Mejora tus conocimientos en Oncología de Precisión: Genómica y Big Data a través de este programa, donde encontrarás el mejor material didáctico con casos prácticos reales. Conoce aquí los últimos avances en la especialidad para poder realizar una praxis médica de calidad”

Es un objetivo fundamental del programa, acercar al alumno y difundir el conocimiento informático que ya se aplica en otras áreas del conocimiento, pero que tiene una mínima implantación en el mundo médico. A pesar de que aún queda camino por recorrer para que la medicina Genómica sea una realidad, es preciso interpretar con precisión el volumen ingente de información clínica disponible actualmente y asociarlo a los datos biológicos que se generan tras un análisis bioinformático. 

Si bien este es un  desafío difícil, permitirá que los efectos de la variación genética y las terapias potenciales se exploren de forma rápida, económica y con mayor precisión de la que se logra en el momento actual. Los humanos no están naturalmente equipados para percibir e interpretar secuencias genómicas ni para comprender todos los mecanismos, vías e interacciones que tienen lugar dentro de una célula viva, ni para tomar decisiones médicas con decenas o centenares de variables. Para avanzar, se requiere un sistema con capacidad analítica sobrehumana que simplifique el entorno de trabajo y muestre las relaciones y proximidades entre unas variables u otras. 

En Genómica y biología, ahora se reconoce que es mejor gastar los recursos en nuevas técnicas computacionales que en la recolección de datos puros, algo que posiblemente pasa igual en medicina y, por supuesto, Oncologia. 

Se tienen millones de datos o publicaciones, pero cuando son analizadas por los médicos o biólogos, las conclusiones son totalmente subjetivas en relación con las publicaciones o datos disponibles que son priorizados de forma arbitraria, lo que genera un conocimiento parcial y, por supuesto, cada vez más distanciado del conocimiento genético y biológico disponible y apoyado en computación. Por lo tanto, un paso de gigante en la implantación de la medicina de precisión es disminuir esta distancia mediante el análisis masivo de la información médica y farmacológica disponible.

Actualiza tus conocimientos a través del programa en Oncología de Precisión: Genómica y Big Data”

Este Maestría en Oncología de Precisión: Genómica y Big Data contiene el programa científico más completo y actualizado del mercado. Las características más destacadas son:

• Desarrollo de más de 75 casos prácticos presentados por expertos en Oncología de Precisión: Genómica y Big Data. Sus contenidos gráficos, esquemáticos y eminentemente prácticos con los que está concebido recogen una información científica y asistencial sobre aquellas disciplinas indispensables para el ejercicio profesional
• Novedades en Oncologia de precisión, genómica y big data
• Contiene ejercicios prácticos donde realizar el proceso de autoevaluación para mejorar el aprendizaje
• Sistema interactivo de aprendizaje basado en algoritmos para la toma de decisiones sobre las situaciones clínicas planteadas
• Con especial hincapié en la medicina basada en la evidencia y las metodologías de la investigación en Oncología de Precisión: Genómica y Big Data
• Todo esto se complementará con lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos y trabajos de reflexión individual
• Disponibilidad de los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet

Este Maestría puede ser la mejor inversión que puedes hacer en la selección de un programa de actualización por dos motivos: además de poner al día tus conocimientos en Oncología de Precisión: Genómica y Big Data, obtendrás un título de TECH”

Incluye en su cuadro docente profesionales pertenecientes al ámbito de la Oncologia de Precisión, que vierten en esta especialización la experiencia de su trabajo, además de reconocidos especialistas pertenecientes a sociedades científicas de referencia.

Su contenido multimedia elaborado con la última tecnología educativa permitirá al profesional un aprendizaje situado y contextual, es decir, un entorno simulado que proporcionará un aprendizaje inmersivo programado para entrenarse ante situaciones reales.

