones de dinámica molecular de proteínas
1.5.1. Campos de fuerzas
1.5.2. Algoritmos para la integración de ecuaciones de
movimiento
1.5.3. Análisis de los resultados de una simulación de
dinámica molecular
1.5.4. Hipótesis ergódica y búsqueda de confórmeros
1.6.El dogma central de la Biología Molecular
1.6.1. Ácido desoxirribonucleico (ADN) ácido ribonucleico
(ARN), proteínas, evolución y conservación
1.6.2. Secuencias biológicas
1.6.3. Sistemas biológicos
1.6.4. Biología Sintétic.
1.5
3.0
1.5
3.0
6.0
3.0
1.5
12.0
4.5
1.0
2.0
2.0
2.0
2.0
2.0
Subtotal 18.0 18.0 11.0
INSTITUTO POLITÉCNICO NACIONAL
SECRETARÍA ACADÉMICA
DIRECCIÓN DE EDUCACIÓN SUPERIOR
UNIDAD DE APRENDIZAJE: Biología computacional HOJA 4 DE 8
UNIDAD TEMÁTICA II
Análisis de información
biológica.
CONTENIDO HORAS CON
DOCENTE
HRS
AA
T P
UNIDAD DE
COMPETENCIA 
Estructura el análisis de
información biológica a
partir de sus métodos
estadísticos y de
aprendizaje automático.
2.1 Métodos estadísticos para el análisis de información
biológica
2.1.1 Alineamiento de secuencias
2.1.2 Inferencia bayesiana
2.1.3 Modelos ocultos de Markov
2.1.4 Aprendizaje automático
2.2 Estimación de filogenia usando inferencia bayesiana
2.3 Modelos ocultos de Markov en genómica de poblaciones
2.4 Aprendizaje automático para el modelado de rutas
metabólicas 
6.0
3.0
3.0
3.0
6.0
3.0
3.0
6.0
3.0
2.0
2.0
2.0
Subtotal 15.0 18.0 9.0
UNIDAD TEMÁTICA III
Aplicaciones de la
Biología Computacional.
CONTENIDO HORAS CON
DOCENTE
HRS
AA
T P
UNIDAD DE
COMPETENCIA 
Implementa
aplicaciones de
vanguardia de la
Biología Computacional
a partir de repositorios
de información biológica
y los algoritmos más
recientes en un
contexto de
responsabilidad social y
bioética. 
3.1 Predicción de estructura de biomoléculas
3.1.1 El problema de plegamiento de proteínas y la
Paradoja de Levinthal
3.1.2 Métodos de predicción de estructura de proteínas
3.1.3 Predicción de estructura de ADN y ARN
3.2 Modelado y simulación de interacciones entre moléculas
con actividad biológica
3.2.1 Acoplamiento molecular
3.2.2 Predicción de interacciones entre moléculas
3.2.3 Reactividad química
3.3 Diseño de fármacos asistido por computadora 
3.3.1 Quimiotecas
3.3.2 Metabolómica
3.3.3 Relación cuantitativa entre estructura y actividad 
3.3.4 Búsqueda de fármacos usando aprendizaje
automatizado
3.4 Inferencia de redes biológicas
3.4.1 Repositorios de información transcriptómica
3.4.2 Algoritmos de predicción de redes de regulación
génica
3.5 Estrategias computacionales para el diseño de vacunas
3.6 Responsabilidad social y Bioética
3.0
6.0
6.0
3.0
1.5
1.5
3.0
6.0
6.0
3.0
2.0
2.0
2.0
2.0
2.0
2.0
Subtotal 21.0 18.0 12.0
INSTITUTO POLITÉCNICO NACIONAL
SECRETARÍA ACADÉMICA
DIRECCIÓN DE EDUCACIÓN SUPERIOR
UNIDAD DE APRENDIZAJE: Biología computacional HOJA 5 DE 8
ESTRATEGIAS DE APRENDIZAJE EVALUACIÓN DE LOS APRENDIZAJES
Estrategia de aprendizaje de Estudio de Casos.
El alumno desarrollará las siguientes actividades:
1. Indagación documental
2. Lectura de artículos de divulgación y/o
investigación
3. Análisis de casos de aplicacionesde la
Biología Computacional
4. Análisis de casos de problemas de Bioética
5. Solución de problemas 
6. Realización de prácticas
Evaluación diagnóstica.
Portafolio de evidencias: 
1. Reportes de indagación
2. Informes de lecturas
3. Solución de casos 
4. Presentaciones digitales de la solución a los
casos
5. Problemas resueltos
6. Reportes de prácticas
7. Evaluación escrita
RELACIÓN DE PRÁCTICAS
PRÁCTICA
No.
NOMBRE DE LA PRÁCTICA
UNIDADES
TEMÁTICAS
LUGAR DE
REALIZACIÓN
1
2
3
4
5
6
7
8
9
10
11
Estructura 3D de las proteínas.
 
Dinámica molecular de proteínas.
 
Exploración de repositorios de información biológica.
 
Alineamiento de secuencias de proteínas, ADN y ARN.
 
Inferencia de filogenia.
 
Análisis genómico de poblaciones.
 
Inferencia de rutas metabólicas.
 
Protocolos de predicción de estructura tridimensional de
biomoléculas.
Modelado de la interacción entre moléculas con actividad
biológica. 
 
Diseño computacional de un fármaco.
 
