Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tesis o trabajo de investigación presentada(o) como requisito parcial para optar al título
de:
Magister en Bioinformática
Director (a):
PhD., Emiliano Barreto Hernández
Línea de Investigación:
Tecnologías computacionales en Bioinformática
Grupo de Investigación:
Bioinformática Instituto de Biotecnología
Resumen
La OMS publicó este año un estudio multicriterio con un grupo de expertos
multidisciplinario para obtener una lista de patógenos de prioridad global resistentes a
antibióticos, situando a Acinetobacter baumannii en un nivel crítico. Dentro de las
estrategias en las ciencias de la computación se necesitan avances en cuanto al
diagnóstico, detección y reporte de la resistencia a antibióticos. En el presente proyecto
de grado se diseñó e implemento un sistema de información para la identificación de
elementos genómicos asociados a los mecanismos de resistencia, permitiendo la
predicción de un perfil de resistencia obtenido por WGS para A. baumannii, estableciendo
un modelo de correlación entre los elementos genómicos asociados a la resistencia y el
perfil fenotípico de resistencia. El Instituto Nacional de Salud suministró 89 muestras
positivamente identificadas de A. baumannii, con sus respectivos antibiogramas, obtenidos
por el método Kirby Bauer para las clases de antibióticos principales, adicionalmente se
realizó algunos antibiogramas con los sistemas automatizados Vitek2 y Phoenix100. El
sistema facilitó la información para depuración de las incongruencias en los perfiles
fenotípicos. El sistema hace uso de MySQL como motor de base de datos, scripts en
lenguaje Python y visualización de perfiles en tecnología D3.js. Este sistema requiere una
anotación del genoma, utilizando una modificación propia del software Prokka. La base de
datos actualmente posee 2317 genes, 297 son de A. baumannii o el complejo
Acinetobacter, también posee 170 modelos ocultos de Markov con función de resistencia
a antibióticos. Se definieron 5 principales reglas de negocio para obtener los perfiles
genómicos de resistencia a antibióticos. El sistema luego de algunos ajustes dados por las
comparaciones entre perfiles tiene el potencial para predecir con una buena aproximación
la resistencia a los antibióticos en A. baumannii, con la facilidad de ser escalable y
extrapolable a otras especies.
Abstract
WHO published this year a multicriteria study with a group of multidisciplinary experts in
order to obtain a list of antibiotic-resistant global priority pathogens, placing Acinetobacter
baumannii at a critical level. Within the strategies in the computer sciences advances are
needed in the diagnosis, detection and reporting of antibiotic resistance. In the present
project, an information system was designed and implemented for the identification of
genomic elements associated to the resistance mechanisms, allowing the prediction of a
resistance profile obtained by WGS for A. baumannii, establishing a model of correlation
between the Genomic elements associated with resistance and the phenotypic profile of
resistance. The National Health Institute supplied 89 positively identified isolates of A.
baumannii, with their respective antibiograms, obtained by Kirby Bauer method for the main
antibiotic classes, some antibiograms were also performed with Vitek2 and Phoenix100
automated systems. The system provided information in order to remove of the
incongruities in the phenotypic profiles. The system uses MySQL as a database engine,
Python scripts and profile visualization in D3.js technology. This system requires a genome
annotation, using a proprietary modification of Prokka software. The database currently has
2317 genes, 297 are of A. baumannii or the Acinetobacter complex, it also has 170 hidden
Markov models with antibiotic resistance function. Five main business rules were defined
in order to get the genomic profiles of antibiotic resistance. The system after some
adjustments given by the comparisons between profiles has the potential to predict with a
good approximation antibiotic resistance in A. baumannii, with the ease of being scalable
and extrapolable to other species.
Contenido
Pág.
Resumen .............................................................................................................................. V
Introducción ........................................................................................................................ 1
2. Objetivos .................................................................................................................... 38
2.1 General ................................................................................................................. 38
2.2 Específicos ........................................................................................................... 38
VIII Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
3. Metodología................................................................................................................ 39
3.1 Obtención de los datos ........................................................................................ 39
3.1.1 Clasificación de los antibióticos ....................................................................... 40
3.1.2 Extracción de ADN ........................................................................................... 41
3.1.3 Secuenciación .................................................................................................. 42
3.1.4 Análisis de calidad, Ajuste de calidad y Ensamblaje ....................................... 42
3.1.5 Anotación .......................................................................................................... 43
3.2 Documentación de la base de datos ................................................................... 45
3.2.1 Perfiles de Resistencia Fenotípica ................................................................... 45
3.2.2 Datos moleculares sumistrados por el INS ...................................................... 52
3.2.3 Reglas pasivas de resistencia y Perfil de resistencia genómica. .................... 54
3.2.4 Metadatos de la base de datos CARD y Resfams .......................................... 69
3.2.5 Persistencia datos bibliográficos ...................................................................... 72
3.2.6 Lectura de los genomas ensamblados ............................................................ 73
3.3 Clasificación de β-lactamasas orientada a la resistencia.................................... 75
3.4 Reglas de negocio para la obtención teórica de la resistencia genómica .......... 82
3.4.1 Primera Regla ................................................................................................... 83
3.4.2 Segunda Regla ................................................................................................. 86
3.4.3 Tercera regla .................................................................................................... 87
3.4.4 Cuarta Regla ..................................................................................................... 89
3.4.5 Quinta Regla ..................................................................................................... 90
3.5 Determinación a los perfiles de resistencia Fenotípicos ..................................... 92
3.6 Desarrollo de la aplicación ................................................................................... 93
3.6.1 Scripts adicionales ............................................................................................ 97
Lista de figuras
Pág.
Lista de tablas
Pág.
Abreviaturas
Abreviatura Término
ADC Acinetobacter-derived cephalosporinase
ESAC extended-spectrum AmpC
HGT horizontal gene transfer
OMPs outer membrane proteins
PBPs penicillin binding protein
ABC ATP-binding cassette
SMR small multidrug resistance
MATE multidrug and toxic compound extrusion
MFS major facilitator superfamily
RND resistance-nodulation-cell division
CraA chloramphenicol resistance Acinetobacter
AMR antimicrobial resistance
ARO Antibiotic Resistance Ontology
MLST Multilocus sequence typing
HMMs Hidden Markov Models
IDSA Infectious Diseases Society of America
UCI unidades de cuidado intensivo
IS secuencias de inserción
CLSI Clinical and Laboratory Standards Institute
CMI Concentración inhibitoria minima
CMB Concentración minima bactericida
European Committee on Antimicrobial
EUCAST
Susceptibility Testing
ATP adenosín trifosfato
WGS Whole genome sequencing
MLST Multilocus sequence typing
SNP Nucleotide Polymorphism
MDR Multiple drug resistance
XDR Extensively drug-resistant
PDR pandrug-resistant
INS Instituto Nacional de Salud
RND resistance-nodulation-cell division
HTML HyperText Markup Language
SVG Scalable Vector Graphics
CSS Cascading Style Sheets
DOM Document Object Model
HTML HyperText Markup Language
SVG Scalable Vector Graphics
CSS Cascading Style Sheets
DOM Document Object Model
Introducción
Las infecciones son la mayor causa de enfermedades humanas, de perdida de cultivos y
de perdidas sobre las poblaciones de animales, por lo tanto, causan un inmenso daño a la
economía mundial, además se espera que las enfermedades infecciosas se incrementen
conectadas con el calentamiento global. (MCDERMOTT et al., 2012). Se estima que a
menos que se tomen medidas, las infecciones por resistencia a los medicamentos podrían
causar la muerte de más de 10 millones de personas por año para el 2050 y que, de esta
manera, se produciría un aumento tangencial del valor de los tratamientos. (Review on
Antimicrobial Resistance, 2014)
Aún existen causas para el optimismo tales como los avances en genética, genómica y
ciencias de la computación que cambiarán la forma en que las infecciones y nuevos tipos
de resistencia son diagnosticados, detectados y reportados en todo el mundo (Review on
Antimicrobial Resistance, 2014), Esta es precisamente el área de aplicación del presente
proyecto de grado.
El sistema construido se basa en la hipótesis que con toda esta información genómica de
resistencia seleccionada, evaluada e implementada según lo extraído de la literatura, es
posible construir un modelo bioinformático que permita predecir la resistencia a los
antibióticos, adicionalmente comparando los perfiles genómicos de resistencia contra los
perfiles fenotípicos de resistencia, debe ser posible afinar, corregir y posteriormente
actualizar el modelo para que sus resultados lleguen a tener una buena aproximación al
comportamiento real sobre la resistencia antimicrobial.
El presente proyecto nos aporta una base teórica actualizada sobre algunos de los
elementos genómicos que están involucrados en los mecanismos de resistencia, además
de proveer una base de datos, robusta, escalable y extrapolable a otras futuras
investigaciones relacionadas con este tema. Potencialmente también sugiere formas de
visualización de los datos que va de la mano con los avances de la tecnología.
Este proyecto requirió un esfuerzo entre el instituto nacional de salud y los grupos de
Bioinformática y epidemiología molecular del instituto de Biotecnología de la universidad
Nacional de Colombia - sede Bogotá, para inicialmente aislar muestras hospitalarias en
Colombia de Acinetobacter baumannii, extraer su genoma y secuenciarlo. Además,
proveyendo los perfiles fenotípicos de resistencia bajo el método de difusión Kirby Bouer y
Introducción 3
Luego de los análisis sobre las comparaciones entre perfiles este proyecto y su posterior
actualización, el sistema está en la capacidad de proveer información confiable en un
tiempo reducido, sobre la resistencia a antibióticos, especialmente para las clases y
subclases de antibióticos que fue posible comparar. Adicionalmente la información que
genera servirá para el posterior seguimiento y control sobre este patógeno en Colombia y
alrededor del mundo.
1. Estado del arte
1.1 Resistencia
¿Qué es resistencia? dentro del contexto de la salud. El centro de prevención y control de
la enfermedades (siglas en inglés, CDC, Centers for Disease Control and Prevention)
define resistencia como “la habilidad de las bacterias u otros microorganismos a resistir los
efectos de un antibiótico, La resistencia a antibióticos ocurre cuando la bacteria cambia de
alguna forma que reduce o elimina la efectividad del medicamento, la bacteria sobrevive y
continúa multiplicando causando más daño” (International Federation of Pharmaceutical
Manufacturers & Associations, 2015).