El diseño de este programa está centrado en el Aprendizaje Basado en Problemas, mediante el cual el médico deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del curso. Para ello, el médico contará con la ayuda de un novedoso sistema de vídeo interactivo realizado por reconocidos expertos en el campo de la Oncologia de precisión y con gran experiencia docente.

El Maestría permite ejercitarse en entornos simulados, que proporcionan un aprendizaje inmersivo programado para entrenarse ante situaciones reales"

Incluye casos clínicos para acercar al máximo el desarrollo del programa a la realidad de la atención médica"

La estructura de los contenidos ha sido diseñada por un equipo de profesionales de los mejores centros hospitalarios y universidades, conscientes de la relevancia de la actualidad de la capacitación para poder intervenir en el diagnóstico y tratamiento de la patología oncológica, y comprometidos con la enseñanza de calidad mediante las nuevas tecnologías educativas.

Este Maestría en Oncología de Precisión: Genómica y Big Data contiene el programa científico más completo y actualizado del mercado”

Módulo 1. Biología molecular

1.1. Mecanismos moleculares del cáncer

1.1.1. Ciclo celular
1.1.2. Desprendimiento de las células tumorales

1.2. Reprogramación del microambiente tumoral

1.2.1. El microambiente del tumor: una visión general
1.2.2. El TME como factor pronóstico del cáncer de pulmón
1.2.3. TME en progresión y metástasis del cáncer de pulmón

 1.2.3.1. Fibroblastos Asociados al Cáncer (CAF)
 1.2.3.2. Células endoteliales
 1.2.3.3. Hipoxia en cáncer de pulmón
 1.2.3.4. Inflamación
 1.2.3.5. Células inmunológicas

1.2.4. Contribución del TME a la resistencia terapéutica

1.2.4.1. Contribución de TME a la resistencia a la radioterapia

1.2.5. El TME como blanco terapéutico en el cáncer de pulmón

1.2.5.1. Direcciones futuras

1.3. Inmunología tumoral: bases de la inmunoterapia en cáncer

1.3.1. Introducción al sistema inmune
1.3.2. Inmunología tumoral

 1.3.2.1. Antígenos asociados a tumores
 1.3.2.2. Identificación de antígenos asociados a tumor
 1.3.2.3. Tipos de antígenos asociados a tumores

1.3.3. Bases de la inmunoterapia en cáncer

1.3.3.1. Introducción a los enfoques inmunoterapéuticos
1.3.3.2. Anticuerpos monoclonales en la terapia contra el cáncer

  1.3.3.2.1. Producción de anticuerpos monoclonales
  1.3.3.2.2. Tipos de anticuerpos terapéuticos
  1.3.3.2.3. Mecanismos de acción de los anticuerpos
  1.3.3.2.4. Anticuerpos modificados

1.3.4. Moduladores inmunes no específicos

1.3.4.1. Bacilo de Calmette-Guérin
1.3.4.2. Interferón-α
1.3.4.3. Interleucina-2
1.3.4.4. Imiquimod

1.3.5. Otros enfoques para la inmunoterapia

1.3.5.1. Vacunas de células dendríticas
1.3.5.2. Sipuleucel-T
1.3.5.3. Bloqueo de CTLA-4
1.3.5.4. Terapia de células T adoptivas

1.3.5.4.1. Terapia celular adoptiva con clones de células T
1.3.5.4.2. Terapia celular adoptiva con linfocitos infiltrantes de tumor

1.4. Mecanismos moleculares implicados en el proceso de invasión y metástasis

Módulo 2. Oncología Genómica o de Precisión

2.1. Utilidad del perfil de expresión génica en cáncer
2.2. Subtipos moleculares del cáncer de mama
2.3. Plataformas genómicas de carácter pronóstico-predictivo en el cáncer de mama
2.4. Dianas terapéuticas en cáncer de pulmón célula no pequeña

