Análisis del Perfil Molecular de Staphylococcus aureus en Estado Plantónico y de Biofilm  Empleando Espectrometría de Masas MALDI-TOF y Herramientas de Machine Learning

Colan Avendaño, Willy

Análisis del Perfil Molecular de Staphylococcus aureus en Estado Plantónico y de Biofilm Empleando Espectrometría de Masas MALDI-TOF y Herramientas de Machine Learning

dc.contributor.advisor	Ortiz López, Claudia Cristina
dc.contributor.advisor	Prada Vargas, Yuly Andrea
dc.contributor.author	Colan Avendaño, Willy
dc.contributor.evaluator	Mejía ospino, Enrique
dc.contributor.evaluator	Cano Calle, Herminsul de Jesus
dc.date.accessioned	2024-02-28T20:42:39Z
dc.date.available	2024-02-28T20:42:39Z
dc.date.created	2024-02-27
dc.date.issued	2024-02-27
dc.description.abstract	Staphylococcus aureus es un patógeno oportunista de alta incidencia en la salud y la seguridad alimentaria debido a su perfil de resistencia y capacidad de formar biofilm en diversas superficies. En este trabajo, se llevó a cabo el análisis del perfil molecular S. aureus en estado plantónico y de biofilm mediante espectrometría de masas MALDI-TOF. Se emplearon algoritmos de machine learning supervisado con el objetivo de encontrar diferencias en los perfiles moleculares obtenidos para estos estados. El perfil molecular hace referencia a las señales representativas del espectro de masas de S. aureus en un rango de 2000 m/z a 20000 m/z. Se utilizaron tres cepas de referencia de S. aureus (ATCC 29213, ATCC 43300 y ATCC BAA-44) en estado planctónico (libre flotación) y en estado sésil (formación de biofilm). Todas las muestras se trataron con cuatro protocolos de extracción de proteínas: i) Acido fórmico y acetonitrilo, ii) BugBuster®, iii) Cloroformo - Metanol y iv) buffer de lisis. Los espectros de masas adquiridos se ajustaron y normalizaron para realizar un análisis por componentes principales. Este análisis evidenció que la extracción ácido fórmico y acetonitrilo agrupó mejor los datos según su estado (plantónico o biofilm) en comparación con las demás extracciones. La evaluación de los modelos generados por los algoritmos Máquina de Soporte Vectorial, XGboost, Random Forest y Redes Neuronales Artificiales, de cada extracción mostró que los modelos de los algoritmos Máquina de Soporte Vectorial y Redes Neuronales Artificiales alimentados con datos de la extracción ácido fórmico y acetonitrilo, presentaron valores de F1-score de 0.94 y 0.92, respectivamente. Los modelos predictivos generados con los datos provenientes de la extracción AF-ACN y los algoritmos SVC y ANN son los más adecuados para continuar los estudios realizados en este trabajo, debido a que presentaron valores superiores a 0.92 en la métrica F1-score. En la matriz de confusión los dos algoritmos presentaron dos falsas identificaciones del estado planctónico y ninguna falsa identificación del estado de biofilm. en general, ambas asociadas al estado planctónico. Los resultados de este trabajo evidenciaron la viabilidad de implementar modelos predictivos para la identificación del estado de biofilm
dc.description.abstractenglish	Staphylococcus aureus is an opportunistic pathogen of high incidence in health and food safety due to its resistance profile and ability to form biofilm on various surfaces. In this work, the analysis of the molecular profile of S. aureus in planktonic and biofilm states was carried out by MALDI-TOF mass spectrometry. Supervised machine learning algorithms were used to find differences in the molecular profiles obtained for these states. The molecular profile refers to signals representative of the mass spectrum of S. aureus in a range from 2000 m/z to 20000 m/z. Three S. aureus reference strains (ATCC 29213, ATCC 43300, and ATCC BAA-44) in planktonic (free-floating) and sessile (biofilm-forming) states were used. All samples were treated with four protein extraction protocols: i) Formic acid and acetonitrile, ii) BugBuster®, and iii) Chloroform - Methanol. and iv) lysis buffer. The acquired mass spectra were adjusted and normalized to perform a principal component analysis. This analysis showed that the formic acid and acetonitrile extraction grouped the data better according to their state (planktonic or biofilm) compared to the other extractions. The evaluation of the models generated by the algorithms Support Vector Machine, XGboost, Random Forest, and Artificial Neural Networks of each extraction showed that the models of the algorithms Support Vector Machine and Artificial Neural Networks fed with data from the formic acid and acetonitrile extraction presented F1-score values of 0.94 and 0.92, respectively. The predictive models generated with the data from the AF-ACN extraction and the SVC and ANN algorithms are the most suitable to continue the studies carried out in this work because they presented values higher than 0.92 in the F1-score metric. In the confusion matrix, the two algorithms presented two false identifications of the planktonic state and no false identification of the biofilm state, both associated with the planktonic state. The results of this work showed the feasibility of implementing predictive models for biofilm state identification.
dc.description.cvlac	https://scienti.minciencias.gov.co/cvlac/EnRecursoHumano/query.do
dc.description.degreelevel	Pregrado
dc.description.degreename	Químico
dc.description.orcid	https://orcid.org/0000-0002-2767-6276
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/15929
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ciencias
dc.publisher.program	Química
dc.publisher.school	Escuela de Química
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Atribución-SinDerivadas 2.5 Colombia (CC BY-ND 2.5 CO)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Espectrometría de Masas MALDI-TOF
dc.subject	perfil molecular
dc.subject	Staphylococcus aureus
dc.subject	Machine learning
dc.subject	biofilm
dc.subject.keyword	MALDI-TOF mass spectrometry
dc.subject.keyword	molecular profiling
dc.subject.keyword	Staphylococcus aureus
dc.subject.keyword	Machine learning
dc.subject.keyword	biofilm
dc.title	Análisis del Perfil Molecular de Staphylococcus aureus en Estado Plantónico y de Biofilm Empleando Espectrometría de Masas MALDI-TOF y Herramientas de Machine Learning
dc.title.english	Molecular Profile Analysis of Staphylococcus aureus in Plantonic and Biofilm States Using MALDI-TOF Mass Spectrometry and Machine Learning Tools
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado