Docentes

1 / 36

Descripción

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, y a pesar de que 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 estamos 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, oncología.

Tenemos millones de datos o publicaciones pero cuando son analizadas por los médicos o biólogos, las conclusiones son totalmente subjetivas y en relación a 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 que 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 de Máster Online en Oncología de Precisión: Genómica y Big Data”

Este Máster Online en Oncología de Precisión: Genómica y Big Data contiene el programa científico más completo y actualizado del mercado. Las características más destacadas del curso 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 están concebidos, recogen una información científica y asistencial sobre aquellas disciplinas indispensables para el ejercicio profesional.
  • Novedades en Oncología 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 máster 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 máster por la primera institución educativa de España, el CEU”

Incluye en su cuadro docente profesionales pertenecientes al ámbito de la oncología de precisión: genómica y big data, que vierten en esta formación la experiencia de su trabajo, además de reconocidos especialistas pertenecientes a sociedades científicas de referencia.

Gracias a su contenido multimedia elaborado con la última tecnología educativa, permitirán 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 basado en el Aprendizaje Basado en Problemas, mediante el cual el fisioterapeuta deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del curso. Para ello, el fisioterapeuta contará con la ayuda de un novedoso sistema de vídeo interactivo realizado por reconocidos expertos en el campo de la oncología de precisión: genómica y big data y con gran experiencia docente.

El máster 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"

Objetivos

El Máster Online en Oncología de Precisión: Genómica y Big Data está orientado a facilitar la actuación del médico dedicado al tratamiento de la patología oncológica en la que 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.

Este máster está orientado para que consigas actualizar tus conocimientos en oncología de precisión: genómica y big data, con el empleo de la última tecnología educativa, para contribuir con calidad y seguridad a la toma de decisiones, diagnóstico, tratamiento y acompañamiento del paciente”

Objetivo General

  • Ser capaz de interpretar con precisión el volumen de información clínica disponible actualmente y asociado a los datos biológicos que se generan tras un análisis bioinformático.

Objetivos Especificos de aprendizaje de cada módulo/sección

Módulo 1

  • Actualizar los conocimientos en la biología molecular del cáncer, sobre todo en relación con el concepto de heterogeneidad genética, reprogramación del microambiente, papel de la respuesta inmune en el control del cáncer y mecanismos moleculares implicados en el proceso de invasión y metástasis.
  • Aportar y ampliar conocimientos sobre la inmunoterapia, como ejemplo de claro avance científico de investigación traslacional, y una de las líneas de investigación más prometedoras en el tratamiento del cáncer.

Módulo 2

  • Conocer un nuevo enfoque de clasificación de los tumores más frecuentes basados en los datos genómicos disponibles en The Cancer Genome Atlas (TCGA) Research Network, lo cual renueva no sólo las ideas tradicionales sobre cómo se diagnostican y tratan las neoplasias, sino que también puede tener un profundo impacto en el panorama futuro del desarrollo de fármacos.
  • Discutir el cambio del panorama actual con la introducción de los datos genómicos en el conocimiento biológico de los tumores que ha permitido un viraje en la investigación y tratamiento de los tumores; desde la visión clásica que define el cáncer como una enfermedad según el tejido en el que se originó, a considerar la firma genómica para identificar subtipos tumorales con valor pronóstico y predictivo independiente.
  • Explicar como la clasificación genómica, aunque se correlacionada con el tejido de origen, proporciona información independiente para predecir los resultados clínicos, y dará la base biológica para una era de tratamiento personalizado contra el cáncer.