2.4.1. Introducción
2.4.2. Técnicas de detección molecular
2.4.3. Mutación EGFR
2.4.4. Translocación ALK
2.4.5. Translocación ROS
2.4.6. Mutación BRAF
2.4.7. Reordenamientos NRTK
2.4.8. Mutación HER2
2.4.9. Mutación/amplificación de MET
2.4.10. Reordenamientos de RET
2.4.11. Otras dianas moleculares

2.5. Clasificación molecular del cáncer de colon
2.6. Estudios moleculares en el cáncer gástrico

2.6.1. Tratamiento del cáncer gástrico avanzado
2.6.2. Sobreexpresión de HER2 en cáncer gástrico avanzado
2.6.3. Determinación e interpretación de sobreexpresión de HER2 en cáncer gástrico avanzado
2.6.4. Fármacos con actividad frente a HER2
2.6.5. Trastuzumab en primera línea de cáncer gástrico avanzado

2.6.5.1. Tratamiento del cáncer gástrico avanzado HER2+ después de la progresión a esquemas con trastuzumab

2.6.6. Actividad de otros fármacos anti-HER2 en cáncer gástrico avanzado

2.7. El GIST como modelo de investigación traslacional: 15 años de experiencia

2.7.1. Introducción
2.7.2. Mutaciones de KIT y PDGFRA como promotores principales en GIST
2.7.3. Genotipo en GIST: valor pronóstico y predictivo
2.7.4. Genotipo en GIST y resistencias al imatinib
2.7.5. Conclusiones

2.8. Biomarcadores moleculares y genómicos en melanoma
2.9. Clasificación molecular de los tumores cerebrales
2.10. Biomarcadores moleculares y genómicos en melanoma
2.11. Inmunoterapia y biomarcadores

2.11.1. Escenario de las terapias inmunológicas en el tratamiento del cáncer y necesidad de definir el perfil mutacional de un tumor
2.11.2. Biomarcadores del inhibidor del punto de control: PD-L1 y más allá

2.11.2.1. El papel de PD-L1 en la regulación inmune
2.11.2.2. Datos de ensayos clínicos y biomarcador PD-L1
2.11.2.3. Umbrales y ensayos para la expresión de PD-L1: una imagen compleja
2.11.2.4. Biomarcadores emergentes

2.11.2.4.1. Carga Mutacional Tumoral (TMB)

2.11.2.4.1.1. Cuantificación de la carga mutacional tumoral
2.11.2.4.1.2. Evidencia de la carga mutacional tumoral
2.11.2.4.1.3. Carga tumoral como biomarcador predictivo
2.11.2.4.1.4. Carga tumoral como un biomarcado pronóstico
2.11.2.4.1.5. El futuro de la carga mutacional

2.11.2.4.2. Inestabilidad de microsatélites
2.11.2.4.3. Análisis del infiltrado inmune
2.11.2.4.4. Marcadores de toxicidad

2.11.3. Desarrollo de fármacos de punto de control inmune en cáncer
2.11.4. Fármacos disponibles

Módulo 3. Cambios en la práctica clínica actual y nuevas aplicaciones con la oncología genómica

3.1. Biopsias líquidas: ¿moda o futuro?

3.1.1. Introducción
3.1.2. Células circulantes tumorales
3.1.3. ctDNA
3.1.4. Utilidades clínicas
3.1.5. Limitaciones del ctDNA
3.1.6. Conclusiones y futuro

3.2. Papel del Biobanco en la investigación clínica

3.2.1. Introducción
3.2.2. ¿Merece la pena hacer el esfuerzo de crear un Biobanco?
3.2.3. ¿Cómo se puede empezar a establecer un Biobanco?
3.2.4. Consentimiento informado para Biobanco
3.2.5. Toma de muestras para Biobanco
3.2.6. Control de calidad
3.2.7. Acceso a las muestras

3.3. Ensayos clínicos: nuevos conceptos basados en la medicina de precisión

3.3.1. ¿Qué son los ensayos clínicos? ¿En qué se diferencian de otros tipos de investigaciones?

