Inscripciones abiertas hasta el 18 de agosto inclusive, a través de este formulario.
Introducción:
Varias cajas de Pandora fueron abiertas en las ciencias biológicas mediante la aplicación de
nuevas tecnologías: desde el descubrimiento de los microorganismos a la dilucidación de la
maquinaria celular y molecular que hace posible la vida, un sinfín de ejemplos son
enumerables. El aprendizaje profundo, una disciplina que se encuentra en ebullición en los
últimos años, parece ser una de esas cajas cargadas de herramientas que serán moneda
corriente para los/as biólogos/as del futuro.
Este curso se plantea introducir y ejercitar el uso de herramientas de aprendizaje profundo para
el análisis de problemas biológicos. Para ello, se introducirán conceptos teóricos básicos de la
disciplina, los cuales serán aplicados a problemas biológicos concretos obtenidos de la
literatura reciente.
El curso no pretende ser una introducción formal y exhaustiva sobre el tópico (aunque no se
evitará la rigurosidad cuando sea necesaria), teniendo por objetivo que el/la estudiante obtenga
una noción básica sobre los conceptos claves del área y la aplicación a diversas áreas de la
biología. En lo referente al desarrollo práctico, se ejercitará la utilización de herramientas de la
librería PyTorch (Python) para aplicar los modelos presentados a datos obtenidos de la
literatura.
El curso contará con un equipo interdisciplinar, reuniendo a docentes de las áreas matemática
e ingeniería junto a docentes del área de biología computacional.
Objetivo:
● Comprender principios fundamentales de aprendizaje automático/profundo
● Aprender a seleccionar y aplicar modelos de aprendizaje profundo adecuados para diferentes
tipos de datos y contextos.
● Aprender a utilizar la librería PyTorch (lenguaje de programación Python) para el desarrollo de
modelos de aprendizaje profundo
● Ser capaces de interpretar los resultados de los modelos de aprendizaje profundo y
considerar las limitaciones e implicancias éticas de sus aplicaciones.
● Explorar casos de estudio reales de aplicación de aprendizaje profundo en ciencias
biológicas.
Temario General:
· Módulo 1. Fundamentos para el Aprendizaje Profundo
- Repaso de Aprendizaje Automático. Flujo de trabajo de AA aplicado a biología: desde
datos crudos (ómicos, imágenes/microscopía, audio de campo, etc.) hasta métricas.
Función de ajuste y representación de hipótesis. Aprendizaje supervisado, no
supervisado y por refuerzo. Ajuste de modelos: overfitting, underfitting, bias–variance
tradeoff. Validación cruzada y métricas comunes. - Redes Neuronales Artificiales. Perceptrón monocapa y multicapa. Funciones de
activación. Teorema de aproximación universal. Conceptualización de descenso por
gradiente y retropropagación. Inicialización, normalización y regularización.
· Módulo 2. Arquitecturas de Deep Learning y Aplicaciones Biológicas
- Redes Convolucionales (CNN) Convolución, pooling, padding, stride. Datos con
estructura espacial (imágenes, mapas). Patrones locales y jerárquicos en datos 1D y 2D
no visuales. Arquitecturas clásicas: LeNet, AlexNet, ResNet. Transfer learning y
fine-tuning en contextos biológicos. Casos biológicos: Detección de motivos en
secuencias de ADN, predicción de estructura secundaria a partir de la secuencia de
aminoácidos, reconocimiento de patrones auditivos. - Autoencoders. Concepto y arquitectura básica. Autoencoders para reducción de
dimensionalidad (p. ej., expresión génica, metagenómica). Denoising autoencoders,
variational autoencoders (VAE). Casos biológicos. - Transformers y Embeddings. Redes que procesan secuencias y sus limitaciones. Word
embeddings no contextuales (word2vec). Mecanismo de atención. Arquitectura
transformer (encoder/decoder). Embeddings dependientes del contexto. Casos
biológicos: clasificación de secuencias genómicas (DNABERT), anotación de proteínas
(ESM models), análisis de cantos de aves con audio embeddings. Análisis del habla. - Interpretabilidad y reproducibilidad. Grad-CAM en CNNs. Visualización de atención en
transformers. Autoencoders sparse para la interpretabilidad. Alucinaciones. Aspectos
éticos del uso de modelos de DL en CB. Bonus: “cómo leer un paper de deep learning
en biología”.
· Módulo 3. Casos de Estudio y Proyecto Final
- Casos de estudio. i. Neurociencias y Lenguaje ii. Genómica y proteómica iii.
Aplicaciones en Ecología. - Diseño de un flujo de trabajo completo: Planteo del problema. Preparación y exploración
de datos. Entrenamiento y ajuste de modelo. Evaluación y visualización de resultados.
Público esperado
El curso está dirigido a estudiantes de grado avanzado, posgrado o egresados de las áreas
biológicas (ej. Ciencias Biológicas, Bioquímica, Medicina, Veterinaria, Agronomía, etc) con
experiencia básica de programación y conocimientos matemáticos (álgebra lineal, probabilidad
y estadística). Con respecto a programación, es necesario haber cursado Aprendizaje
Automático Básico para Científicos, Introducción a la Ciencia de Datos (cursos de CICADA),
Introducción a la Línea de Comandos (Instituto de Higiene), o contar con formación equivalente.
Los cursos de matemáticas, probabilidad y estadística usuales en las carreras de grado que
incluyen estos temas son suficientes.
El curso puede ser también útil a estudiantes con trayectorias fuera de las biociencias (ej.
ingeniería, física o matemática). Son deseables, aunque no excluyentes, conocimientos básicos
de biología (equivalentes a Introducción a la biología I o Biología general, ej. conocimientos
básicos de genética, biología molecular, ecología y evolución).
Aprobación:
Se realizarán entregas de tareas asignadas durante el curso y luego se presentará un proyecto
final.
Docentes:
Mauricio Langleib, Felipe Maresca, Héctor Romero, Juan Carlos ValleLisboa.
Invitados:
Paola Bermolen, Álvaro Cabana, Francisco de Izaguirre, Federico Lecumberry, Bernardo
Marenco.
Fechas, lugar, duración y carga horaria:
El curso se dictará lunes y miércoles de 9:30 a 12:30 h, entre el 19 de agosto y el 25 de noviembre, y tendrá una carga horaria de 6 horas por semana (90 hs en total, 12 créditos).
Será dictado en forma presencial en Facultad de Ciencias.
Inscripciones
Bedelía de Facultad de Ciencias y en este formulario (https://bit.ly/capibara_2026).
Contacto: eletor@fcien.edu.uy, juancvl@fcien.edu.uy.
Bibliografía:
Deep Learning for Biology: Harness AI to Solve Real-World Biology Problems. Charles Ravarani, Natasha Latysheva. O’Reilly (2025)
Deep Learning. Ian Goodfellow, Yoshua Bengio, and Aaron Courville. Massachusetts Institute of Technology (2016)
Deep Learning with PyTorch. Eli Stevens, Luca Antiga and Thomas Viehmann. Manning Publications Co (2023)
Deep Learning for Coders with fastai and PyTorch. Jeremy Howard and Sylvain Gugge. O’Reilly
(2020)
The Elements of Statistical Learning. Trevor Hastie, Robert Tibshirani, and Jerome Friedman. Springer (2009)
Mathematics for Machine Learning. Marc Peter Deisenroth, A. Aldo Faisal, and Cheng Soon Ong Cambridge University Press (2020)
Understanding Deep Learning. Simon J. D. Prince. MIT Press (2023)