Guía docente de Biología Molecular de Sistemas (2611141)

Requisitos previos: Haber cursado Matemática general, Estadística, Informática aplicada a la bioquímica y Fundamentos de genética.

En el caso de utilizar herramientas de IA para el desarrollo de la asignatura, el estudiante debe adoptar un uso ético y responsable de las mismas. Se deben seguir las recomendaciones contenidas en el documento de "Recomendaciones para el uso de la inteligencia artificial en la UGR" publicado en esta ubicación: https://ceprud.ugr.es/formacion-tic/inteligencia-artificial/recomendaciones-ia#contenido0

- Características generales de los Sistemas Biológicos. El Sistema Biológico como Sistema Complejo Adaptativo alejado del equilibrio. Información, probabilidad y entropía en los sistemas biológicos. - Métodos de análisis de sistemas y procesos biológicos. Simulación, predicción y modelos formales. Análisis dinámico de sistemas lineales y no lineales. Caos y orden en sistemas biológicos. - Redes Complejas en Sistemas Biológicos: propiedades, modelos y topologías. Redes de Regulación Génica. Redes de Transducción de señal y redes neuronales. Redes de interacción de proteínas. Redes metabólicas.

• SABER:

• Demostrar un buen conocimiento de los conceptos fundamentales y la terminología asociada a los sistemas biomoleculares, a sus propiedades, a sus métodos de estudio y a su naturaleza de bio-sistemas complejos adaptativos.
• Demostrar un conocimiento suficiente de la metodología empleada para la simulación y modelado de los sistemas biomoleculares, tanto en contextos deterministas como en contextos estocásticos y mecano-estadísticos, así como para evaluar e interpretar los resultados obtenidos a partir de ellos.
• Demostrar un conocimiento suficiente sobre las aplicaciones de la Biología Molecular de Sistemas y sobre los principales problemas actuales a los que se enfrenta el análisis cuantitativo de los sistemas biológicos, con especial énfasis en la relación conceptual y metodológica entre probabilidad, información y entropía.
• Demostrar conocimientos de los criterios básicos para la validación cuantitativa de análisis ómicos: transcriptoma, proteoma e interactoma. Así como de las bases de las técnicas de alto rendimiento en análisis ómicos.

• SABER HACER:

• Saber calcular e interpretar el significado de la cantidad de información y la entropía de Shannon de un sistema biológico
• Saber plantear y resolver, mediante métodos analíticos, modelos de sistemas biomoleculares basados en ecuaciones diferenciales lineales de orden uno y dos.
• Saber desarrollar aplicaciones informáticas básicas en lenguaje Python que permitan la resolución de modelos deterministas o estocásticos de sistemas bio-moleculares tipo y el diseño de simulaciones, tanto en el contexto espacial (patrones estructurales, .fractalidad, etc.) como en el temporal (dinámicas estacionarias, dinámicas caóticas, etc.).
• Saber plantear, aplicar y resolver modelos diferenciales, lineales y no lineales, de sistemas biológicos mediante los métodos más empleados de análisis numérico aproximado (Euler, Runge-Kutta, Adams, etc.).
• Saber construir, caracterizar y analizar, a un nivel básico, redes complejas adaptivas en el contexto del metabolismo y la regulación génica (proteómica, genómica, interactómica).
• Saber deducir la secuencia de una proteína en base a los diferentes cromatogramas procedentes de un secuenciador automático por degradación de Edman. Saber analizar con el software adecuado (Chroma o similares) los datos procedentes de un secuenciador automático de DNA obtención de los cromatogramas y refinado de la secuencia.
• Buscar, obtener e interpretar los resultados de una interpelación básica a las bases de datos más usuales de transcriptoma, proteoma e interactoma. GEO db, ONCOMINE (o similares), 2D-Expasy y Mascot (o similares), BIND (o similares).

Parte I. Características generales de los Sistemas Biológicos. Complejidad e información.