La organización mundial de la salud definió una lista que se desarrolló en colaboración con
la División de Enfermedades Infecciosas de la Universidad de Tübingen, Alemania,
utilizando una técnica de análisis de decisiones multicriterio, examinada por un grupo
multidisciplinario de expertos internacionales. Los criterios para la selección de patógenos
en la lista son: que tan mortales son las infecciones que causan; si su tratamiento requiere
largas estancias en el hospital; con qué frecuencia son resistentes a los antibióticos
existentes cuando las personas en las comunidades los capturan; la facilidad con que se
propagan entre animales, de animales a humanos y de persona a persona; si pueden
prevenirse (por ejemplo, mediante una buena higiene y vacunación); cuántas opciones de
tratamiento continúan funcionando; y si los nuevos antibióticos para tratarlos ya están en
el conducto de investigación y desarrollo (World Health Organization, 2017).
Capitulo 1 7
Los expertos acordaron agrupar los patógenos según las especies y el tipo de resistencia
y luego estratificar los resultados en tres niveles de prioridad: crítico, alto y medio.
Patógenos prioridad 1, nivel crítico: Acinetobacter baumannii, Pseudomonas aeruginosa,
Enterobacteriaceae; Patógenos prioridad 2, nivel alto: Enterococcus faecium,
Staphylococcus aureus, Helicobacter pylori, Campylobacter, Salmonella spp., Neisseria
gonorrhoeae; Patógenos prioridad 2, nivel medio: Streptococcus pneumoniae,
Haemophilus influenzae, Shigella spp (World Health Organization, 2017).
Aún existen causas para el optimismo tales como los avances en genética, genómica y
ciencias de la computación que cambiarán la forma en que las infecciones y nuevos tipos
de resistencia son diagnosticados, detectados y reportados en todo el mundo, para que
podamos luchar más rápido cuando las bacterias evolucionan resistiendo a los
medicamentos. Estos mismos avances tecnológicos ofrecerán en el futuro herramientas
diagnósticas rápidas que mejorarán con el tiempo el uso de antibióticos. Por lo tanto, se
tendrá en el mercado nuevos y más rápidos puntos de diagnóstico (Review on
Antimicrobial Resistance, 2014). Esta es precisamente el área de aplicación de la presente
tesis de maestría.
La especie Acinetobacter baumannii no fue designada formalmente sino hasta el año 1986
(Bouvet and Grimont, 1986). Por consecuencia la interpretación en la literatura médica
científica de las infecciones que fueron causadas por este microorganismo en tiempos
anteriores es difícil de identificar. Aparentemente las infecciones causadas por organismos
ahora clasificados como A. baumannii se convirtieron en un problema significativo durante
8 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
la década de los 70’s (Bergogne-Bérézin and Towner, 1996), ya que desde entonces, A.
baumannii gradualmente ha incrementado su importancia como organismo patógeno,
principalmente pero no exclusivamente en los ambientes hospitalarios.
ser recuperado de la cama de pacientes infectados hasta nueve días después del alta
hospitalaria, lo que demuestra la habilidad de esta bacteria para sobrevivir por largo tiempo
en superficies inanimadas (Catalano et al., 1999).
1.2.3 Tratamiento
Con respecto al tratamiento para infecciones causadas por A. baumannii, es importante
tener en cuenta el perfil de resistencia involucrado para de este modo considerar las
diferentes opciones de tratamiento disponibles. A. baumannii es actualmente resistente a
múltiples agentes antibacterianos, incluyendo carbapenémicos y, ocasionalmente,
colistina. Por lo tanto, en muchos casos, el tratamiento óptimo para infecciones
nosocomiales causadas por este microorganismo a veces no está disponible. Hace una
década, se utilizó sulbactam, que tiene actividad intrínseca contra A. baumannii y muestra
eficacia para tratar infecciones causadas por aislados clínicos resistentes a
carbapenemasas. Sin embargo, hoy en día el porcentaje de resistencia al sulbactam ha
alcanzado un nivel tan alto que su uso como agente antimicrobiano contra las infecciones
causadas por A. baumannii ha sido invalidado (Roca et al., 2012).
Por otra parte, los resultados con la rifampicina han sido consistentes en relación con la
eficacia in vivo en modelos experimentales de infección y en algunos estudios clínicos de
infecciones humanas, especialmente cuando se combina con colistina. La respuesta
clínica y microbiológica sugiere que la combinación de colistina y rifampicina parece ser un
tratamiento eficaz y seguro para las infecciones graves debidas a A. baumannii
multirresistente (Roca et al., 2012).
Existe cierta heterogeneidad con respecto a los datos clínicos para determinar la utilidad
de la tigeciclina en el tratamiento de las infecciones nosocomiales causadas por A.
baumannii. El posible desarrollo de resistencia durante el tratamiento con tigeciclina
sugiere que sólo debe usarse en regímenes combinados con otros antimicrobianos. Dos
estudios han reportado la combinación de tigeciclina con otros agentes antimicrobianos.
Estos encontraron que la tigeciclina mostró sinergismo con levofloxacina, amicacina,
imipenem y colistina, mientras que se observó antagonismo para la combinación tigeciclina
/ piperacilina-tazobactam. Mientras que, la tetracliclina mostró sinergia con la levofloxacina,
amicacina, imipenem y colistina. El sinergismo se detectó sólo entre cepas no susceptibles
Capitulo 1 11
▪ Modificación del sitio blanco: Las bacterias cambian la forma del objetivo o blanco
de manera que el antibiótico no puede atacar. La modificación del sitio del blanco es el
principal mecanismo de resistencia, por ejemplo, a los β-lactámicos y las
fluroquinolonas (Higuchi et al., 2014).
▪ Destrucción: Las bacterias desarrollan la capacidad de neutralizar el antibiótico antes
de que pueda hacer daño, por ejemplo, cambiando la forma del antibiótico (Wright,
2005). (Wright, 2005)
▪ Modificación de porinas: Disminución de la permeabilidad de la membrana externa,
o disminución en la cantidad de porinas de transporte (Siroy et al., 2005).
▪ Biopelículas: es un ecosistema microbiano organizado, conformado por uno o varios
microorganismos asociados a una superficie viva o inerte, con características
funcionales y estructuras complejas. Formando una comunidad, que se caracteriza por
la excreción de una matriz extracelular adhesiva protectora. Esta forma de desarrollo
confiere a los microorganismos una gran resistencia a los agentes antimicrobianos (Del
Pozo and Cantón, 2016).
Las β-lactamasas de clase D u oxacilinasas son las que se describen con mayor frecuencia
en cepas de A. baumannii, siendo las principales OXA-24, OXA-23, OXA-51 y OXA-58,
estas tres últimas asociadas con el elemento de inserción ISAba1 que aumenta su
expresión. Estas enzimas pueden estar codificadas en plásmidos, excepto OXA-51,
codificada en el cromosoma bacteriano y ha sido usada como marcador de especie
(Gordon and Wareham, 2010). Sin embargo, esta oxacilinasa, junto con la OXA-58, han
sido reportadas en enterobacterias, lo que evidencia la capacidad de diseminación a
bacterias de otro género (Leski et al., 2013).
Con relación a los cambios en las OMPs se han descrito alteraciones en proteínas como
la CarO asociada con resistencia a meropenem e imipenem (Mussi et al., 2007) y la OmpW,
la cual es homóloga a las OmpW encontradas en E. coli y P. aeruginosa, que disminuye la
entrada de colistina y de los β-lactámicos al interior de la bacteria (Peleg et al., 2008; Tiwari
et al., 2012). También se ha descrito una OMP de 43 kDa perteneciente a la familia de las
OprD (OprD-like), relacionada con cierre de porinas para imipenem.
Dentro de las bombas de eflujo, la más estudiada es el sistema AdeABC, que puede
expulsar β-lactámicos (incluyendo carbapenémicos), aminoglicósidos, macrólidos,
cloranfenicol, tigeciclina, tetraciclinas, fluoroquinolonas y trimetoprim. A. baumannii puede
llegar a poseer bombas de eflujo de las cinco superfamilias como: ABC, SMR, MATE, MFS
y RND esta última a la cual pertenecen los sistemas adeABC, adeIJK, adeFGH, adeXYZ,
adeDE (Coyne et al., 2011)
Sin embargo, cuando estas enzimas se combinan con bombas de eflujo como la AdeABC
pueden conferir resistencia a todos los aminoglicósidos (Vila and Marco, 2010). La
metilación de la subunidad 16S del rRNA mediada por el gen armA también ha sido
descrita en A. baumannii y al actuar sobre el blanco de acción de los aminoglicósidos
también confiere resistencia a todos ellos (Akers et al., 2010). La gentamicina y la
kanamicina también son sustratos para la bomba AbeM (Peleg et al., 2008).
Quinolonas: la resistencia a quinolonas está mediada por mutaciones en los genes gyrA
y parC que codifican para las subunidades A del ADN girasa y la topoisomerasa IV,
respectivamente (Lee et al., 2011). Las quinolonas son sustratos de las bombas AdeABC
y la AbeM (Peleg et al., 2008)
Colistina: la resistencia a colistina ha sido asociada con los genes pmrA y pmrB que
originan cambios en genes relacionados con la modificación del lípido A, con la pérdida o
deficiencia de la producción de lipopolisacárido y con la modificación de la porina OmpW
(Adams et al., 2009) (Moffatt et al., 2010).
AdeABC también confiere resistencia a estos dos últimos antibióticos (Akers et al., 2010;
Peleg et al., 2008)
inoculada con el microorganismo, discos de papel secante impregnados con los diferentes
antibióticos. Tan pronto el disco impregnado de antibiótico se pone en contacto con la
superficie húmeda del agar, el filtro absorbe agua y el antibiótico difunde al agar. El
antibiótico difunde radialmente a través del espesor del agar a partir del disco formándose
un gradiente de concentración. Transcurridas 18-24 horas de incubación los discos
aparecen rodeados por una zona de inhibición. La concentración de antibiótico en la
interfase entre bacterias en crecimiento y bacterias inhibidas se conoce como
concentración crítica (Cantón et al., 2000).
Las ventajas de este método de disco-placa son: fácil de realizar, rápido y barato. Es una
metodología aplicable a una amplia variedad de bacterias, fundamentalmente bacterias
aerobias no exigentes de crecimiento rápido como Enterobacteriaceae, Pseudomonas
spp., Stenotrophomonas maltophilia, Burkholderia cepacia, Acinetobacter spp.,
Staphylococcus spp. y Enterococcus spp. Además, con ligeras modificaciones, puede ser
aplicado a Haemophilus spp., Neisseria gonorrhoeae, Streptococcus pneumoniae y
Streptococcus spp (Cantón et al., 2000).
pneumoniae, la CMI es más alta utilizando el E-test que la obtenida por los métodos de
microdilución, produciendo resultados que se encuentran en el rango superior de
aislamientos susceptibles y con resultados de control de calidad por encima de los límites
aceptables. Por otro lado, este método es muy útil para determinar la CMI de diversos
antibióticos en una amplia gama de bacterias, incluyendo Helicobacter pylori,
Corynebacterium spp., estreptococos nutricionalmente deficientes, enterococos con
resistencia elevada a aminoglicósidos (Cantón et al., 2000).
