kaguilarg / repository

Predicci-n-del-perfil-de-resistencia-a-partir-de-las-secuencias-del-genoma-de-aislamientos-colombian

La creciente resistencia a los antibióticos y las pocas alternativas terapéuticas disponibles vuelven una urgencia la necesidad de optimizar los diagnósticos actuales que nos permitan prescripciones más rápidas y efectivas. Últimamente uno de los enfoques para predecir resistencia a partir de los datos de secuenciación de genoma consta en aplicar modelos basados en aprendizaje de máquina, los cuales han ido tomando credibilidad debido a la capacidad de realizar predicciones precisas.sólidas . Además, gracias al creciente conocimiento acerca de mecanismos de resistencia asociados a A. baumannii, este patógeno nos brinda una alternativa para desarrollar estos modelos. En este trabajo se utilizaron 343 genomas, 76 colombianos del Instituto Nacional de Salud y 267 recolectados de la base de datos Biosample NCBI, para la obtención de modelos basados en aprendizaje de máquina empleando regresión lasso, random forest y gradient boosting, para predecir la concentración mínima inhibitoria de 10 antibióticos. Random forest fue el algoritmo que mostró los mejores resultados, logrando una precisión promedio dentro de +/- una dilución doble de 0,91 (I.C 95, 0,85- 0,97), una tasa de very major error y major error de 1,71% y 0,7%, respectivamente. Como datos de entrada para los modelos se utilizaron genes de resistencia, los cuales fueron identificados utilizando el software Resistance Gene Identifier.. Se utilizaron los genes de resistencia conocidos como entrada del modelo y miramos que estos contienen suficiente información que permiten resultados acertados. Además, mostramos que se puede crear modelos precisos a partir de una cantidad discreta de genomas, cuyo rendimiento se ve mejorado al realizar una selección adecuada de características y el uso de datos balanceados. Estos resultados demuestran que las pruebas de susceptibilidad basadas en genoma son prometedoras como herramienta de diagnóstico en la clínica.