Curso de Introducción a Python para Bioinformática

Dr. José Antonio Sánchez Villanueva

Universidad Politécnica del Estado de Morelos (UPEMOR)

Curso de Introducción a Python para Bioinformática

Curso en línea

Acceso durante 1 año

10 horas totales

$899.00 MXN ($45 USD)

Información general

Este curso está diseñado para científicos e investigadores que desean aprender Python desde cero y aplicarlo de inmediato a problemas reales de bioinformática. Trabajarás con datos de secuenciación de ARN, construirás funciones y pequeños algoritmos reutilizables y aprenderás a automatizar tareas y manipular archivos de forma segura y reproducible en entornos de investigación. Al finalizar, tendrás una base sólida para avanzar hacia análisis más complejos y publicar flujos de trabajo con buenas prácticas.

Qué aprenderás

Programación con Python

Implementación de algoritmos para análisis de datos de secuenciación de ARN.

Interpretación de resultados de datos de secuenciación de ARN.

A quién va dirigido este curso

Dirigido a estudiantes y profesionales de biología, biotecnología, bioquímica, genética, biomedicina y biología molecular, así como a investigadores y técnicos que trabajan con datos de secuenciación, genómica, proteómica o transcriptómica y desean automatizar procesos y realizar análisis reproducibles con Python.

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 Bases iniciales de programación con Python

Principales tipos de datos en Python: Integers, Strings, Floats.
Principales estructuras de datos en Python: Variables, Listas, Sets, Tuples, Diccionarios.
Estrategias de control de flujo en Python: (if, elif, else, for, while, range)
Práctica 1: Exploración de bases de datos y reconocimiento de tipos de datos de expresión genética.

M2 Definición de funciones, importación de módulos y librerías

Definición y uso de funciones básicas: def, argumentos posicionales y nombrados, valores por defecto y return.
Importación y uso de módulos de uso común (math, random, os, pandas para tablas y lectura de CSV/TSV).
Manipulación de archivos
Práctica 2: Inspección, filtrado y limpieza de datos de expresión génica (detección de valores faltantes/duplicados, eliminación de genes con conteos bajos, estandarización de nombres y guardado del dataset limpio).

M3 Manejo de datos tabulares con Pandas

Introducción a Pandas: conceptos básicos de la librería, estructuras principales (Series y DataFrame) y ventajas para el análisis de datos científicos.
Creación de DataFrames: generación desde listas, diccionarios y archivos
Selección y filtrado: uso de loc e iloc, filtrado condicional, detección y manejo de valores faltantes.
Transformación de datos
Práctica 3: Análisis de correlación y coexpresión en datos de expresión génica, construcción de una matriz de correlación, aplicación de umbrales y exportación de resultados para interpretación biológica.

M4 Bases de la programación orientada a objetos en Python

Definiciones fundamentales: class, init, object, atributos de instancia y de clase, palabra clave self, métodos y encapsulamiento básico.
Creación de clases y objetos: instanciación, métodos de instancia, inicialización con parámetros, repr/str para representación legible y propiedades para control de acceso.
Práctica 4: Análisis de agrupación jerárquica

M5 Python para aplicaciones bioinformáticas: Secuenciación de ARN

Revisión y retroalimentación de propuestas de análisis de RNA-seq: objetivo biológico, diseño experimental, elección de herramientas, criterios de éxito y riesgos comunes (batch effects, bajo poder, anotación).
Casos de uso que se verán: (1) expresión diferencial a dos condiciones, (2) diseños multifactoriales, (3) diagnóstico y corrección de batch effect, (4) series temporales/gradientes, (5) análisis funcional posterior (GO/KEGG).
Revisión de proyectos y retroalimentación

Proyecto

Análisis de datos de secuenciación de ARN (RNA-seq) con Python.

Diseñarás e implementarás algoritmos para cargar, procesar y analizar datos de expresión de ARN en un cuaderno interactivo de Google Colaboratory. Elaborarás un reporte de los resultados principales del análisis y de su interpretación biológica.

Instructor

Dr. José Antonio Sánchez Villanueva

Universidad Politécnica del Estado de Morelos (UPEMOR)

Biólogo computacional con formación en Bioquímica, Biología Celular y Biología Molecular. Su trabajo integra enfoques experimentales y computacionales para estudiar los mecanismos epigenéticos, la señalización celular y el destino celular, con especial interés en el análisis multi-ómico, la bioinformática y el modelado computacional.

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

No se requieren conocimientos previos de programación.
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 Bases iniciales de programación con Python

Principales tipos de datos en Python: Integers, Strings, Floats.
Principales estructuras de datos en Python: Variables, Listas, Sets, Tuples, Diccionarios.
Estrategias de control de flujo en Python: (if, elif, else, for, while, range)
Práctica 1: Exploración de bases de datos y reconocimiento de tipos de datos de expresión genética.

M2 Definición de funciones, importación de módulos y librerías

Definición y uso de funciones básicas: def, argumentos posicionales y nombrados, valores por defecto y return.
Importación y uso de módulos de uso común (math, random, os, pandas para tablas y lectura de CSV/TSV).
Manipulación de archivos
Práctica 2: Inspección, filtrado y limpieza de datos de expresión génica (detección de valores faltantes/duplicados, eliminación de genes con conteos bajos, estandarización de nombres y guardado del dataset limpio).

M3 Manejo de datos tabulares con Pandas

Introducción a Pandas: conceptos básicos de la librería, estructuras principales (Series y DataFrame) y ventajas para el análisis de datos científicos.
Creación de DataFrames: generación desde listas, diccionarios y archivos
Selección y filtrado: uso de loc e iloc, filtrado condicional, detección y manejo de valores faltantes.
Transformación de datos
Práctica 3: Análisis de correlación y coexpresión en datos de expresión génica, construcción de una matriz de correlación, aplicación de umbrales y exportación de resultados para interpretación biológica.

M4 Bases de la programación orientada a objetos en Python

Definiciones fundamentales: class, init, object, atributos de instancia y de clase, palabra clave self, métodos y encapsulamiento básico.
Creación de clases y objetos: instanciación, métodos de instancia, inicialización con parámetros, repr/str para representación legible y propiedades para control de acceso.

Práctica 4: Análisis de agrupación jerárquica

M5 Python para aplicaciones bioinformáticas: Secuenciación de ARN

Revisión y retroalimentación de propuestas de análisis de RNA-seq: objetivo biológico, diseño experimental, elección de herramientas, criterios de éxito y riesgos comunes (batch effects, bajo poder, anotación).
Casos de uso que se verán: (1) expresión diferencial a dos condiciones, (2) diseños multifactoriales, (3) diagnóstico y corrección de batch effect, (4) series temporales/gradientes, (5) análisis funcional posterior (GO/KEGG).
Revisión de proyectos y retroalimentación