• 1. Probabilidad, información y entropía en sistemas físicos y biológicos. Modelo de Shannon-Weaver. Información y entropía. Codificación, procesamiento de la Información y computabilidad: modelo de Turing. La información como medida de Complejidad de un Sistema. Complejidad, Información y Biodiversidad en Sistemas Biológicos: índices de diversidad.
• 2. Carácter disipativo de los sistemas biomoleculares alejados del equilibrio: modelo de Prigogine. Equilibrio. Estados estacionarios. Oscilaciones y ciclos límite. Estabilidad y fluctuaciones. Estructuras Disipativas, Complejidad y Sistemas Complejos. Atractores extraños. Autoorganización, Emergencia y Cambios de Fase en sistemas alejados del equilibrio. Comportamiento caótico. Representación de los sistemas complejos adaptativos como redes complejas. Tipos de redes complejas según Barabasi. Redes autosimilares.
• 3. Geometría natural y estructura de los Sistemas Biológicos Complejos: Conceptos básicos de geometría fractal. Autosimilaridad. Dimensión topológica y dimensión fractal. Curvas fractales matemáticas. Ley potencial y complejidad fractal en los fenómenos naturales. Simulación y codificación fractal de estructuras biológicas. Complejidad fractal de los sistemas biomacromoleculares.

Parte II. Métodos de análisis de sistemas y procesos biológicos.

• 4. Análisis dinámico de sistemas biológicos I. Sistemas lineales– Sistemas lineales y no lineales. Modelos analíticos de sistemas lineales continuos. Resolución analítica de sistemas de ecuaciones diferenciales lineales de coeficientes constantes. Métodos de integración numérica. La condición de estado estacionario. Estabilidad y sensibilidad del modelo.
• 5. Análisis dinámico de sistemas biológicos II. Sistemas no lineales – Análisis dinámico de sistemas no lineales. Linealización mediante la aproximación de Taylor. Análisis de estado estacionario, estabilidad y sensibilidad paramétrica. Modelos canónicos: Modelo de Lotka-Volterra. Modelos de aproximación potencial. Modelos de aproximación logarítmica.

Parte III. Redes biológicas complejas.

• 6. Genómica. Conceptos generales. Técnicas de secuenciación de alto rendimiento: secuenciación de nueva generación. Genome-wide association studies (GWAS). Epigenoma y epigenómica. Metagenómica, introducción y concepto.
• 7. Transcriptómica. Modelo elemental de regulación génica: dinámica y tiempo de respuesta. Autorregulación positiva y negativa. Motivos básicos de regulación génica. Introducción al análisis de miRNAs como reguladores postranscripcionales y biomarcadores moleculares.
• 8. Metabolómica. Estructura, conectividad y centralidad en las redes metabólicas. Modularidad y coeficiente de modularidad. Propiedades dinámicas y modelos de flujos. Redes filogenéticas. Codificación matricial y medida de distancia. Caracterización y ejemplos. Otras redes en sistemas biológicos.

(Se elegirán nueve actividades de entre las siguientes):

