有了这个大学课程，以 100% 在线的方式深入了解生物信息学和计算机领域核心理论的最新进展，现在已成为一种可行的学术选择” 

生物信息学的两大成就是流程自动化以及针对性越来越强、越来越有效的计算策略的开发，其他成就也由此产生，如资源和技术的数字化以及临床数据的大规模处理。因此，在遗传学、药理学和医学等领域开展研究的成功率有了更大的保障，从而使个性化治疗日益普及。  

在所有这些进程中，信息技术都发挥了主导作用，不仅开发了执行这些进程的工具，而且还使这些工具适用于卫生部门。因此，鉴于该技术的不断发展，TECH 及其专家团队认为有必要制定一项计划，使该领域的专业人员能够在全面了解生物信息学和计算机核心原理的基础上实现专业化。这也是这个大学课程的由来，通过该课程，毕业生将能够更多地了解临床数据库的最新发展，以及 电子健康信息的网络和搜索引擎。此外，他们还将学习遗传模式匹配以及主要的建模和模拟策略。 

它将收录 150 个小时的最佳资料，以不同的形式呈现，100% 在线播放。此外，从学术活动开始时起，所有内容都可在虚拟校园上查阅，并可下载到任何可连接互联网的设备上。这样，计算机科学家就能以个性化的方式安排课程，参加适合自己需要和当前劳动力市场需求的培训。  

你是否希望将掌握生物信息学计算的主要数据库列入你的技能目录？报名参加这个课程，在不到 6 周的时间内就能获得"

这个生物信息学计算： 医疗流程的数字化和自动化大学课程包含市场上最完整和最新的课程。主要特点是：

• 由生物信息学计算专家介绍案例研究的发展情况
• 这个课程的内容图文并茂、示意性强、实用性强为那些视专业实践至关重要的学科提供了科学和实用的信息 
• 可以进行自我评价过程的实践练习，以提高学习效果 
• 其特别强调创新方法  
• 理论课、向专家提问、关于有争议问题的讨论区和这个反思性论文 
• 可从任何连接互联网的固定或便携设备上访问内容 

这是研究局域网（LAN）、广域网（WAN）、城域网（MAN）和局域网（PAN）通信模型、其协议和拓扑结构以及数据中心计算硬件的绝佳机会"   

这个课程的教学人员包括来自这个行业的专业人士，他们将自己的工作经验带到了这一培训中，还有来自领先公司和著名大学的公认专家。  

多媒体内容是用最新的教育技术开发的，将允许专业人员进行情景式学习，即一个模拟的环境，提供一个身临其境的培训，为真实情况进行培训。  

这个课程的设计重点是基于问题的学习，藉由这种学习，专业人员必须努力解决整个学年出现的不同的专业实践情况。为此，你将获得由知名专家制作的新型交互式视频系统的帮助。   

目前学术市场上最适合深入研究生物信息学和电子健康领域最广泛使用的搜索引擎的复杂性的课程"

你将拥有绝对的自由，可以在任何需要的时候进行联系，没有时间表或面对面的课程，而是通过一种由你决定何时何地进行学习的体验"

TECH 的主要目标是开发完整、动态和多学科的学位。因此，他为每一本书精选了最好的理论和实践材料，并辅以其他高质量和多样化的内容：详细的视频、研究文章、读物、新闻、动态摘要...这样，毕业生就有可能以个性化的方式学习教学大纲的不同方面，参加适合其要求的定制培训课程。  

你还将使用信息技术和生物技术领域最创新、最有效的可视化和渲染工具"  

 模块 1. 生物信息学中的计算 

1.1. 生物信息学和计算中的核心教条。目前状况 

1.1.1. 生物信息学中的理想应用 
1.1.2. 分子生物学和计算的平行发展 
1.1.3. 生物学和信息论中的教条 
1.1.4. 信息流 

1.2. 生物信息学计算的数据库 

1.2.1. 数据库 
1.2.2. 数据管理 
1.2.3. 生物信息学中的数据生命周期 

1.2.3.1. 用途 
1.2.3.2. 修改 
1.2.3.3. 归档 
1.2.3.4. 再利用 
1.2.3.5. 丢弃的 

1.2.4. 生物信息数据库技术 

1.2.4.1. 建筑学 
1.2.4.2. 数据库管理层 

1.2.5. 生物信息学中的数据库接口 

1.3. 用于生物信息学计算的网络 

1.3.1. 沟通模式。局域网、广域网、MAN和PAN网络 
1.3.2. 协议和数据传输 
1.3.3. 网络拓扑结构 
1.3.4. Hardware 计算数据中心 
1.3.5. 安全、管理和实施 

1.4. 生物信息学中的搜索引擎 

1.4.1. 生物信息学中的搜索引擎 
1.4.2. 生物信息学搜索引擎的流程和技术 
1.4.3. 计算模型：搜索和近似算法 

1.5. 生物信息学中的数据可视化 

1.5.1. 生物序列的可视化 
1.5.2. 生物结构的可视化 

1.5.2.1. 可视化工具 
1.5.2.2. 渲染工具 

1.5.3. 生物信息学应用的用户界面 
1.5.4. 生物信息学中可视化的信息架构 

1.6. 计算的统计数据 

1.6.1. 生物信息学中计算的统计学概念 
1.6.2. 用例：MARN微阵列 
1.6.3. 不完善的数据。统计学中的错误：随机性、近似性、噪音和假设 
1.6.4. 误差量化：精度、灵敏度和敏感度 
1.6.5. 聚类和分类 

1.7. 数据挖掘 

1.7.1. 数据挖掘和计算方法 
1.7.2. 数据挖掘和计算基础设施 
1.7.3. 模式发现和识别 
1.7.4. 机器学习和新工具 

1.8. 遗传模式匹配 

1.8.1. 基因模式匹配 
1.8.2. 序列比对的计算方法 
1.8.3. 模式匹配工具 

1.9. 建模和模拟 

1.9.1. 在制药领域的使用：药物发现 
1.9.2. 蛋白质结构和系统生物学 
1.9.3. 可用的工具和未来 

1.10. 协作和电子计算项目 

1.10.1. 网格计算 
1.10.2. 标准和规则。统一性、一致性和互操作性 
1.10.3. 协作式计算项目