3.3.1.1. Tipos de ensayos clínicos

3.3.1.1.1. Según sus objetivos
3.3.1.1.2. Según el número de centros participantes
3.3.1.1.3. Según su metodología
3.3.1.1.4. Según su grado de enmascaramiento

3.3.2. Resultados de los ensayos clínicos en Oncología torácica

3.3.2.1. Relacionados con el tiempo de supervivencia
3.3.2.2. Resultados relacionados con el tumor
3.3.2.3. Resultados comunicados por el paciente

3.3.3. Ensayos clínicos en la era de la medicina de precisión

3.3.3.1. Medicina de precisión
3.3.3.2. Terminología relacionada con el diseño de ensayos en la era de la medicina de precisión

3.4. Incorporación de los marcadores accionables en la práctica clínica
3.5. Aplicación de la genómica en la práctica clínica por tipo tumoral
3.6. Sistemas de soporte a las decisiones en oncología basados en inteligencia artificial

Módulo 4. Empleo de Unix y Linux en bioinformática

4.1. Introducción al sistema operativo Linux

4.1.1. ¿Qué es un sistema operativo?
4.1.2. Los beneficios de usar Linux

4.2. Entorno Linux e instalación

4.2.1. Distribuciones de Linux
4.2.2. Instalación de Linux usando una memoria USB
4.2.3. Instalación de Linux utilizando CD-ROM
4.2.4. Instalación de Linux usando una máquina virtual

4.3. La línea de comandos

4.3.1. Introducción
4.3.2. ¿Qué es una línea de comandos?
4.3.3. Trabajar en el terminal
4.3.4. El Shell, Bash

4.4. Navegación básica

4.4.1. Introducción
4.4.2. ¿Cómo conocer la localización actual?
4.4.3. Rutas absolutas y relativas
4.4.4. ¿Cómo moverse en el sistema?

4.5. Manipulación de archivos

4.5.1. Introducción
4.5.2. ¿Cómo construimos un directorio?
4.5.3. ¿Cómo movernos a un directorio?
4.5.4. ¿Cómo crear un archivo vacío?
4.5.5. Copiar un archivo y directorio
4.5.6. Eliminar un archivo y directorio

4.6. Editor de textos Vi

4.6.1. Introducción
4.6.2. ¿Cómo grabar y salir? 
4.6.3. ¿Cómo navegar por un archivo en el editor de texto Vi?
4.6.4. Borrando el contenido
4.6.5. El comando deshacer

4.7. Comodines

4.7.1. Introducción
4.7.2. ¿Qué son los comodines?
4.7.3. Ejemplos con comodines

4.8. Permisos

4.8.1. Introducción
4.8.2. ¿Cómo ver los permisos de un archivo?
4.8.3. ¿Cómo cambiar los permisos?
4.8.4. Configuración de los permisos
4.8.5. Permisos para directorios
4.8.6. El usuario “Root”

4.9. Filtros

4.9.1. Introducción
4.9.2. Head
4.9.3. Tail
4.9.4. Sort
4.9.5. nl
4.9.6. wc
4.9.7. Cut
4.9.8. Sed
4.9.9. Uniq
4.9.10. Tac
4.9.11. Otros filtros

4.10. Grep y expresiones regulares

4.10.1. Introducción
4.10.2. eGrep
4.10.3. Expresiones regulares
4.10.4. Algunos ejemplos

4.11. Pipelines y redirección

4.11.1. Introducción
4.11.2. Redirección a un archivo
4.11.3. Grabar a un archivo
4.11.4. Redirección desde un archivo
4.11.5. Redirección STDERR
4.11.6. Pipelines

4.12. Manejo de procesos

4.12.1. Introducción
4.12.2. Procesos activos
4.12.3. Cerrar un proceso corrupto
4.12.4. Trabajos de primer plano y de fondo

