Descripción del curso

¿Qué aprenderás?

Este curso introduce, paso a paso, las principales herramientas de Deep Learning usadas hoy en biología y genómica. Empezamos desde cero (clasificación básica con regresión logística) y avanzamos hacia modelos modernos como CNNs para ADN, Transformers, modelos fundacionales como DNABERT-2, herramientas para single-cell como scVI y modelos de estructura proteica como AlphaFold.

 

Cada sesión combina explicación conceptual clara y práctica guiada en Google Colab usando datos reales de biología (expresión génica, secuencias de ADN, datos de ChIP-seq, single-cell RNA-seq, etc.).

 

Al finalizar el curso podrás:

  • Entender cuándo usar regresión logística, redes neuronales, CNNs, LSTMs o Transformers.
  • Trabajar con secuencias de ADN como entrada de modelos.
  • Entrenar modelos simples en PyTorch.
  • Usar modelos pre-entrenados para genómica.
  • Analizar datos de single-cell con deep learning.
  • Interpretar modelos para generar hipótesis biológicas.

 

Requisitos:

  • Conocimientos básicos de Python (variables, loops, funciones).
  • No se requiere experiencia previa en Machine Learning.
  • Todo se ejecuta en Google Colab (sin instalaciones complejas).

Contenido del curso

Explora todo lo que aprenderás en este curso estructurado

Total Lecciones: 47Total Quizzes: 0

Beneficios de la especialización

Descubre las ventajas exclusivas que obtendrás al completar este curso

Asistencia y Seguimiento

Sesiones en vivo para resolver dudas y seguimiento personalizado de tu progreso académico.

Networking

Conexión con una comunidad global de científicos para debates, colaboración y desarrollo profesional.

Certificación

Certificados emitidos por universidades reconocidas, validando tus conocimientos ante empleadores y colegas.

Acceso Continuo

Disponibilidad 24/7 a los cursos, seguimiento de lecciones y descarga de recursos complementarios.

Sobre el instructor

LU

Luis Fernando Soto Ugaldi

PhD(c) en biología computacional

Investigador en el área de genética, bioinformática y biología computacional. Realizó sus estudios de pregrado en Genética y Biotecnología en la Universidad Nacional Mayor de San Marcos, y actualmente desarrolla su formación doctoral (PhD) en investigación biomédica en el Sloan Kettering Institute del Memorial Sloan Kettering Cancer Center en Estados Unidos, donde trabaja en el laboratorio de Dana Pe’er. Su trabajo se centra en el análisis computacional de datos genómicos para comprender cómo se regulan los genes y cómo estos procesos influyen en enfermedades complejas como el cáncer, integrando herramientas de bioinformática, genómica y biología de sistemas para el estudio de la regulación genética.


Ha desarrollado experiencia en bioinformática y regulación génica como asistente de investigación en el Laboratorio de Regulación Génica de Boston University, además de desempeñarse como analista de datos en proyectos del World Food Programme y del Ministerio de Salud del Perú. Su trabajo científico se enfoca en genómica, biología computacional y análisis de datos multi-ómicos para comprender mecanismos de regulación genética y enfermedades complejas como el cáncer. Es autor y coautor de diversas publicaciones científicas en revistas internacionales como Nature Communications, Life Science Alliance, Trends in Genetics, Molecular Cell, PLOS ONE, Frontiers in Immunology y Scientific Reports, contribuyendo en estudios relacionados con redes de interacción proteína-ADN, inmunoinformática para diseño de vacunas, biomarcadores clínicos y análisis genómico de enfermedades infecciosas y cáncer

 

  • Liver cancer multiomics reveals diverse protein kinase A disruptions convergently produce fibrolamellar hepatocellular carcinoma (Nature Communications, 2024).
  • A large-scale cancer-specific protein–DNA interaction network (Life Science Alliance, 2024).
  • Molecular characterization of the meq oncogene of Marek’s disease virus in vaccinated Brazilian poultry farms reveals selective pressure on prevalent strains (Veterinary Quarterly, 2024).
  • Viral cis-regulatory elements as sensors of cellular states and environmental cues (Trends in Genetics, 2024).
  • Paired yeast one-hybrid assays to detect DNA-binding cooperativity and antagonism across transcription factors (Nature Communications, 2023).
  • Compendium of human transcription factor effector domains (Molecular Cell, 2022).
  • Epitope-Evaluator: An interactive web application to study predicted T-cell epitopes (PLoS ONE, 2022).
  • Immunoinformatic analysis of the whole proteome for vaccine design: An application to Clostridium perfringens (Frontiers in Immunology, 2022).
  • Preclinical assessment of IgY antibodies against recombinant SARS-CoV-2 RBD protein for prophylaxis and post-infection treatment of COVID-19 (Frontiers in Immunology, 2022).
  • Squalene in oil-based adjuvant improves the immunogenicity of SARS-CoV-2 RBD and confirms safety in animal models (PLoS ONE, 2022).
  • Intranasal vaccination of hamsters with a Newcastle disease virus vector expressing the S1 subunit protects animals against SARS-CoV-2 disease (Scientific Reports, 2022).
  • Leukocyte glucose index as a novel biomarker for COVID-19 severity (Scientific Reports, 2022).
  • Comprehensive virtual screening of 4.8k flavonoids reveals novel insights into allosteric inhibition of SARS-CoV-2 M<sup>PRO</sup> (Scientific Reports, 2021).
  • Tear biomarkers and corneal sensitivity as an indicator of neuropathy in type 2 diabetes (Diabetes Research and Clinical Practice, 2020).
certificado

Certifícate

Certificado por 40 horas académicas

Obtenga una certificación reconocida por las empresas, la industria nacional y extranjera

Al finalizar el curso, recibirás un certificado de participación de flyteek

Si desea obtener certificación de la universidad, deberá adicionar el costo de la certificación

Valoraciones

SE

sergiosike5

Muy buena clase, compleja por la naturaleza del tema pero bien explicada y muy completa.

AL

alysonedith

Muy buen curso, excelente información empleada y muy bien explicada.

Cursos relacionados