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