🟢 Nível 1: Fundamentos, Linux e Organização

O primeiro passo para qualquer bioinformata é dominar o terminal e saber organizar sua ciência.

Infraestrutura e Shell

• Curso/Tutorial: The Unix Shell (The Carpentries)

• Curso/Tutorial: Introduction to HPC (Essencial para clusters).

• Guia: Unix Bootcamp e UNIX Tutorial for Beginners.

• Leitura: Practical Introduction to Linux.

Gestão de Projetos e Reprodutibilidade

• Paper: A Quick Guide to Organizing Computational Biology Projects

• Paper: An Online Bioinformatics Curriculum

• Guia: A Quick Introduction to Version Control with Git and GitHub

• Desafio Prático: Rosalind (Aprenda resolvendo problemas).

🟡 Nível 2: Programação, Estatística e Visualização

Aprenda a manipular dados e gerar gráficos de alta qualidade.

Linguagem R e Bioconductor

• Cursos: Introduction to R e Introduction to DGE.

• Guias Práticos: Cookbook for R e Quick & Dirty Guide to R.

• Visualização Avançada: ggfortify, ggbio e Gviz.

• Redes e Relatórios: Interactive Network Visualization using R e ReportingTools.

Linguagem Python

• Curso: Python for Biologists (Referência para biólogos).

• Curso: Introduction to Python for Biology (Coursera).

• Biblioteca: Biopython Tutorial.

Estatística e Sobrevida

• Literatura: Survival Analysis Part I, Part II, Part III e Part IV.

• Tutorial: Survival Analysis in R.

• Método: Practical Guide to PCA in R.

🟠 Nível 3: Genômica e Transcriptômica de Larga Escala (NGS)

Entenda o processamento de dados brutos de DNA e RNA.

NGS e Genoma (WGS/WES)

• Papers Base: * Coming of age: ten years of NGS technologies.

  • Sequencing technologies — the next generation.

  • A survey of sequence alignment algorithms for NGS.

• Variantes (WGS): * Genome structural variation discovery and genotyping.

  • Genotype and SNP calling from NGS data.

• Literatura Essencial: Pan-cancer analysis of whole genomes (PCAWG).

• Curso: Genome Sequencing (Bioinformatics II).

Transcriptoma (RNA-Seq)

• Cursos: RNA-seq Bioinformatics e Differential gene expression workshop.

• Papers de "Best Practices": * A survey of best practices for RNA-seq data analysis.

  • RNA sequencing: advances, challenges and opportunities.

• Tutoriais Técnicos: RNA-seqlopedia, RNA-Seq De novo Assembly Using Trinity e ENCODE RNA-Seq Standards.

• Métodos (Papers): RPKM inconsistency, Normalização Illumina, HISAT/StringTie/Ballgown.

🔴 Nível 4: Bioinformática em Oncologia e Análise de Sistemas

Foco na biologia do tumor e interações complexas.

Genômica do Câncer

• Curso: Bioinformatics for Cancer Genomics.

• Literatura: * Computational genomics tools for tumour–immune cell interactions.

  • Expanding the computational toolbox for mining cancer genomes.

  • Nature Collection: Cancer genomics.

• Fluxo de Trabalho: TCGA Workflow usando Bioconductor.

Enriquecimento e Redes de Interação

• Paper: Gene set enrichment analysis (GSEA).

• Paper: How to visually interpret biological data using networks.

• Paper: Functional variomics and network perturbation in cancer.

🚀 Nível 5: Fronteiras - Single-cell, Espacial e Machine Learning

As tecnologias que estão definindo o futuro da bioinformática.

Single-cell RNA-seq (scRNA-seq)

• Leitura: Current best practices in single-cell RNA-seq analysis.

• Cursos/Tutoriais: Seurat (R) e Scanpy (Python).

Spatial Transcriptomics

• Literatura: Method of the Year: Spatially resolved transcriptomics.

• Tutoriais: Seurat Spatial Analysis e Squidpy (Python).

Machine Learning em Bioinformática

• Curso: Machine Learning for Data Science (edX).

🛠️ Caixa de Ferramentas (Links Rápidos)

• Pipelines: RNACocktail, MultiQC.

• Utilidades Online: jvenn (Venn), Cancer Cell Metabolism Gene DB.

• Visualização: The Ultimate Guide To Partitioning Clustering.