Módulo 3

  • Aprender como la biopsia líquida de DNA circulante nos permite comprender específicamente qué tipo de cambios moleculares están sucediendo en el tumor en tiempo real, lo que es un gran paso más allá de los actuales criterios de valoración de respuesta y seguimiento de los tumores en términos clínicos.
  • Describir el paradigma actual de incorporación de los datos genómicos a la práctica clínica actual, donde la selección del tratamiento debe ser dictada por las aberraciones moleculares específicas que se encuentran en el tumor de cada paciente. De este modo, se está abandonando el paradigma de los ensayos clínicos clásicos de la elegibilidad de los pacientes basándose en parámetros clinicopatológicos, frente a los ensayos clínicos actuales que reclutan pacientes sobre la base de aberraciones moleculares específicas.
  • Discutir como la adopción de la secuenciación de próxima generación (NGS) en un contexto de diagnóstico plantea numerosas preguntas con respecto a la identificación y los informes de variantes en genes secundarios para la patología del paciente, por lo que es fundamental definir aquellos genes considerados accionables gracias a su proceso de curación eficiente y la recopilación de datos publicados.

Módulo 4

  • Aprender sobre el sistema operativo Linux, el cual es actualmente fundamental en el mundo científico tanto para la interpretación de los datos biológicos procedentes de la secuenciación como lo deberá ser para la minería de textos médicos cuando manejamos datos a gran escala. Los motivos son múltiples pero uno que justifica este módulo, es que el sistema Unix es el más popular del mundo y es ampliamente utilizado especialmente en el mundo científico, además, al ser un sistema de código abierto se corresponde claramente con el enfoque científico, de compartir resultados y métodos para garantizar la reproducibilidad de los resultados.
  • Proporcionar las bases para acceder a un servidor Linux y cómo encontrar e instalar los paquetes para instalar el software en local.
  • Describir los comandos básicos de Linux para: crear, renombrar, mover y eliminar directorios; listado, lectura, creación, edición, copia y eliminación de archivos; cómo funcionan los permisos y cómo descifrar los permisos de Linux más crípticos con facilidad; métodos para buscar archivos y directorios; cómo comparar el contenido de los archivos; qué son las tuberías, por qué son útiles y cómo usarlas; cómo comprimir archivos para ahorrar espacio y facilitar la transferencia de datos, etc.

Módulo 5

  • Iniciarse en el lenguaje de programación R, que tiene las ventajas de ser un lenguaje de programación de código abierto, dispone múltiples paquetes de análisis estadístico, una comunidad que se esfuerza por desarrollar los diversos aspectos de esta herramienta y proporciona un lenguaje efectivo para administrar y manipular datos.
  • Aprender conceptos básicos de programación de R como tipos de datos, aritmética de vectores e indexación.
  • Realizar operaciones en R, incluida la clasificación, creación o importación de datos.
  • Aprender como la resolución de un problema comienza con una descomposición modular y luego nuevas descomposiciones de cada módulo en un proceso denominado refinamiento sucesivo.

Módulo 6

  • Aprender los conceptos básicos de la inferencia estadística para comprender y calcular los valores p e intervalos de confianza mientras analizamos los datos con R.
  • Proporcionar ejemplos de programación R de una manera que ayudará a establecer la conexión entre los conceptos y la implementación.
  • Usar técnicas de visualización para explorar nuevos conjuntos de datos y determinar el enfoque más apropiado.
  • Describir las técnicas estadísticas más apropiadas como alternativa cuando los datos no se ajustan a los supuestos requeridos por el enfoque estándar.
  • Aprender los conceptos básicos para realizar investigaciones reproducibles mediante el uso de scripts R para analizar datos.

Módulo 7

  • Aprender a visualizar datos lo cual permitirá extraer información, comprender mejor los datos y tomar decisiones más efectivas.
  • Enseñar a tomar datos que a primera vista tienen poco significado y presentar visualmente esos datos en una forma que tenga sentido para su análisis.
  • Aprender a utilizar las tres fuentes principales de gráficos de R: base, lattice y ggplot2.
  • Conocer en que se basa cada paquete de gráficos para definir cuál debemos utilizar y las ventajas que ofrecen uno u otro.

