EMENTA (Unidade Didática)

Conceitos, práticas, métodos e tecnologias emergentes ou complementares às áreas de Bioinformática e Biologia Computacional. Desenvolvimento de projeto em Bioinformática e Biologia Computacional.

PROGRAMA (itens de cada unidade didática)

Conceitos: Introdução à bioinformática, biologia computacional, e suas implicações na investigação de sistemas biológicos. Práticas: Linguagens de programação e ferramentas computacionais de amplo uso em análise e interpretação de dados biológicos. Métodos: Algoritmos e fluxos de análise aplicados a problemas biológicos. Tecnologias emergentes ou complementares: Estratégias computacionais na geração, no tratamento e na análise de dados biológicos. Desenvolvimento de projeto: Ao longo da disciplina o aluno irá desenvolver um projeto voltado a problemas de bioinformática e biologia computacional.

OBJETIVO GERAL

Apresentar ao aluno conceitos, práticas, métodos e tecnologias emergentes nas áreas de Bioinformática e Biologia Computacional.

OBJETIVO ESPECÍFICO

O aluno deve ser capaz de realizar um projeto com base nos fundamentos e tecnologias associadas às áreas de Bioinformática e Biologia Computacional.

PROCEDIMENTOS DIDÁTICOS

Aulas expositivas-dialogadas com auxílio de projetor, quadro-negro e computador. Aplicação de exercícios práticos.

FORMAS DE AVALIAÇÃO

A avaliação consistirá em um trabalho prático, na forma de projeto entregue ao fim do semestre, contemplando 100% da nota.

BIBLIOGRAFIA BÁSICA

1. VENABLES, W.N.; SMITH D.M. An introduction to R. E-Book: R Core Team, 2020. Disponível em: <http://cran.r-project.org/manuals.html>. Acesso em: Abril de 2020.
2. Wickham, H. Advanced R. E-book, 2019. Disponível em: <https://adv-r.hadley.nz/>. Acesso em: Abril de 2020.
3. Grolemund, G; Wickham, H. R for Data Science. E-book, 2020. Disponível em: <https://r4ds.had.co.nz/>. Acesso em: Abril de 2020.

BIBLIOGRAFIA COMPLEMENTAR

1. Irizarry, R; Love, M. Data Analysis for the Life Sciences. E-book: Leanpub, 2015. Disponível em: <http://genomicsclass.github.io/book/>. Acesso em: Abril de 2020.
2. Husi, H. Computational Biology. E-book: Codon Publications, 2019. Disponível em: <https://www.ncbi.nlm.nih.gov/books/NBK550339/>. Acesso em: Abril de 2020.
3. Verli, H. Bioinformática: da Biologia à Flexibilidade Molecular. E-book: Sociedade Brasileira de Bioquímica e Biologia Molecular, 2014. Disponível em: <https://www.ufrgs.br/bioinfo/ebook/>. Acesso em: Abril de 2020. Bioconductor Core Team. Bioconductor core packages. Pacotes estatísticos, 2020. Disponível em: <https://bioconductor.org/install/>. Acesso em: Abril de 2020. Love M.I.; Anders S, Kim V, Huber W. RNA-seq workflow: gene-level exploratory analysis and differential expression. Pacotes estatísticos, 2020. Disponível em: <https://bioconductor.org/packages/rnaseqGene/>. Acesso em: Abril de 2020. Love, M.I.; Huber, W.; Anders, S. Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biology, 15:550, 2014. doi:10.1186/s13059-014-0550-8 McCarthy, D.J.; Chen, Y.; Smyth, G.K. Differential expression analysis of multifactor RNA-Seq experiments with respect to biological variation. Nucleic Acids Research, 40(10), 4288-4297, 2012. doi:10.1093/nar/gks042 Subramanian, A.; Tamayo, P.; Mootha, V.K. et al. Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles. Proc Natl Acad Sci U S A. 102(43):15545‐15550, 2005. doi:10.1073/pnas.0506580102 Reimand, J.; Isserlin, R.; Voisin, V. et al. Pathway enrichment analysis and visualization of omics data using g:Profiler, GSEA, Cytoscape and EnrichmentMap. Nature Protocols, 14:482-517, 2019. doi:10.1038/s41596-018-0103-9 Periódicos e sites especializados em bioinformática e biologia computacional acessados através do Portal Periódicos CAPES <www.periodicos.capes.gov.br>

Professor da Disciplina:

Assinatura: _________________________________________________

Chefe do Departamento ou Unidade equivalente: João Eugênio Marynowski

Assinatura: _________________________________________________