Algunos de los problemas que hemos abordado incluyen la clasificación de pacientes y la expresión diferencial de genes a partir de datos de microarrays de expresión, análisis de supervivencia con datos "ómicos", la anotación funcional de resultados de experimentos "omicos" y la segmentación de datos de arrays de CGH para detectar cambios en número de copia de DNA genómico e identificar alteraciones recurrentes en grupos de pacientes. Nuestras líneas de trabajo actuales incluyen el uso de  modelos gráficos probabilísticos para identificar restricciones en el orden de acumulación de mutaciones y la predicción de trayectorias de desarrollo desarrollo tumoral.

Se exponen de forma más detallada estas últimas líneas de trabajo. Hay muchos datos transversales en bases de datos públicas sobre cáncer; al mismo tiempo, se cree que ciertas mutaciones en cáncer solo son posibles si otras mutaciones han tenido lugar antes. Distintos métodos, conocidos como "modelos de progresión tumoral" (CPMs: cancer progression models) se han desarrollado para intentar identificar restricciones en el orden de acumulación de mutaciones a partir de datos transversales. Nuestro trabajo se centra en entender en qué escenarios evolutivos y genéticos funcionan o fallan los CPMs; por ejemplo, qué efecto tienen la epistasia de signo recíproco y los fitness landscapes de múltiples picos, así como regímenes distintos al de “selección fuerte, mutación debil” (SSWM) en el funcionamiento de estos métodos. Así mismo, estamos interesados en la extensión de estos métodos para estimar predictibilidad evolutiva, obtener la distribución de probabilidad de los caminos de evolución tumoral, y predecir cuál es la probabilidad del siguiente genotipo a la vista de (condicionando en) el estado actual del tumor.