SLABBINCK, Bram; DE BAETS, Bernard; DAWYNDT, Peter    DE VOS, Paul. Análisis de Pseudomonas Fitopatógenas Usando Métodos Inteligentes de Aprendizaje: Un Enfoque General Sobre Taxonomía y Análisis de Ácidos Grasos Dentro del Género Pseudomonas. []. , 28, 1, pp.1-16. ISSN 2007-8080.

^les^aLa identificación de bacterias fitopatógenas es de alta relavancia. En este trabajo se evaluó la identificación de especies fitopatógenas dentro del género Pseudomonas mediante análisis de esteres metílicos de ácidos grasos (FAME). A partir de una base de datos de FAME, se han generado conjuntos de conjuntos de datos de alta calidad. Dos aspectos fueron investigados: la separación de especies fitopatógenas de Pseudomonas, y la diferenciación del grupo de espcies fitopatógenas de Pseudomonas de las no fitopatógenas. En la primera fase se realizó un análisis de componentes principales para evaluar la variabilidad de los datos. Posteriormente el método de aprendizaje árboles aleatorios fue evaluado para propósitos de identificación. El método inteligente permite aprender de la variabilidad y los patrones de los datos y mejorar la identificación de especies. El análisis de componente principal de especies fitopatógenas mostró claramente sobreposición de grupos de datos. Se desarrolló un modelo de árboles aleatorios que permitió alcanzar una eficiencia de identificación de especies del 71.1%. Discriminar el grupo de especies fitopatógenas del grupo de especies no fitopatógenas fue más sencillo, dado el desempeño de los bosques al azar del 85.9%. Por otra parte se demostró que existe una relación estadística entre los perfiles de ácidos grasos y la patogénesis sobre la planta.^len^aThe identification of plant-pathogenic bacteria is often of high importance. In this paper, we evaluate the identification of plant-pathogenic species within the genus Pseudomonas by fatty acid methyl ester (FAME) analysis. Starting from a FAME database, high quality data sets were generated. Two research questions were investigated: can plant-pathogenic Pseudomonas species be discriminated from each other and can the group of plant-pathogenic Pseudomonas species be distinguished from the group of non-plant-pathogenic Pseudomonas species. In a first stage, a principal component analysis was performed to evaluate the variability within the data. Secondly, the machine learning method Random Forests was evaluated for identification purposes. This intelligent method allows to learn from the variability and patterns in the data and to improve the species identification. The principal component analysis of plant-pathogenic species clearly showed overlapping data clouds. A Random Forests model was developed that achieved a species identification performance of 71.1%. Discriminating the group of plant-pathogenic plant-pathogenic species from the group of non-plant-pathogenic species was more straightforward, given by the Random Forests identification performance of 85.9%. Moreover, it was shown that a statistical relation exists between the fatty acid profiles and plant pathogenesis.

: .

        · | |     · |     · ( pdf )