4.13. Bash

4.13.1. Introducción
4.13.2. Puntos importantes
4.13.3. ¿Por qué el“./ ” ?
4.13.4. Variables
4.13.5. Las declaraciones

Módulo 5. Análisis de datos en proyectos de Big Data: lenguaje de programación R

5.1. Introducción al lenguaje de programación R

5.1.1. ¿Qué es R?
5.1.2. Instalación de R y la interfaz gráfico de R
5.1.3. Paquetes

5.1.3.1. Paquetes estándar
5.1.3.2. Paquetes aportados y CRAN

5.2. Características básicas de R

5.2.1. El entorno R
5.2.2. Software y documentación relacionados
5.2.3. R y estadísticas
5.2.4. R y el sistema de ventanas
5.2.5. Usando R interactivamente
5.2.6. Una sesión introductoria
5.2.7. Obtención de ayuda con funciones y características
5.2.8. Comandos R, sensibilidad a mayúsculas, etc.
5.2.9. Recuperación y corrección de comandos anteriores
5.2.10. Ejecutar comandos o desviar la salida a un archivo
5.2.11. Permanencia de datos y eliminación de objetos

5.3. Tipos de objetos de R

5.3.1. Manipulaciones simples; números y vectores

 5.3.1.1. Vectores y asignación
 5.3.1.2. Aritmética de vectores
 5.3.1.3. Generando secuencias regulares
 5.3.1.4. Vectores lógicos
 5.3.1.5. Valores perdidos
 5.3.1.6. Vectores de caracteres
 5.3.1.7. Vectores de índice

5.3.1.7.1. Selección y modificación de subconjuntos de un conjunto de datos

5.3.1.8. Otros tipos de objetos

5.3.2. Objetos, sus modos y atributos

5.3.2.1. Atributos intrínsecos: modo y longitud
5.3.2.2. Cambiar la longitud de un objeto
5.3.2.3. Obtención y configuración de atributos
5.3.2.4. La clase de un objeto

5.3.3. Factores ordenados y desordenados

5.3.3.1. Un ejemplo específico
5.3.3.2. La función tapply () y matrices desiguales
5.3.3.3. Factores ordenados

5.3.4. Matrices

5.3.4.1. Matrices
5.3.4.2. Indización de matrices. Subsecciones de una matriz
5.3.4.3. Matrices de índice
5.3.4.4. La función array ()
5.3.4.5. Aritmética mixta de vectores y matrices. La regla de reciclaje
5.3.4.6. El producto exterior de dos matrices
5.3.4.7. Transposición generalizada de una matriz
5.3.4.8. Multiplicación de matrices
5.3.4.9. Valores propios y vectores propios
5.3.4.10. Descomposición de valores singulares y determinantes
5.3.4.11. Formando matrices particionadas, cbind () y rbind ()
5.3.4.12. La función de concatenación, c (), con matrices

5.3.5. Tablas de frecuencia de factores
5.3.6. Listas

5.3.6.1. Construyendo y modificando listas
5.3.6.2. Listas de concatenación

5.3.7. DataFrames

5.3.7.1. ¿Cómo crear DataFrames?
5.3.7.2. Adjuntar () y separar ()
5.3.7.3. Trabajando con DataFrames

5.4. Lectura y escritura de datos

5.4.1. La función read.table ()
5.4.2. La función scan ()
5.4.3. Acceso a los conjuntos de datos incorporados
5.4.4. Cargando datos de otros paquetes R
5.4.5. Edición de datos

5.5. Agrupación, bucles y ejecución condicional

5.5.1. Expresiones agrupadas
5.5.2. Declaraciones de control

5.5.2.1. Ejecución condicional: sentencias IF
5.5.2.2. Ejecución repetitiva: para bucles, repetición y tiempo

5.6. Escribiendo tus propias funciones

5.6.1. Ejemplos simples
5.6.2. Definiendo nuevos operadores binarios
5.6.3. Argumentos con nombre y valores por defecto
5.6.4. El argumento “...”
5.6.5. Asignaciones dentro de funciones

