Curso de Inteligencia Artificial para Bioinformática

M.C. Axel Alejandro Ramos García

Instituto Tecnológico y de Estudios Superiores de Monterrey

Curso de Inteligencia Artificial para Bioinformática

Curso en línea

Acceso durante 1 año

10 horas totales

$899.00 MXN ($45 USD)

Información general

Este curso introductorio práctico y accesible aprenderá:

Aplicar técnicas básica de IA a diversos datos biológicos.
Entrenar diferentes tipos de modelos (clásicos y redes neuronales)
Evaluar rigurosamente e interpretar los resultados mediante Machine Learning.

Qué aprenderás

Programación en Python

Preprocesamiento de datos

Modelado supervisado

A quién va dirigido este curso

Estudiantes y profesionales de áreas científicas e ingenierías.
Investigadores de diferentes áreas como: Biotecnología, Bioinformática, Genética y Genómica, Microbiología, Biología Computacional y Ciencias Biomédicas.

El curso está dirigido a estudiantes o cualquier persona que desee utilizar la IA para analizar datos biológicos complejos, predecir la función de genes en genómica e identificar patrones de resistencia a antibióticos.

Beneficios del curso

Certificado de finalización

Constancia de
finalización del curso
y realización de un
proyecto con valor
curricular

Instructores expertos

Aprende directamente de expertos del área de las mejores instituciones de Latinoamérica y el mundo

Educación con proyectos

Realizarás un
proyecto académico
para demostrar las
habilidades
adquiridas en el
curso

Temario

M1 De Genes a Predicciones

Teoría
- ¿Qué es la IA?, Machine Learning, Deep Learning
- ¿Por qué es importante la IA/ML para la Biología?
- Dos tipos principales de ML
  - Aprendizaje Supervisado
  - Aprendizaje No Supervisado
- El ciclo de vida del proyecto de ML
- Del ADN a los datos: Representando la biología para una computadora
- La maldición de la dimensionalidad:
  - Sobregluste y costo computacional
- Configuración del proyecto:
  - Google Colab, ‘pandas’, and ‘seabom’.
- El «truco de la transposición»: ‘transpose0’
Práctica:
Introducción a la IA/ML en bioinformática; exploración y preprocesamiento de datos con pandas
- Configuración e importaciones
- Api de Kaggle y Descarga de Datos
- Carga y Fusión de Datos: Dataset Predicción de la resistencia a los antibióticos en la gonorrea
- Analisis Exploratorio de Datos
- Visualización de Distribución Objetivo
- Guardar Datos Procesados

M2 Entrenando Nuestros Primeros

Teoria
- Repaso del Día 1: ¿Qué es ML?
- El Objetivo de Clasificar:
  - Asignación de entradas a una etiqueta
- La regla de oro: la división entre el tren y la prueba:
  - Prevención Fuya de Datos
- Primer algoritmo: Regresión Logística
- Segundo algoritmo: Bosque Aleatorio
- La Matriz de Confusión
- Meléndez Exactitud, Precisión y Recuperación
- El Contexto Clínico ¿Cuál error es peor?
- Puntuación F1 y AUC ROC
Práctica:
Aprendizaje supervisado: clasificación y regresión con scikit-learn
- Configuración e importaciones
- Cargar Datos Procesados: Dataset Predicción de la resistencia a los antibióticos en la gonorrea
- Dividir los Datos en Conjuntos de Entrenamiento y Prueba
- Entrenar y Evaluar la Regresión Logística
- Entrenar y Evaluar Bosque Aleatorio
- Visualizar la Matriz de Confusión
- Guardar el Mejor Modelo
- Ejercicios Extra

M3 Encontrar patrones ocultos

Teoría:
- Repaso del Día 2: Entrenar y evaluar modelos supervisados
- ¿Qué es el aprendizaje no supervisado?
- Tarea 1: Reducción de la dimensionalidad: «Dominando la maldición»
  - Método 1: Análisis de componentes principales (PCA)
  - Métodos 2 y 3: t-SNE y UMAP
- Tarea 2: Agrupamiento: búsqueda de grupos en los datos
  - Método 1: Agrupamiento de K-medias
  - Método 2: Agrupamiento jerárquico
- ¿Cómo elegir K para K-Menas? El método del codo
- ¿Cómo evaluar los clústeres? La puntuación de silueta
Práctica:
Aprendizaje no supervisado: agrupamiento y reducción de la dimensionalidad
- Configuración e importaciones
- Cargar y Preprocesar Datos
- Reducción de Dimensionalidad con PCA
- Reducción de Dimensionalidad con t-SNE
- Agrupamiento de K-Menas
- Agrupamiento Jerárquico
- Ejercicios Extra

M4 Una Inmersión Profunda en las Redes Neuronales

Teoría:
- Repaso del Día 3: Aprendizaje no supervisado
- De la biología al código: la neurona artificial
- Funciones de activación: Adición de no linealidad/ReLu/Sigmoid
- Construyendo una red: Apilando Capas
- ¿Cómo aprende una red neuronal?
- El Ciclo de Entrenamiento: Epocas y Lotes
- El Problema del Sobregluste:
  - Falta de equipamiento, Buen ajuste, Sobregluste
- Regularización: cómo combatir el sobreajuste
- Marcos: Keras y PyTorch
- API de Keras frente a Scikit-learn
Práctica:
Introducción al aprendizaje profundo con Keras
- Configuración e importaciones
- Cargar y dividir datos
- Preprocesamiento-Funciones de Escala
- Construir el Modelo de Keras
- Compilar el Modelo
- Definir Devoluciones de llamadas
- Evaluar el Modelo
- Visualizar el Material de Entrenamiento
- Evaluar y Guardar el Modelo Final, ejercicios extra

