Amplie seus conhecimentos em Oncologia de Precisão: Genômica e Big Data através deste programa, onde você encontrará o melhor material didático com casos práticos reais. Conheça os últimos avanços desta especialidade e realize uma prática médica de qualidade"

Um dos principais objetivos do programa é aproximar e promover o conhecimento da informática, que já se aplica em outras áreas do conhecimento, embora tenha uma implementação mínima no mundo da medicina. Embora ainda haja um caminho a percorrer antes de que a medicina genômica se torne uma realidade, a quantidade de informações clínicas atualmente disponíveis atualmente precisam ser interpretadas com precisão e associadas aos dados biológicos gerados a partir da análise bioinformática. 

Embora este seja um desafio difícil, isto permitirá que os efeitos da variação genética e potenciais terapias sejam explorados rapidamente, de forma barata e com maior precisão do que é possível atualmente. Os seres humanos não possuem a capacidade natural de perceber e interpretar sequências genômicas, nem de compreender todos os mecanismos, caminhos e interações que ocorrem dentro de uma célula viva, ou de tomar decisões médicas com dezenas ou centenas de variáveis. Para avançar, é necessário um sistema com capacidade analítica sobre-humana que simplifique o ambiente de trabalho e que mostre as relações e proximidades entre as variáveis. 

Em genômica e biologia, sabe-se que é melhor investir os recursos em novas técnicas computacionais do que em pura coleta de dados, algo que, provavelmente, também se aplica à medicina e, é claro, à oncologia. 

Temos à disposição milhões de dados e publicações,  mas quando estes são analisados por médicos ou biólogos, as conclusões são totalmente subjetivas em relação às publicações ou dados disponíveis que são arbitrariamente priorizados, resultando em um conhecimento parcial e, naturalmente, cada vez mais distante do conhecimento genético e biológico disponível apoiado pela computação. Portanto, um importante passo na implementação da medicina de precisão consiste em preencher esta lacuna, analisando de forma massiva as informações médicas e farmacológicas disponíveis.

Atualize seus conhecimentos através deste programa de estudos em Oncologia de Precisão: Genômica e Big Data”

Este Mestrado em Oncologia de Precisão: Genômica e Big Data conta com o conteúdo científico mais completo e atualizado do mercado. Suas principais características são:

• O desenvolvimento de mais de 75 casos Prática apresentados por especialistas em de Precisão Oncológica: Genômica e Big Data O conteúdo gráfico, esquemático e extremamente prático fornecido pelo curso proporciona informações científicas e de atendimento à saúde sobre as disciplinas essenciais para a prática profissional.
• As novidades em Oncologia de Precisão, Genômica e Big Data
• Contém exercícios práticos onde o processo de auto-avaliação é realizado para melhorar o aprendizado
• Sistema de aprendizagem interativo baseado em algoritmos para a tomada de decisões sobre as situações clínicas levantadas
• Com especial destaque para a medicina baseada em evidências e para as metodologias de pesquisa em  Oncologia de Precisão: Genômica e Big Data
• Tudo isto complementado por palestras teóricas, perguntas à especialistas, fóruns de discussão sobre temas controversos e trabalhos de reflexão individual
• Acesso à todo o conteúdo desde qualquer dispositivo, fixo ou portátil, com conexão à Internet

Este Mestrado é o melhor investimento que você pode fazer na escolha de um programa de capacitação por duas razões: além de atualizar seus conhecimentos em Oncologia de Precisão: Genômica e Big Data, você obterá um certificado da TECH Global University"

O corpo docente deste curso é formado por profissionais da área da Oncologia de Precisão, que transferem a toda a experiência do seu trabalho para esta capacitação, além de especialistas reconhecidos de sociedades científicas de referência e universidades de prestigio.

O seu conteúdo multimídia, desenvolvido com a mais recente tecnologia educacional, oferece ao profissional uma aprendizagem situada e contextual, ou seja, um ambiente simulado que proporcionará uma aprendizagem imersiva e programada para capacitar em situações reais.

O desenho deste programa se Centro no Aprendizagem Baseada em Problemas, pelo qual o médico deverá resolver as diferentes situações da prática profissional que surgirem ao longo do curso. Para isso, o médico contará com a ajuda de um inovador sistema de vídeo interativo, realizado por especialistas reconhecidos na área de Oncologia de Precisão e com ampla experiência de ensino.