Inferencia de redes de regulación entre genes.
I
I
I
II
II
II
II
III
III
III
III
Laboratorio de
cómputo
TOTAL DE
HORAS: 
54.0
INSTITUTO POLITÉCNICO NACIONAL
SECRETARÍA ACADÉMICA
DIRECCIÓN DE EDUCACIÓN SUPERIOR
UNIDAD DE APRENDIZAJE: Biología computacional HOJA: 6 DE 8
Bibliografía
Tipo Autor(es) Año Título del documento Editorial/ISBN
Documento
L
ib
ro
A
n
to
lo
g
ía
O
tr
o
s
B
Balding, D.; 
Moltke, I.; 
Marioni, J.
2019
Handbook of Statistical Genomics, 
Fourth Edition.
John Wiley & 
Sons Ltd / 
9781119429142
X
C
DeGrazia, D., 
Millum, J.
2021 A Theory of Bioethics.
Cambridge 
University Press/ 
9781009011747
C Jensen, F. 2017
Introduction to Computational 
Chemistry. 
Wiley/978-
1118825990 
X
B
Kelley, S.; Didulo
D.
2018
Computational Biology: A 
Hypertextbook.
ASM Press / 
1683670027
X
C O'Neil, S. 2017 A Primer for Computational Biology.
Oregon State 
University Press / 
9780870719264
X
C
Rudrapal, M.; 
Egbuna C.
2022
Computer Aided Drug Design (CADD): 
From Ligand-Based Methods to 
Structure-Based Approaches.
Elsevier / 
9780323906081
X
C Schlick, T. 2010*
Molecular Modeling and Simulation: An 
Interdisciplinary Guide.
Springer/ 
9781441963505
X
B
Selvarajoo, K. 
(Ed.)
2022
Computational Biology and Machine 
Learning for Metabolic Engineering and 
Synthetic Biology
Humana Press / 
9781071626160
X
B
Singh, D.B.; 
Pathak R.K.
2021
Bioinformatics: Methods and 
Applications
Academic Press / 
9780323897754
X
C
Westhead, D.R.; 
Vijayabaskar 
M.S.
2017 Hidden Markov Models.
Springer / 
9781493967513
X
B Waterman, M 2014
Introduction to Computational Biology 
(Maps, sequences and genomes)
Chapman & Hall /
9781439861318
X
C Wünschiers, R 2013
Computational Biology: A Practical 
Introduction to BioData Processing and 
Analysis with Linux, MySQL, and R.
Springer / 
9783642430978
X
 * Bibliografía clásica
INSTITUTO POLITÉCNICO NACIONAL
SECRETARÍA ACADÉMICA
DIRECCIÓN DE EDUCACIÓN SUPERIOR
UNIDAD DE APRENDIZAJE: Biología computacional HOJA: 7 DE 8
Recursos digitales
Autor, año, título y Dirección Electrónica
T
ex
to
S
im
u
la
d
o
r
Im
ag
en
T
u
to
ri
al
V
id
eo
P
re
se
n
ta
ci
ó
n
D
ic
ci
o
n
ar
io
O
tr
o
Bourne, PE (2006). One Year of PLoS Computational Biology. En:
https://doi.org/10.1371/journal.pcbi.0020111. Recuperado el 20 de
octubre de 2022.
X
Harrell, R (2017). Bioethical Considerations of Advancing the Application
of Marine Biotechnology and Aquaculture. En:
https://doi.org/10.3390/md15070197. Recuperado el 11 de abril de 2022.
X
Hogeweg, P (2011). The Roots of Bioinformatics in Theoretical Biology.
En: https://doi.org/10.1371/journal.pcbi.1002021. Recuperado el 11 de
abril de 2022.
X
Unke, O (2021). Machine Learning Force Fields. En:
https://doi.org/10.1021/acs.chemrev.0c01111. Recuperado el 11 de abril
de 2022.
X
INSTITUTO POLITÉCNICO NACIONAL
SECRETARÍA ACADÉMICA
DIRECCIÓN DE EDUCACIÓN SUPERIOR
UNIDAD DE APRENDIZAJE: Biología computacional HOJA 8 DE 8
PERFIL DOCENTE: Licenciatura en Ingeniería, Ciencias Físico-Matemáticas o Ciencias Médico-
Biológicas preferentemente con grado de Maestría en Ingeniería, Ciencias Físico-
Matemáticas o en Ciencias Médico-Biológicas
EXPERIENCIA
PROFESIONAL
CONOCIMIENTOS
HABILIDADES
DIDÁCTICAS
ACTITUDES
Preferentemente 3 años
en la industria o en
Investigación referente a
biología computacional y
2 años en docencia a
Nivel Superior
Biología Computacional,
Inteligencia Artificial, 
Análisis de algoritmos,
Modelo oculto de Markov, 
Cadenas de Markov, 
Química computacional,
Modelos estadísticos, 
Modelos estocásticos,
Genética, 
Bioética
En el Modelo Educativo 
Institucional (MEI)
Coordinar grupos de 
aprendizaje
Organizar equipos de 
aprendizaje
Planificación de la 
enseñanza
Manejo de estrategias 
didácticas centradas en el 
aprendizaje
Manejo de TIC en la 
enseñanza y 
para el aprendizaje.
Comunicación 
multidireccional 
Compromiso con la 
enseñanza
Congruencia
Disponibilidad al cambio
Empatía
Generosidad
Honestidad
Proactividad
Respeto
Responsabilidad
Solidaridad
Tolerancia
Vocación de servicio
Liderazgo
Optimismo
ELABORÓ REVISÓ AUTORIZÓ
__________________________
M. en C. Erick Lee Guzmán
Subdirector Académico
_____________________________
Dr. Miguel Tufiño Velázquez
Director
Dr. Jorge Luis Rosas Trigueros
Coordinador
Dra. Rosaura Palma Orozco
Participante
	ACTITUDES