Migliora le tue conoscenze in Oncologia di Precisione: Genomica e Big Data grazie a questo programma, nel quale troverai il miglior materiale didattico con casi di studio reali. Scopri gli ultimi progressi di questa specializzazione al fine di realizzare una prassi medica di qualità”

Un obiettivo fondamentale del programma è quello di avvicinare e diffondere agli studenti le conoscenze informatiche già applicate in altre aree del sapere, ma che hanno un'applicazione minima nel mondo medico. Sebbene ci sia ancora un po' di strada da fare prima che la medicina genomica diventi una realtà, l'enorme volume di informazioni cliniche attualmente disponibili deve essere accuratamente interpretato e collegato ai dati biologici generati dall'analisi bioinformatica. 

Sebbene si tratti di una sfida difficile, permetterà di esplorare gli effetti della variazione genetica e le potenziali terapie in modo rapido, economico e con maggiore precisione di quanto sia possibile attualmente. Gli esseri umani non sono naturalmente equipaggiati per percepire e interpretare le sequenze genomiche, né per capire tutti i meccanismi, i percorsi e le interazioni che avvengono all'interno di una cellula vivente, né per prendere decisioni mediche con decine o centinaia di variabili. Per andare avanti, è necessario un sistema con capacità analitiche sovrumane per semplificare l'ambiente di lavoro e mostrare le relazioni e le vicinanze tra le variabili. 

Nella genomica e nella biologia è ormai noto che investire le risorse sulle nuove tecniche computazionali è più utile che nella pura raccolta di dati, fatto probabilmente similare nel contesto della medicina e, naturalmente, Oncologia. 

Sono disponibili milioni di dati o pubblicazioni, ma quando vengono analizzati da medici o biologi, le conclusioni sono totalmente soggettive in relazione alle pubblicazioni o ai dati disponibili che vengono arbitrariamente messi in ordine di priorità, dando luogo a una conoscenza parziale e, ovviamente, sempre più distante dalle conoscenze genetiche e biologiche disponibili supportate dal calcolo. Pertanto un passo da gigante nell'attuazione della medicina di precisione è quello di ridurre questa distanza attraverso l'analisi massiccia delle informazioni mediche e farmacologiche disponibili.almente, sempre più distante dalle conoscenze genetiche e biologiche disponibili supportate dalla computazione, per cui un passo da gigante nell'implementazione della medicina di precisione è ridurre questa distanza attraverso l'analisi massiva delle informazioni mediche e farmacologiche disponibili.

Aggiorna le tue conoscenze grazie a questo programma in Oncologia di Precisione: Genomica e Big Data”

Questo Master privato in Oncologia di Precisione: Genomica e Big Data possiede il programma scientifico più completo e aggiornato del mercato. Le caratteristiche principali del programma sono:

• Sviluppo di più di 75 casi pratici presentati da esperti nelle Oncologia di Precisione: Genomica e Big Data. Contenuti grafici, schematici ed eminentemente pratici che forniscono informazioni scientifiche e pratiche sulle discipline essenziali per l’esercizio della professione
• Novità sull’Oncologia di Precisione, Genomica e Big Data
• Contiene esercizi pratici in cui il processo di autovalutazione può essere utilizzato per migliorare l'apprendimento
• Sistema di apprendimento interattivo basato su algoritmi per il processo decisionale su scenari clinici
• Con speciale enfasi sulla medicina basata su evidenze e metodologie di ricerca in Oncologia di Precisione: Genomica e Big Data
• Il tutto completato da lezioni teoriche, domande all'esperto, forum di discussione su questioni controverse e compiti di riflessione individuale
• Contenuti disponibili da qualsiasi dispositivo fisso o mobile dotato di connessione a internet

Questo Master privato può essere il miglior investimento che tu possa fare nella selezione di un programma di aggiornamento per due motivi: oltre a rinnovare le tue conoscenze in Oncologia di Precisione: Genomica e Big Data, otterrai una qualifica di Master privato rilasciata da TECH Università Tecnologica”

Il personale docente del programma comprende rinomati professionisti e riconosciuti specialisti appartenenti a prestigiose società e università, che forniscono agli studenti le competenze necessarie a intraprendere un percorso di studio eccellente.