O Mestrado lhe permitirá praticar em ambientes simulados, proporcionando uma aprendizagem imersiva, programada para capacitar diante de situações reais"

Inclui casos clínicos visando aproximar ao máximo o desenvolvimento do programa à realidade do atendimento médico"

A estrutura do conteúdo foi desenvolvida por uma equipe de profissionais dos melhores hospitais e universidades, conscientes da importância de uma capacitação atualizada para poder intervir no diagnóstico e tratamento da patologia oncológica, e comprometidos com a qualidade do ensino através das novas tecnologias educacionais.

Este Mestrado em Oncologia de Precisão: Genômica e Big Data, conta com o programa científico mais completo e atualizado do mercado”

Módulo 1. Biologia molecular

1.1. Mecanismos moleculares do câncer

1.1.1. Ciclo celular
1.1.2. Destacamento de células tumorais

1.2. Reprogramação do microambiente tumoral

1.2.1. O microambiente do tumor: uma visão geral
1.2.2. O TME como um fator prognóstico no câncer de pulmão
1.2.3. O TME na progressão e metástase do câncer de pulmão

1.2.3.1. Fibroblastos Associados ao Câncer (CAF)
1.2.3.2. Células endoteliais
1.2.3.3. Hipoxia no câncer de pulmão
1.2.3.4. Inflamação
1.2.3.5. Células imunológicas

1.2.4. Contribuição do TME na resistência terapêutica

1.2.4.1. Contribuição do TME na resistência à radioterapia

1.2.5. O TME como um alvo terapêutico no câncer de pulmão

1.2.5.1. Direções futuras

1.3. Imunologia tumoral: Fundamentos da imunoterapia contra o câncer

1.3.1. Introdução ao sistema imunológico
1.3.2. Imunologia tumoral

1.3.2.1. Antígenos associados aos tumores
1.3.2.2. Identificação de antígenos associados aos tumores
1.3.2.3. Tipos de antígenos associados aos tumores

1.3.3. Fundamentos da imunoterapia contra o câncer

1.3.3.1. Introdução às abordagens imunoterapêuticas
1.3.3.2. Anticorpos monoclonais na terapia do câncer

1.3.3.2.1. Produção de anticorpos monoclonais
1.3.3.2.2. Tipos de anticorpos terapêuticos
1.3.3.2.3. Mecanismos de ação dos anticorpos
1.3.3.2.4. Anticorpos modificados

1.3.4. Moduladores imunes não específicos

1.3.4.1. Bacilo de Calmette Guérin
1.3.4.2. Interferon-α
1.3.4.3. Interleucina-2
1.3.4.4. Imiquimode

1.3.5. Outras abordagens da imunoterapia

1.3.5.1. Vacinas contra células dendríticas
1.3.5.2. Sipuleucel-T
1.3.5.3. Bloqueio CTLA-4
1.3.5.4. Terapia de células T adotivas

1.3.5.4.1. Terapia celular adotiva com clones de células T
1.3.5.4.2. Terapia celular adotiva com linfócitos infiltrantes tumorais

1.4. Mecanismos moleculares envolvidos no processo de invasão e metástase

Módulo 2. Oncologia Genômica ou de Precisão

2.1. Utilidade do perfil de expressão gênica no câncer
2.2. Subtipos moleculares do câncer de mama
2.3. Plataformas genômicas prognósticas-preditivas no câncer de mama
2.4. Alvos terapêuticos no câncer de pulmão células não pequenas

2.4.1. Introdução
2.4.2. Técnicas de detecção molecular
2.4.3. Mutação EGFR
2.4.4. Translocação ALK
2.4.5. Translocação ROS
2.4.6. Mutação BRAF
2.4.7. Rearranjos dos NRTK
2.4.8. Mutação HER2
2.4.9. Mutação/Amplificação de MET
2.4.10. Rearranjos do RET
2.4.11. Outros alvos moleculares

2.5. Classificação molecular do câncer de cólon
2.6. Estudos moleculares em câncer gástrico

2.6.1. Tratamento do câncer gástrico avançado
2.6.2. Superexpressão do HER2 em câncer gástrico avançado
2.6.3. Determinação e interpretação da superexpressão do HER2 em câncer gástrico avançado
2.6.4. Medicamentos com atividade direcionada ao HER2
2.6.5. Trastuzumab de primeira linha no câncer gástrico avançado

