RT Journal Article
T1 Prediction of bacterial associations with plants using a supervised machine-learning approach
A1 Martínez García, Pedro Manuel
A1 López Solanilla, Emilia
A1 Ramos, Cayo
A1 Rodríguez Palenzuela, Pablo
K1 Machine learning
K1 Plant-associated bacteria
K1 Prediction
AB En nuestro estudio, usamos un enfoque de aprendizaje automático supervisado para predecir asociaciones entre bacterias y plantas utilizando información genómica. Para ello, desarrollamos PIFAR, una herramienta de acceso abierto que recopila y anota factores de interacción planta-bacteria, lo que nos permitió entrenar modelos con una precisión cercana al 93% en la identificación de cepas asociadas a vegetales. La adhesión, la deconstrucción de la pared celular vegetal y las actividades de detoxificación emergieron como los factores determinantes para clasificar estilos de vida bacterianos. Al aplicar esta estrategia a casi 9500 genomas, revelamos interacciones potenciales entre patógenos humanos conocidos y plantas, estableciendo una herramienta de cribado para investigar y prevenir las causas de contaminaciones en alimentos vegetales.
PB Wiley-Blackwell
YR 2016
FD 2016-05-20
LK https://hdl.handle.net/10433/25348
UL https://hdl.handle.net/10433/25348
LA en
NO Environmental Microbiology 18(12), 4847-4861 (2016)
NO Universidad Politécnica de Madrid
NO Universidad de Málaga
DS RIO
RD May 9, 2026