I contenuti multimediali, sviluppati in base alle ultime tecnologie educative, forniranno al professionista un apprendimento coinvolgente e localizzato, ovvero inserito in un contesto reale.

La creazione di questo programma è incentrata sull’Apprendimento Basato su Problemi, mediante il quale lo specialista deve cercare di risolvere le diverse situazioni che gli si presentano durante il corso. A tal fine, lo specialista disporrà di un innovativo sistema di video interattivo creato da esperti di riconosciuta fama nel campo dell’Oncologia di Precisione e con un’ampia esperienza di insegnamento.

Il Master privato permette di esercitarsi con simulazioni che forniscono un apprendimento programmato per prepararsi di fronte a situazioni reali"

Include casi clinici che rendono lo sviluppo del master il più similare possibile alla realtà della prassi medica"

La struttura dei contenuti è stata ideata da una squadra di professionisti provenienti dai migliori centri ospedalieri e università, consapevoli della rilevanza della preparazione attuale per intervenire nella patologia oncologica e impegnati in un insegnamento di qualità basato sulle nuove tecnologie educative.

Questo Master in Oncologia di Precisione: Genomica e Big Data possiede il programma scientifico più completo e aggiornato del mercato.

Modulo 1. Biologia molecolare

1.1. Meccanismi molecolari del cancro

1.1.1. Ciclo cellulare
1.1.2. Distacco delle cellule tumorali

1.2. Riprogrammazione del microambiente tumorale

1.2.1. Il microambiente tumorale: una panoramica
1.2.2. MSD come fattore prognostico nel cancro del polmone
1.2.3. MSD nella progressione del cancro al polmone e nelle metastasi

1.2.3.1. Fibroblasti Associati al Cancro (CAF)
1.2.3.2. Cellule endoteliali
1.2.3.3. Ipossia nel cancro ai polmoni
1.2.3.4. Infiammazione
1.2.3.5. Cellule immuni

1.2.4. Contributo di MSD alla resistenza terapeutica

1.2.4.1. Contributo di MSD alla resistenza della radioterapia

1.2.5. TME come bersaglio terapeutico nel cancro del polmone

1.2.5.1. Direzioni future

1.3. Immunologia tumorale: basi dell’immunoterapia nel tumore

1.3.1. Introduzione al sistema immunitario
1.3.2. Immunologia tumorale

1.3.2.1. Antigeni associati al tumore
1.3.2.2. Identificazione degli antigeni associati al tumore
1.3.2.3. Tipi di antigeni associati al tumore

1.3.3. Fondamenti di immunoterapia del cancro

1.3.3.1. Introduzione agli approcci immunoterapeutici
1.3.3.2. Anticorpi monoclonali nella terapia del cancro

1.3.3.2.1. Produzione di anticorpi monoclonali
1.3.3.2.2. Tipi di anticorpi terapeutici
1.3.3.2.3. Meccanismi di azione degli anticorpi
1.3.3.2.4. Anticorpi modificati

1.3.4. Immunomodulatori non specifici

1.3.4.1. Bacillo Calmette-Guérin
1.3.4.2. Interferone-α
1.3.4.3. Interleuchina-2
1.3.4.4. Imiquimod

1.3.5. Altri approcci all'immunoterapia

1.3.5.1. Vaccini a cellule dendritiche
1.3.5.2. Sipuleucel-T
1.3.5.3. Blocco CTLA-4
1.3.5.4. Terapia adottiva con cellule T

1.3.5.4.1. Terapia cellulare adottiva con cloni di cellule T
1.3.5.4.2. Terapia cellulare adottiva con linfociti infiltranti il tumore

1.4. Meccanismi molecolari coinvolti nel processo di invasione e metastasi

Modulo 2. Oncologia Genomica o di Precisione

2.1. Utilità del profilo di espressione genica nel tumore
2.2. Sottotipi del cancro al seno
2.3. Piattaforme genomiche prognostico-predittive nel cancro al seno
2.4. Obiettivi terapeutici nel cancro del polmone non a piccole cellule