1. Sistemas estocásticos: simulación de movimiento browniano de una partícula. Distribuciones aleatorias y tipos de ruido. Scripting con Python y su empleo en Biología Molecular de Sistemas.
2. Probabilidad, información y entropía. Estudio de la Cantidad de Información y la Entropía de Shannon en un sistema biestado de probabilidad variable. Microestados, macroestados y distribución de probabilidad en sistemas estocásticos. Simulación informática de sistemas de m dados con n caras.
3. Evolución al equilibrio, irreversibilidad y curso de la entropía en sistemas dinámicos aleatorios constituidos por múltiples componentes. Aproximación mecano-estadística a los sistemas enzimáticos “clásicos” mediante simulación informática de un modelo sencillo.
4. Emergencia y cambios de fase en Sistemas Complejos Adaptativos. Experimento “in silico” de redes autocatalíticas de Kauffman.
5. Naturaleza fractal de la estructura espacio-temporal de los sistemas biológicos. Algoritmos de generación de fractales y caracterización de fractales matemáticos “clásicos”. Estudio de ejemplos de codificación fractal de ramificación de primordios vegetales mediante los métodos de Barnsley y Lindenmeyer. Análisis de los conjuntos de Julia y Mandelbrot.
6. Simulación con autómatas celulares deterministas. Caracterización cualitativa y cuantitativa. Modelo de Conway.
7. Resolución analítica y aproximada de modelos metabólicos elementales mediante sistemas lineales de ecuaciones diferenciales ordinarias. Comparación de los resultados obtenidos mediante integración analítica e integración numérica.
8. Identificación de microRNAs circulantes asociados a la progresión de enfermedad mediante datos de RNA-seq. Control de calidad, normalización, análisis de expresión diferencial y visualización de resultados.
9. Realización de estudios de asociación de genoma completo (GWAS). Control de calidad de datos de genotipado, análisis de asociación, representación mediante gráficos de Manhattan y análisis funcional de variantes.
10. Elaboración del diagrama de bifurcaciones de la curva logística mediante desarrollo de un programa específico. Estudio de sistemas caóticos modelo. Estabilidad y caos determinista. Cálculo del coeficiente de Lyapunov y de la constante de Feigenbaum.
11. Memorias asociativas. Desarrollo de un modelo de red neuronal con topología tipo perceptrón. Estudio de su capacidad para discriminar patrones de entrada.

• “A First Course in Systems Biology”. Eberhard O. Voit y Melissa L. Kemp. 3rd ed. Garland Science, 2025.
• “The Computational Beauty of Nature: Computer Explorations of Fractals, Chaos, Complex Systems, and Adaptation”. Gary William Flake. MIT Press (2000).
• “Analysis of biological networks”. Björn H. Junker and Falk Schreiber. Wiley-Interscience (2008)
• “An Introduction to Systems Biology: Design Principles of Biological Circuits”. Uri Alon. 2nd ed. Chapman & Hall/CRC (2020).
• “Systems Biology: A Textbook”. Edda Klipp, Wolfram Liebermeister, Christoph Wierling y Axel Kowald. 2nd ed. Wiley-VCH (2016).
• “Ecuaciones diferenciales con aplicaciones de modelado”. Dennis G. Zill, Aly El-Iraki, A. E. García Hernández y E. Filio López. 11.ª ed. Cengage Learning, México (2018).

• “La entropía desvelada” Arieh Ben-Nahim. Tusquets Eds. S.A. Barcelona (2011).
• “¿Juega Dios a los dados”. Ian Stewart. Ed. Crítica S.L. Barcelona (2001)
• “Caos” James Gleick. Seix Barral. Barcelona (1988)
• “Redes complejas” Ricard Solé. Tusquets Eds. Barcelona (2008)
• “Feedback Control in Systems Biology” Carlo Cosentino and Declan Bates. CRC Press. Boca Raton FL. (2012)
• “Fractals and Chaos Simplified for the Life Sciences”. Larry S. Liebovitch. Oxford University Press. (1998)
• “The Art of Modeling Dynamic Systems: Forecasting for Chaos, Randomness and Determinism”. Foster Morrison. Dover Publications (2008).
• “Power Laws, Scale-Free Networks and Genome Biology”. E. V. Koonin, Y. I. Wolf and G. P. Karev. Springer Science + Business Media Inc. (2006)
• “Power laws in biological networks”. E. Almaas, A.-L. Barabasi. In "Power laws, scale-free networks and genome biology" edited by E. Koonin. Springer Verlag (2006)
• “Genomes 5”. Terry A. Brown. 5th ed. CRC Press (2023).