La citometría de flujo es un proceso que permite que las partículas (generalmente células)
pasen en fila dentro de un flujo a través del aparato con una intensidad de 500-4.000
partículas/s. Cuando esto sucede, es posible realizar la medición simultánea de múltiples
características de una sola célula, de tal forma que es posible caracterizar, separar y
cuantificar las diferentes subpoblaciones celulares que se engloban en un conjunto. A
principios de la década de los ochenta aparecen los primeros estudios en los que se
demuestra la aplicación de la citometría de flujo fluorescente en la determinación de la
sensibilidad de bacterias. Posteriormente se han utilizado otros fluorocromos con el fin de
obtener información sobre diversos parámetros bacterianos, como el potencial de
membrana, el tamaño celular, la cantidad de ADN o la actividad enzimática (March
Rosselló and Bratos Pérez, 2016).
▪ Quimioluminiscencia
La quimioluminiscencia es un proceso de relajación radiante que tiene lugar cuando en
una reacción química se genera una especie excitada electrónicamente. La
bioluminiscencia es una forma de quimioluminiscencia que aparece como consecuencia
de una reacción química que tiene lugar en los organismos vivos, como por ejemplo
luciérnagas (insectos de la familia Lampyridae). En esta reacción química, la sustancia
luminiscente luciferina es oxidada, en presencia de adenosín trifosfato (ATP), por la acción
catalítica de la enzima luciferasa. El sistema bioluminiscente de las luciérnagas tiene
muchas aplicaciones analíticas, dado que la enzima luciferasa posee una gran
especificidad por determinados sustratos y, además, la cantidad de luz producida es
directamente proporcional a la cantidad de ATP de la reacción. Los trabajos realizados
sobre la determinación de la sensibilidad bacteriana mediante bioluminiscencia se
fundamentan en la medida de los niveles de ATP bacteriano de origen intracelular,
extracelular o total. Para calcular la CMI mediante bioluminiscencia se compara la señal
de ATP obtenida a partir de microorganismos incubados sin la presencia de antibiótico
(grupo control) con la señal obtenida a partir de microorganismos incubados en presencia
de antibiótico a diferentes tiempos, formulando así diferentes criterios de sensibilidad. Con
respecto al grupo control, si se mide el ATP intracelular las cepas sensibles al antibiótico
estudiado van a proporcionar una disminución de la señal de bioluminiscencia; si se mide
el ATP extracelular las cepas sensibles van a producir un aumento de la señal, y si se mide
el ATP total las cepas sensibles van a proporcionar una disminución de la señal de ATP.
En cambio, si el microorganismo es resistente al antibiótico las medidas del grupo control
22 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
serán prácticamente iguales que las obtenidas a partir de las cepas a estudiar (March
Rosselló and Bratos Pérez, 2016).
▪ Espectrometría de masas
La espectrometría de masas (MALDI-TOF) es una herramienta basada en espectrometría
de masas que permite obtener en unos minutos la identificación de microorganismos tales
como bacterias (incluyendo micobacterias), levaduras y hongos filamentosos. La
denominación «MALDI» proviene de Matrix-Assisted Laser Desorp-tion/Ionization, y
«TOF» alude al analizador de iones que se acopla al MALDI, que es del tipo de tiempo de
vuelo (time of flight). Para realizar el análisis mediante MALDI-TOF es necesario que las
proteínas de los microorganismos se ionicen. Para ello, las colonias de microorganismos
se depositan sobre la placa portamuestras y a continuación sobre esa muestra se deposita
una disolución matriz. A continuación, la placa es introducida en la cámara de alto vacío,
donde la superficie cristalina de la muestra es expuesta a disparos de un láser de longitud
de onda en la zona ultravioleta del espectro, con lo que la matriz absorbe la energía del
láser produciendo se la sublimación del analito y de la matriz. Ya en fase gaseosa, la
estabilización de la matriz tiene lugar mediante la liberación de protones que, en parte, son
captados por las proteínas de las bacterias, generándose fragmentos de proteínas con
carga positiva. Mediante un electrodo se genera un campo eléctrico que acelera los iones
formados desde las proximidades de la muestra hacia el analizador de masas. De esta
forma, los iones entran en un tubo (de 1 a 4 m de longitud) con la misma energía cinética
y siguiendo una trayectoria lineal. Así, el tiempo que tardan los iones en recorrer el tubo es
proporcional a la relación masa/carga (m/z) de los mismos. En última instancia está el
detector de los iones previamente separados (March Rosselló and Bratos Pérez, 2016).
▪ Métodos colorimétricos
Las diferentes metodologías basadas en procedimientos colorimétricos requieren unas 6
horas para poder informar la sensibilidad de las bacterias a los antibióticos y han mostrado
muy buenos resultados. La resazurina es un compuesto que, cuando se añade a un cultivo
bacteriano en medio líquido resistente al antibiótico con el que es incubado, es reducida
por la actividad metabólica de la bacteria. En cambio, si la bacteria es sensible al antibiótico
se detiene su metabolismo, con lo que la resazurina permanece en su forma oxidada. Dado
que la forma reducida de resazurina es estable y de color azul, y fotométricamente
distinguible de la forma oxidada, que es de color rojo, la viabilidad celular puede ser
monitorizada mediante espectrofotometría, colorimetría o fluorometría (March Rosselló
and Bratos Pérez, 2016).
▪ Nefelometría
La nefelometría es otra técnica analítica basada en la dispersión de luz que permite realizar
un antibiograma rápido. El sistema UroQuick o HBandL™(Alifax, Padua, Italia), diseñado
para realizar un cribado de muestras de orina, detecta la presencia de microorganismos
en un tubo que contiene un medio de enriquecimiento dado que el crecimiento de estos
causa una desviación de la luz medible mediante los correspondientes detectores. Las
señales obtenidas son procesadas por un software que monitoriza las curvas de
crecimiento. De este modo, este sistema es capaz de informar la concentración microbiana
de la muestra. Este equipo ha sido aplicado con éxito para realizar la detección fenotípica
de diversos mecanismos de resistencia de cepas caracterizadas genéticamente o
fenotípicamente, requiriendo 24 horas para bacterias grampositivas y 8 horas para
bacterias gramnegativas (March Rosselló and Bratos Pérez, 2016).
▪ Microfluidos
24 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
rápidos, requieren un tiempo medio mínimo de 9 h para obtener los resultados (March
Rosselló and Bratos Pérez, 2016).
Entre las ventajas de estos sistemas tenemos: El Impacto clínico dada por la rapidez en el
informe de resultado (3-10 horas vs 16-24 horas con los métodos manuales) adicional a la
reducción de costos por concepto de menos días de hospitalización y menos exámenes
de laboratorio junto con la posibilidad de dar inicio o cambiar precozmente el antibiótico.
La estandarización y control de calidad debido al aumento de la reproducibilidad intra e
inter laboratorio. La disminución de la carga de trabajo porque requiere menos personal en
métodos que determinen CMI. La disminución de errores post-analíticos al evitar la
transcripción errónea de resultados por disponer de programas de comunicación
bidireccional. La identificación de patrones fenotípicos de resistencia además de la
posibilidad de indicar la sospecha de presencia de β lactamasas de espectro extendido y
otras β-lactamasas. La facilidad de obtención de estadísticas junto con la capacidad de
almacenar y procesar la información para un análisis de tendencias anuales de
susceptibilidad. Por último, también se facilita el control en el uso de antimicrobianos por
la posibilidad de generar un informe con los resultados en línea con farmacia (García C.,
2002).
Entre las desventajas de estos sistemas automatizados tenemos: el alto costo dado porque
el equipamiento y los insumos (paneles o tarjetas) son de alto costo. Se requiere de un
método de respaldo frente a falla en el equipo por lo tanto es necesario disponer de un
equipo de respaldo o de una metodología manual de respaldo. No existen normas CLSI
para sistemas automatizados, sin embargo, deben considerarse en los métodos
empleados (puntos de corte o CIM). La poca flexibilidad en los antimicrobianos ensayados
porque los paneles o tarjetas estás determinadas por el fabricante. Se presentan
discrepancias con los métodos convencionales o están aún en evaluación, esto es válido
para bacterias fastidiosas como Haemophilus influenzae, Streptococcus pneumoniae, para
algunos bacilos Gramnegativos no fermentadores, para anaerobios y para algunos
antimicrobianos específicos como cefepime en Pseudomonas aeruginosa falsas
resistencias o falsas susceptibilidades a imipenem en Pseudomonas aeruginosa y
Acinetobacter baumannii o Enterococcus de susceptibilidad intermedia a vancomicina. Es
conocido también que algunas β-lactamasas inducibles en bacilos Gram negativos
requieren una incubación más prolongada para expresar la resistencia (García C., 2002).
26 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
Otro estudio llevado a cabo con 112 aislamientos de A. baumannii sugiere que el sistema
Vitek2 y Phoenix llevó a cabo confiablemente pruebas de susceptibilidad para imipenem
contra A. baumannii. El sistema MicroScan WalkAway no logró detectar con precisión la
resistencia a imipenem en la colección de aislamientos de A. baumannii resistentes a
carbapenemasas (Kulah et al., 2009).
los oliogonucleótidos anillados que actúan como cebadores. Este proceso de 3 pasos se
repite un número determinado de veces (de 25 a 35), duplicándose cada vez el número de
moléculas de producto. Esta amplificación exponencial tiene como resultado un gran
número de copias de la secuencia de ADN, lo que le confiere una elevada sensibilidad
(March Rosselló and Bratos Pérez, 2016).
Las ventajas de estos métodos están representadas por tiempos de respuesta más cortos
en comparación con otros métodos nombrados anteriormente. Una mayor sensibilidad,
especialmente con pacientes que ya han recibido agentes antimicrobianos antes de las
pruebas microbiológicas, situación particularmente común entre los pacientes pediátricos.
La posibilidad de realizar pruebas también con muestras polimicrobianas; una mayor
fiabilidad en la detección de algunos fenotipos de resistencia. Las desventajas de estas
técnicas moleculares están representadas por los altos costos y por el riesgo de subestimar
la resistencia. De hecho, estos sistemas solo son capaces de detectar los genes de
resistencia dirigidos por las sondas y no detectarán otros determinantes de resistencia.
