Objetivos e competências

Ao concluir esta UC, os estudantes deverão ser capazes de:

1. Reconhecer e formular problemas analíticos em contextos microbiológicos de forma estruturada
2. Identificar ferramentas e métodos apropriados para diferentes tipos de dados e questões científicas
3. Interpretar criticamente resultados de análises estatísticas e computacionais em literatura científica
4. Aplicar conceitos básicos de estatística e visualização de dados usando R
5. Familiarizar-se com abordagens de machine learning e suas aplicações em microbiologia
6. Desenvolver autonomia para aprender novas ferramentas e métodos de forma independente
7. Comunicar resultados de análises de dados de forma clara e apropriada

Metodologias de ensino

Abordagem pedagógica geral: O ensino é estruturado para maximizar exposição a ideias e ferramentas, com expectativa realista de que os estudantes desenvolverão fluência gradualmente ao longo das suas carreiras.

Estratégias específicas:

Aulas teóricas:

• Apresentação de conceitos fundamentais e frameworks analíticos
• Discussão de casos de estudo da literatura científica
• Demonstração de diferentes abordagens para problemas similares
• Formato expositivo com discussão, sem componente prática nestas aulas

Aulas teórico-práticas:

• Demonstrações ao vivo em R (live coding pelo docente)
• Exercícios guiados simples realizados em aula
• Discussão de outputs e interpretação
• Troubleshooting colaborativo de problemas comuns

Seminário:

• Preparação de reflexões críticas sobre artigos científicos
• Desenvolvimento autónomo de componentes do projeto
• Exploração de tutoriais e ferramentas complementares
• Participação em fóruns de discussão (leitura e contribuições)

Orientação tutorial síncrona:

• Sessões online distribuídas ao longo do semestre
• Sessões de troubleshooting coletivo e orientação
• Participação facultativa mas fortemente recomendada

Trabalho autónomo:

• Exercícios práticos
• Scripts base fornecidos, estudantes completam e adaptam
• Aplicação de métodos demonstrados nas aulas
• Análise de datasets fornecidos com questões guiadas
• Leitura e estudo: artigos científicos, tutoriais, materiais de apoio
• Mini-projeto final: desenvolvimento, análise, relatório e apresentação
• Reflexões críticas sobre artigos científicos
• Estudo de conceitos, exploração adicional

Ferramentas e recursos:

• R e RStudio (instalação guiada na primeira aula)
• Datasets pré-processados fornecidos (sem necessidade de bioinformática prévia)
• Templates de código para todos os exercícios
• Blackboard como plataforma central
• Fórum de discussão ativo
• Biblioteca de recursos

Conteúdos programáticos

Módulo 1

• Introdução à ciência de dados em microbiologia
• Tipos de dados microbiológicos
• Introdução ao R e RStudio
• Organização de dados
• Estatística descritiva e visualização exploratória
• Tipos especiais de dado

Módulo 2

• Formulação de hipóteses testáveis a partir de dados microbiológicos
• Testes estatísticos comuns: quando e como escolher
• Análise de diversidade microbiana: conceitos de alfa e beta diversidade
• Introdução a modelos: correlações, regressões simples, interpretação
• Visualização de resultados estatísticos
• Interpretação crítica: significância vs. relevância biológica

Módulo 3

• Machine learning: conceitos fundamentais, tipos de problemas
• Classificação e predição: exemplos em microbiologia
• Introdução a análise de dados de alto rendimento: metagenomas, multi-ómicas
• Integração de dados: conceito e exemplos práticos
• Limitações e armadilhas comuns em análise de dados
• Como continuar a aprender: recursos, comunidades, boas práticas