Martínez García, Pedro ManuelLópez Solanilla, EmiliaRamos, CayoRodríguez Palenzuela, Pablo2026-01-072026-01-072016-05-20Environmental Microbiology 18(12), 4847-4861 (2016)10.1111/1462-2920.13389https://hdl.handle.net/10433/25348En 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.application/pdfenAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/Machine learningPlant-associated bacteriaPredictionjournal articleopen access