Máster en Oncología de Precisión: Genómica y Big Data

Módulo 1. Biología molecular

1.1. Mecanismos moleculares del cáncer.

1.2. Reprogramación del microambiente tumoral.

1.3. Inmunología tumoral: Bases de la inmunoterapia en cáncer.

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

Módulo 2. Oncología genómica o de precisión

2.1. Utilidad del pérfil 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 no célula pequeña.

2.5. Clasificación molecular del cáncer de colon.

2.6. Estudios moleculares en el cáncer gástrico.

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

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.

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

3.1. Biopsias líquidas: ¿moda o futuro?

3.2. Papel del Biobanco en la Investigación Clínica.

3.3. Ensayos clínicos: nuevos conceptos basados en 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. Big data aplicado a la oncología genómica.

3.7. 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.

4.2. Entorno Linux e Instalación.

4.3. La línea de comandos.

4.4. Navegación básica.

4.5. Manipulación de archivos.

4.6. Editor de textos vi.

4.7. Comodines.

4.8. Permisos.

4.9. Filtros.

4.10. Grep y expresiones regulares.

4.11. Pipelines y redirección.

4.12. Manejo de procesos.

4.13. Bash.

Módulo 5. Análisis de datos en proyectos de big data: lenguaje de programación R

5.1. Introducción al lenguaje de programación R.

5.2. Características básicas de R.

5.3. Tipos de objetos de R.

5.4. Lectura y escritura de datos.

5.5. Agrupación, bucles y ejecución condicional.

5.6. Escribiendo tus propias funciones.

Módulo 6. Entorno gráfico en R

6.1. Procedimientos gráficos.

Módulo 7. Análisis estadístico en R

7.1. Distribuciones de probabilidad discretas.

7.2. Distribuciones de probabiidad contínuas.

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. Bondat de Ajuste (test de chi cuadrado).

7.8. QPaquete 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. Analisis de datos exploratorio (ggplot) + Validación cruzada.

8.5. Algoritmos de predicción: Regresión Lineal Múltiple, Support Vector Machine, Árboles de Regresión, Random Forest…

8.6. Algoritmos de clasificación: Regresión Logística, Support Vector Regression, Árboles de Clasificación, Random Forest,…

8.7. Ajuste de los hiper parámetros 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 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.

9.5. Descripción de la matriz de términos.

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 on line.

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 ONCOKG (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.

11.2. Secuenciación DNA y análisis bioinformático.

11.3. Secuenciación RNA y análisis bioinformático.

11.4. Tecnología ChIP-Seq.

11.5. Servidores genómicos y bases de datos de variantes genéticas.

11.6. Anotación de variantes genéticas.

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.