Diseño e implementación de un algoritmo para la identificación de comunidades microbianas con potencial uso en la biorremediación de ríos contaminados con cromo (VI)

El cromo (VI) es un compuesto altamente contaminante debido a su naturaleza mutagénica y cancerígena, genera efectos negativos en microorganismos y plantas. La industrialización ha provocado que la concentración de estos contaminantes aumente, afectando las fuentes de agua y los suelos. Se han desarrollado nuevos enfoques biotecnológicos para el tratamiento de aguas residuales, donde el uso de microorganismos ha generado resultados prometedores en términos de eliminación, sin embargo, estos tratamientos pueden mejorarse mediante el análisis de datos de microbiomas. El objetivo de este proyecto fue desarrollar un algoritmo para la identificación de comunidades microbianas, basado en perfiles taxonómicos y funcionales, con potencial uso para la biorremediación de ríos contaminados con cromo (VI). Para ello, se utilizó información de artículos y bases de datos que indicaban comunidades microbianas presentes en ríos contaminados con cromo (VI); luego se usaron estos datos para determinar los perfiles funcionales y taxonómicos de las comunidades microbianas. Se generaron mapas metabólicos para identificar las enzimas clave involucradas en la biorremediación del cromo. La información taxonómica y funcional se analizó en un algoritmo basado en aprendizaje automático para identificar características en comunidades microbianas con potencial para remediar el cromo (VI). Se encontraron 50 artículos donde, el 71.2% contenían datos de amplicón 16S rRNA, el 17.3% datos metagenómicos, el 7.7 % librerías de clones, el 1.9% datos de amplicón 18S rRNA y el 1.5% de proteínas. En el análisis taxonómico realizado a través de Kbase y QIIME 2 se observó predominancia de los phylum Proteobacteria, Firmicutes, Bacteroidetes y Acidobacteria y especies como Bacillus sp., Halomonas sp. y Comamonas sp. en las muestras provenientes de efluentes de curtiduría. Estas cepas bacterianas han sido estudiadas por su capacidad de remediar metales pesados e hidrocarburos. A partir del análisis funcional se encontró la importancia de los donadores de electrones y la fuente de carbono en los procesos de remediación. Se implementaron dos clasificadores (árbol de decisión y bosques aleatorios), donde se comparó el rendimiento de cada uno usando 5 características obtenidas a través un análisis a partir de Chi2 y 136 características obtenidas a partir de bosques aleatorios. Entre estos métodos se encontró que las características K02227, K02232, K02233 y K10617 estuvieron relacionadas en ambos resultados. El rendimiento en el modelo de bosques aleatorios (RF) usando las características seleccionadas a través de Chi2 fue: exactitud del 88% y 81% (set de entrenamiento; set de validación) a comparación del análisis realizado con las características a partir del modelo de bosques aleatorios donde se obtuvo una exactitud del 100% y 63% (set de entrenamiento; set de validación). La clasificación través del modelo de RF donde, Marinobacter hidrocarbonoclasticus y Bacillus paralicheniformisse consideraron como microorganismos con alto potencial de remediación, mientras que el orden Campylobacterales tiene bajo potencial de remediación. Con la implementación del proyecto en otros ámbitos, sería posible apoyar las investigaciones y brindar soluciones en áreas como biotecnología y / o bioprocesos.

• Autores: Alzate Ruiz, Luisa Fernanda
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2021
• Institución: Universidad El Bosque
• Repositorio: Repositorio U. El Bosque
• Idioma: spa
• OAI Identifier: oai:repositorio.unbosque.edu.co:20.500.12495/6936
• Acceso en línea: http://hdl.handle.net/20.500.12495/6936; https://repositorio.unbosque.edu.co
• Palabra clave: Aprendizaje automático; Perfil funcional; Perfil taxonómico; Comunidad microbiana; Biorremediación; 610.28; Contaminación del agua; Biodegradación ambiental; Machine learning; Functional profile; Taxonomic profile; Microbial community; Bioremediation; Algoritmos genéticos
• Rights: openAccess
• License: Atribución-NoComercial-CompartirIgual 4.0 Internacional