Modelos Analíticos para Datos Biomédicos de Alta Dimensión

0

Soporte Matemático y Estadístico

  • ¿Qué hacemos?

     

    Aplicamos técnicas de “statistical machine learning” para identificar patrones y construir modelos que faciliten la propuesta y el contraste de hipótesis clínicas y biológicas.

     

     

  • ¿Cómo lo hacemos?

    Una vez definido el problema con el cliente y determinados los objetivos específicos, el procedimiento general de actuación pasa por las siguientes etapas:

    1. Dimensionamiento de la información y toma de requerimientos.
    2. Importación de las bases de datos y adecuación al entorno de trabajo – generalmente, R.
    3. Análisis preliminar: detección de errores, duplicaciones, datos faltantes y datos atípicos. Consulta y modificación. Aplicación de transformaciones.
    4. Clasificación del problema. Determinación de la técnica a emplear en función de objetivos y naturaleza de los datos.
    5. Aplicación de los procedimientos y selección de modelos.
    6. Informe final

    El presupuesto depende de la dimensión y complejidad del proyecto.

  • ¿Quienes somos?

    Este servicio se presta desde la Facultad de Ciencias de la UNED. El equipo de trabajo está integrado por los siguientes profesores:

  • ¿Con qué trabajamos?

    Las herramientas que utilizamos son tan variadas como los problemas a resolver. La mayoría de los recursos que ofertamos se agrupan bajo la denominación general de “statistical machine learning” y pueden identificarse mediante la siguiente relación de claves:

    • Análisis gráfico probabilístico: Estimación de redes
    • Reducción de la dimensión: Extracción de componentes
    • Detección de grupos: «Clustering»
    • Modelización predictiva: Regresión y Clasificación
    • Regularización y selección de variables: «Ridge», «Lasso» y «Elastic Net»
  • Casos de éxito

    • Análisis de datos de expresión génica en colaboración con investigadores del INGEMM-IdiPAZ (Hospital Universitario La Paz)
    • Proyectos con Biomedica Molecular Medicine S.L.  para el  análisis de distintos tipos de cáncer.

     

    PUBLICACIONES RELACIONADAS CON LA ACTIVIDAD

    1. Urothelial cancer proteomics provides both prognostic and functional information. Scientific Reports 7, Article number: 15819
    2. Molecular characterization of breast cancer cell response to metabolic drugs. Oncotarget, DOI/10.18632/oncotarget.24047
    3. Functional proteomics outlines the complexity of breast cancer molecular subtypes. Scientific Reports 7, Article number: 10100
    4. Combined label-free quantitative proteomics and microRNA expression analyiss of breast cancer unravel molecular differencies with clinical implications. Cancer Reserarch. June 1, 75: 2243-2253
    5. Exploring correlations in gene expression microarray data for maximum predictive-minimum redundancy biomarker selection and classification. Computers in Biology and Medicine. 43 (10). 1437-1443
    6. A new method for identifying bivariate differential expresson in high dimensional microarray data using quadratic discriminant analysis. BMC Bioinformatics. 12 (Suppl 12):S6.
  • Contacto

    Contacto OTRI: Sixto Jansa Anadón

    EMAIL: otri@adm.uned.es

    Tfno: 91 398 96 90

    UBICACIÓN: Rectorado de la UNED, C/ Bravo Murillo, nº 38, 3ª Pta
    28015 Madrid.

Compartir.

Dejar una Respuesta