El plan de estudios del programa cuenta con 60 ECTS
26 ECTS - Trabajo fin de máster
22 ECTS - Asignaturas obligatorias
12 ECTS - Asignaturas optativas
MÓDULOS, MATERIAS Y ASIGNATURAS
| MÓDULO | MATERIA | ASIGNATURA | OP/OB | ECTS |
| 1 Trabajo Fin de máster |
1.1 | OB | 26 | |
| 2 General |
2.1 | OB | 2 | |
| 2.2 Ciencia de datos y modelos en ciencias experimentales |
OB | 5 | ||
| OB | 5 | |||
| 2.3 Introducción a la Bioinformática |
OB | 5 | ||
| OB | 5 | |||
| 3 Optativo |
3.1 Optativas |
OP | 3 | |
| OP | 3 | |||
| OP | 3 | |||
| OP | 3 | |||
| OP | 3 | |||
| OP | 3 | |||
| OP | 3 | |||
| OP | 3 | |||
| OP | 3 | |||
| OP | 3 | |||
| OP | 3 |
Proyecto fin de máster
El Máster tiene una orientación práctica: desde el primer día, cada estudiante empezará un proyecto en su área de interés para aplicar en un caso real las herramientas informáticas que se explican en las asignaturas.
El TFM (26 ECTS) es un trabajo dirigido por un tutor, que previamente debe entrevistarse con el estudiante. Empieza a realizarse el primer día del curso y constituye el pivote en torno al cual gira el Máster.
Muchos investigadores de la Universidad de Navarra y del Centro de Investigación Médica Aplicada (CIMA) ofrecen títulos de TFM que están dispuestos a supervisar. Alternativamente, el estudiante puede buscar un profesor dispuesto a dirigir un trabajo de su interés y proponerlo como TFM. Además, existen acuerdos establecidos con empresas interesadas en acoger a un estudiante del máster para realizar su TFM en empresa.
ALGUNOS EJEMPLOS
Sistema automatizado de diagnóstico por análisis de imágenes
El proyecto persigue elaborar un kit de diagnóstico de bajo coste con el fin de detectar, mediante análisis de imágenes en una muestra biológica, algunas enfermedades de especial incidencia en países pobres (tuberculosis, malaria, etc.).
Análisis de la sensibilidad de distintos modelos de distribución de especies a la degradación de la información biológica y ambiental disponible
Conocer las limitaciones que los métodos más frecuentemente utilizados en la literatura tienen ante la calidad de la información de entrada, con el fin de decidir cuál es la herramienta más adecuada a utilizar en función de los datos primarios disponibles.
Medicina personalizada de precisión para el tratamiento del mieloma múltiple empleando técnicas de Deep Learning (aprendizaje profundo)
En este proyecto se propone emplear datos de RNA-Seq, DNA-Seq y datos clínicos para diseñar un nuevo sistema de estratificación de pacientes con mieloma múltiple basado en el empleo de autoencoders.
Modelización de la cinética de fotodegradación catalítica en medios acuosos
El trabajo consistirá en desarrollar modelos cinéticos generales de fotodegradación que tengan en cuenta otras sustancias presentes en el medio acuoso.
