- Segunda e sexta-feira: 8:00 am - 8:00 pm
- [email protected]
12 meses
15-11-2026
1500
3 meses
$ 24.227
OMestrado em Oncologia Médica, Genômica e Big Data da ISEIE Brasil é um programa acadêmico de ponta queintegra as mais recentes tecnologias no tratamento do câncer, com foco na análise genômica e no uso de Big Data para a personalização de tratamentos.
Em nosso mestrado, os alunos adquirem uma compreensão profunda dos processos moleculares e genéticos subjacentes ao câncer, ao mesmo tempo que desenvolvem habilidades avançadas para aplicar ferramentas de análise de big data na prática clínica oncológica.
O Mestrado em Oncologia Médica, Genômica e Big Data tem como propósito formar profissionais capazes de integrar o conhecimento clínico oncológico com as ferramentas mais avançadas da genômica e da análise de grandes volumes de dados. A proposta parte de uma realidade cada vez mais presente na prática médica: o tratamento do câncer deixou de se apoiar apenas em protocolos generalizados para avançar rumo a uma medicina personalizada, guiada pelo perfil molecular de cada paciente e pela interpretação inteligente de dados clínicos e genéticos.
Ao longo do programa, você desenvolve uma visão integradora que conecta os fundamentos da oncologia médica com a genômica aplicada, a bioinformática e o uso estratégico do Big Data no cuidado ao paciente oncológico. O objetivo é que você compreenda não apenas o “o quê” das decisões terapêuticas, mas também o “porquê” molecular que as sustenta, tornando-se um profissional preparado para atuar em um cenário no qual dados, tecnologia e evidência científica caminham juntos na luta contra o câncer.
Este mestrado prepara você para atuar na interseção entre a prática oncológica e as novas tecnologias de dados e genômica, um dos campos de maior crescimento e impacto na medicina atual. Você estará capacitado para interpretar informações genômicas e moleculares aplicadas ao diagnóstico e ao tratamento do câncer, contribuindo para decisões clínicas mais precisas e individualizadas.
Além disso, a formação prepara você para compreender e utilizar ferramentas de análise de Big Data no contexto oncológico, colaborando com equipes multidisciplinares que envolvem oncologistas, geneticistas, bioinformatas e pesquisadores. Você desenvolve competências para acompanhar e incorporar os avanços da medicina de precisão, posicionando-se como um profissional atualizado, capaz de agregar valor a serviços de saúde, centros de pesquisa e instituições que buscam integrar ciência de dados e genômica ao cuidado do paciente com câncer.
ISEIE tiene como objetivo promover la educación de calidad, la investigación de alto nivel y los estudios de excelencia en todo el mundo.
La titulación que reciben nuestros estudiantes son reconocidas en las empresas más prestigiosas.
ISEIE cuenta con una trayectoria formativa basada en años de experiencia y preparación de profesionales cualificados.
Alto porcentaje de aquellos que han estudiado un MBA han incrementado su salario
Según estudios, los perfiles más buscados son los que cuentan con formación académica superior.
Nuestro sistema educativo le permite compatibilizar de un modo práctico y sencillo los estudios con su vida personal y profesional.
Nuestro plan interno de calidad del instituto persigue diversos objetivos, como el aumento de la satisfacción de los estudiantes, el cumplimiento de los objetivos de calidad establecidos, el desarrollo de una cultura de calidad, el reforzamiento de la relación entre el personal y la universidad, y el mejoramiento continuo de los procesos.
De esta forma, el profesional que acceda al programa encontrarás el contenido más vanguardista y exhaustivo relacionado con el uso de materiales innovadores y altamente eficaces, conforme a las necesidades y problemáticas actuales, buscando la integración de conocimientos académicos y de formación profesional, en un ambiente competitivo globalizado.
Todo ello a través de de material de estudio presentado en un cómodo y accesible formato 100% online.
El empleo de la metodología Relearning en el desarrollo de este programa te permitirá fortalecer y enriquecer tus conocimientos y hacer que perduren en el tiempo a base de una reiteración de contenidos.