Además, utilizando estos sistemas, existe también la posibilidad de sobrestimar la
resistencia porque la presencia de un gen de resistencia no está necesariamente asociada
con la expresión de un fenotipo de resistencia (el gen podría estar inactivado o no
expresado) (Arena et al., 2015).
resistencias antibióticos (March Rosselló and Bratos Pérez, 2016), como en el estudio
realizado por Zankari et al. 2013, donde utilizan la secuenciación del genoma completo
para caracterizar los perfiles de resistencia de 200 aislados bacterianos pertenecientes a
4 especies bacterianas. Cuando se comparan los resultados obtenidos mediante
secuenciación con los obtenidos mediante métodos fenotípicos obtienen un 99,74% de
concordancia, demostrando así que la sensibilidad obtenida mediante secuenciación
puede correlacionar bien con la sensibilidad obtenida mediante métodos fenotípicos. Para
la secuenciación del genoma completo se usó la plataforma Illumina paired-end y para
identificar los genes de resistencia a los antimicrobianos se usó el servicio web ResFinder
(que se contemplara más adelante).
Tras las mejoras recientes en las tecnologías de secuenciación, la WGS se posiciona como
una herramienta que puede ser esencial en el control de la resistencia a los antibióticos,
una amenaza importante en la salud moderna. La WGS ya ha encontrado numerosas
aplicaciones en esta área, desde el desarrollo de nuevos antibióticos y pruebas
diagnósticas hasta la administración antibiótica de los fármacos actualmente disponibles a
través de la vigilancia y la elucidación de los factores que permiten la aparición y
persistencia de la resistencia. Numerosos estudios de prueba de principio también han
puesto de relieve el valor de la WGS como una herramienta para el control diario de la
infección y, para algunos patógenos, como una herramienta de diagnóstico primaria para
detectar la resistencia a los antibióticos. Sin embargo, las plataformas de análisis de datos
apropiadas deberán ser desarrolladas y/o mejoradas antes de que la WGS de rutina pueda
ser introducida a gran escala (Köser et al., 2014, p.).
Existen algunas bases de datos sobre genes asociados a la resistencia a antibióticos que
solo sé que quedan hasta allí es decir solo poseen el repositorio, hay otras que además
proveen una aplicación para obtener alguna aproximación a un perfil genómico de
resistencia a antibióticos basado en diferentes métodos que se presentan a continuación.
Es más que una simple base de datos, porque posee una aplicación que le permite la
aproximación a un perfil genómico de resistencia, y la forma de visualizar vía web.
Este sistema se encuentra alojado por: A Canada–UK joint health research programme on
antibiotic resistance. En la siguiente url: https://card.mcmaster.ca/
▪ ResFINDER
30 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
La base de datos ResFINDER posee un repositorio de genes adquiridos que son capaces
de conferir resistencia a los antibióticos (secuencias completas o parciales, así como
genomas completos y secuencias de plásmidos)
ResFinder posee una aplicación basado en la web, que utiliza BLAST para la identificación
de los genes de resistencia a los antimicrobianos adquiridos en los datos del genoma
completo. Como entrada, el método puede usar genomas pre-ensamblados, completos o
parciales, y lecturas de secuencias cortas de cuatro plataformas de secuenciación
diferentes tales como: 454, Illumina, Ion Torrent y SOLiD. La versión inicial del método fue
evaluado en 1862 archivos en el GenBank, que contenían 1411 diferentes genes de
resistencia, así como en 23 secuencias de aislamientos de novo (Zankari et al., 2012).
También posee una herramienta Web para identificar los replicones de plásmidos llamada
Plasmid Finder y la identificación de especies basadas en alelos MLST (por sus siglas en
inglés, Multilocus sequence typing).
Este sistema se encuentra alojado en: Center for Genomic Epidemiology, Denmark.
University, Denmark. En la siguiente url: https://cge.cbs.dtu.dk//services/ResFinder/
Es curada por Karen Bush y George Jacoby y Actualizada por la comunidad científica.
Esta base de datos se encuentra alojada en: Lahey Clinic, USA. En la siguiente url:
http://www.lahey.org/Studies/
Esta base de datos actualmente posee únicamente genes que codifican para las β-
lactamasas de tipo TEM y SHV. Proporcionando información sobre las secuencias de
mutaciones y estructuras de estas.
La última vez que se actualizó el grupo SHV fue el 6 de abril de 2010, esta sección no
recibe mantenimiento. Mientras que el grupo TEM hace parte de la base de datos del
sistema BioCatNet y se encuentra actualizado
Esta base de datos se encuentra alojada en: Institute of Technical Biochemistry, University
of Stuttgart, Germany. En la siguiente url: http://www.laced.uni-stuttgart.de/
Inicialmente es una base de datos que aloja los alelos de los tipos de β-lactamasas: OXY,
OKP y LEN (sin genes de resistencia a antibióticos adquiridos). Se centra en la
armonización de la nomenclatura de genes. No hay una herramienta BLAST en esta base
de datos
Estos datos hacen parte de un compendio de datos mucho más grande del Instituto
Pasteur, como los datos genotípicos de los aislados de K. pneumoniae basados en MLST,
core genome MLST (cgMLST), ribosomal MLST (rMLST), tipificación capsular
(secuenciación wzc y wzi), genes de resistencia a los antimicrobianos y genes de
virulencia.
La base de datos se encuentra alojada en: Institut Pasteur, France. En la siguiente url:
http://bigsdb.pasteur.fr/perl/bigsdb/bigsdb.pl?db=pubmlst_klebsiella_seqdef_public&page
=downloadAlleles. Bajo la sección “Beta-lactamase genes”.
Este sistema es una aplicación en línea que permite a los usuarios: Navegar y explorar el
depósito de cassettes de genes. Anotar las secuencias de cassettes utilizando una base
propia de conocimientos y el motor de anotación Attacca. Finalmente, puede aportar
nuevos cassettes que aún no están en la base de datos y obtener nombres únicos para
ellos (Tsafnat et al., 2011).
Esta base de datos se encuentra alojada en: Centre for Health Informatics at UNSW,
Australia, in collaboration with the Centre for Infectious Diseases and Microbiology,
Westmead, UK. En la siguiente url: http://rac.aihi.mq.edu.au/rac/
A la fecha posee 1509 Genes integrasa, 8561 Cassettes de genes, en 167 Géneros y 375
Especies.
Esta base de datos posee un repositorio de genes adquiridos que son capaces de conferir
resistencia a los antibióticos (completa o parcialmente secuenciados) Se hace una
distinción entre los genes adquiridos y los genes mutados
34 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
Este sistema se encuentra alojado en: The Méditerranée Infection Foundation, France. En
la siguiente URL: http://en.mediterranee-infection.com/article.php?laref=283%26titre=arg-
annot
Esta base de datos posee un repositorio de genes adquiridos que son capaces de conferir
resistencia a los antibióticos (completa o parcialmente secuenciados)
La base de datos se encuentra alojada en: Università di Siena, Italy. En la siguiente url:
http://www.fibim.unisi.it/REDDB/
▪ Resfam
Capitulo 1 35
Es una base de datos curada de las familias de proteínas y perfiles asociados a modelos
ocultos de Markov (Por sus siglas en inglés HMMs, Hidden Markov Model), confirmados
para función de resistencia a antibióticos y organizados por ontología (Gibson et al., 2015).
La última versión fue la 1.2 y la última vez que fue actualizada fue el 27 de enero del año
2015. Esta base de datos no ha vuelto a tener mantenimiento.
La base de datos se encuentra alojada en: Center for Genome Sciences and Systems
Biology, Washington University in St. Louis School of Medicine, USA (Dantas’ laboratory).
En la siguiente url: http://www.dantaslab.org/resfams/
La última actualización que tuvo fue el 3 de julio de 2009, no recibe mantenimiento, pero
esta base de datos fue la base para CARD (The comprehensive antibiotic resistance
database)
La base de datos se encuentra alojada en: Center for Bioinformatics and Computational
Biology, University of Maryland, USA. En la siguiente url: http://ardb.cbcb.umd.edu/
La última versión publicada fue la 1.0, y la última vez que se actualizó fue el 30 de abril de
2012. No recibe mantenimiento.
Es una herramienta de Sanger Institute que identifica los genes de resistencia antibiótica
ejecutando alineamientos locales. También se puede utilizar para identificación por MLST.
La entrada es un archivo FASTA de secuencias de referencia (puede ser una mezcla de
genes y secuencias no codificantes) y lecturas de secuencias emparejadas. ARIBA informa
cuáles de las secuencias de referencia fueron encontradas, además de proveer
información detallada sobre la calidad de los ensamblajes y cualquier variante entre las
lecturas de secuenciación y las secuencias de referencia.
▪ Mykrobe Predictor
Corre en los sistemas operativos: Windows, Mac OS X, Linux. Requiere más o menos
300Mb of RAM. El Tiempo de ejecución es entre 40 segundos y 3 minutos. Soporta
secuenciación por Illumina y Nanopore (en desarrollo)
2. Objetivos
2.1 General
Diseñar e implementar un sistema de información para la identificación de los elementos
genómicos asociados a los mecanismos de resistencia que permitan predecir el perfil de
resistencia de una bacteria.
2.2 Específicos
▪ Identificar los elementos genómicos asociados a los mecanismos de resistencia en las
secuencias de los genomas de A. baumannii obtenidas por WGS
▪ Establecer un modelo de correlación entre los elementos genómicos asociados a los
mecanismos de resistencia y el perfil fenotípico de resistencia.
▪ Diseñar e implementar una herramienta informática que permita almacenar y
automatizar la Identificación de los elementos genómicos asociados a los mecanismos
de resistencia.
▪ Probar la lógica y funcionalidad de la herramienta con la colaboración de expertos y
usando datos reales.
3. Metodología
La presente tesis de maestría parte de la idea de solucionar el problema de identificar los
elementos genómicos de resistencia asociados a los mecanismos de resistencia para
obtener un perfil de resistencia a los antibióticos en Acinetobacter baumannii, haciendo la
evaluación de los elementos genómicos de resistencia desde el nivel de los aminoácidos
que están codificados en el elemento genómico (no comparando los elementos genómicos
desde nucleótidos como lo hace el programa ResFinder, este programa está mencionado
en el subcapítulo 1.6.1), por lo cual se requiere un proceso de anotación depurado y
específico que permita cumplir esta necesidad. De este modo el proceso de ensamblaje,
pero aún más el de anotación de los genomas es de suma importancia. Para luego pasar
a evaluarlo teóricamente bajo la dirección de la literatura en resistencia para A. baumannii.
Cada una de las tablas presentadas en este capítulo incluida las presentadas en los
Anexos (excepto las tablas del subcapítulo 3.2, y el Anexo Error! Reference source not
found.), son extraídas de a través de consultas a la base de datos de este proyecto de
grado.
Finalmente la repuesta a esta situación la poseen los documentos del CLSI, “Normas de
Desempeño para la Prueba de Susceptibilidad a los Antimicrobianos” (Patel et al., 2015),
dentro de los cuales el glosario 1 presenta la designación de clase, subclase y nombre
genérico para antibióticos β-lactámicos y no β-lactámicos. Estos datos son utilizados.