Artículos

• Love, M. I., Huber, W. y Anders, S. “Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2”. Genome Biology 15, 550 (2014).
• Chang, C. C. et al. “Second-generation PLINK: rising to the challenge of larger and richer datasets”. GigaScience 4, 7 (2015).
• Buniello, A. et al. “The NHGRI-EBI GWAS Catalog of published genome-wide association studies, targeted arrays and summary statistics 2019”. Nucleic Acids Research 47, D1005–D1012 (2019).
• Ricard V. Solé, Romualdo Pastor-Satorras, Eric Smith and Thomas B. Kepler. “A Model of Large-Scale Proteome Evolution”. Advances in Complex Systems 1, 1-12 (2006).
• Albert-Laszlo Barabasi, Zoltan N. Oltvai, and Stefan Wuchty. “Characteristics of Biological Networks”. Characteristics of Biological Networks, Lect. Notes Phys. 650, 443–457 (2004).
• Himanshu Agrawal. “Extreme Self-Organization in Networks Constructed from Gene Expression Data”. Phys. Rev. Lett. 89, 268702 (2002).
• Roger Guimerá and Luís A. Nunes Amaral. “Functional cartography of complex metabolic networks” Nature 1, 1-16 (2005).
• E. Ravasz, A. L. Somera, D. A. Mongru, Z. N. Oltvai, A.-L. Barabási. “Hierarchical Organization of Modularity in Metabolic Networks”. Science 297, 1551-1555 (2002).
• Albert-László Barabási and Zoltán N. Oltvai. “Network Biology: Understanding the Cell’s Functional Organization”. Nature Review/Genetics 5, 101-113 (2004).
• Arend Hintze, Christoph Adami. “Evolution of Complex Modular Biological Networks”. PLoS Comput Biol 4(2): e23 doi:10.1371/journal.pcbi.0040023 (2008).
• Seymour Garte. “Fractal properties of the human genome” Journal of Theoretical Biology 230, 251–260 (2004).
• Jeffrey E. Barrick, Dong Su Yu, Sung Ho Yoon, Haeyoung Jeong, Tae Kwang O, Dominique Schneider, Richard E. Lenski and Jihyun F. Kim. “Genome evolution and adaptation in a long-term experiment with Escherichia coli”. Nature doi:10.1038/nature08480 (2009).
• M. E. J. Newman. “The Structure and Function of Complex Networks”. SIAM Review. Vol. 45, 167–256 (2003).

• https://www.ebi.ac.uk/biomodels/ BioModels: repositorio de modelos matemáticos de sistemas biológicos y biomédicos.
• https://reactome.org Reactome Pathway Database: base de datos curada de rutas biológicas y herramientas de análisis funcional.
• https://www.ebi.ac.uk/intact/ IntAct Molecular Interaction Database: base de datos de interacciones moleculares.
• https://www.ncbi.nlm.nih.gov/geo/ Gene Expression Omnibus (GEO): repositorio público de datos de genómica funcional y expresión génica de alto rendimiento.
• https://www.bioconductor.org Bioconductor: plataforma de software libre para el análisis reproducible de datos biológicos mediante R.
• https://bioconductor.org/packages/release/bioc/html/DESeq2.html DESeq2: paquete para el análisis de expresión diferencial basado en modelos binomiales negativos.
• https://www.ebi.ac.uk/gwas/ NHGRI-EBI GWAS Catalog: catálogo curado de estudios de asociación de genoma completo.
• https://www.cog-genomics.org/plink/ PLINK: conjunto de herramientas para análisis de asociación de genoma completo y datos de genotipado.

• MD01. Lección magistral/expositiva 
• MD02. Resolución de problemas y estudio de casos prácticos 
• MD03. Prácticas de laboratorio y/o informática 
• MD07. Actividad no presencial de aprendizaje mediante el estudio de la materia, el análisis de documentos, la elaboración de memorias... 

La evaluación de la asignatura se estructurará en dos apartados, teórico y práctico, que supondrán el 50 % de la calificación final cada uno. Para superar la asignatura será necesario obtener una calificación mínima de 5 sobre 10 en ambos apartados, sin que sea posible compensar la calificación de uno con la del otro. En caso de no superar alguno de los dos apartados, la calificación final será la correspondiente al apartado no superado.