Módulo 8

  • El aprendizaje automático está revolucionando el mundo de la genómica, y ¿por qué no el de la medicina? El aprendizaje automático permite procesar y analizar de forma rápida y automática enormes volúmenes de datos complejos estructurados, semiestructurados y no estructurados (Big Data), y es fundamental para innumerables aplicaciones nuevas y futuras para obtener información y conocimiento. El aprendizaje automático potencia tecnologías innovadoras tales como motores de recomendación, reconocimiento de patrones, protección contra efectos adversos e incluso la interacción entre profesionales y pacientes.
  • Un objetivo fundamental de este módulo es comprender qué es el aprendizaje automático y utilizar algunas de las técnicas para la clasificación de datos (árbol de decisiones, k-NN, Máquinas de Vector de Soporte, redes neuronales, etc.).
  • Aprender a dividir los datos en un conjunto de prueba y otro de entrenamiento y descubrir los conceptos de sesgo y varianza.

Módulo 9

  • Aprender como la minería de datos permite encontrar patrones y regularidades en las bases de datos, lo que será muy útil para realizar predicciones y pronósticos, y en general mejorar y ampliar el conocimiento a través de la interacción con los datos, lo cual está siendo fundamental para el enriquecimiento de variantes genéticas y lo será para el enriquecimiento clínico e implantación de la oncología de precisión.
  • Aprender a aplicar los principios de minería de datos a la disección de grandes conjuntos de datos complejos (Big Data), incluidos aquellos en bases de datos muy grandes o en páginas web.
  • Explorar, analizar y aprovechar los datos y convertirlos en información útil y valiosa para la práctica clínica.

Módulo 10

  • Comprender como la mayoría de los datos científicos aparecen en documentos como páginas web y archivos PDF difícilmente procesables para su posterior análisis, sin embargo, mediante las técnicas de scraping podemos hacerlos utilizables.
  • La posibilidad de acceder a muchas fuentes de datos a través de la web han convertido a las técnicas de scraping en una parte esencial del conjunto de herramientas para la implantación de la medicina de precisión, al permitir, la extracción masiva de información, su posterior procesamiento y conversión en datos útiles para su interpretación.

Módulo 11

  • Conocer las nuevas tecnologías genómicas actualmente utilizadas en la secuenciación del DNA y RNA, basadas en la secuencia del genoma humano y posible desde la finalización del Proyecto del Genoma Humano, que ha supuesto una expansión sin precedentes de las capacidades de la genética molecular en la investigación del diagnóstico genético y clínico.
  • Comentar el proceso bioinformático se sigue para la interpretación y aplicación de los datos biológicos, lo cual es fundamental desde el advenimiento de las modernas técnicas de secuenciación, y que permiten organizar, analizar e interpretar la información biológica a nivel molecular, celular y genómico, lo cual es primordial hoy día, desde que la identificación de secuencias de ácidos nucleicos se ha convertido en una herramienta omnipresente y esencial en todas las áreas de la ciencia biológica.
  • Comentar y saber interpretar la carga mutacional tumoral (TMB) como un biomarcador genómico que tiene un impacto significativo en el panorama de la inmunoterapia contra el cáncer. Este marcador emergente mide el número de mutaciones dentro del genoma tumoral y ya se ha demostrado que está asociado con una mejor respuesta a los inhibidores del punto de control inmune.

Módulo 12

  • Poner en práctica los conocimientos adquiridos para la interpretación de un estudio genómico en varios casos de cáncer mediante la extracción de información útil que ayude a la toma de decisiones.
  • Utilización de diversos algoritmos realizados con el lenguaje R para la extracción de conocimiento desde las bases de datos Pubmed, DGIdb y Clinical Trials a partir de la búsqueda de información genética en determinados tumores.
  • Conocer la función de genes con escasa información clínica en base a la proximidad ontológica.
  • Descubrir genes implicados en una enfermedad en base a una búsqueda masiva en Pubmed y representación gráfica del nivel evidencia científico.