Como base para llenar el catálogo de antibióticos en la base de datos del presente estudio,
Tabla 3-1. adaptándolo al caso particular de este trabajo; por ejemplo: las Cephems orales
están agrupadas en una sección independiente a las Cephems parenterales en el
documento del CLSI, aunque para efectos de la abstracción de este trabajo es necesario
colocar las Cephems orales junto a las Cephems parenterales en una sola categoría, la
cual a su vez contiene categorías como la de las cefalosporinas de primera, segunda,
tercera o cuarta generación, esto con el propósito de agrupar con mejor precisión los
diferentes grupos de Clasificación de β-lactamasas, capitulo 3.3, Ya que sin importar que
sean o parenterales pertenecen a las agrupaciones de primera, segunda o tercera
generación que aplica para ambos grupos.
Por otro lado cuando se cruza la información de los metadatos de CARD, contra los
antibióticos (y los mecanismos de resistencia), se encuentran varios agentes
antimicrobianos adicionales a los que contiene la clasificación del CLSI, para los cuales se
asignó una clase o una subclase dentro de los antibióticos, como ocurre con los agentes
aminocumarin y nybomycin, que hacen parte de las clases de las Quinolinas, o con los que
no se pueden asignar a una clase o subclase, se clasifican como “sin asignación”.
Error! Reference source not found.apítulo 3 41
3.1.3 Secuenciación
Esta se realizó usando Hiseq2000 system (Illumina), obteniendo lecturas pareadas con un
promedio de tamaño de 101 pares de bases.
Las primeras 79 muestras se ensamblaron con SPAdes versión 3.8 (de las anteriores 79
muestras 66 fueron identificadas positivamente como A. baumannii) y varios meses
después, 25 muestras adicionales fueron ensambladas con SPAdes versión 3.10 (de las
cuales 23 fueron identificadas positivamente como A. baumannii) (Bankevich et al., 2012).
Los resultados indicaron que la diferencia de versiones de Spades no afectó la anotación
de los elementos genómicos de resistencia.
Error! Reference source not found.apítulo 3 43
Cabe resaltar que también se realizaron pruebas de ensamblaje con Soap Denovo V.2.4
(Luo et al., 2012), y se realizaron algunas pruebas con Edena V.3 (Hernandez et al., 2014).
Pero finalmente luego de los análisis para escoger los mejores ensambles se utilizaron los
resultados obtenidos con el programa SPAdes.
3.1.5 Anotación
Este paso es de suma importancia dentro del proceso, aquí es donde se debe hacer la
identificación de los diferentes genes involucrados en los distintos mecanismos de
resistencia para luego poder evaluar el perfil genómico de resistencia. En el Anexo B, tabla
1-3, se encuentra un resumen de datos de anotación para las 89 muestras.
Prokka tiene la posibilidad de agregar más bases de datos para mejorar la anotación,
básicamente en 2 formas: uno o varios archivos en formato HMM, y un solo archivo en
formato multifasta.
Para anotar los genomas ensamblados de las muestras de este proyecto, a este programa
se le adicionaron las siguientes bases de datos: Un archivo multiFasta con 2285 proteínas
de resistencia que posee la base de datos de CARD (formateado para proyecto) (Jia et al.,
2017), complementado con 32 proteínas adicionales de resistencia encontradas en la
revisión bibliográfica especialmente dirigida a los elementos de resistencia reportados para
Acinetobacter baumannii, no incluidas en CARD. Se adicionó además la base de datos
“Resfams-full.hmm” con 170 HMM especializados para encontrar genes de resistencia
44 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
(Gibson et al., 2015). Aunque Prokka viene con una versión reducida de Pfam, esta se
reemplazó por la versión actualizada que existe en línea para los HMM de Pfam. (Bateman,
2004).
En el Anexo Error! Reference source not found. se presentan tablas con algunos genes
de resistencia de la siguiente forma: tabla 1-9 tiene 219 genes de resistencia identificados
para A. baumannii. La tabla 1-10 tiene 18 genes de resistencia, aunque no han sido
etiquetados explícitamente para A. baumannii son de importancia de acuerdo con la
literatura, algunos hacen parte del complejo Acinetobacter calcoaceticus-baumanii, otros
fueron identificados por primera vez en otras especies diferentes a A. Baumannii. La tabla
1-11 muestra los 170 HMM de Resfams cruzados con los Mecanismos de resistencia.
Finalmente se tiene otros 2060 genes de resistencia que hacen parte de CARD estos se
encuentran en la tabla 1-12 del mismo Anexo D.
Nota: El siguiente comando permite encontrar cualquier gen dentro del complejo
Acinetobacter al filtrar por taxonomía, en la página del NCBI, es muy útil cuando se tiene
un nombre de algún gen de resistencia, para lo cual en el espacio entre paréntesis gen
(NombreGen) de la línea, debe ir al nombre del gen:
((NombreGen) AND "g-proteobacteria"[porgn:__txid1236]) AND
"Moraxellaceae"[porgn:__txid468]
Como parte de las reglas para obtener el perfil teórico de resistencia genómica (ver 3.4),
fue necesario hacer una modificación al script principal de Prokka para que cuando se
ejecutará el programa Blast dentro del proceso de anotación, se pudiera obtener el
porcentaje de identidad, e-value y Q-cover en el tag "Product". Para esto se utilizó la librería
Error! Reference source not found.apítulo 3 45
SearchIO de bioPerl y se adicionaron las siguientes líneas de código luego de la línea 1050
del script de Prokka versión 1.12 (que se encuentra en la carpeta bin):
my $hsps = $hit->next_hsp or next;
$cleanprod = $cleanprod . "|identity:" . $hsps->percent_identity . "|e-
value:" . $hsps->evalue . "|qcover:" . $hit->frac_aligned_query;
La primera parte del diseño de la base de datos se basa en la información que fue enviada
por el Instituto Nacional de salud (INS) sobre el estudio para Acinetobacter baumannii
realizado en los años 2012 a 2015 y otros documentos que permiten completar la
información sobre la resistencia Fenotípica.
La base de datos está construida sobre MySQL Community Server 5.6.30 con la instalación
standard, en un servidor Dell, con sistema operativo OpenSuse Leap 42.1. El acceso a los
datos se realiza mediante una interfaz cliente-servidor llamada MySQL Workbech
Community Edition 6.3
A continuación, se presentan las tablas implementadas para almacenar e integrar los datos
relacionados con la norma CLSI y sus modificaciones a través de los años 2012-2015 y los
datos de resistencia fenotípica obtenidos utilizando los métodos Kirby Bauer, Vitek2 y
Phoenix 100, junto con los de pruebas moleculares suministrados por el INS.
Es de destacar que la tabla clsi_antibiotico Tabla 3-2, es importante para establecer cuáles
fueron los antibióticos válidos para realizar el antibiograma para A. baumannii, los cuales
fueron definidos anualmente por el CLSI, entre 2012 y el 2015 (período que corresponde
a la fecha de recepción de las muestras por parte del Instituto Nacional de Salud).
Inicialmente la tabla relacion_orden Tabla 3-7, junto con la columna valor de la tabla
resistencia_fenotipica Tabla 3-8, por antibiótico CLSI según el año, tenía la intención de
permitir la comparación fácil contra la Concentración mínima inhibitoria (MIC) definida para
ese antibiótico en ese año en particular ( es importante recordar que cada año la MIC, para
cada micro organismo puede variar un poco).
Rangos Permite
Columna Tipo Validos Nulos Descripción
Entre 1 y
Id_antibiotico int(11) AI PK
2147483647 No Identificador auto numérico
Nombre del antibiótico genérico (como
Nombre varchar(100)
describe el
Ascii hasta CLSI 2015) o nombre del grupo, clase o
100 No subclase.
Llave foránea a la llave primaria de esta
Id_padre int(11)
misma tabla, Sirve para crear las
Entre 1 y agrupaciones y dependencias en un árbol
2147483647 Si lógico.
Señala si este registro se encuentra
Activo bit(1)
True o False No activo o no
Inicialmente la ontología de antibióticos
Ascii hasta se tomó del CLSI año 2015 y luego se
origen varchar(50)
50 sumaron algunos más de la base de
No resistencia a antibióticos CardDB
Entre 1 y Llave foránea al identificador de la tabla
id_nivel_antibiotico int(11)
2147483647 No catalogo nivel_antibiotico
Descripción de la tabla: Es un catálogo de la sigla o siglas usadas para cada uno de los
antibióticos (algunas siglas son iguales para diferentes antibióticos)
este catálogo también es tomado del documento CLSI 2015.
Rangos Permite
Columna Tipo Validos Nulos Descripción
id_sigla_antibiotico int(11) AI PK Entre 1 y
2147483647 No Identificador auto numérico
los caracteres que componen la Sigla,
sigla varchar(15) teniendo en cuenta si son mayúscula o
Ascii hasta 15 No minúsculas
Llave foránea al identificador de la tabla
id_antibiotico int(11) Entre 1 y catálogo antibiótico, siempre al nivel del
2147483647 No nombre genérico
Nombre varchar(45) Ascii hasta Nombre de la técnica o tecnología usada para hacer
45 No el antibiograma: Kirby Bauer, Vitek2, Phoenix 100
Descripción de la tabla: Catalogo que describe el nivel dentro del árbol de agrupación de
los antibióticos.
Rangos Permite
Columna Tipo Validos Nulos Descripción
Entre 1 y
Id_nivel_antobiotico int(11) PK
2147483647 No Identificador auto numérico
Actualmente hay 5 niveles, definidos así:
nivel varchar(45) Ascii hasta Grupo, Clase, Subclase1, Subclase2,
45 No Nombre Genérico
int(11) AI Entre 1 y
Id_Resistencia_Fenotipica
PK 2147483647 No Identificador auto numérico
Id_muestra int(11)
Entre 1 y Llave foránea al identificador de la
2147483648 No tabla muestra
Llave foránea al identificador de la
Id_antibiotico int(11) Entre 1 y tabla catalogo antibiótico, siempre al
2147483649 No nivel del nombre genérico
Id_interpretacion int(11)
Entre 1 y Llave foránea al identificador de la
2147483650 No tabla catalogo interpretación
Id_equipo int(11)
Entre 1 y Llave foránea al identificador de la
2147483651 No tabla catalogo equipo
Id_relacion_orden int(11)
Entre 1 y Llave foránea al identificador de la
2147483652 No tabla catalogo relacion_orden
El valor que le corresponde a la
valor varchar(10) muestra dada para este antibiótico
Ascii hasta 10 No particular, según el equipo usado.
