1. Introducción
a la genómica, metagenómica y conceptos básicos de resistoma (José Francisco
Cobo Díaz).
2. Ejemplos de
aplicaciones prácticas de caracterización de resistoma en datos genómicos en el
ámbito clínico, veterinario o de la cadena alimentaria (María de Toro Hernando).
3. Ejemplos de
aplicaciones prácticas de caracterización de resistoma en datos metagenómicos en
el ámbito clínico, veterinario o de la cadena alimentaria (Carlos Sabater
Sánchez).
4. Introducción
a Linux y uso de línea de comandos en terminal (Narciso Martín Quijada).
5. Ejercicio
práctico de análisis de resistoma en genomas microbianos: (María de Toro
Hernando).
· Descarga de genomas ensamblados de
repositorios públicos.
· Descarga de metadatos de los genomas
descargados.
· Filtrado y ensamblaje de lecturas de
secuenciación.
· Asignación taxonómica.
· Análisis de elementos genéticos móviles.
· Detección de genes de resistencia a los
antibióticos y mutaciones que confieran resistencia a antibióticos.
· Localización genómica de los genes de
resistencia (cromosoma, plásmido, integrón u otro tipo de elemento genético
móvil).
6. Ejercicio
práctico de análisis de resistoma en metagenomas: (Narciso Martín Quijada).
· Control
de calidad de secuencias para el análisis de metagenomas.
· Ensamblaje
y anotación de metagenomas.
· Análisis
de elementos genéticos móviles en metagenomas.
· Detección
de genes de resistencia a los antibióticos en metagenomas.
7. Ejemplo
práctico de secuenciación en tiempo real con tecnología Nanopore: (Coral
Barcenilla Canduela y Elena Fernández Trapote).
· Explicación
breve del protocolo de preparación de librerías y del proceso de secuenciación
por tecnología Nanopore.
· Carga
de muestras genómicas en FlowCell conectado a una plataforma GridIon para
secuenciar en tiempo real.
·
Análisis
de las lecturas obtenidas: filtrado por calidad, ensamblaje, polishing y
posteriores análisis genómicos.
8. Ejercicio
práctico de análisis y representación de resultados usando R. (Carlos Sabater
Sánchez).
·
Conceptos
básicos y empleo de Machine Learning para detección de marcadores moleculares.
· Representación
de resultados: boxplot, barplot y otras visualizaciones del paquete ggplot.