2.6.5.1. Tratamento do câncer gástrico avançado HER2+ após a progressão para regimes baseados em trastuzumab

2.6.6. Atividade de outros medicamentos anti-HER2 no câncer gástrico avançado

2.7. GIST como modelo para a pesquisa translacional: 15 anos de experiência

2.7.1. Introdução
2.7.2. Mutações do KIT e PDGFRA como principais promotores no GIST
2.7.3. Genótipo em GIST: valor prognóstico e preditivo
2.7.4. Genótipo em GIST e resistência imatinibe
2.7.5. Conclusões

2.8. Biomarcadores moleculares e genômicos no melanoma
2.9. Classificação molecular dos tumores cerebrais
2.10. Biomarcadores moleculares e genômicos no melanoma
2.11. Imunoterapia e biomarcadores

2.11.1. O cenário das terapias imunológicas no tratamento do câncer e a necessidade de definir o perfil mutacional de um tumor
2.11.2. Biomarcadores de inibidor de ponto de controle: PD-L1 e mais

2.11.2.1. O papel da PD-L1 na regulamentação imunológica
2.11.2.2. Dados de ensaios clínicos e biomarcador PD-L1
2.11.2.3. Os limites e ensaios para a expressão PD-L1: um quadro complexo
2.11.2.4. Biomarcadores emergentes

2.11.2.4.1. Carga Mutacional Tumoral (TMB)

2.11.2.4.1.1. Quantificação da carga mutacional tumoral
2.11.2.4.1.2. Evidência da carga mutacional tumoral
2.11.2.4.1.3. A carga tumoral como biomarcador preditivo
2.11.2.4.1.4. A carga como um biomarcador prognóstico
2.11.2.4.1.5. O futuro da carga mutacional

2.11.2.4.2. Instabilidade dos microssatélites
2.11.2.4.3. Análise de infiltração imune
2.11.2.4.4. Marcadores de toxicidade

2.11.3. Desenvolvimento de medicamentos de ponto de controle imunológico no câncer
2.11.4. Medicamentos disponíveis

Módulo 3. Mudanças na prática clínica atual e novas aplicações com a Oncologia Genômica

3.1. Biópsias líquidas: moda ou futuro?

3.1.1. Introdução
3.1.2. Células tumorais circulantes
3.1.3. ctDNA
3.1.4. Utilidades clínicas
3.1.5. Limitações do ctDNA
3.1.6. Conclusões e futuro

3.2. Papel do Biobanco na pesquisa clínica

3.2.1. Introdução
3.2.2. Vale a pena o esforço para montar um Biobanco?
3.2.3. Como começar a montar um Biobanco?
3.2.4. Consentimento informado para o Biobanco
3.2.5. Coleta de amostras para Biobanco
3.2.6. Controle de qualidade
3.2.7. Acesso às amostras

3.3. Ensaios clínicos: novos conceitos baseados na medicina de precisão

3.3.1. O que são ensaios clínicos? Como se diferenciam de outros tipos de pesquisa?

3.3.1.1. Tipos de ensaios clínicos

3.3.1.1.1. De acordo com os objetivos
3.3.1.1.2. De acordo com o número de centros participantes
3.3.1.1.3. De acordo com a metodologia
3.3.1.1.4. De acordo com o grau de mascaramento

3.3.2. Resultados de ensaios clínicos em Oncologia Torácica

3.3.2.1. Relacionado ao tempo de sobrevivência
3.3.2.2. Resultados relacionados a tumores
3.3.2.3. Resultados relatados pelos pacientes

3.3.3. Ensaios clínicos na era da medicina de precisão

3.3.3.1. Medicina de precisão
3.3.3.2. Terminologia relacionada ao desenho de ensaios na era da medicina de precisão

3.4. Incorporação de marcadores acionáveis na prática clínica
3.5. Aplicação da genômica na prática clínica por tipo de tumor
3.6. Sistemas de apoio à tomada de decisões em Oncologia baseados em Inteligência artificial

Módulo 4. Uso de Unix e Linux na bioinformática

4.1. Introdução ao sistema operacional Linux

4.1.1. O que é um sistema operacional?
4.1.2. Os benefícios do uso do Linux

4.2. Ambiente Linux e instalação

4.2.1. Distribuições Linux
4.2.2. Instalação do Linux usando um dispositivo USB
4.2.3. Instalação do Linux usando CD-ROM
4.2.4. Instalação do Linux usando uma máquina virtual

4.3. A linha de comando

4.3.1. Introdução
4.3.2. O que é uma linha de comando?
4.3.3. Trabalhando no terminal
4.3.4. O Shell, Bash

4.4. Navegação básica

4.4.1. Introdução
4.4.2. Como saber a localização atual?
4.4.3. Rotas absolutas e relativas
4.4.4. Como nos movemos no sistema?

