Projeto de bioinformática na gestão de dados de multi-ómicas na clínica

Conhecimentos de Base Recomendados

N./A.

Métodos de Ensino

Será apresentado aos formandos um problema prático de análise de dados multi-ómicos que terá de ser desenvolvido no decorrer do módulo aplicando as técnicas de análise adequadas.

Resultados de Aprendizagem

-Aprender a desenvolver protocolos padronizados para a coleta, armazenamento e análise de dados de multi-ómicas, garantindo a qualidade e a integridade dos dados.
-Desenvolver fluxos de trabalho automatizados para análise de dados de multi-ómicas que possam ser facilmente replicados em diferentes conjuntos de dados.
-Realizar a análise exploratória de dados de multi-ómicas para identificar padrões biológicos relevantes para a saúde.
-Utilizar técnicas de machine learning e outras ferramentas de inteligência artificial para prever diagnósticos e desfechos de tratamento.
-Integrar dados de multi-ómicas com outros tipos de dados clínicos.

Estágio(s)

Não

Programa

- Análise descritiva de dados.
- Modelos estatísticos de previsão.
- Validação de modelos estatísticos.

Docente(s) responsável(eis)

Francisco José Santiago Fernandes Amado Caramelo

Métodos de Avaliação

Avaliação
Avaliação qualitativa: 100.0%

Bibliografia

- Genome-Wide Association Studies and Genomic Prediction, Gondro, Cedric, van der Werf, Julius, Hayes, Ben (Eds.), Springer.

- Modelling Survival Data in Medical Research (Second ed., 2003). David Collet, Boca Raton: Chapman & Hall/CRC.

- On the Application of Discriminant Analysis in Medical Diagnostics. Wernecke KD. In: Bock HH., Lenski W., Richter M.M. (eds) Information Systems and Data Analysis. Studies in Classification, Data Analysis, and Knowledge Organization. Springer.

- Precision medicine and artificial intelligence. The perfect fit for autoimmunity. First edition. Edited by Michael Mahler, Inova Diagnostics, Inc. (a Werfen company), San Diego, CA, United States. Elsevier, 2021.

- Sohil, Fariha & Sohail, Muhammed & Shabbir, Javid. (2021). An introduction to statistical learning with applications in R: by Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani, New York, Springer Science and Business Media, 2013, $41.98, eISBN: 978-1-4614-7137-7. Statistical Theory and Related Fields. 6. 1-1. 10.1080/24754269.2021.1980261.

- Guyon, Isabelle, and André Elisseeff. "An introduction to variable and feature selection." The Journal of Machine Learning Research 3 (2003): 1157-1182.

- Christopher M. Bishop. 2006. Pattern Recognition and Machine Learning (Information Science and Statistics). Springer-Verlag, Berlin, Heidelberg.

- Multivariate data analysis; JF Hair, WC Black, BJ Babin, RE Anderson, RL Tatham; Pearson Prentice Hall.

- Design, Analysis, and Interpretation of Genome-Wide Association Scans, Daniel O. Stram, Springer.