Rangos Permite
Columna Tipo Validos Nulos Descripción
Entre 1 y
id_estado_EDTA_PCR int(11) PK
2147483647 No Identificador auto numérico
Negativo: NO se encontró el gen,
Positivo: Si se encontró el Gen, No
Estado varchar(45)
Ascii hasta Realizado: No se hizo esa prueba
45 No Microbiológica
Descripción de la tabla: Esta tabla permite relacionar las tablas catálogos de este sub
modulo, para guardar los resultados de las pruebas de
detección de genes de resistencia a antibióticos conocidos.
Rangos Permite
Columna Tipo Validos Nulos Descripción
Id_gen_fenotipico int(11) AI PK Entre 1 y
2147483647 No Identificador auto numérico
Los genes de resistencia fueron ordenados de acuerdo con los mecanismos definidos para
este trabajo, que son los siguientes: Degradación o Modificación del Antibiótico, Alteración
de Porina, Bombas de Eflujo (entre estas se tiene las siguiente: MATE, ABC, MFC, RND,
SMR), Cambio de Sitio Blanco, Proteína de Protección, Modulación de genes, Elementos
Móviles, los cuales fueron presentados los apartes 1.3 y 1.4 del presente documento.
A continuación, se presentan las tablas implementadas para almacenar e integrar los datos
de los genes y reglas pasivas relacionadas con los elementos genómicos asociados a los
perfiles de resistencia genómica.
Error! Reference source not found.apítulo 3 55
Configura el porcentaje de
identidad mínimo que deben
tener los genes de resistencia
porcentaje_identidad double para ser evaluados dentro del
perfil genómico de resistencia,
de 0 a 100, agrupado por mecanismos
con inicialmente. Para los HMM se
decimales No define en 0
Error! Reference source not found.apítulo 3 57
Configura el porcentaje de
cobertura mínimo que deben
tener los genes de resistencia
qcover float para ser evaluados dentro del
perfil genómico de resistencia,
agrupados por mecanismos
inicialmente. Para los HMM se
Entre 0 y 1 No define en 0
nombre varchar(50)
Ascii hasta Nombre del elemento genómico de
50 No resistencia.
id_organismo int(11)
Entre 1 y Llave foránea al identificador de la tabla
2147483647 No catalogo organismo
detalle varchar(200)
Ascii hasta Una breve descripción sobre el elemento
200 Si genómico en cuestión
Solo permite escoger para esta
enum('proteina enumeración si se trata de una secuencia
proteinaOnucleotido
','nucleotido') Incluido en de nucleótidos o de una secuencia de
el tipo No proteínas
Primer identificador del encabezado del
iden1 varchar(45) Ascii hasta archivo de origen de estos genes de
45 No resistencia.
Segundo identificador del encabezado
iden2 varchar(100) Ascii hasta del archivo de origen de estos genes de
100 No resistencia.
Alguna descripción extra, o especial
desc1 varchar(500) Ascii hasta sobre el gen o este elemento de
500 Si resistencia.
58 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
Es el porcentaje de
identidad en el hit dado por
porcentaje_identidad double uso de blast para la
de 0 a 100, identificación de la
con característica, Si fue un
decimales No HMM el resultado es 0
Es el porcentaje de
cobertura en el hit por uso
qcover float de blast para la
identificación de la
característica, Si fue un
Entre 0 y 1 No HMM el resultado es 0
Llave foránea al
id_gen_resistencia int(11) identificador de la tabla
Entre 1 y catalogo
2147483647 No gen_mecanismo_antibiotico
Llave foránea al
id_caracteristica int(11) identificador de la tabla
Entre 1 y catalogo
2147483647 No gen_mecanismo_antibiotico
Llave foránea al
identificador de la tabla
catalogo fuente. Que indica
id_fuente int(11) el origen de este gen de
resistencia, en este
Entre 1 y momento se tiene 3:
2147483647 No CardDB, Resfam y Propio
Rangos Permite
Columna Tipo Validos Nulos Descripción
Llave foránea al
id_gen_resistencia int(11) Entre 1 y identificador de la tabla
2147483648 No catalogo gen_resistencia
Llave foránea al
id_antibiotico int(11) Entre 1 y identificador de la tabla
2147483650 No catalogo antibiótico
Llave foránea al
identificador de la tabla
catalogo interpretación, que
permite calificar cada gen
Id_interpretacion int(11) según el antibiótico dado
asignándole el nivel de
resistencia correspondiente.
Entre 1 y Responde a la segunda
2147483647 No regla.
Llave foránea al
identificador de la tabla
catalogo
correspondecia_antibiotico
que permite agrupar los
id_correspondencia_antibiotico int(11)
genes que se van a evaluar
según la resistencia
antibióticos dada por el
Entre 1 y perfil de resistencia
2147483647 No fenotípico.
contig_operon int(11)
Entre 1 y El número del contig donde
2147483650 No fue encontrado el operón
La posición inicial donde
pos_inicio_operon int(11) Entre 1 y comienza el primer gen del
2147483650 No operón de resistencia
La posición final donde
pos_fin_operon int(11) Entre 1 y comienza el primer gen del
2147483650 No operón de resistencia
La posición inicial donde
pos_inicio_regulador int(11) Entre 1 y comienza el primer gen del
2147483650 Si regulador de resistencia
La posición final donde
pos_fin_regulador int(11) Entre 1 y comienza el primer gen del
2147483650 Si regulador de resistencia
Rangos Permite
Columna Tipo Validos Nulos Descripción
Entre 1 y
id_blactam_grupo int(11) PK
2147483648 No Identificador auto numérico
Llave foránea al
id_gen_resistencia int(11) PK Entre 1 y identificador de la tabla
2147483650 No catalogo gen_resistencia
Llave foránea al
identificador de la tabla
catalogo
correspondecia_antibiotico
que permite agrupar los
id_correspondencia_antibiotico int(11) grupos funcionales de beta-
lactamasas que se van a
evaluar según la resistencia
antibióticos dada por el
Entre 1 y perfil de resistencia
2147483647 No fenotípico.
Llave foránea al
identificador de la tabla
id_resistencia_genomica1 int(11)
Entre 1 y catalogo
2147483647 No resistencia_genomica1
Llave foránea al
id_antibiotico int(11) Entre 1 y identificador de la tabla
2147483650 No catalogo antibiótico
Llave foránea al
identificador de la tabla
catalogo interpretación,
que permite calificar el
grupo funcional o gen para
Id_interpretacion int(11) el antibiótico dado,
asignándole el nivel de
resistencia
correspondiente.
Entre 1 y Respondiendo así a la
2147483647 No segunda regla.
Llave foránea al
identificador de la tabla
catalogo
correspondecia_antibiotico
que permite agrupar los
id_correspondencia_antibiotico int(11) grupos funcionales de
beta-lactamasas o genes
que se van a evaluar según
la resistencia antibióticos
Entre 1 y dada por el perfil de
2147483647 No resistencia fenotípico.
Rangos Permite
Columna Tipo Validos Nulos Descripción
id_antibiotico int(11)
Entre 1 y Llave foránea al identificador
2147483650 No de la tabla catalogo antibiótico
Figura 3-4: Diagrama E-R para Metadatos de la base de datos CARD y ResFams.
70 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
Corresponde al identificador
de la proteína en las bases
Protein_Accession varchar(20)
de datos del NCBI, que
además hace parte de la
Ascii hasta columna iden1 de la tabla
20 No "gen_resistencia".
DNA_Accession varchar(20)
Ascii hasta Identificador para este
20 No registro
Corresponde a un
identificador en la base de
ARO_Accession varchar(20) datos de CARD, que además
hace parte de la columna
Ascii hasta iden2 de la tabla
20 No "gen_resistencia".
Rangos Permite
Columna Tipo Validos Nulos Descripción
Corresponde al identificador
Resfam_ID varchar(20) propio de ResFams, que
además hace parte de la
Ascii hasta columna iden1 de la tabla
20 No "gen_resistencia".
Resfam_Family_Name varchar(100)
Ascii hasta El nombre que identifica a
100 No este HMM
Una descripción
Description varchar(200) Ascii hasta brevemente detallada del
200 No HMM en cuestión
Corresponde a un
identificador en la base de
ARO_Identifiers varchar(100) datos de ResFams que
además hace parte de la
Ascii hasta columna iden2 de la tabla
100 No "gen_resistencia".
Es la fuente de donde
Resfam, ha tomado la
HMM_Source varchar(20) información siendo estas las
Ascii hasta siguientes posibles: Resfam,
20 No Pfam, TIGRFam.
Corresponde al antibiótico o
Antibiotic_Classification varchar(50) grupo de antibióticos para el
Ascii hasta cual este HMM es
50 Si resistente.
Mechanism_Classification varchar(50)
Ascii hasta Corresponde al Mecanismo
50 Si de resistencia.
Descripción de la tabla: Catálogo que guarda todas las referencias bibliográficas que se
desean persistir y que tiene relación con registros de otras
tablas particulares en esta base de datos.
Rangos Permite
Columna Tipo Validos Nulos Descripción
Entre 1 y
id_bibliografia int(11) AI PK
2147483647 No Identificador auto numérico
Identificador PubMed del artículo
PMID varchar(45) que se relaciona con este gen de
Ascii hasta 45 Si resistencia.
Identificador PMC del artículo que
PMCID varchar(45) se relaciona con este gen de
Ascii hasta 45 Si resistencia.
Error! Reference source not found.apítulo 3 73
autores varchar(250)
verdadero o Autores de la referencia
falso No bibliográfica en cuestión
EL año de publicación de la
anno int(11) entre 1900 y referencia bibliográfica en
año actual No cuestión
Figura 3-6, las tablas incluidas en la base de datos implementadas para almacenar los
datos de anotación de los genomas ensamblados producidos por el programa Prokka en
forma de un archivo en formato gff. Este esquema es una adaptación de las tablas que
hacen parte de un modelo aún más avanzado y completo desarrollado por (Ballen Mejía,
2016), como parte de su tesis de maestría desarrollada dentro del grupo de Bioinformática
del Instituto de Biotecnología.
74 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
Para hacer la carga automática de las anotaciones de cada genoma ensamblado Ballen
en la base de datos (Ballen Mejía, 2016), desarrolló el programa “LecturaEnsamblados”
V.2.0.1 en Python que lee cada archivo gff capaz de leer los archivos gff y alimentar con
los datos de anotación las diferentes tablas implementadas en la base de datos (Figura
3-6). Para el presente trabajo, el programa “LecturaEnsamblados” V.2.0.1 tuvo que ser
modificado para que pudiera cargar los archivos gff producidos e incluir el tag “Product” de
los archivos de anotación, que contiene los valores correspondientes a e-value, porcentaje
de identidad y cobertura, producidos por el programa Blast durante la ejecución de Prokka
cuando encuentra el hit que corresponda con el CDS anotado dentro del genoma.