M5 Del Modelo a la Visión

Teoría:
- Repaso: Nuestro Viaje en la Semana
- El Equilibrio Entre Sesgo y Varianza
- La División Definitiva de Datos: Entrenamiento/Validación/Prueba
- Hiperparámetros vs. Parámetros del Modelo
- Estrategias de Ajuste de Hiperparámetros
- Mas Allá de la Precisión: Curvas ROC vs. Curvas de Precisión-Recuperación
- Interpretación del Modelo: Abriendo la Caja Negra
- El Pipeline Reproducible
- Calibración del Modelo
- ¿Hacia donde ir desde aquí?
Práctica:
Evaluación de modelos, ajuste de hiperparámetros y aplicaciones avanzadas
Configuración e Importaciones
Carpa Datos y Crear División Final
Ajuste de Hiperparámetros con GRIDSEARCHCV
Modelo Guanlet – Comparación Final
Visualizar Curvas de Rendimiento
Interpretar el Mejor Modelo
Guardia Artefactos Finales
Ejercicios Extras

Proyecto

The Resistance Code: An AI-Powered Approach to Predicting Antibiotic Susceptibility

El proyecto del curso se centra en predecir la resistencia a los antibióticos en la bacteria Neisseria gonorrhoeae. Utilizando un conjunto de datos genómicos de Kaggle, los estudiantes aprenderán a construir y evaluar modelos de aprendizaje automático para clasificar si una cepa bacteriana es resistente o susceptible a diferentes antibióticos (azitromicina, ceftriaxona o ciprofloxacina), basándose en la presencia o ausencia de secuencias de ADN específicas llamadas ‘unitigs‘.

Instructor

Axel Alejandro Ramos García

Instituto Tecnológico y de Estudios Superiores de Monterrey

Especialista en Bioinformática y Biología Computacional, enfocado en el uso de aprendizaje automático para el análisis genómico. Desarrolló FuNTB, herramienta para el análisis de SNP en Mycobacterium tuberculosis, y ha trabajado con modelos como DNABERT. Tiene experiencia en inteligencia artificial aplicada a la biomedicina y en computación de alto rendimiento.

Certificado digital

Obtendrás un certificado con valor curricular, el cual queda registrado dentro de la plataforma de Conociverso y podrás consultar en cualquier momento para su validación.

Requerimientos técnicos

Fundamentos de Bioinformática estructural (Docking, dinámica y visualización de biomoléculas).
Bioquímica básica.
Memoria RAM de 8 GB o superior.
Procesadores core i5 similar o superior.

Preguntas frecuentes

¿Se entrega un certificado al finalizar este curso?

Sí. Al terminar el curso recibirás un certificado con valor curricular, emitido por Conociverso, que demuestra las habilidades adquiridas durante el curso.

¿Debo tener algún grado académico específico para inscribirme?

No necesariamente. Recomendamos contar con conocimientos básicos en ciencias biológicas, pero el programa está pensado para adaptarse tanto a estudiantes como a profesionales.

¿Necesito tener instalado algún software antes de iniciar?

No. Durante el diplomado aprenderás a instalar y utilizar cada herramienta paso a paso, con la guía de tus profesores. Únicamente necesitas contar con una computadora con al menos 8 GB de RAM.

Si las clases en vivo ya pasaron, ¿aun así puedo tomar este curso?

¡Por supuesto! Todos nuestros cursos están diseñados para que también los puedas realizar en modalidad asincrónica, a tu propio ritmo y en el horario que mejor se adapte a ti. Tendrás acceso a las grabaciones de todas las clases del curso y al material complementario.

¿Emiten factura fiscal?

Sí, emitimos factura fiscal únicamente para México. Para solicitarla, ve a la configuración de tu cuenta, en la sección de pagos encontrarás la opción de facturación. Debe solicitarse dentro del mismo mes en que se realizó la compra.

Reseñas

M1 Fundamentos y Preprocesamiento

Panorama general de la bioinformática estructural y sus aplicaciones.
Presentación de la importancia de la mutación racional de proteínas en aplicaciones industriales y médicas.
Introducción a los cuatro casos de estudio que se desarrollarán durante el curso.
Práctica: Análisis del diseño computacional de una vacuna.

M2 Modelos Supervisados

Teoría: Regresión Logística, Bosques Aleatorios, métricas de evaluación
Práctica: Entrenamiento y evaluación de modelos de clasificación
Herramientas: scikit-learn

M3 Aprendizaje No Supervisado

Teoría: Reducción dimensional (PCA, t-SNE, UMAP) y clustering (K-means, jerárquico)
Práctica: Identificación de patrones ocultos en datos biológicos

M4 Redes Neuronales

Teoría: Fundamentos de deep learning, arquitecturas de redes neuronales
Práctica: Implementación con Keras, manejo de sobreajuste
Herramientas: Keras, PyTorch

M5 Optimización y Producción

Teoría: Ajuste de hiperparámetros, interpretación de modelos, pipelines reproducibles
Práctica: GridSearchCV, curvas ROC, implementación final