Título Universidad CEU Cardenal Herrera 60 ECTS
Universidad CEU Cardenal Herrera. Formación en línea

Maestría en Oncología de Precisión: Genómica y Big Data

Universidad CEU Cardenal Herrera. Formación en línea
En línea

$97,500
Si gustas, puedes llamar al centro en este momento

Información importante

Tipología Maestría
Metodología En línea
Horas lectivas 1500h
Duración 1 Año
Inicio Fechas a escoger
Campus virtual
Clases virtuales
  • Maestría
  • En línea
  • 1500h
  • Duración:
    1 Año
  • Inicio:
    Fechas a escoger
  • Campus virtual
  • Clases virtuales
Descripción

El concepto de oncología genómica o de precisión no es completamente nuevo; los médicos han estado utilizando el tipo de sangre para adaptar las transfusiones de sangre durante más de un siglo. Lo que hoy es diferente es el rápido crecimiento de los datos genómicos que se pueden recopilar de forma rápida y barata del paciente y de la comunidad en general, y el potencial para obtener información a partir del intercambio de esos datos. La escala y la complejidad de los datos genómicos empequeñecen las medidas que se usan tradicionalmente en las pruebas de laboratorio.

Información importante Instalaciones (1) y fechas
Dónde se imparte y en qué fechas
Inicio Ubicación
Fechas a escoger
En línea
Inicio Fechas a escoger
Ubicación
En línea

A tener en cuenta

· ¿Cuáles son los objetivos de este curso?

Objetivos generales 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 específicos 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.

· ¿A quién va dirigido?

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.

· Requisitos

Solo para médicos especialistas.

· Titulación

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

· ¿Qué diferencia a este curso de los demás?

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. 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.

· ¿Qué pasa después de pedir información?

Recibida su solicitud, un responsable académico del curso le llamará para explicarle todos los detalles del programa, así como el método de inscripción, facilidades de pago y plazos de matrícula.

· ¿Qué necesito para realizar un curso on-line?

En primer lugar, necesitas una computadora (PC o Macintosh), conexión a internet y una cuenta de correo electrónico. Para poder realizar los cursos integramente ON-LINE dispone de las siguientes opciones: Flash - Instalando Flash Player 10 o posterior (http://www.adobe.com/go/getflash), en alguno de los siguientes navegadores web: - Windows: Internet Explorer 6 y posteriores, Firefox 1.x y posteriores, Google Chrome, Opera 9.5 y posteriores - Mac: Safari 3 y posteriores, Firefox 1.x y posteriores, Google Chrome - Linux: Firefox 1.x y posteriores HTML5 - Instalando alguno de los navegadores web: - Google Chrome 14 o posterior sobre Windows o Mac - Safari 5.1 o posterior sobre Mac - Mobile Safari sobre Apple iOS 5.0 o posterior en iPad/iPhone Apple iOS - Articulate Mobile Player; Apple iOS 5.0 o posterior en iPad

Preguntas & Respuestas

Plantea tus dudas y otros usuarios podrán responderte

¿Qué aprendes en este curso?

Calidad
Control de calidad
Instalación
Linux
Oncología
Ensayos
Cáncer
Terapia
Análisis de datos
Alineación

Profesores

Martin Krallinger
Martin Krallinger
Jefe de la unidad de minería de textos

Jefe de la unidad de minería de textos del Centro Nacional de Investigación del Cáncer (CNIO) Ha completado el proceso de selección para optar al jefe de la unidad de minería de textos del Centro de Supercomputación de Barcelona (BSC) Experto en el campo de la minería de textos biomédicos y clínicos y las tecnologías lingüísticas, y ha trabajado en este y otros temas de investigación relacionados desde hace más de diez años, lo que dio lugar a más de 70 publicaciones (más de 45 de ellas correspondientes a publicaciones de JCR) y varios dominios

Mauro Javier Oruezábal Moreno
Mauro Javier Oruezábal Moreno
Jefe de Servicio de Oncología médica del Hsp. Univ. Rey Juan Carlos

Jefe de Servicio de Oncología médica del Hsp. Univ. Rey Juan Carlos Research Visitors at University of Southampton (2016-actualidad) Máster Univ. en Bioinformática y bioestadística UOC-UB (2016-actualidad) Master en análisis bioinformático por la Univ. Pablo de Olavide (2015-2016) Dr. en Medicina por la Universidad Complutense de Madrid. Calificación Sobresaliente cum laude (2002) Miembro de la Sociedad Española de Oncología Médica y Grupo GECP (Grupo Español de Cáncer de Pulmón) Especialista (MIR) en Oncología médica, Hosp. Univ. San Carlos de Madrid (2000).

Programa académico

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.