4.5. Manipulação de arquivos

4.5.1. Introdução
4.5.2. Como construímos um diretório?
4.5.3. Como mudar para um diretório?
4.5.4. Como criar um arquivo vazio?
4.5.5. Copiar um arquivo e diretório
4.5.6. Eliminar um arquivo e diretório

4.6. Editor de texto Vi

4.6.1. Introdução
4.6.2. Como salvar e sair?
4.6.3. Como navegar por um arquivo no editor de texto Vi?
4.6.4. Apagando o conteúdo
4.6.5. O comando desfazer

4.7. Curingas (Wildcards)

4.7.1. Introdução
4.7.2. O que são curingas?
4.7.3. Exemplos de curingas

4.8. Permissões

4.8.1. Introdução
4.8.2. Como visualizar as permissões de um arquivo?
4.8.3. Como alterar as permissões?
4.8.4. Configuração das permissões
4.8.5. Permissões para diretórios
4.8.6. O usuário "Root”

4.9. Filtros

4.9.1. Introdução
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. Outros filtros

4.10. Grep e expressões regulares

4.10.1. Introdução
4.10.2. eGrep
4.10.3. Expressões regulares
4.10.4. Alguns exemplos

4.11. Canalização e Redirecionamentos

4.11.1. Introdução
4.11.2. Redirecionamento para um arquivo
4.11.3. Salvar em um arquivo
4.11.4. Redirecionamento a partir de um arquivo
4.11.5. Redirecionamento STDERR
4.11.6. Canalização (Pipelines)

4.12. Manejo de processos

4.12.1. Introdução
4.12.2. Processos ativos
4.12.3. Encerrar um processo corrompido
4.12.4. Trabalho de primeiro e segundo plano

4.13. Bash

4.13.1. Introdução
4.13.2. Pontos importantes
4.13.3. Por que o "./ ”?
4.13.4. Variáveis
4.13.5. As declarações

Módulo 5. Análise de dados em projetos de Big Data: linguagem de programação R

5.1. Introdução à linguagem de programação R

5.1.1. O que é R?
5.1.2. Instalação de R e a interface gráfica R
5.1.3. Pacotes

5.1.3.1. Pacotes standard
5.1.3.2. Pacotes contribuídos e CRAN

5.2. Características básicas do R

5.2.1. O ambiente R
5.2.2. Software e documentação relacionados
5.2.3. R e estatísticas
5.2.4. R e o sistema de janelas
5.2.5. Usando R interativamente
5.2.6. Uma sessão introdutória
5.2.7. Obtendo ajuda com funções e características
5.2.8. Comandos R, sensibilidade a maiúsculas, etc.
5.2.9. Recuperação e correção de comandos anteriores
5.2.10. Executar comandos ou desviar a saída para um arquivo
5.2.11. Permanência de dados e eliminação de objetos

5.3. Tipos de objetos R

5.3.1. Manipulações simples; números e vetores

5.3.1.1. Vetores e atribuições
5.3.1.2. Aritmética vetorial
5.3.1.3. Gerando sequências regulares
5.3.1.4. Vetores lógicos
5.3.1.5. Valores perdidos
5.3.1.6. Vetores de caracteres
5.3.1.7. Vetores de índice

5.3.1.7.1. Seleção e modificação de subconjuntos de um conjunto de dados

5.3.1.8. Outros tipos de objetos

5.3.2. Objetos, modos e atributos

5.3.2.1. Atributos intrínsecos: modo e comprimento
5.3.2.2. Mudando o comprimento de um objeto
5.3.2.3. Coleta e configuração de atributos
5.3.2.4. A classe de um objeto

5.3.3. Fatores ordenados e não ordenados

5.3.3.1. Um exemplo específico
5.3.3.2. A função tapply () e as matrizes desiguais
5.3.3.3. Fatores ordenados

5.3.4. Matrizes

5.3.4.1. Matrizes
5.3.4.2. Indexação de matrizes Subseções de uma matriz
5.3.4.3. Matrizes do índice
5.3.4.4. A função array ()
5.3.4.5. Aritmética mista de vetor e matriz A regra da reciclagem
5.3.4.6. O produto externo de duas matrizes
5.3.4.7. Transposição de matriz generalizada
5.3.4.8. Multiplicação de matrizes
5.3.4.9. Valores próprios e vetores próprios
5.3.4.10. Decomposição de valores singulares e determinantes
5.3.4.11. Formação de matrizes particionadas, cbind () e rbind ()
5.3.4.12. A função de concatenação, c (), com matrizes