2.4.1. Introduzione
2.4.2. Tecniche di rilevamento molecolare
2.4.3. Mutazione EGFR
2.4.4. Traslocazione ALK
2.4.5. Traslocazione ROS
2.4.6. Mutazione BRAF
2.4.7. Riarrangiamenti NRTK
2.4.8. Mutazione HER2
2.4.9. Mutazione/amplificazione dei MET
2.4.10. Riarrangiamenti RET
2.4.11. Altri obiettivi molecolari

2.5. Classificazione molecolare del tumore del colon
2.6. Studi molecolari nel tumore allo stomaco

2.6.1. Trattamento del tumore allo stomaco avanzato
2.6.2. Sovraespressione di HER2 nel tumore allo stomaco avanzato
2.6.3. Determinazione e interpretazione di sovraespressione di HER2 nel tumore allo stomaco avanzato
2.6.4. Farmaci con attività HER2-targeting
2.6.5. Trastuzumab in prima linea nel tumore allo stomaco avanzato

2.6.5.1. Trattamento del tumore allo stomaco avanzato HER2+ dopo la progressione a regimi a base di trastuzumab

2.6.6. Attività di altri farmaci anti-HER2 nel tumore allo stomaco avanzato

2.7. GIST come modello per la ricerca traslazionale: 15 anni di esperienza

2.7.1. Introduzione
2.7.2. Mutazioni KIT e PDGFRA come promotori principali nel GIST
2.7.3. Genotipo in GIST: valore prognostico e predittivo
2.7.4. Genotipo nel GIST e resistenza all'imatinib
2.7.5. Conclusioni

2.8. Biomarcatori molecolari e genomici nel melanoma
2.9. Classificazione molecolare dei tumori cerebrali
2.10. Biomarcatori molecolari e genomici nel melanoma
2.11. Immunoterapia e biomarcatori

2.11.1. Scenario delle terapie immunologiche nel trattamento del cancro e la necessità di definire il profilo mutazionale di un tumore
2.11.2. Biomarcatori dell'inibitore  del punto di controllo: PD-L1 e oltre

2.11.2.1. Il ruolo di PD-L1 nella regolazione immunitaria
2.11.2.2. Dati degli studi clinici e biomarcatore PD-L1
2.11.2.3. Soglie e saggi per l'espressione di PD-L1: un quadro complesso
2.11.2.4. Biomarcatori emergenti

2.11.2.4.1. Carico di mutazioni tumorali (TMB)

2.11.2.4.1.1. Quantificazione del carico mutazionale del tumore
2.11.2.4.1.2. Evidenza del carico mutazionale del tumore
2.11.2.4.1.3. Carico tumorale come biomarcatore predittivo
2.11.2.4.1.4. Carico tumorale come biomarcatore prognostico
2.11.2.4.1.5. Il futuro del carico mutazionale

2.11.2.4.2. Instabilità dei microsatelliti
2.11.2.4.3. Analisi dell'infiltrato immunitario
2.11.2.4.4. Marcatori di tossicità

2.11.3. Sviluppo di farmaci per il punto di controllo t immunitario nel tumore
2.11.4. Farmaci disponibili

Modulo 3. Cambiamenti nella pratica clinica attuale e nuove applicazioni con l'Oncologia genomica

3.1. Biopsie liquide: moda o futuro?

3.1.1. Introduzione
3.1.2. Cellule tumorali circolanti
3.1.3. ctDNA
3.1.4. Utilità cliniche
3.1.5. Limiti del ctDNA
3.1.6. Conclusioni e futuro

3.2. Ruolo della Biobanca nella ricerca clinica

3.2.1. Introduzione
3.2.2. Vale la pena creare una Biobanca?
3.2.3. Come iniziare a creare una Biobanca?
3.2.4. Consenso informato per la Biobanca
3.2.5. Raccolta di campioni per la Biobanca
3.2.6. Controllo della qualità
3.2.7. Accesso ai campioni