Módulo 6. Entorno gráfico en R

6.1. Procedimientos gráficos

6.1.1. Comandos de trazado de alto nivel

6.1.1.1. La función plot ()
6.1.1.2. Visualización de datos multivariados
6.1.1.3. Gráficos de pantalla
6.1.1.4. Argumentos a funciones de trazado de alto nivel

6.1.2. Comandos de trazado de bajo nivel

6.1.2.1. Anotación matemática
6.1.2.2. Fuentes vectoriales Hershey

6.1.3. Interactuando con gráficos
6.1.4. Uso de parámetros gráficos

6.1.4.1. Cambios permanentes: la función par ()
6.1.4.2. Cambios temporales: argumentos a funciones gráficas

6.1.5. Lista de parámetros gráficos

6.1.5.1. Elementos gráficos
6.1.5.2. Ejes y marcas
6.1.5.3. Márgenes de la figura
6.1.5.4. Entorno de figuras múltiples

6.1.6. Estadística descriptiva: representaciones gráficas

Módulo 7. Análisis estadístico en R

7.1. Distribuciones de probabilidades discretas
7.2. Distribuciones de probabilidades continuas
7.3. Introducción a la inferencia y muestreo (estimación puntual)
7.4. Intervalos de confianza
7.5. Contrastes de hipótesis
7.6. ANOVA de un factor
7.7. Bondad de ajuste (test de chi-cuadrado)
7.8. Paquete fitdist
7.9. Introducción a estadística multivariante

Módulo 8. Machine Learning para el análisis de Big Data

8.1. Introducción a Machine Learning
8.2. Presentación del problema, carga de datos y librerías
8.3. Limpieza de datos (NAs, categorías, variables Dummy)
8.4. Análisis de datos exploratorio (ggPlot) + validación cruzada
8.5. Algoritmos de predicción: regresión lineal múltiple, Support Vector Machine, árboles de regresión, Random Forest, etc.
8.6. Algoritmos de clasificación: regresión lineal múltiple, Support Vector Machine, árboles de regresión, Random Forest, etc.
8.7. Ajuste de los hiperparámetros del algoritmo
8.8. Predicción de los datos con los diferentes modelos
8.9. Curvas ROC y matrices de confusión para evaluar la calidad del modelo

Módulo 9. Minería de datos aplicado a la Genómica

9.1. Introducción
9.2. Inicialización de variables
9.3. Limpieza y acondicionado del texto
9.4. Generación de la matriz de términos

9.4.1. Creación de la matriz de términos TDM
9.4.2. Visualizaciones sobre la matriz de palabras TDM

9.5. Descripción de la matriz de términos

9.5.1. Representación gráfica de las frecuencias
9.5.2. Construcción de una nube de palabras

9.6. Creación de un Data Frame apto para K-NN
9.7. Construcción del modelo de clasificación
9.8. Validación del modelo de clasificación
9.9. Ejercicio práctico guiado de minería de datos en Genómica en cáncer

Módulo 10. Técnicas de extracción de datos genómicos

10.1. Introducción al "Scraping Data"
10.2. Importación de archivos de datos de hoja de cálculo almacenados online
10.3. Scraping de texto HTML
10.4. Scraping los datos de una tabla HTML
10.5. Aprovechar las API para Scraping de los datos
10.6. Extraer la información relevante
10.7. Uso del paquete rvest de R
10.8. Obtención de datos distribuidos en múltiples páginas
10.9. Extracción de datos genómicos de la plataforma “My Cancer Genome”
10.10. Extracción de información sobre genes de la base de datos” HGNC HUGO Gene Nomenclature Committee”
10.11. Extracción de datos farmacológicos de la base de datos “OncoKB” (Precision Oncology Knowledge Base)