Aprovecha la oportunidad y da el paso para ponerte al día en las últimas novedades en oncología de precisión: genómica y big data”

Temario

La estructura de los contenidos ha sido diseñada por un equipo de profesionales de los mejores centros y universidades del territorio nacional, conscientes de la relevancia de la actualidad de la formación para poder intervenir ante el paciente con daño cerebral adquirido, y comprometidos con la enseñanza de calidad mediante las nuevas tecnologías educativas.

Este Máster Online 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 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.

2.4.1. 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 tumoral como biomarcador predictivo.
2.11.2.4.1.4. Carga tumoral tumoral como un biomarcador 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.

Modulo 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 movernos 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 vacio?
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. Porqué 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 el 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 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.

9.4.1. 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 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.

11.1.1. 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 formación única, clave y decisiva para impulsar tu desarrollo profesional”

Método

Ante una determinada situación, ¿qué haría usted? A lo largo de estos meses, el médico se enfrentará a múltiples casos clínicos simulados basados en pacientes reales en los que deberá investigar, establecer hipótesis y finalmente, resolver la situación. Este método hace que los médicos aprendan mejor ya que aceptan más responsabilidad y se acercan a la realidad de su futuro profesional.

¿Sabía qué este método fue desarrollado en 1912 para los estudiantes de Derecho? El método del caso consistía en presentarles situaciones complejas reales para que tomasen decisiones y justificasen cómo resolverlas. En 1924 se estableció como método estándar de enseñanza en Harvard”

Según el Dr Gérvas, el caso clínico es la presentación comentada de un paciente, o grupo de pacientes, que se convierte en «caso», en un ejemplo o modelo que ilustra algún componente clínico peculiar, bien por su poder docente, bien por su singularidad o rareza. Es esencial que el caso se apoye en la vida profesional actual, intentando recrear los condicionantes reales en la práctica profesional del médico.

Se trata de una técnica que desarrolla el espíritu crítico y prepara al médico parala toma de decisiones, la defensa de argumentos y el contraste de opiniones.

Según Reynolds existen cuatro razones fundamentales que avalan la eficacia del método del caso aplicable a Medicina:

  1. Los médicos desarrollan mejor sus capacidades mentales evaluando situaciones reales y aplicando conceptos.
  2. Los médicos estarán mejor preparados para el desarrollo de su actividad profesional.
  3. Las ideas y conceptos se asimilan mejor cuando se analizan en situaciones que han surgido de la realidad.
  4. Los médicos dedican voluntariamente más tiempo a trabajar ya que consideran más interesante trabajar con casos.

El médico aprenderá mediante casos reales y resolución de situaciones complejas en entornos simulados de aprendizaje. Estos simulacros están desarrollados a partir de software de última generación que permiten facilitar el aprendizaje inmersivo”

Los potenciamos con el mejor método de enseñanza 100 % online: el Relearning.

Nuestra escuela es la primera en el mundo que combina el estudio de casos clínicos con un sistema de aprendizaje 100% online basado en la reiteración, que combina 8 elementos diferentes que suponen una evolución con respecto al simple estudio y análisis de casos.

Relearning Methodology

Esta metodología, a la vanguardia pedagógica mundial, se denomina Relearning. Nuestra escuela es la primera en habla hispana licenciada para emplear este exitoso método, habiendo conseguido en 2015 mejorar los niveles de satisfacción global (calidad docente, calidad de los materiales, estructura del curso, objetivos…) de los médicos que finalizan los cursos con respecto a los indicadores de la mejor universidad online en habla hispana.

La puntuación global que obtiene nuestro sistema de aprendizaje es de 8.01, con arreglo a los más altos estándares internacionales.

En nuestro Máster Online Oncología de Precisión: Genómica y Big Data el aprendizaje no es proceso lineal, sino que sucede en espiral (aprendemos–desaprendemos (olvidamos) y reaprendemos); por eso combinamos cada uno de estos elementos de forma concéntrica.

