Master in "Genomic Data Science"

Anno accademico 2024-2026

Il Master universitario biennale di II livello in “Genomic Data Science” unisce l’ampia fruibilità ad un avanzato livello professionalizzante. Il Master propone concetti e tecniche relativamente elementari (gli strumenti di uso quotidiano dello statistico medico), seguiti dai recenti e complessi sviluppi del metodo statistico e bioinformatico, soprattutto in ambito genomico. Ad esempio, la predizione dell’evoluzione della malattia e della risposta farmacologica nei pazienti, lo studio della suscettibilità genetiche nelle malattie complesse e l’applicazione di metodologie bioinformatiche per studi NGS.

L’ obiettivo del Master, è di provvedere alla formazione completa dello Statistico Medico-Genomico, figura professionale della quale gli istituti di ricerca, in ambito pubblico o privato, fanno sempre più pressante richiesta dato sia per il crescente fabbisogno di progettazione, analisi e valutazione di sperimentazioni cliniche, sia per il continuo aumento e la veloce diffusione degli studi genomici. Il Master propone al I° anno concetti elementari, seguiti al II° anno da sviluppi più avanzati.

Il Master in breve

Master: Genomic Data Science
Dove: Cascina Cravino, via A. Bassi, 21 Pavia
Durata: 2 anni
Monte Ore: 3.000 ore di cui 2.000 di tirocinio
CFU: 120
Iscritti: da un minimo di 8 ad un massimo di 25
Stage: presso Enti, Aziende ed Università
Requisiti: Laurea in discipline scientifiche
Contributo: 2.800 €/anno
Borse di Studio: possibilità di stage retribuito

Quest’impostazione biennale presenta molteplici vantaggi. Consente l’accesso a studenti provenienti da facoltà biomediche con scarsa formazione preliminare di statistica, fornendo loro capacità operative autonome nell’analisi di studi sperimentali e osservazionali attraverso una attività pratica guidata. Nello stesso tempo l’apprendimento di nuovi metodi specifici per gli studi genomici apre agli studenti l’orizzonte affascinante della ricerca statistica attuale.

MODULO/INSEGNAMENTOCONTENUTITOTALE ORECFU
A1) Statistica con R1) L’ambiente di programmazione R
2) Data import e data mining con R
3) Visualizzazione grafica dei dati con R
4) Inferenza statistica con R
1004
B1) Modelli di Regressione1) Regressione lineare
2) Regressione logistica
3) Modelli lineari misti
4) Analisi di sopravvivenza
1004
C1) Metodi di Ricampionamento1) Permutazione e randomizzazione
2) Simulazione Monte Carlo
3) Ricampionamento e bootstrap
4) P-values empirici e FDR
1004
D1) Epidemiologia Genetica1) Disegno di studi sperimentale e studi osservazionali
2) Disegno ed analisi di studi di linkage parametrico e non parametrico
3) Disegno ed analisi di studi di associazione familiare
4) Disegno ed analisi di studi di associazione di popolazione
1004
E1) Statistica Genetica1) Disegno ed analisi genome-wide (GW)
2) Pre-processing, controllo di qualità. imputazione e analisi statistica GW
3) Analisi GW di dati di metilazione
4) Analisi GW di dati di espressione
1004
A2) Gestione e analisi di Big Data1) Ambiente di lavoro Cloud e calcolo parallelo; 2) Tools di lavoro (Databases SQL e NoSQL); 3) Esplorazione delle librerie di Python; 4) Casi di studio.1004
B2) Bioinformatica applicata alla genetica1) Next generation sequencing (NGS)
2) DNA sequencing and variant calling
3) Metodi per analisi di associazione con varianti rare
4) RNA sequencing e differential expression analysis (limma)
1004
C2) Statistica Genomica1) Riduzione della dimensionalità
2) Regressione "lasso" ed "elastica"
3) Path analysis (SEM)
4) Analisi dell’ereditabilità
1004
D2) Post-GWAS1) Polygenic risk score e validazione incrociata (cross-validation)
2) Metanalisi di studi GWA
3) Randomizzazione Mendeliana
4) Metodi per l’integrazione di dati omics
1004
E2) Machine Learning (ML)1) Introduzione a ML
2) Unsupervised Learning
3) Supervised Learning
4) Deep Learning in ambito genomico
1004
Questo sito non utilizza cookie di profilazione ma solo cookie di terze parti. Per continuare a navigare nel sito dovete acconsentire al nostro uso dei cookies