Investigadores de la <a href="https://www.upm.es/" target="_blank" title="Universidad Politécnica de Madrid" alt="Universidad Politécnica de Madrid">Universidad Politécnica de Madrid</a> (UPM) han desarrollado un método que permite predecir la capacidad infectiva de bacterias hacia plantas utilizando métodos computacionales.
Un grupo de investigadores del Centro de Biotecnología y Genómica de Plantas, CBGP (UPM-INIA) -un centro mixto de la Universidad Politécnica de Madrid (UPM) y el Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA)- han creado una herramienta informática (PIFAR, Plant-bacteria Interaction FActors Resource) que es capaz de identificar de forma automática factores de patogenicidad conocidos. Dicha herramienta puede utilizarse online y proporciona un catálogo instantáneo de las “armas” de las que dispone la bacteria. Con estos datos, el equipo de investigadores construyó un predictor que es capaz de distinguir los genomas de las bacterias patógenas de las no-patógenas con una precisión superior al 90%.
La aparición de nuevas enfermedades bacterianas asociadas al consumo de plantas, como la epidemia de Escherichia coli en Alemania en 2011, hace necesario un método que permita predecir el origen de la bacteria a partir de los datos de su genoma. Para bien o para mal, las bacterias dominan el mundo. En general para bien. La inmensa mayoría son inocuas o beneficiosas y sin ellas sería imposible la vida en la Tierra. Pero un pequeño número de especies bacterianas son capaces de infectar a otros organismos produciendo enfermedades. Las bacterias patógenas de plantas producen pérdidas importantes en cosechas y, más importante aún, algunos patógenos humanos se asocian a las plantas en algunas fases de su ciclo vital.
Planta de tomate infectada por la bacteria Pseudomonas syringae. Fuente: CBGP (UPM-INIA).
¿Qué necesita una bacteria para infectar a otro organismo? Tradicionalmente los microbiólogos intentaban contestar a esta pregunta desactivando un gen particular de la bacteria y midiendo después su capacidad infectiva. Esta estrategia ha resultado muy efectiva pero tiene limitaciones, ya que ha permitido identificar muchos de los mecanismos importantes pero no nos proporciona una perspectiva global. Desde hace poco tiempo están disponibles los genomas secuenciados de un gran número de bacterias -patógenas y no patógenas- que nos ha permitido abordar la cuestión desde un nuevo punto de vista: ¿qué genes debe contener un genoma bacteriano para que pueda infectar a una planta?
Para dar respuesta a esta pregunta se puso en marcha un grupo de investigadores del CBGP (UPM-INIA) que ha conseguido desarrollar una herramienta denominada PIFAR (Plant-bacteria Interaction Factors Resource) que consiste en un repositorio público de determinantes genéticos bacterianos implicados en la interacción planta-bacteria. El uso de esta herramienta ha permitido predecir posibles interacciones entre bacterias y plantas, algunas de las cuales eran ya conocidas y otras no. Por ejemplo, el género Cronobacter incluye algunos patógenos oportunistas, transmitidos por alimentos, que causan enfermedades graves en bebés y neonatos y que pueden colonizar también vegetales. De manera consistente con estos resultados, los índices de asociación con plantas que arroja el clasificador son altos, destacando la cepa Cronobacter turicencis que da un valor más alto y que es particularmente perniciosa.
Como explica Pablo Rodríguez Palenzuela, uno de los investigadores que ha llevado a cabo este trabajo, "los avances en genómica permiten obtener la secuencia completa de cualquier especie bacteriana con facilidad, antes de que se haya podido estudiar el ciclo vital de la bacteria en cuestión. Por tanto, esta herramienta puede predecir si una bacteria implicada en una epidemia de nueva aparición tiene posiblemente un origen vegetal o no, lo cual proporcionaría una pista importante a los epidemiólogos para el control de dicha epidemia".
Referencia bibliográfica:
Martínez García, PM; López Solanilla, E; Ramos, C; Rodríguez Palenzuela, P. Prediction of bacterial associations with plants using a supervised machine-learning approach. ENVIRONMENTAL MICROBIOLOGY 18 (12): 4847-4861. DOI: 10.1111/1462-2920.13389. DEC 2016.