3.3. Studi clinici: nuovi concetti basati sulla medicina di precisione

3.3.1. Cosa sono gli studi clinici? Come si differenziano da altri tipi di ricerca?

3.3.1.1. Tipi di studi clinici

3.3.1.1.1. In base ai loro obiettivi
3.3.1.1.2. Secondo il numero di centri partecipanti
3.3.1.1.3. Secondo la sua metodologia
3.3.1.1.4. A seconda del grado di mascheramento

3.3.2. Esiti degli studi clinici in Oncologia toracica

3.3.2.1. Esiti con il tempo di sopravvivenza
3.3.2.2. Esiti legati al tumore
3.3.2.3. Risultati riferiti dai pazienti

3.3.3. Studi clinici nell'era della medicina di precisione

3.3.3.1. Medicina di precisione
3.3.3.2. Terminologia relativa alla progettazione dei trial nell'era della medicina di precisione

3.4. Incorporazione dei marcatori attivabili nella pratica clinica
3.5. Applicazione della genomica nella pratica clinica per tipo di tumore
3.6. Sistemi di supporto nelle decisioni Oncologiche basate sull’intelligenza artificiale

Modulo 4. Impiego di Unix e Linux in bioinformatica

4.1. Introduzione al sistema operativo Linux

4.1.1. Cos’è un sistema operativo?
4.1.2. I vantaggi di usare Linux

4.2. Ambiente Linux e installazione

4.2.1. Distribuzioni di Linux
4.2.2. Installazione di Linux utilizzando una chiavetta USB
4.2.3. Installazione di Linux tramite CD-ROM
4.2.4. Installazione di Linux usando una macchina virtuale

4.3. La linea di comando

4.3.1. Introduzione
4.3.2. Cos'è una linea di comando?
4.3.3. Lavorare al terminale
4.3.4. La Shell, Bash

4.4. Navigazione di base

4.4.1. Introduzione
4.4.2. Come conoscere la posizione attuale?
4.4.3. Percorsi assoluti e relativi
4.4.4. Come muoverci nel sistema?

4.5. Manipolazione dei file

4.5.1. Introduzione
4.5.2. Come costruiamo una directory?
4.5.3. Come spostarsi in una directory?
4.5.4. Come creare un file vuoto?
4.5.5. Copiare un file e una directory
4.5.6. Eliminare un file e una directory

4.6. Editor di testo Vi

4.6.1. Introduzione
4.6.2. Come registrare e uscire?
4.6.3. Come navigare in un file nell'editor di testo Vi?
4.6.4. Cancellare il contenuto
4.6.5. Il comando undo

4.7. Wildcards

4.7.1. Introduzione
4.7.2. Che cosa sono i metacaratteri?
4.7.3. Esempi con caratteri

4.8. Permessi

4.8.1. Introduzione
4.8.2. Come visualizzare i permessi di un file?
4.8.3. Come cambiare i permessi?
4.8.4. Impostazioni dei permessi
4.8.5. Permessi per le directory
4.8.6. L'utente "Root”

4.9. Filtri

4.9.1. Introduzione
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. Altri filtri

4.10. Grep ed espressioni regolari

4.10.1. Introduzione
4.10.2. eGrep
4.10.3. Espressioni regolari
4.10.4. Alcuni esempi

4.11. Condutture e reindirizzamento

4.11.1. Introduzione
4.11.2. Reindirizzamento a un file
4.11.3. Salva su file
4.11.4. Reindirizzamento da un file
4.11.5. Reindirizzamento STDERR
4.11.6. Condutture

4.12. Gestione dei processi

4.12.1. Introduzione
4.12.2. Processi attivi
4.12.3. Chiudere un processo corrotto
4.12.4. Lavoro in primo piano e sullo sfondo

4.13. Bash

4.13.1. Introduzione
4.13.2. Punti importanti
4.13.3. Perché il“./ ” ?
4.13.4. Variabili
4.13.5. Le dichiarazioni

Modulo 5. Analisi dei dati nei progetti di Big Data: linguaggio di programmazione R