Finalmente, también se modificó para que además de funcionar por lotes también funcione
cargando una por una las muestras. Esta aplicación está hecha con la misma versión de
Python y las mismas librerías del presente trabajo, igualmente la misma versión del motor
de base de datos.
que el propósito principal en esta clasificación es encontrar una forma adecuada de crear
un perfil genómico de resistencia para este grupo de enzimas, orientado a la resistencia.
Como muchas de estas proteínas fueron tomadas de la base de datos de CardB (McArthur
et al., 2013) al igual que los metadatos que ellos tienen para descargar, la asignación a la
resistencia de los antibióticos simplemente apuntaba a la clase principal de antibióticos, es
decir β-Lactams, pero para poder hacer la comparación necesaria con el perfil fenotípico
de resistencia es necesario una discriminación más detallada, que nos lleve hasta el punto
de discriminar por sub-clase de antibióticos.
Primero la base de datos creada para manejar este sistema de información para la
resistencia a antibióticos en nuestras cepas de Acinetobacter baumannii, tiene definido un
modelo para asociar los genes con la resistencia a los antibióticos, como se aprecia en la
Figura 3-7.
Figura 3-7: Tablas que asocian los genes con la resistencia a los antibióticos
El modelo de la Figura 3-7, muestra una relación de muchos a muchos entre los
antibióticos y los genes de resistencia (por genes de resistencia se quiere indicar las
Error! Reference source not found.apítulo 3 77
Por otro lado, la información sobre β-Lactamasas obtenida de la literatura consultada fue
almacenada en las tablas de la base de datos que se muestran en el modelo presentado
en la Figura 3-8.
Figura 3-8: Tablas que asocian los genes que codifican β-lactamasas con la
resistencia a antibióticos.
78 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
La tabla blactam_clase (Tabla 3-26), guarda los registros de las clases moleculares de β-
lactamasas, agrupadas según la similitud de sus secuencias. Hay 4 clases reportadas: A,
B, C y D. (Bush and Jacoby, 2010) dentro de las cuales la clase B a su vez está dividida
en B1, B2, y B3.
La tabla blacta_grupo (Tabla 3-27) contiene los grupos funcionales definidos inicialmente
por Karen Bush y George A. Jacoby como subcategorías de las clases moleculares (Bush
and Jacoby, 2010). Esta tabla también contiene las sub clases de antibióticos de los que
hay reportes de haber sido hidrolizados por determinado grupo funcional y el nivel de
resistencia que se genera, esta última información tomada de (Bush, 2013), donde por
cada grupo funcional se detalla la resistencia para las enzimas más representativas y para
algunos de las sub clases de antibióticos.
Adicionalmente, dadas las diferencias reportadas entre las enzimas KPC, SME y GER
pertenecientes al grupo funcional de carbapenemasas 2f (Queenan and Bush, 2007),
dentro de los registros de la tabla la tabla blacta_grupo (Tabla 3-27) se establecieron 3
grupos para las carbapenemasas 2f: 2f, 2f_GES y 2f_SME, para facilitar la inclusión de las
diferencias en el perfil de resistencia que presentan los diferentes miembros del grupo
Monobactams Resistente
Penicillins Resistente
Cephalosporin Ic Resistente
Cephalosporin IIc Intermedio
2ber Cephalosporin IIIc Intermedio (Bush, 2013), (Poole, 2004)
Cephalosporin IVc Intermedio
Penicillins Resistente
b-Lactam/b-lactamase
Intermedio
2br inhibitor combinations (Bush and Jacoby, 2010), (Bush, 2013), (Poole, 2004)
Penicillins Resistente
2c Penicillins Resistente (Bush and Jacoby, 2010), (Bush, 2013)
2ce Penicillins Resistente (Bush and Jacoby, 2010), (Bush, 2013)
Cephalosporin Ic Resistente
Cephalosporin IIc Resistente
2e Cephalosporin IIIc Resistente (Bush and Jacoby, 2010), (Bush, 2013)
Cephalosporin IVc Resistente
Penicillins Resistente
Carbapenem Resistente
Cephalosporin Ic Resistente
Cephalosporin IIc Resistente
(Queenan and Bush, 2007), (Bush and Jacoby, 2010),
2f Cephalosporin IIIc Resistente
(Bush, 2013)
Cephalosporin IVc Resistente
Monobactams Resistente
Penicillins Resistente
Carbapenem Intermedio
Cephalosporin Ic Resistente
Cephalosporin IIc Resistente
(Queenan and Bush, 2007), (Bush and Jacoby, 2010),
2f_GES Cephalosporin IIIc Resistente
(Bush, 2013)
Cephalosporin IVc Resistente
Monobactams Resistente
Penicillins Resistente
Carbapenem Resistente
Cephalosporin Ic Resistente
Cephalosporin IIc Intermedio
(Queenan and Bush, 2007), (Bush and Jacoby, 2010),
2f_SME Cephalosporin IIIc Intermedio
(Bush, 2013)
Cephalosporin IVc Intermedio
Monobactams Resistente
Penicillins Resistente
b-Lactam/b-lactamase
Intermedio (Queenan and Bush, 2007), (Bush and Jacoby, 2010),
B1 3a inhibitor combinations
(Bush, 2013)
Carbapenem Resistente
80 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
Cephalosporin Ic Resistente
Cephalosporin IIc Resistente
Cephalosporin IIIc Resistente
Cephalosporin IVc Resistente
Penicillins Resistente
b-Lactam/b-lactamase
Intermedio
B2 3b inhibitor combinations (Bush and Jacoby, 2010), (Bush, 2013)
Carbapenem Resistente
b-Lactam/b-lactamase
Intermedio
inhibitor combinations
Carbapenem Resistente
Cephalosporin Ic Resistente
B3 3a (Bush and Jacoby, 2010), (Bush, 2013)
Cephalosporin IIc Resistente
Cephalosporin IIIc Resistente
Cephalosporin IVc Resistente
Penicillins Resistente
b-Lactam/b-lactamase
Intermedio
1 inhibitor combinations (Bush and Jacoby, 2010), (Bush, 2013)
Cephalosporin Ic Resistente
b-Lactam/b-lactamase
Intermedio
inhibitor combinations
C
Cephalosporin Ic Resistente
1e (Bush and Jacoby, 2010), (Bush, 2013)
Cephalosporin IIc Resistente
Cephalosporin IIIc Resistente
Cephalosporin IVc Resistente
(Evans and Amyes, 2014), (Bush and Jacoby, 2010),
2d Penicillins Resistente
(Bush, 2013)
Cephalosporin Ic Resistente
(Evans and Amyes, 2014), (Bush and Jacoby, 2010),
2de Cephalosporin IIIc Resistente
(Bush, 2013)
Penicillins Resistente
Carbapenem Resistente
Cephalosporin IIc Resistente
Cephalosporin IIIc Resistente
D 2def (Gomez et al., 2013), (Evans and Amyes, 2014)
Cephalosporin IVc Resistente
Monobactams Resistente
Penicillins Resistente
Carbapenem Resistente
Cephalosporin IIc Resistente
(Bush, 2013), (Evans and Amyes, 2014), (Bush and
2df Cephalosporin IIIc Resistente
Jacoby, 2010)
Cephalosporin IVc Resistente
Penicillins Resistente
Error! Reference source not found.apítulo 3 81
Los datos que actualmente tiene la base de datos sobre las enzimas y familias de enzimas
de los grupos funcionales, fueron completados en algunos casos particulares con otras
fuentes especializadas (Tabla 3-38).
Todos los genes agrupados por sus clases y grupos de β-lactamasas se encuentra en el
Anexo D, tabla 1-13.
Este catálogo permite saber cuál es el perfil de resistencia genómico basado únicamente
en los 8 antibióticos base del perfil de resistencia fenotípica según el CLSI, y su versión
ampliada con las sub clases o clases de antibióticos a los cuales pertenecen esos 8
antibióticos base. Esto permite hacer la comparación entre los perfiles de resistencia
genómico y fenotípico.
EL Instituto Nacional de Salud (INS) basado en el estándar del CLSI, estableció los
siguientes 8 antibióticos, como la base de su perfil de resistencia fenotípica para A.
baumannii: Ampicillin-sulbactam, Ceftazidime, Amikacin, Cefepime, Cephalexin,
Imipenem, Meropenem, Piperacillin-tazobactam
El resultado de la consulta muestra 4 genes, de los cuales los genes CarO, omp33 y omp66
se relacionan con resistencia al grupo global de antibióticos β-lactámicos, y no a alguna de
las sub clases de antibióticos, mientras que la bomba eflujo adeDE, está relacionada con
la resistencia a diferentes sub clases de antibióticos. Es evidente que la información de un
posible perfil genómico de resistencia que se podría obtener utilizando estos datos estaría
incompleto.
Para entender un poco como se relaciona los antibióticos base, con las sub clases y clases
de este, tenemos la siguiente tabla:
Tabla 3-39: Jerarquía de los antibióticos base para A.baumannii dada por el INS
Antibióticos Sub-Clase Clase
Ampicillin-sulbactam β-Lactam/β-lactamase inhibitor combinations
Piperacillin-tazobactam β-Lactam/β-lactamase inhibitor combinations
Ceftazidime Cephalosporin IIIc Cephems (parenteral)
Amikacin Aminoglycosides
Cefepime Cephalosporin IVc Cephems (parenteral)
Cephalexin Cephalosporin Ic Cephems (oral)
Imipenem Carbapenem Penems
Meropenem Carbapenem Penems
Por supuesto la regla debe incluir las sub clases: Cephalosporin IIIc, Cephalosporin IVc,
Cephalosporin, Carbapenem. Además, las clases: β-Lactam/ β -lactamase inhibitor
combinations, Aminoglycosides, Cephems (parenteral), Cephems (oral), Penems.
Error! Reference source not found.apítulo 3 85
Por lo tanto, al hacer nuevamente la consulta en la base de datos con las anteriores clases
y subclases de los antibióticos, para los aminoglycosides se obtienen 197 genes, entre los
que se encuentran AAC, APH, ANT entre muchos otros; para Carbapenem se obtienen por
un lado 4 genes: OprD, AdeD, AdeE, SCO-1 y por el lado de los genes que codifican para
β-lactamasas se tienen 167 genes. Para Cephalosporin Ic, Cephalosporin IIIc,
Cephalosporin IVc, se tiene por un lado un gen llamado SCO-1 que confiere bajo nivel de
resistencia a estas sub clases de antibiótico y por el lado de los genes asociados a
resistencia a β-lactamasas que se muestran en la Tabla 3-40.
Para entender esta regla se presenta el siguiente ejemplo: el gen SCO-1 confiere alta
resistencia a penicilinas y baja resistencia a cefalosporinas y carbapenemasas (Poirel et
al., 2007), es decir que frente a la primera clase de antibióticos la bacteria se hace
“resistente” y frente al resto su nivel es “intermedio”.
