Herramienta de software para identificación y tipificación de bacterias a partir de información genómica

Abstract

El objetivo principal de este trabajo se basa en la premisa que, si tuviéramos un paciente que presente una IAAS, del cual se ha podido extraer y aislar la bacteria que genera la infección, pero no sabemos nada sobre ella y suponiendo que en el sitio de atención se cuenta con una herramienta de secuenciación de última generación que permita obtener la secuencia completa del genoma de la bacteria en poco tiempo, se cuente con una herramienta de software que, por un lado, permita realizar la identificación de la especie de la bacteria y por otro, se pueda establecer la similitud que tenga esta con otras de la misma especie, obtenidas de otros aislamientos, para realizar su tipificación. Los insumos, son los datos de la secuenciación del genoma completo una vez hayan sido ensamblados y anotados. Para la identificación, se utiliza un enfoque de aprendizaje de máquina supervisado (AMS), aplicando el algoritmo de Random Forest (Breiman 2001), logrando clasificar las muestras por especie, basado en los elementos genómicos encontrados en el proceso de anotación. Para crear el conjunto de datos de entrenamiento, se toman desde NCBI RefSeq Database, los datos de genomas completos ensamblados de las especies C.difficile, K.pneumoniae, A.baumannii, P.aeruginosa y E.cloacae. Para definir las características a utilizar, se tomaron las secuencias de cada uno de los elementos genómicos y se agruparon utilizando CD-HIT-EST (Fu et al. 2012). Para la tipificación, se realiza un cálculo de la similitud entre muestras, utilizando el número de características que comparten y los porcentajes de identidad que tienen cada una de ellas. Del conjunto de 150 muestras de prueba, todas las que pertenecían a una de las especies seleccionadas, fueron clasificadas correctamente y con especies muy cercanas se obtuvieron buenos resultados. Frente a la tipificación, se pudieron establecer parámetros para delimitar los tipos y disponer de datos que permiten realizar el seguimiento.

Abstract: The main objective of this work is based on the premise that, if we had a patient that presents an IAAS, from which it has been possible to extract and isolate the bacte ria that generates the infection, but there is nothing about it and assuming that on the site of a tool that allows to obtain the complete sequence of the genome of the bacterium in a short time, allows to use a software tool that, on the one hand, allows to make the identification of the bacteria of the species and on the other, it can be established the similarity that have this with other people of the same species, in addition to other isolations, to perform their typing. The inputs are the data of the sequencing of the complete genome once they have been assembled and annotated. For the identification, applying the algorithm of Random Forest (Breiman 2001), managing to classify the samples by species, based on the genomic elements found in the annotati on process. To create the training data set, data from assembled complete genomes of the species C.difficile, K.pneumoniae, A.baumannii, P.aeruginosa and E.cloacae are taken from the NCBI RefSeq Database. To define the characteristics to be used, the seque nces of each element of the genomic elements were taken and grouped using CD - HIT - EST (Fu and others, 2012). For typing, a similarity between samples is calculated, using the number of characteristics they share and the percentages of identity that each one has. From the set of 150 test samples, all those belonging to one of the selected species were classified correctly and with very close, good results were obtained. In front of the typing, parameters can be established to delimit the types and the availa ble data that allow tracking.