5.1. Introduzione al linguaggio di programmazione R

5.1.1. Che cos'è R?
5.1.2. Installazione di R e dell'interfaccia grafica di R
5.1.3. Pacchetti

5.1.3.1. Pacchetti standard
5.1.3.2. Pacchetti contribuiti e CRAN

5.2. Caratteristiche di base di R

5.2.1. L'ambiente R
5.2.2. Software e documentazione correlati
5.2.3. R e statistiche
5.2.4. R e il sistema di finestre
5.2.5. Usare R in modo interattivo
5.2.6. Una sessione introduttiva
5.2.7. Ottenere aiuto con funzioni e caratteristiche
5.2.8. Comandi R, sensibilità alle maiuscole, ecc.
5.2.9. Recupero e correzione di comandi precedenti
5.2.10. Eseguire comandi o deviare l'output su un file
5.2.11. Permanenza dei dati e cancellazione degli oggetti

5.3. Tipi di oggetti R

5.3.1. Manipolazioni semplici; numeri e vettori

5.3.1.1. Vettori e assegnazione
5.3.1.2. Aritmetica vettoriale
5.3.1.3. Generazione di sequenze regolari
5.3.1.4. Vettori logici
5.3.1.5. Valori mancanti
5.3.1.6. Vettori di caratteri
5.3.1.7. Vettori di indice

5.3.1.7.1. Selezione e modifica di sottoinsiemi di un insieme di dati

5.3.1.8. Altri tipi di oggetti

5.3.2. Oggetti, i loro modi e attributi

5.3.2.1. Attributi intrinseci: modo e lunghezza
5.3.2.2. Cambiare la lunghezza di un oggetto
5.3.2.3. Raccolta e configurazione degli attributi
5.3.2.4. La classe di un oggetto

5.3.3. Fattori ordinati e non ordinati

5.3.3.1. Un esempio specifico
5.3.3.2. La funzione tapply () e le matrici disuguali
5.3.3.3. Fattori ordinati

5.3.4. Matrici

5.3.4.1. Matrici
5.3.4.2. Indicizzazione della matrice Sottosezioni di una matrice
5.3.4.3. Matrici di indice
5.3.4.4. La funzione array ()
5.3.4.5. Aritmetica mista di vettori e matrici. La regola del riciclaggio
5.3.4.6. Il prodotto esterno di due matrici
5.3.4.7. Trasposizione generalizzata della matrice
5.3.4.8. Moltiplicazione di matrici
5.3.4.9. Autovalori e autovettori
5.3.4.10. Decomposizione dei valori singolari e dei determinanti
5.3.4.11. Formare matrici partizionate, cbind () e rbind ()
5.3.4.12. La funzione di concatenazione, c (), con matrici

5.3.5. Tabelle di frequenza dei fattori
5.3.6. Liste

5.3.6.1. Costruire e modificare liste
5.3.6.2. Liste di concatenazione

5.3.7. Dataframes

5.3.7.1. Come creare i DataFrames?
5.3.7.2. Attaccare () e staccare ()
5.3.7.3. Lavorare con i DataFrames

5.4. Lettura e scrittura di dati

5.4.1. La funzione read.table ()
5.4.2. La funzione scan()
5.4.3. Accesso agli insiemi di dati incorporati
5.4.4. Caricare dati da altri pacchetti R
5.4.5. Modifica dei dati

5.5. Raggruppamento, cicli ed esecuzione condizionale

5.5.1. Espressioni raggruppate
5.5.2. Dichiarazioni di controllo

5.5.2.1. Esecuzione condizionale: dichiarazioni IF
5.5.2.2. Esecuzione ripetitiva: cicli for, ripetizione e tempi

5.6. Scrivere le proprie funzioni

5.6.1. Esempi semplici
5.6.2. Definire nuovi operatori binari
5.6.3. Argomenti con nome e valori predefiniti
5.6.4. L'argomento "...”
5.6.5. Assegnazioni all'interno delle funzioni

