Atribución-SinDerivadas 2.5 Colombia (CC BY-ND 2.5 CO)Ortiz López, Claudia CristinaPrada Vargas, Yuly AndreaColan Avendaño, Willy2024-02-282024-02-282024-02-272024-02-27https://noesis.uis.edu.co/handle/20.500.14071/15929Staphylococcus 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 biofilmapplication/pdfspainfo:eu-repo/semantics/openAccessEspectrometría de Masas MALDI-TOFperfil molecularStaphylococcus aureusMachine learningbiofilmUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coMALDI-TOF mass spectrometrymolecular profilingStaphylococcus aureusMachine learningbiofilmhttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)