El Núcleo Milenio PhytoLearning continúa fortaleciendo su compromiso con la formación de nuevas generaciones en herramientas de programación aplicadas a las ciencias biológicas. En el marco del curso Python Learning, se desarrolló la segunda sesión de esta iniciativa colaborativa, que busca acercar a estudiantes y jóvenes investigadores a competencias esenciales en análisis de datos y biología computacional. Esta instancia fue liderada por la doctora Romina Sepúlveda, académica de la Universidad Andrés Bello e investigadora adjunta del Núcleo.
La Dra. Romina Sepúlveda, ingeniera en Bioinformática por la Universidad de Talca y doctora en Biotecnología por la Universidad Andrés Bello, se ha especializado en el uso de métodos de aprendizaje profundo y ciencia de datos aplicados a la biotecnología y la agricultura. Actualmente es profesora investigadora en la Facultad de Ciencias de la Vida de la UNAB e investigadora adjunta de PhytoLearning, donde desarrolla aplicaciones basadas en inteligencia artificial para el análisis de interacciones moleculares y de imágenes biológicas. Su sólida trayectoria científica y tecnológica le permitió conducir esta segunda sesión con un enfoque práctico e innovador, conectando la programación en Python con problemas reales de la investigación biológica.
En la jornada del viernes 29 de septiembre, los estudiantes profundizaron en contenidos de exploración de datos, con énfasis en la creación y manejo de DataFrames como estructura central para organizar y analizar información. Utilizando Google Colab como entorno de trabajo, una herramienta que ya había sido introducida en la primera sesión del curso, se exploraron funciones que facilitan la manipulación de datos y la generación de análisis reproducibles en la nube.
Como complemento, la Dra. Sepúlveda presentó un bloque dedicado a la librería Matplotlib, destacando su importancia como base de la visualización científica en Python. A través de ejemplos prácticos, los participantes aprendieron a construir gráficos en 2D, como barras, histogramas y diagramas de dispersión, para representar datos biológicos, en este caso asociados al crecimiento de área foliar de distintas plantas bajo diferentes condiciones de nitrógeno.
La segunda sesión del curso consolidó el objetivo de integrar teoría y práctica en un formato accesible, ofreciendo a los asistentes herramientas concretas para aplicar Python en el análisis y representación de datos en ciencias biológicas. De esta forma, Python-Learning avanza como un espacio formativo que potencia la interdisciplinariedad y proyecta a los estudiantes hacia los desafíos de la biología computacional moderna.