Modulo 6. Contesto grafico in R

6.1. Procedure grafiche

6.1.1. Comandi di plottaggio di alto livello

6.1.1.1. La funzione plot ()
6.1.1.2. Visualizzazione di dati multivariati
6.1.1.3. Grafici dello schermo
6.1.1.4. Argomenti per le funzioni di tracciamento di alto livello

6.1.2. Comandi di plottaggio di basso livello

6.1.2.1. Annotazione matematica
6.1.2.2. Caratteri vettoriali Hershey

6.1.3. Interagire con i grafici
6.1.4. Uso dei parametri grafici

6.1.4.1. Modifiche permanenti: la funzione par ()
6.1.4.2. Cambiamenti temporanei: Argomenti per le funzioni grafiche

6.1.5. Lista dei parametri grafici

6.1.5.1. Elementi grafici
6.1.5.2. Assi e marcature
6.1.5.3. Margini della figura
6.1.5.4. Ambiente multi-figure

6.1.6. Statistiche descrittive: rappresentazioni grafiche

Modulo 7. Analisi statistica in R

7.1. Distribuzioni di probabilità discrete
7.2. Distribuzioni di probabilità continue
7.3. Introduzione all'inferenza e al campionamento (stima del punto)
7.4. Intervalli di fiducia
7.5. Test delle ipotesi
7.6. ANOVA ad un fattore
7.7. Bontà di adattamento (test chi--quadrato)
7.8. Pacchetto fitdist
7.9. Introduzione alla statistica multivariata

Modulo 8. Machine learning per l'analisi di Big Data

8.1. Introduzione a Machine Learning
8.2. Presentazione dei problemi, caricamento dei dati e librerie
8.3. Pulizia dei dati (NAs, categorie, variabili Dummy)
8.4. Analisi esplorativa dei dati (ggplot) + convalida incrociata
8.5. Algoritmi di previsione: regressione lineare multipla, Support Vector Machine, Alberi di Regressione, Random Forest, ecc.
8.6. Algoritmi di Classificazione: regressione lineare multipla, Support Vector Machine, alberi di regressione, Random Forest, ecc.
8.7. Regolazione degli iper parametri dell'algoritmo
8.8. Previsione dei dati con i diversi modelli
8.9. Curve ROC e matrici di confusione per valutare la qualità del modello

Modulo 9. Data mining applicato alla Genomica

9.1. Introduzione
9.2. Inizializzazione delle variabili
9.3. Pulizia e condizionamento del testo
9.4. Generazione della matrice dei termini

9.4.1. Creazione della matrice dei termini TDM
9.4.2. Visualizzazioni sulla matrice di parole TDM

9.5. Descrizione della matrice dei termini

9.5.1. Rappresentazione grafica delle frequenze
9.5.2. Costruzione di una nuvola di parole

9.6. Creazione di un Data Frame compatibile con K-NN
9.7. Costruzione del modello di classificazione
9.8. Convalida del modello di classificazione
9.9. Esercizio pratico guidato sul data mining nella Genomica del tumore

Modulo 10. Tecniche di data mining genomico

10.1. Introduzione allo‘Scraping Data’
10.2. Importazione di file di dati di fogli di calcolo memorizzati online
10.3. Scraping di testo HTML
10.4. Scraping i dati di una tabella HTML
10.5. Sfruttare le API per lo Scraping dei Dati
10.6. Estrarre informazioni rilevanti
10.7. Usare il pacchetto rvest in R
10.8. Ottenere dati distribuiti su più pagine
10.9. Estrazione di dati genomici dalla piattaforma "My Cancer Genome".
10.10. Estrazione delle informazioni sui geni dal database ” HGNC HUGO Gene Nomenclature Committee”
10.11. Estrazione di dati farmacologici dal database ONCOKG (Precision Oncology Knowledge Base)

