Aplicación de técnicas de diagnóstico emergentes (espectrometría de masas MALDI-TOF y espectroscopía de infrarrojos FT-IR) a la caracterización de microorganismos de origen clínico

• Autores: Ana Candela González
• Directores de la Tesis: Patricia Muñoz García Paredes (dir. tes.), Belén Rodríguez Sánchez (dir. tes.)
• Lectura: En la Universidad Complutense de Madrid ( España ) en 2024
• Idioma: español
• Número de páginas: 225
• Tribunal Calificador de la Tesis: María Molina Martín (presid.), María de la Concepción García Gil (secret.), Angela Patricia da Silva Novais (voc.), Jaime Esteban (voc.), Yuliya Poliakova (voc.)
• Programa de doctorado: Programa de Doctorado en Microbiología y Parasitología por la Universidad Complutense de Madrid
• Materias:
  • Química
    • Química analítica
      • Espectroscopia de masas
  • Ciencias médicas
    • Ciencias clínicas
      • Microbiología clínica
• Enlaces
  • Tesis en acceso abierto en: Docta Complutense
• Resumen
  • español

    MALDI-TOF mass spectrometry is an emerging technology that has fully erupted in the clinical microbiology laboratory, representing a change in the paradigm of microorganism identification and allowing rapid identification in just minutes compared to biochemical and molecular techniques previously available. At the same time, MALDI-TOF technology is also being studied for alternative applications such as detection of resistance mechanisms or typing of clinical isolates. On the other hand, artificial intelligence is also blooming in the healthcare field, helping in data processing and analysis...

  • español

    La espectrometría de masas MALDI-TOF es una tecnología que ha irrumpido de lleno en el laboratorio de microbiología clínica, suponiendo un cambio en el paradigma de la identificación de microorganismos y permitiendo una identificación rápida en minutos. Esta tecnología comienza a aplicarse para usos alternativos a la identificación, como la detección de mecanismos de resistencia o el tipado de aislados. Por otro lado, la inteligencia artificial también se encuentra en auge dentro del campo sanitario sirviendo de ayuda en el procesamiento y análisis de datos.

    En esta tesis se presentan cuatro trabajos que emplean la tecnología MALDI-TOF combinada con algoritmos de Machine Learning para el análisis de espectros de masas en usos alternativos a la identificación de microorganismos: la diferenciación entre Enterococcus faecium sensible (VSE) o resistente a vancomicina (VRE), la identificación de especies dentro del complejo Enterobacter cloacae (ECC), el tipado de un brote de Pseudomonas aeruginosa ST175 en combinación con espectroscopía FTIR, y el ribotipado de Clostridioides difficile.

    En el estudio de E. faecium, se realizó un estudio inicial de reproducibilidad, y se observó que los espectros analizados mostraron menor variabilidad con los datos normalizados y para los picos dentro del rango de 3000-9000 m/z. Se consiguió la separación entre aislados VSE y VRE aplicando diferentes algoritmos de Machine Learning con la plataforma Clover MSDAS, con un acierto del 80,9% con SVM, 79,2% con RF y 77,5% con PLS-DA. La mejor separación entre los aislados VanA y VanB se obtuvo mediante PLS-DA, con una correcta clasificación en el 86,6% de los casos.

    En cuanto al estudio de ECC, inicialmente aplicando algoritmos no supervisados se observó una clara separación entre Enterobacter hormaechei y Klebsiella aerogenes y una tendencia a la diferenciación entre el resto de especies de ECC. Posteriormente se emplearon modelos supervisados en Clover MSDAS que se validaron externamente con unos porcentajes de acierto a nivel de especie cercanos al 100% para todas las especies estudiadas pertenecientes al complejo.

    El estudio de P. aeruginosa permitió la diferenciación de aislados pertenecientes a un brote con la misma precisión que la obtenida mediante PFGE, suponiendo un ahorro en tiempo y recursos. Se encontraron tres picos biomarcadores específicos de brote (5169 m/z, 6915 m/z y 7236 m/z) en los espectros analizados con los que se realizó un estudio con algoritmos nos supervisados (PLS-DA, RF, SVM y KNN), que permitieron la correcta clasificación del 100% de los aislados en comparación con los resultados obtenidos por PFGE. La tecnología FTIR mostró un poder de discriminación similar al PFGE y también alcanzó una correcta discriminación de los diferentes ST analizados.

    Por último, en el estudio de ribotipado de C. difficile, se confirmó la presencia de 7 picos biomarcadores que permitieron la diferenciación de los ribotipos RT027 y RT181 del resto de ribotipos (2463 m/z, 4933 m/z, 4993 m/z, 3353 m/z, 6187 m/z, 6651 m/z y 6710 m/z). Estos resultados se validaron a tiempo real con aislados de dos brotes independientes procedentes de hospitales de Madrid. Además de la aplicación de algoritmos de Machine Learning de Clover MSDAS, se desarrolló un software libre (AutoCdiff) para el análisis de espectros, que permite la clasificación automática de los aislados en "RT027", "RT181" y "Otros Ribotipos".

    MALDI-TOF ha demostrado ser una valiosa herramienta que, en combinación con algoritmos de Machine Learning, puede ayudar a la rápida diferenciación entre microorganismos sensibles y resistentes, la identificación de especies problemáticas y el tipado bacteriano. Esta tecnología presenta un futuro prometedor en el que, con la ayuda de la inteligencia artificial, permitirá obtener resultados rápidos y fiables que permitan optimizar el flujo de trabajo en el laboratorio de microbiología clínica suponiendo un ahorro en tiempo y recursos