El apartado teórico evaluará la adquisición y comprensión de los contenidos de la asignatura mediante exámenes y pruebas de valoración objetiva realizadas al finalizar cada uno de los bloques docentes.

El apartado práctico se basará en la resolución de problemas, tareas de clase y casos prácticos, así como en el desarrollo y presentación de actividades prácticas de carácter informático recogidas en el cuaderno personal de actividades (CPA), en el que se recogerán las evidencias correspondientes a los instrumentos SE2 y SE3. Será obligatoria la entrega de todas las actividades prácticas programadas. La calificación de este apartado se basará especialmente en aquellas más representativas de cada bloque.

La asignatura se divide en tres bloques, impartidos por profesores diferentes. La evaluación de las actividades prácticas y de las pruebas de valoración objetiva correspondientes a cada bloque se realizará al finalizar dicho bloque, según las fechas establecidas.

La evaluación extraordinaria se llevará a cabo con criterios análogos a los de la evaluación ordinaria y responderá al siguiente desglose porcentual de los instrumentos de evaluación:

• Exámenes y pruebas de valoración objetiva de los contenidos de la asignatura: 50 %.
• Presentación y evaluación del Cuaderno Personal de Actividades (CPA): 50 %.

El CPA recogerá las evidencias correspondientes a los instrumentos SE2 y SE3. Para superar la asignatura será necesario obtener una calificación mínima de 5 sobre 10 en ambos apartados. En caso de no superar alguno de ellos, la calificación final será la correspondiente al apartado no superado.

De acuerdo con la Normativa de Evaluación y de Calificación de los Estudiantes de la UGR, se contempla la realización de una evaluación única final a la que podrán acogerse aquellos estudiantes que no puedan cumplir con el método de evaluación continua por algunos de los motivos recogidos en el Artículo 8.

Para acogerse a la evaluación única final, el estudiante, en las dos primeras semanas de impartición de la asignatura, en las dos semanas siguientes a su matriculación si esta se ha producido con posterioridad, o más tarde si hay causa sobrevenida, lo solicitará a través de la sede electrónica, alegando y acreditando las razones que le asisten para no poder seguir el sistema de evaluación continua.

La evaluación única final se realizará en un solo acto académico el día de la convocatoria oficial de examen para la asignatura. Constará de un examen y pruebas de valoración objetiva sobre los contenidos de la asignatura, que supondrán el 50 % de la calificación final, y de la presentación de un Cuaderno Personal de Actividades con actividades análogas a las trabajadas en clase, cuya relación se hará accesible a todo el alumnado al comienzo del curso. El CPA recogerá las evidencias correspondientes a los instrumentos SE2 y SE3 y supondrá el 50 % restante de la calificación final. Para superar la asignatura será necesario obtener una calificación mínima de 5 sobre 10 en ambos apartados. En caso de no superar alguno de ellos, la calificación final será la correspondiente al apartado no superado.

• Podrán solicitar evaluación por incidencias, los estudiantes que no puedan concurrir a las pruebas finales de evaluación o a las programadas en la Guía Docente con fecha oficial, por alguna de las circunstancias recogidas en el artículo 9 de la Normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada, siguiendo el procedimiento indicado en dicha normativa.

• Siguiendo las recomendaciones de la CRUE y del Secretariado de Inclusión y Diversidad de la UGR, los sistemas de adquisición y de evaluación de competencias recogidos en esta guía docente se aplicarán conforme al principio de diseño para todas las personas, facilitando el aprendizaje y la demostración de conocimientos de acuerdo a las necesidades y la diversidad funcional del alumnado. La metodología docente y la evaluación serán adaptadas al alumnado con NEAE, conforme al Artículo 11 de la Normativa de Evaluación y de Calificación de estudiantes de la UGR, publicada en el Boletín Oficial de la UGR nº 112, de 9 de noviembre de 2016.

Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).