Modulo 11. Nuove tecniche nell'era Genomica

11.1. Capire la nuova tecnologia: Next Generation Sequence (NGS) nella pratica clinica

11.1.1. Introduzione
11.1.2. Contesto
11.1.3. Problemi nell'applicazione del sequenziamento Sanger in Oncologia
11.1.4. Nuove tecniche di sequenziamento
11.1.5. Vantaggi dell'uso di NGS nella pratica clinica
11.1.6. Limitazioni dell'uso di NGS nella pratica clinica
11.1.7. Termini e definizioni rilevanti
11.1.8. Tipi di studi secondo la loro dimensione e profondità

11.1.8.1. Genoma
11.1.8.2. Esomi
11.1.8.3. Pannelli multigenetici

11.1.9. Fasi del sequenziamento NGS

11.1.9.1. Preparazione del campione e librerie
11.1.9.2. Preparazione dei Template e sequenziamento
11.1.9.3. Elaborazione bioinformatica

11.1.10. Annotazione e classificazione delle varianti

11.1.10.1. Database della popolazione
11.1.10.2. Database locus specifiche
11.1.10.3. Predittori bioinformatici di funzionalità

11.2. Sequenziamento del DNA e analisi bioinformatica

11.2.1. Introduzione
11.2.2. Software
11.2.3. Procedura

11.2.3.1. Estrazione di sequenze crude
11.2.3.2. Allineamento delle sequenze
11.2.3.3. Perfezionamento dell'allineamento
11.2.3.4. Chiamata delle varianti
11.2.3.5. Filtraggio delle varianti

11.3. Sequenziamento del RNA e analisi bioinformatica

11.3.1. Introduzione
11.3.2. Software
11.3.3. Procedura

11.3.3.1. Valutazione QC dei dati non processati
11.3.3.2. Filtraggio di rRNA
11.3.3.3. Dati filtrati di controllo di qualità
11.3.3.4. Taglio di qualità e rimozione dell'adattatore
11.3.3.5. Allineamento delle reads a un riferimento
11.3.3.6. Chiamata delle varianti
11.3.3.7. Analisi dell'espressione differenziale del gene

11.4. Tecnologia ChIP-Seq

11.4.1. Introduzione
11.4.2. Software
11.4.3. Procedura

11.4.3.1. Descrizione del’insieme di dati CHiP-Seq
11.4.3.2. Ottenere informazioni sull'esperimento usando i siti web GEO e SRA
11.4.3.3. Controllo di qualità dei dati di sequenziamento
11.4.3.4. Ritaglio e filtraggio di reads
11.4.3.5. Visualizzazione dei risultati con Integrated Genome Browser (IGV)

11.5. Big Data applicati all'Oncologia Genomica

11.5.1. Il processo di analisi dei dati

11.6. Server del genoma e database di varianti genetiche

11.6.1. Introduzione
11.6.2. Server genomico web
11.6.3 Architettura del server genomico
11.6.4 Recupero e analisi dei dati
11.6.5. Personalizzazione

11.7. Annotazione di varianti genetiche

11.7.1. Introduzione
11.7.2. Qual è la chiamata d' variante?
11.7.3. Comprendere il formato VCF
11.7.4. Identificatori di varianti
11.7.5. Analisi delle varianti
11.7.6. Prevedere l'effetto della variazione nella struttura e nella funzione delle proteine

Modulo 12. Applicazioni di bioinformatica in l'Oncologia genomica

12.1. Arricchimento clinico e farmacologico delle varianti geniche
12.2. Ricerca massiccia su PubMed di informazioni genomiche
12.3. Ricerca massiccia su DGIdb di informazioni genomiche
12.4. Ricerca massiccia di trial clinici su dati genomici di Clinical Trials
12.5. Ricerca di similarità genica per l'interpretazione di un pannello di geni o di un esoma
12.6. Ricerca massiccia di geni legati alla malattia
12.7. Enrich-Gen: piattaforma di arricchimento clinico e farmacologico di geni
12.8. Procedura di segnalazione genomica nell'era dell'Oncologia di Precisione

Un'esperienza didattica adecisiva per potenziare il tuo sviluppo professionale"