Unidad de Bioinformática

La Unidad de Bioinformática Aplicada (UBA) del CITAC es un servicio transversal orientado a transformar datos ómicos y clínicos en conocimiento útil para la investigación y la práctica médica. Su finalidad es impulsar la detección precoz del cáncer, la investigación personalizada y la toma de decisiones clínicas basadas en evidencia.

La unidad se centra en extraer valor biológico y clínico a partir de los datos mediante análisis rigurosos y adaptados a cada proyecto. Ofrece asesoramiento integral a los equipos de investigación, desde el diseño experimental hasta la interpretación final de resultados, ajustando las estrategias de análisis a los objetivos de cada estudio. Su trabajo se desarrolla en estrecha colaboración con investigadores clínicos y básicos, configurando flujos de trabajo personalizados que abarcan desde la gestión y el procesamiento de datos hasta la generación de modelos predictivos.

La UBA tiene como propósito consolidarse como referente en análisis computacional de datos oncológicos, promoviendo la colaboración multidisciplinar y abriendo nuevas líneas de investigación basadas en ciencia de datos. Su visión es convertirse en un nodo clave dentro del ecosistema científico del CITAC, conectando tecnología, conocimiento y salud para mejorar la vida de los pacientes.

Servicios de análisis​

• Procesamiento e integración de datos ómicos: Análisis de datos genómicos, transcriptómicos, epigenómicos y de microbiota, tanto bulk como single-cell. Incluye control de calidad, alineamiento, cuantificación, expresión diferencial, identificación de variantes, metilación, enriquecimiento funcional y clustering. Se integran múltiples capas de datos mediante modelos probabilísticos y estrategias multivariantes, atendiendo especialmente a la heterogeneidad de las muestras en contextos clínicos y experimentales.

• Modelado estadístico e Inteligencia Artificial: Aplicación de estadística clásica, análisis multivariante, modelos de supervivencia y evaluación de asociaciones clínico-moleculares. Se combinan estos enfoques con técnicas de machine learning y deep learning para desarrollar modelos predictivos que faciliten la estratificación de pacientes, el diagnóstico y la predicción de respuesta a tratamientos.
• Visualización interactiva, automatización y apoyo a publicaciones: Desarrollo de dashboards interactivos para la exploración de datos clínicos y moleculares en tiempo real. Implementación de pipelines automatizados que estandarizan los análisis. Apoyo en revisión bibliográfica, preparación de publicaciones y redacción de proyectos, garantizando la calidad y la transferencia del conocimiento generado.
• Diseño experimental y arquitectura de datos: Asesoramiento en la definición de hipótesis, variables clave y estrategias de análisis. Diseño y estructuración de bases de datos clínico-moleculares, con soluciones orientadas a gestionar información longitudinal y multidimensional de forma eficiente y trazable.