5.3.5. Tabelas de frequência de fatores
5.3.6. Listas

5.3.6.1. Construção e modificação de listas
5.3.6.2. Listas de concatenação

5.3.7. DataFrames

5.3.7.1. Como criar DataFrames?
5.3.7.2. Anexar () e separar ()
5.3.7.3. Trabalhando com DataFrames

5.4. Leitura e escrita de dados

5.4.1. A função read.table ()
5.4.2. A função scan()
5.4.3. Acesso aos conjuntos de dados incorporados
5.4.4. Carregando dados de outros pacotes R
5.4.5. Edição de dados

5.5. Agrupamento, loops e execução condicional

5.5.1. Expressões agrupadas
5.5.2. Declarações de controle

5.5.2.1. Execução condicional: sentenças IF
5.5.2.2. Execução repetitiva: para loops, repetição e tempo

5.6. Escrevendo suas próprias funções

5.6.1. Exemplos simples
5.6.2. Definição de novos operadores binários
5.6.3. Argumentos com nome e valores padrão
5.6.4. O argumento "..."
5.6.5. Atribuições dentro das funções

Módulo 6. Ambiente gráfico em R

6.1. Procedimentos gráficos

6.1.1. Comandos de traçado de alto nível

6.1.1.1. A função de plot ()
6.1.1.2. Visualização de dados multivariados
6.1.1.3. Gráficos de tela
6.1.1.4. Argumentos para funções de traçado de alto nível

6.1.2. Comandos de traçado de alto nível

6.1.2.1. Anotação matemática
6.1.2.2. Fontes vetoriais Hershey

6.1.3. Interagindo com os gráficos
6.1.4. Uso de parâmetros gráficos

6.1.4.1. Mudanças permanentes: a função par ()
6.1.4.2. Mudanças temporais: argumentos para as funções gráficas

6.1.5. Lista de parâmetros gráficos

6.1.5.1. Elementos gráficos
6.1.5.2. Eixos e marcações
6.1.5.3. Margens da figura
6.1.5.4. Ambiente com múltiplas imagens

6.1.6. Estatística descritiva: representações gráficas

Módulo 7. Análise estatística em R

7.1. Distribuições discretas de probabilidade
7.2. Distribuições contínuas de probabilidade
7.3. Introdução à inferência e amostragem (estimativa pontual)
7.4. Intervalos de confiança
7.5. Teste de hipótese
7.6. ANOVA de um fator
7.7. Bondade de ajuste (teste de qui-quadrado)
7.8. Pacote fitdist
7.9. Introdução às estatísticas multivariadas

Módulo 8. Machine Learning para a análise de Big Data

8.1. Introdução a Machine Learning
8.2. Apresentação de problemas, carregamento de dados e bibliotecas
8.3. Limpeza de dados (NAs, categorias, variáveis Dummy)
8.4. Análise de dados exploratórios (ggplot) + validação cruzada
8.5. Algoritmos de previsão: regressão linear múltipla, Máquina de Suporte Vetorial, árvores de regressão, Random Forest, etc
8.6. Algoritmos de classificação: regressão linear múltipla, Máquina de Suporte Vetorial, árvores de regressão, Random Forest, etc
8.7. Ajuste dos hiperparâmetros do algoritmo
8.8. Predição de dados com os diferentes modelos
8.9. Curvas ROC e matrizes de confusão para avaliar a qualidade do modelo

Módulo 9. Mineração de dados aplicada à Genômica

9.1. Introdução
9.2. Inicialização de variáveis
9.3. Limpeza e condicionamento do texto
9.4. Geração da matriz de termos

9.4.1. Criação da matriz de termos TDM
9.4.2. Visualizações sobre a matriz de palavras TDM

9.5. Descrição da matriz de termos

9.5.1. Representação gráfica das frequências
9.5.2. Construção de uma nuvem de palavras

9.6. Criação de um Data Frames apto para K-NN
9.7. Construção do modelo de classificação
9.8. Validação do Mmodelo de classificação
9.9. Exercício prático guiado sobre mineração de dados em Genômica do Câncer

