Inscríbete ahora y no dejes pasar la oportunidad de alcanzar la excelencia profesional como oncólogo de precisión a través de este Máster Semipresencial”

Por varios años, la ciencia y la tecnología han avanzado en la búsqueda de métodos predictivos para enfermedades complejas como el cáncer. La secuenciación del genoma humano y con ella el auge de la Medicina de Precisión han posibilitado que los médicos ahora tengan mejores estrategias para valorar la respuesta de los genes a determinados hábitos de vida y cuando aparecerá o no un ejido tumoral. Al mismo tiempo, el elevado volumen de información que han generado esas indagaciones solo puede ser revisado a través de potentes tecnologías de Inteligencia Artificial y Big Data. Sin embargo, manejar todos esos adelantos puede ser un aprendizaje retador para los especialistas.

TECH, consciente de ello, propone al oncólogo empaparse de las nuevas tendencias de su especialidad a través de este completísimo programa. El Máster Semipresencial en Oncología de Precisión: Genómica y Big Data ahonda en todos esos aspectos a través de una novedosa modalidad. Por un lado, potencia el estudio 100% online e interactivo, desde una plataforma con múltiples prestaciones. Además de los materiales convencionales, en este momento educativo, el médico manejará recursos multimedia como infografías y vídeos de gran valor didáctico. En todo el proceso académico el alumno podrá distribuir según sus horarios, necesidades o intereses de superación personal.

Asimismo, en la segunda parte, tendrá lugar una práctica clínica de máximo rigor y exigencia. Para su realización, el profesional de la medicina se trasladará a un centro hospitalario de vanguardia, equipado con los recursos tecnológicos y asistencias de mayor alcance en el ámbito de la Oncología de Precisión. La estancia, presencial e intensiva, tendrá una duración de 3 semanas, a completar en jornadas de 8 horas, de lunes a viernes. También durante ese periodo, será constante el intercambio con expertos de dilatada experiencia y un tutor adjunto supervisará todos los progresos académicos. Al finalizar todo el programa, el egresado habrá conseguido la preparación necesaria para ampliar su praxis médica según los estándares internacionales más complejos y la última evidencia científica.

Destinarás, a lo largo de este Máster Semipresencial, horas de aprendizaje teórico acerca de los principales avances de la Oncología de Precisión”

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

• Desarrollo de más de 100 casos clínicos presentados por profesionales con un alto conocimiento acerca de la Oncología de Precisión, basada en la Genómica y el Big Data
• Sus contenidos gráficos, esquemáticos y eminentemente prácticos con los que están concebidos, recogen una información científica y asistencial sobre aquellas disciplinas médicas indispensables para el ejercicio profesional
• Planes integrales de actuación sistematizada ante las principales patologías oncológicas
• Presentación de talleres prácticos sobre técnicas diagnósticas y terapéuticas
• Sistema interactivo de aprendizaje basado en algoritmos para la toma de decisiones sobre las situaciones clínicas planteadas
• Guías de práctica clínica sobre el abordaje de las diferentes patologías
• 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
• Además, podrás realizar una estancia de prácticas clínicas en uno de los mejores centros hospitalarios

En tan solo 3 semanas, conseguirás un dominio exhaustivo e intensivo de las herramientas tecnológicas y lenguajes de programación que permiten interpretar y comparar datos biológicos con mayor detalle en la actualidad”

En esta propuesta de Máster, de carácter profesionalizante y modalidad semipresencial, el programa está dirigido a la actualización de profesionales de la medicina oncológica, que requieren un alto nivel de cualificación. Los contenidos están basados en la última evidencia científica, y orientados de manera didáctica para integrar el saber teórico en la práctica asistencial, y los elementos teórico-prácticos facilitarán la actualización del conocimiento y permitirán la toma de decisiones en el manejo del paciente.

Gracias a su contenido multimedia elaborado con la última tecnología educativa, permitirán al profesional de la medicina obtener 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 basado en el Aprendizaje Basado en Problemas, mediante el cual deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del mismo. Para ello, contará con la ayuda de un novedoso sistema de vídeo interactivo realizado por reconocidos expertos.

Este programa es todo lo que necesitas para conocer a fondo las nuevas aplicaciones de la Bioinformática en la investigación científica y tecnológica contra el cáncer.

Con la estancia presencial, intensiva y práctica que te proveerá TECH, alcanzarás las destrezas más solicitadas desde el punto de vista del ejercicio cotidiano asistencial en Oncología de Precisión.

El ambicioso temario de esta titulación recoge los principales avances que ha experimentado la Oncología de Precisión en cuanto a su praxis clínica y la introducción de nuevas tecnologías. El programa examina los principales programas informáticos que posibilitan el asentamiento, interpretación y comparación de datos extraídos del análisis genómico de pacientes con cáncer o posibles antecedentes de la enfermedad. En particular explora las aplicaciones del Big Data y la Inteligencia Artificial en esta disciplina en pleno ascenso. Para apoyar la asimilación de esos contenidos teóricos, Este Máster Semipresencial se apoya en un variado número de recursos multimedia, entre ellos vídeos, infografías y resúmenes interactivos.

Innovadoras metodologías de estudio, como el Relearning, estarán a tu alcance en este Máster Semipresencial, para ayudarte asimilar nuevos conceptos con rapidez y flexibilidad” 

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  
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

Este completísimo temario recoge los principales avances de la Oncología de Precisión en una plataforma que facilita el aprendizaje 100% online”