Machine Learning en Biomedicina
"Descubrimos biomarcadores mediante métodos de aprendizaje automático para mejorar el diagnóstico, prevención y tratamiento de enfermedades en el contexto de la medicina personalizada".
DR. MIKEL HERNÁEZ ARRAZOLA INVESTIGADOR. PROGRAMA DE BIOLOGÍA COMPUTACIONAL Y GENÓMICA TRASLACIONAL
El grupo de investigación en Machine Learning en Biomedicina del Cima Universidad de Navarra tiene actualmente dos líneas principales de investigación:
- Análisis de datos transcriptómicos, tanto a granel como a resolución de célula única.
- Desarrollo de nuevos formatos de archivo para el almacenamiento y acceso a datos ómicos.
La biología molecular ha experimentado una revolución debido a la capacidad de estudiar de manera simultánea el funcionamiento y la expresión de miles de genes y de proteínas del organismo del paciente.
Gracias al uso de la tecnología informática, bases de datos y análisis estadístico podemos analizar con precisión y rapidez, gran cantidad de datos que nos permiten entender la complejidad de los mecanismos causantes de las enfermedades.
Dr. Mikel Hernáez
LÍDER DE GRUPO
| +34 948 194 700 | |
| mhernaez@unav.es |
Objetivos del grupo de investigación en Machine Learning en Biomedicina
Ingeniería inversa del transcriptoma mediante métodos de aprendizaje automático
En la actualidad estamos desarrollando varios métodos para descubrir el reordenamiento transcripcional subyacente, basados en datos de ARN-Seq tanto masivos como unicelulares, y aplicándolos a varias enfermedades.
Prevemos que los métodos desarrollados proporcionarán nuevos conocimientos adicionales para la comprensión del reordenamiento transcripcional clave asociado a varias enfermedades cancerosas, incrementado por nuestra capacidad de seguimiento en la clínica.
Compresión y cifrado de datos genómicos basados en estándares para la investigación del cáncer
Estamos desarrollando un nuevo formato para la representación de la información genómica que se basa en los esfuerzos actuales de la Organización Internacional de Normalización (ISO) para generar un conjunto de especificaciones para una representación basada en estándares de estos datos.
También estamos construyendo las herramientas informáticas que actúan sobre los nuevos formatos propuestos para generar el marco necesario para el manejo eficiente y seguro de los datos genómicos.
DATOS ÓMICOS EN LA ATENCIÓN CLÍNICA
Un reto de un futuro
no tan lejano
En la actualidad, la mayoría de los pacientes con cáncer reciben tratamientos mínimamente informados por los datos ómicos; las historias clínicas electrónicas constan de datos centrados en el paciente (como diagnósticos de cáncer, historial médico, datos demográficos, imágenes, signos vitales, resultados de laboratorio, medicamentos, etc.), pero los datos genómicos del cáncer no se almacenan ni se consultan a través de las historias clínicas.
En los próximos años será necesario almacenar esta información en la historia clínica de los pacientes, por lo que será necesario comprimir, almacenar y acceder de forma segura y eficiente a grandes volúmenes de datos.
Conozca al equipo investigador
Actividad científica del grupo de investigación en
Machine Learning en Biomedicina
Últimas publicaciones científicas
- Efficient and Safe Therapeutic Use of Paired Cas9-Nickases for Primary Hyperoxaluria Type 1 16-ene-2024 | Revista: EMBO Molecular Medicine
- Optimization of universal allogeneic CAR-T cells combining CRISPR and transposon-based technologies for treatment of acute myeloid leukemia 19-sep-2023 | Revista: Frontiers in Immunology
- Single-cell dissection of aggression in honeybee colonies 07-ago-2023 | Revista: Nature Ecology & Evolution
- Bayesian Machine Learning Enables Identification of Transcriptional Network Disruptions Associated with Drug-Resistant Prostate Cancer 14-abr-2023 | Revista: Cancer Research