Módulo 10. Técnicas de mineração de dados genômicos

10.1. Introdução àRaspagem de Dados
10.2. Importação de arquivos de dados de planilhas armazenadas online
10.3. SRaspagem de texto HTML
10.4. Raspagem de dados de uma tabela HTML
10.5. Aproveitando as APIs para a raspagem de dados
10.6. Extraindo informações relevantes
10.7. Usando o pacote rvest em R
10.8. Obtenção de dados distribuídos em várias páginas
10.9. Extração de dados genômicos da plataforma "My Cancer Genome"
10.10. Extração de informações genéticas do banco de dados "HGNC HUGO Gene 
Nomenclature Committee”
10.11. Extração de dados farmacológicos do banco de dados “ONCOKG” (Precision Oncology Knowledge Base)

Módulo 11. Novas técnicas na era Genômica

11.1. Entendendo a nova tecnologia: Next Generation Sequence (NGS) na prática clínica

11.1.1. Introdução
11.1.2. Antecedentes
11.1.3. Problemas na aplicação do sequenciamento Sanger em Oncologia
11.1.4. Novas técnicas de sequenciamento
11.1.5. Vantagens do uso do NGS na prática clínica
11.1.6. Limitações do uso de NGS na prática clínica
11.1.7. Termos e definições relevantes
11.1.8. Tipos de estudos de acordo com o tamanho e profundidade

11.1.8.1. Genomas
11.1.8.2. Exomas
11.1.8.3. Painéis multigênicos

11.1.9. Etapas no sequenciamento NGS

11.1.9.1. Preparação de amostras e bibliotecas
11.1.9.2. Preparação de Templates e sequenciamento
11.1.9.3. Processamento bioinformático

11.1.10. Anotação e classificação de variantes

11.1.10.1. Bases de dados demográficos
11.1.10.2. Bases de dados específicas do local
11.1.10.3. Preditores bioinformáticos de funcionalidade

11.2. Sequenciamento de DNA e análise bioinformática

11.2.1. Introdução
11.2.2. Software
11.2.3. Procedimento

11.2.3.1. Extração de sequências brutas
11.2.3.2. Alinhamento de sequências
11.2.3.3. Refinamento do alinhamento
11.2.3.4. Chamada de variantes
11.2.3.5. Filtragem de variantes

11.3. Sequenciamento de RNA e análise bioinformática

11.3.1. Introdução
11.3.2. Software
11.3.3. Procedimento

11.3.3.1. Avaliação de CQ de dados brutos
11.3.3.2. Filtragem rRNA
11.3.3.3. Dados filtrados de controle de qualidade
11.3.3.4. Corte de qualidade e remoção do adaptador
11.3.3.5. Alinhamento de Reads a uma referência
11.3.3.6. Chamada de variantes
11.3.3.7. Análise da expressão gênica diferencial

11.4. Tecnologia ChIP-Seq

11.4.1. Introdução
11.4.2. Software
11.4.3. Procedimento

11.4.3.1. Descrição do conjunto de dados CHiP-Seq
11.4.3.2. Obter informações sobre o experimento utilizando os sites GEO e SRA
11.4.3.3. Controle de qualidade dos dados de sequenciamento
11.4.3.4. Corte e filtragem de reads
11.4.3.5. Visualização de resultados com Integrated Genome Browser (IGV)

11.5. Big Data aplicado à Oncológica Genômica

11.5.1. O processo de análise de dados

11.6. Servidores genômicos e bancos de dados de variantes genéticas

11.6.1. Introdução
11.6.2. Servidores genômicos da web
11.6.3 Arquitetura de servidores genômicos
11.6.4 Recuperação e análise de dados
11.6.5. Personalização

11.7. Anotação de variantes genéticas

11.7.1. Introdução
11.7.2. O que é a chamada de variante?
11.7.3. Entendendo o formato do VCF
11.7.4. Identificadores de variantes
11.7.5. Análise de variantes
11.7.6. Prevendo o efeito da variação na estrutura e função da proteína

Módulo 12. Aplicações da bioinformática na Oncologia Genômica

12.1. Enriquecimento clínico e farmacológico de variantes gênicas
12.2. Busca massiva de informações genômicas em PubMed
12.3. Busca massiva de informações genômicas em DGIdb
12.4. Busca em massa de ensaios clínicos sobre dados genômicos em Clinical Trials
12.5. Busca de similaridade genética para interpretação de um painel genético ou de um exoma
12.6. Busca massiva de genes relacionados a doenças
12.7. Enrich-Gen: plataforma de enriquecimento clínico e farmacológico de genes
12.8. O procedimento do relatório genômico na era da Oncologia de Precisão

Uma experiência de capacitação única, essencial e decisiva para impulsionar seu desenvolvimento profissional”