4.59.2.6 Modelos Probabilísticos en Biología Molecular (4 horas) [Habilidades CS2]

Referencias Bibliográficas: [,,,] Temas
  1. Probabilidad: Variables aleatorias, Cadenas de Markov, Algoritmo de Metropoli-Hasting, Campos Aleatorios de Markov y Muestreador de Gibbs, Máxima Verosimilitud.
  2. Modelos Ocultos de Markov (HMM), estimación de parámetros, algoritmo de Viterbi y método Baul-Welch, Aplicación en alineamientos de pares y múltiples, en detección de Motifs en proteínas, en ADN eucariótico, en familias de secuencias.
  3. Filogenia Probabilística: Modelos probabilísticos de evolución, verosimilitud de alineamientos, verosimilitud para inferencia, comparación de métodos probailísticos y no probabilísticos
Objetivos de Aprendizaje
  1. Revisar conceptos de Modelos Probabilísticos y comprender su importancia en Biología Molecular Computacional. [Assessment]
  2. Conocer y aplicar Modelos Ocultos de Markov para varios análisis en Biología Molecular. [Usage]
  3. Conocer la aplicación de modelos probabilísticos en Filogenia y comparalos con modelos no probabilísticos [Assessment]



Generado por Ernesto Cuadros-Vargas , Sociedad Peruana de Computación-Peru, basado en el modelo de la Computing Curricula de IEEE-CS/ACM