Con esta metodología hemos formado a más de 40.000 médicos con un éxito sin precedentes, en áreas como la pediatría, la cirugía, las enfermedades infecciosas, la hepatología, etc. Todo ello en un entorno de alta exigencia, con un alumnado universitario de un perfil socioeconómico alto y una media de edad de 42 años.

... y todo ello con los mejores materiales de aprendizaje a la vanguardia tecnológica y pedagógica. 


Acceso a los mejores materiales educativos:

En este máster tendrás acceso a los mejores materiales educativos, preparados a conciencia para ti:

Material de estudio 20%

Tras un complejo proceso de producción, transformamos los mejores contenidos a formato multimedia de alta calidad pedagógica y audiovisual. Seleccionamos y ponemos a tu disposición el mejor temario. Todo lo que necesitas para conocer en profundidad una disciplina, de la A a la Z. Lecciones redactadas y escogidas por especialistas en cada una de las disciplinas.

Técnicas quirúrgicas y procedimientos clínicos en video 15%

Te acercamos a las técnicas más novedosas, a los últimos avances científicos, al primer plano de la actualidad médica. Todo esto, en primera persona, con el máximo rigor, explicado y detallado para tu asimilación y comprensión. Y lo mejor, puedes verlos las veces que quieras.

Resúmenes interactivos  15%

Presentamos los contenidos de manera atractiva y dinámica en píldoras multimedia que incluyen audio, vídeos, imágenes, esquemas y mapas conceptuales con el fin de afianzar el conocimiento. Este sistema exclusivo de formación para la presentación de contenidos multimedia fue premiado por Microsoft como “Caso de éxito en Europa”.

Lecturas complementarias  3%

Artículos recientes, documentos de consenso, guías internacionales..., en nuestra biblioteca virtual tendrás acceso a todo lo que necesitas para completar tu formación.

Análisis de casos elaborados y guiados por expertos  20%

A través de las narrativas de profesionales expertos se puede adquirir un elevado grado de comprensión de las situaciones problemáticas más frecuentes. La práctica asistencial del profesional no es ajena al contexto en el que se produce. Si queremos capacitarnos para la mejora de nuestra práctica profesional, esta formación deberá situarse dentro del contexto en el que se produce.

Testing & Retesting  17%

Evaluamos y reevaluamos periódicamente tu conocimiento a lo largo de este programa mediante actividades y ejercicios evaluativos.

Clases magistrales 7%

Existe evidencia científica sobre la utilidad de la observación de terceros expertos. 

El denominado Learning from an expert afianza el conocimiento y el recuerdo, y genera seguridad en nuestras futuras decisiones difíciles

Guías rápidas de actuación 3%

Una de las funciones más importantes de nuestro equipo es seleccionar aquellos contenidos considerados como imprescindibles y presentarlos en forma de fichas o guías rápidas de actuación para facilitar su comprensión.

Reconocimiento

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

Tras la superación de las evaluaciones por parte del alumno, éste recibirá por correo postal con acuse de recibo su correspondiente Título de Máster Propio emitido por el CEU (Universidad CEU-Cardenal Herrera).

El título expedido por la Universidad CEU-Cardenal Herrera expresará la calificación que haya obtenido en el Máster, y reúne los requisitos comúnmente exigidos por las bolsas de trabajo, oposiciones y comités evaluadores carreras profesionales.


Avalado por:


Título: Máster en Oncología de Precisión: Genómica y Big Data
ECTS: 60
Nº Horas Lectivas: 1.500

*Apostilla de La Haya. En caso de que el alumno solicite que su titulo en papel recabe la Apostilla de La Haya, TECH EDUCATION realizará las gestiones oportunas para su obtención con un coste añadido de 160 Dólares Estadounidenses; más gastos de envío del título apostillado.

Cursos relacionados

1 / 132