Módulo 11. Nuevas técnicas en la era Genómica

11.1. Entendiendo la nueva tecnología: Next Generation Sequence (NGS) en la práctica clínica

11.1.1. Introducción
11.1.2. Antecedentes
11.1.3. Problemas en la aplicación de la secuenciación Sanger en Oncología
11.1.4. Nuevas técnicas de secuenciación
11.1.5. Ventajas del uso de la NGS en la práctica clínica
11.1.6. Limitaciones del uso de la NGS en la práctica clínica
11.1.7. Términos y definiciones de interés
11.1.8. Tipos de estudios en función de su tamaño y profundidad

11.1.8.1. Genomas
11.1.8.2. Exomas
11.1.8.3. Paneles multigénicos

11.1.9. Etapas en la secuenciación NGS

11.1.9.1. Preparación de muestras y librerías
11.1.9.2. Preparación de Templates y secuenciación
11.1.9.3. Procesado bioinformático

11.1.10. Anotación y clasificación de variantes

11.1.10.1. Bases de datos poblacionales
11.1.10.2. Bases de datos locus específicas
11.1.10.3. Predictores bioinformáticos de funcionalidad

11.2. Secuenciación DNA y análisis bioinformático

11.2.1. Introducción
11.2.2. Software
11.2.3. Procedimiento

11.2.3.1. Extracción de secuencias crudas
11.2.3.2. Alineación de secuencias
11.2.3.3. Refinamiento de la alineación
11.2.3.4. Llamada de variantes
11.2.3.5. Filtrado de variantes

11.3. Secuenciación RNA y análisis bioinformático

11.3.1. Introducción
11.3.2. Software
11.3.3. Procedimiento

11.3.3.1. Evaluación de QC de datos sin procesar
11.3.3.2. Filtrado de RNAr
11.3.3.3. Datos filtrados de control de calidad
11.3.3.4. Recorte de calidad y eliminación del adaptador
11.3.3.5. Alineación de Reads a una referencia
11.3.3.6. Llamada de variantes
11.3.3.7. Análisis de expresión diferencial del gen

11.4. Tecnología ChIP-seq

11.4.1. Introducción
11.4.2. Software
11.4.3. Procedimiento

11.4.3.1. Descripción del conjunto de datos ChIP-seq
11.4.3.2. Obtener información sobre el experimento utilizando los sitios web de GEO y SRA
11.4.3.3. Control de calidad de los datos de secuenciación
11.4.3.4. Recorte y filtrado de Reads
11.4.3.5. Visualización los resultados con Integrated Genome Browser (IGV)

11.5. Big Data aplicado a la oncología genómica

11.5.1. El proceso de análisis de datos

11.6. Servidores genómicos y bases de datos de variantes genéticas

11.6.1. Introducción
11.6.2. Servidores genómicos en web
11.6.3 Arquitectura de los servidores genómicos
11.6.4 Recuperación y análisis de datos
11.6.5. Personalización

11.7. Anotación de variantes genéticas

11.7.1. Introducción
11.7.2. ¿Qué es la llamada de variantes?
11.7.3. Entendiendo el formato VCF
11.7.4. Identificadores de variantes
11.7.5. Análisis de variantes
11.7.6. Predicción del efecto de la variación en la estructura y función de la proteína

Módulo 12. Aplicación de la bioinformática en la Oncología Genómica

12.1. Enriquecimiento clínico y farmacológico de variantes de genes
12.2. Búsqueda masiva en PubMed de información genómica
12.3. Búsqueda masiva en DGIdb de información genómica
12.4. Búsqueda masiva en Clinical Trials de ensayos clínicos sobre datos genómicos
12.5. Búsqueda de similitud de genes para la interpretación de un panel genético o un exoma
12.6. Búsqueda masiva de genes relacionados con una enfermedad
12.7. Enrich-Gen: plataforma de enriquecimiento clínico y farmacológico de genes
12.8. Procedimiento para realizar un informe genómico en la era de la Oncología de Precisión

Una experiencia de capacitación única, clave y decisiva para impulsar tu desarrollo profesional”