1.1. Utilidade do perfil de expressão gênica no câncer
1.2. Subtipos moleculares do câncer de mama
1.3. Plataformas genômicas com caráter prognóstico-preditivo no câncer de mama
1.4. Alvos terapêuticos no câncer de pulmão de células não pequenas
1.4.1. Introdução
1.4.2. Técnicas de detecção molecular
1.4.3. Mutação do EGFR
1.4.4. Translocação de ALK
1.4.5. Translocação de ROS
1.4.6. Mutação BRAF
1.4.7. Reorganizações NRTK
1.4.8. Mutação HER2
1.4.9. Mutação/amplificação de MET
1.4.10. Reorganizações RET
1.4.11. Outros alvos moleculares
1.5. Classificação molecular do câncer de cólon
1.6. Estudos moleculares em câncer gástrico
1.6.1. Tratamento do câncer gástrico avançado
1.6.2. Superexpressão de HER2 em câncer gástrico avançado
1.6.3. Determinação e interpretação da superexpressão de HER2 no câncer gástrico avançado
1.6.4. Medicamentos com atividade contra HER2
1.6.5. Trastuzumabe no tratamento de primeira linha do câncer gástrico avançado
1.6.6. Atividade de outros medicamentos anti-HER2 no câncer gástrico avançado
1.7. GIST como modelo de pesquisa translacional: 15 anos de experiência
1.7.1. Introdução
1.7.2. Mutações KIT e PDGFRA como principais promotores em GIST
1.7.3. Genótipo em GIST: valor prognóstico e preditivo
1.7.4. Genótipo em GIST e resistência ao imatinibe
1.7.5. Conclusões
1.8. Biomarcadores moleculares e genômicos no melanoma
1.9. Classificação molecular de tumores cerebrais
1.10. Biomarcadores moleculares e genômicos no melanoma
1.11. Imunoterapia e biomarcadores
1.11.1. Cenário das terapias imunológicas no tratamento do câncer e a necessidade de definir o perfil mutacional de um tumor
1.11.2. Biomarcadores inibidores de ponto de verificação: PD-L1 e além
1.11.3. Desenvolvimento de medicamentos de ponto de controle imunológico no câncer
1.11.4. Medicamentos disponíveis
2.1. Mecanismos moleculares do câncer
2.1.1. Ciclo celular
2.1.2. Descolamento de células tumorais
2.2. Reprogramação do microambiente tumoral
2.2.1. O microambiente tumoral: uma visão geral
2.2.2. TME como fator prognóstico no câncer de pulmão
2.2.3. TME na progressão e metástase do câncer de pulmão
2.2.4. Contribuição do TME para a resistência terapêutica
2.2.5. O TME como alvo terapêutico no câncer de pulmão
23. Imunologia tumoral: fundamentos da imunoterapia no câncer
2.3.1. Introdução ao sistema imunológico
2.3.2. Imunologia tumoral
2.3.3. Bases da imunoterapia no câncer
2.3.4. Moduladores imunológicos não específicos
2.3.5. Outras abordagens para imunoterapia
2.4. Mecanismos moleculares envolvidos no processo de invasão e metástase
3.1. Introdução ao Aprendizado de Máquina
3.2. Apresentação de problemas, carregamento de dados e bibliotecas
3.3. Limpeza de dados (NAs, categorias, variáveis fictícias)
3.4. Análise exploratória de dados (ggPlot) + validação cruzada
3.5. Algoritmos de previsão: regressão linear múltipla, Máquina de Vetores de Suporte, árvores de regressão, Floresta Aleatória, etc.
3.6. Algoritmos de classificação: regressão linear múltipla, Máquina de Vetores de Suporte, árvores de regressão, Floresta Aleatória, etc.
3.7. Ajustando os hiperparâmetros do algoritmo
3.8. Previsão de dados com diferentes modelos
3.9. Curvas ROC e matrizes de confusão para avaliar a qualidade do modelo
4.1. Introdução
4.2. Inicialização de variáveis
4.3. Limpeza e condicionamento do texto
4.4. Gerando a matriz de termos
4.4.1. Criação da matriz de termos TDM
4.4.2. Visualizações na matriz de palavras TDM
4.5. Descrição do termo matriz
4.5.1. Representação gráfica de frequências
4.5.2. Construindo uma nuvem de palavras
4.6. Criando um Data Frame K-NN-Friendly
4.7. Construindo o modelo de classificação
4.8. Validação do modelo de classificação
4.9. Exercício prático guiado sobre mineração de dados em genômica do câncer
5.1. Introdução à raspagem de dados
5.2. Importando arquivos de dados de planilhas armazenados on-line
5.3. Raspagem de texto HTML
5.4. Extração de dados de uma tabela HTML
5.5. Aproveite APIs para coleta de dados
5.6. Extrair informações relevantes
5.7. Usando o pacote R rvest
5.8. Obtendo dados distribuídos em várias páginas
5.9. Extração de dados genômicos da plataforma “Meu Genoma do Câncer”
5.10. Extração de informações genéticas do banco de dados “HGNC HUGO Gene Nomenclature Committee”
5.11. Extração de dados farmacológicos da base de dados “OncoKB” (Precision Oncology Knowledge Base)
6.1. Os dados
6.1.1. Ciclo de vida dos dados
6.2. Aplicação da ciência de dados e Big Data na saúde
6.3. Estado da arte em saúde e inteligência artificial
6.3.1. Usos da IA na saúde
6.4. Tecnologia Blockchain
6.5. Realidade virtual e aumentada, Internet das Coisas (IoT) e automação residencial
6.5.1. Usos da realidade virtual/aumentada na saúde
6.5.2. Usos da IoT na saúde
6.5.3. Usos da automação residencial na saúde
6.6. Inteligência Artificial Centrada no Paciente: Redes Neurais, Chatbots, Aprendizado de Máquina
6.7. Aplicações emergentes na área da saúde usando IA
6.7.1. Principais aplicações emergentes da IA na saúde
6.8. Bioinformática
6.9. Semântica da Web em saúde
6.9.1. Linguagens utilizadas na terminologia semântica
6.10. Estratégia de implementação de IA
7.1. Compreendendo a nova tecnologia: Sequência de Nova Geração (NGS) na prática clínica
7.1.1. Introdução
7.1.2. Fundo
7.1.3. Problemas na aplicação do sequenciamento de Sanger em Oncologia
7.1.4. Novas técnicas de sequenciamento
7.1.5. Vantagens do uso do NGS na prática clínica
7.1.6. Limitações do uso do NGS na prática clínica
7.1.7. Termos e definições de interesse
7.1.8. Tipos de estudos com base em seu tamanho e profundidade
7.1.9. Estágios no sequenciamento NGS
7.1.10. Anotação e classificação de variantes
7.2. Sequenciamento de DNA e análise bioinformática
7.2.1. Introdução
7.2.2. Software
7.2.3. Procedimento
7.3. Sequenciamento de RNA e análise bioinformática
7.3.1. Introdução
7.3.2. Software
7.3.3. Procedimento
7.4. Tecnologia ChIP-seq
7.4.1. Introdução
7.4.2. Software
7.4.3. Procedimento
7.5. Big Data aplicado à oncologia genômica
7.5.1. O processo de análise de dados
7.6. Servidores genômicos e bancos de dados de variantes genéticas
7.6.1. Introdução
7.6.2. Servidores genômicos na web
7.6.3 Arquitetura de servidores genômicos
7.6.4 Recuperação e análise de dados
7.6.5. Personalização
7.7. Anotação de variantes genéticas
7.7.1. Introdução
7.7.2. O que é chamada de variante?
7.7.3. Compreendendo o formato VCF
7.7.4. Identificadores de variantes
7.7.5. Análise de variantes
7.7.6. Previsão do efeito da variação na estrutura e função das proteínas
Destinado a ginecologistas, obstetras, estudantes e profissionais de saúde que desejam aprofundar seus conhecimentos nesta área do conhecimento.
Al concluir el máster, los participantes serán galardonados con una titulación oficial otorgada por ISEIE Innovation School. Esta titulación se encuentra representa un total de 1500 horas de dedicación al estudio.
Esta titulación de ISEIE no solo enriquecerá su imagen y credibilidad ante potenciales clientes, sino que reforzará significativamente su perfil profesional en el ámbito laboral. Al presentar esta certificación, podrá demostrar de manera concreta y verificable su nivel de conocimiento y competencia en el área temática del programa.
Esto resultará en un aumento de su empleabilidad, al hacerle destacar entre otros candidatos y resaltar su compromiso con la mejora continua y el desarrollo profesional.
Una vez que haya completado satisfactoriamente todos los módulos de la Mestrado em Oncologia Médica, Genômica e Big data , deberá llevar a cabo un trabajo final en el cual deberá aplicar y demostrar los conocimientos que ha adquirido a lo largo del curso.
Este trabajo final suele ser una oportunidad para poner en práctica lo que ha aprendido y mostrar su comprensión y habilidades en el tema.
Puede tomar la forma de un proyecto, un informe, una presentación u otra tarea específica, dependiendo del contenido de la especialización y sus objetivos, recuerde seguir las instrucciones proporcionadas y consultar con su instructor o profesor si tiene alguna pregunta sobre cómo abordar el trabajo final.
Descubre las preguntas más frecuentes y sus respuestas, de no e no encontrar una solución a tus dudas te invitamos a contactarnos, estaremos felices de brindarte más información
O Mestrado em Oncologia Médica, Genômica e Big Data é um programa de treinamento avançado que proporciona aos alunos uma compreensão profunda da biologia molecular do câncer, genética tumoral e epigenética, bem como treinamento nas técnicas mais avançadas de diagnóstico e tratamento da doença.
A maioria dos programas de mestrado em oncologia médica, genômica e big data exige que os alunos tenham um diploma de bacharel em ciências da saúde ou disciplina relacionada. Além disso, cartas de recomendação, uma declaração de propósito e qualificações acadêmicas podem ser necessárias.
Os alunos podem esperar adquirir habilidades e conhecimentos avançados em biologia molecular do câncer, genômica do câncer, análise de big data em oncologia e terapias inovadoras em oncologia. Além disso, eles aprenderão a aplicar essas habilidades e conhecimentos à pesquisa do câncer e à tomada de decisões clínicas.
Os graduados do mestrado em oncologia médica, genômica e big data estarão bem preparados para trabalhar em centros de pesquisa de ponta, hospitais e clínicas privadas, bem como na indústria farmacêutica. Eles também podem escolher seguir carreira em educação ou pesquisa acadêmica.
O programa de mestrado em oncologia médica, genômica e big data pode durar entre um e dois anos, dependendo do programa e do formato de ensino.