Así mismo los genes gyrA y parC, confieren resistencia intermedia a quinolonas (si
presentan la mutación que les confiere tal resistencia) (Ardebili et al., 2015). Si ambos se
encuentran mutados entonces esta combinación causaría que la resistencia sea alta. La
solución para este caso esta descrito en la quinta regla, por lo que el comportamiento de
estos genes estaría cubierto con la presente y la quinta regla.
Esta regla aplica para las bombas eflujo del tipo RND (resistance-nodulation-cell division)
y otros genes que permiten o regulan su sobre expresión.
Para la implementación de esta regla se creó una tabla que permite guardar la
configuración de estos operones llamada: “operon_resistencia” (Tabla 3-21), donde se
incluye la dirección de la transcripción y los genes con su ubicación en el operón.
Igualmente, se almacena en esta tabla la ubicación de los reguladores de expresión, de tal
forma que en con junto de los datos almacenados en esta tabla corresponde a la
representación topológica de los operones y sus elementos de regulación, como se
esquematiza en la Figura 3-9, para los operones de algunas bombas de eflujo tipo RND
encontradas en el genoma de diferentes cepas de A. baumannii.
Cabe destacar que la implementación de esta regla permite ubicar el gen regulador,
aunque no esté cerca del gen que regula, como es el caso del gen adeN asociado con la
regulación de la bomba adeIJK (Rumbo et al., 2013) que no necesita estar cerca de la
bomba adeIJK para regular la expresión de la misma (Rosenfeld et al., 2012), y es diferente
a los otros genes reguladores como por ejemplo el gen adeL o la dupla de genes adeRS.
Error! Reference source not found.apítulo 3 89
Se tiene en cuenta la bomba adeXYZ que posee 97% de identidad con la bomba adeIJK.
Por último, se tiene la bomba adeDE. (Coyne et al., 2011).
dado que la diferencia entre secuencias en muchos de sus grupos es apenas de unos
pocos aminoácidos, haciendo que porcentajes por debajo de 90% puedan generar errores
de identificación. Al resto de mecanismos se le dio un poco más de holgura, estableciendo
los porcentajes sobre 60% para la identidad y 75% para la cobertura.
Por otra parte, cuando los resultados de anotación de un elemento genómico no incluyen
un hit obtenido por el uso del programa de BlastP y por ende no incluyen los porcentajes
de identidad y cobertura, pero si resultados de la utilización de los HMM de ResFam, por
ejemplo, para facilitar el manejo interno de la aplicación a estos se les deja por defecto el
0% tanto para la identidad y como para la cobertura. Es posible que bajo la lupa de análisis
futuros se puedan dar mejor precisión a estos porcentajes inicialmente planteados
(separados y/o discriminados por grupos más pequeños e incluso por gen o elemento
genómico).
Se crea un catálogo para esta regla, que define la forma pasiva para los genes gyrA y
parC. Ambos según indica la literatura, al poseer mutaciones puntuales crea resistencia a
los siguientes antibióticos: Fluoroquinolonas, Quinolonas y Ciprofloxacin (Ardebili et al.,
2015).
Para estos genes, siempre se describe la posición puntual de la mutación, pero también
es importante establecer el vecindario del o los aminoácidos mutados para poder asegurar
con una búsqueda de sub-cadena que se encuentre sin equivocación dicha mutación
puntual.
Error! Reference source not found.apítulo 3 91
Para el caso de gyrA se tiene la mutación: Serina 83 a Leucina (S83L), además obtenemos
el motivo “HPHGDLAVYETI” que incluye los aminoácidos vecinos a la mutación, en donde
la Leucina está en el centro indicando la mutación que hace a la bacteria resistente a los
antibióticos mencionados anteriormente (Martínez and Máttar, 2010). Esta cadena o
motivo siempre va a ser único dentro de la búsqueda para el gen gyrA mutado.
Para el caso de parC se debe encontrar la mutación: Ser80Leu, para definir entonces la
sub-cadena que permite la resistencia en este gen, la siguiente sub-cadena está asociada
a una alta resistencia: “HPHGDLACYEA”, nuevamente la Leucina está en el centro. (Vakili
et al., 2014). También se encuentran en la literatura otras posibilidades que añaden un
poco más de complejidad, y que las siguientes mutaciones en parC también causan
resistencia: (S80L or W, E84K and G78C). (Park et al., 2011) En la posición 80 ahora se
tienen 2 posibilidades L ó W y para las posiciones 84 y 78 se debe permitir que la búsqueda
se haga por ambos aminoácidos descritos allí, aunque la base sigue siendo la mutación
en la posición 80.
Para el caso de parC se debe encontrar la mutación: S80L, para lo cual el motivo asociada
a una alta resistencia es “HPHGDLACYEA”, encontrándose nuevamente la leucina en el
centro. (Vakili et al., 2014). También se encuentran en la literatura otras posibilidades que
añaden un poco más de complejidad, como las siguientes mutaciones en parC que también
causan resistencia: (S80L o W, E84K y G78C). (Park et al., 2011). En la posición 80 ahora
se tienen 2 posibilidades L ó W y para las posiciones 84 y 78 se debe permitir que la
búsqueda se haga por ambos aminoácidos descritos allí, aunque la base sigue siendo la
mutación en la posición 80. Entonces para este caso se usa una expresión regular y se
evalúa sobre las secuencias traducidas del gen parC, la expresión regular
HPH(G|C)D(L|W)ACY(E|K)A basada en el motivo antes descrito.
De acuerdo con el protocolo del INS, el antibiograma obtenido por la metodología Kirby
Bouer utiliza 8 antibióticos, como se mencionó en la regla 1 del capítulo 3.4.1, todos
pertenecientes al grupo de los antibióticos las β-lactámicos. Dado que la prueba
considerada Gold estándar está limitada a un solo grupo de antibióticos, y que los sistemas
automatizados como Vitek y Phoenix incluyen muchos más en sus pruebas, se tomó la
decisión junto con el equipo del grupo de Epidemiologia Molecular del Instituto de
Biotecnología de la Universidad Nacional sede Bogotá, de definir las jerarquías y crear un
antibiograma consolidado utilizando los resultados de las tres pruebas. La totalidad de
estos datos se encuentra en el Anexo B.
Dentro de la búsqueda por un algún método que permitiera la comparación de los dos tipos
de perfiles de resistencia, fenotípico Versus genómico, se definió para el perfil fenotípico
de resistencia 4 categorías de multiresistencia: MDR resistente a múltiples antimicrobianos
cuando por lo menos es resistente a por lo menos 1 miembro de 3 categorías diferentes
de antimicrobianos; XDR Extremadamente resistente a los antimicrobianos cuando por lo
menos es resistente a por lo menos 1 miembro de 8 categorías diferentes de las 10 de
antimicrobianos; PDR pandrug resistente cuando es completamente resistente a todos los
antimicrobianos (Magiorakos et al., 2012); y sin asignar.
Error! Reference source not found.apítulo 3 93
Es posible que la anterior línea de comando pueda estar en un archivo de Shell junto con
más líneas de comando para las diferentes muestras, y así hacer un procesamiento en lote
de ser necesario.
1
IDE: Entorno de Desarrollo Integrado, es un entorno de programación que ha sido empaquetado
como un programa de aplicación, es decir, consiste en un editor de código, un compilador, un
depurador y un constructor de interfaz gráfica (GUI)
94 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
Como se puede ver en la Figura 3-10, el ingreso de los datos solicita la ruta de la anotación
con el formato adecuado, como se puede ver en el ejemplo de línea de comando antes
presentada, el nombre de la carpeta utilizada es “GMRRA249.107”, cuyo nombre tiene el
formato adecuado que requiere, de la siguiente forma: nombre de la carpeta que contenga
el nombre de la muestra, seguido por un punto, y luego por el ID de la muestra en la base
de datos.
El segundo proceso llamado “Cargar Genes””, hace uso de una versión especial del
programa “LecturaEnsamblados” que permite subir a la base de datos, todo lo que la
anotación funcional llama “genes”, en las tablas que se muestran en el diagrama E-R, en
la Figura 3-6. Esta versión del programa fue modificada para guardar un tag de la
anotación llamado “Inference”, el cual permite identificar si la anotación del gen fue hecha
con base en el multifasta generado a partir de la base de datos CARD o en otras bases de
datos de HMM como ResFams. Además, permite hacer el cruce de todos estos datos de
la anotación con el ID de la muestra que ya existe en la base de datos.
Este procedimiento finalmente aplica todas las reglas definidas en el sub capítulo 3.4, y
genera los valores necesarios para el perfil de resistencia genómica que se presenta en el
capítulo Error! Reference source not found.. A continuación, se presenta una explicación a
manera de pseudo código de los pasos que realiza este procedimiento almacenado.
Para poder subir los datos de los genes que provee CARD, fue necesario crear 2 pequeños
scripts para tener la información en el formato adecuado. El primer Script llamado
98 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
4.1 Resultados
adeL <- adeL <- [proteína] -> adeF -> adeG -> adeH
Donde para todos los casos [proteína] es una proteína hipotética (verificadas contra la base
nr del NCBI), en donde 17 de los casos la proteína es la siguiente:
MVRMGETGFMEWTEHKSLSITNKYIKFDNTIRIFITIDVFALENALIGVGVWIYFMP
Y para los 2 casos restantes la siguiente:
MEWTEHKSLSITNKYIKFDNTIRIFITIDVFALENALIGVGVWIYFMP
Adicionalmente estas muestras siempre poseen un gen extra adeC al final del operón
adeABC, (solo para mostrar los hallazgos).
Capítulo 4: Resultados y Discusión 101
Por otro lado, en la muestra con ID 6 el regulador adeRS está en la posición y dirección
correcta con respecto al operón adeABC, pero esta repetido 2 veces de la siguiente
forma: adeR->adeR->adeS->adeS. Aunque esta configuración no es válida según lo
consultado en la literatura, de nuevo podría ser interesante conocer su comportamiento
in vivo.
Adicionalmente, en 16 muestras (ID’s: 8,9,10,11,12,13,15, 17, 22,23,25, 30, 31, 32, 38,
40), la bomba adeABC se encuentra incompleta, siempre falta el gen adeC, pero
poseen completo el regulador adeRS. Por supuesto es una bomba RND que
posiblemente no sea funcional, lo cual sería recomendable probar en el laboratorio.
▪ Todas las 89 muestras poseen el gen gyrA, de las que la muestra RB 183,2 posee dos.
▪ De las 89 muestras 82 poseen el gen gyrA con la mutación que confiere resistencia.
▪ Ninguna de las muestras posee el gen parC.
Tabla 4-1: Categorías y agentes antimicrobianos usados para definir MDR, XDR y PDR
en Acinetobacter spp. En las 89 muestras del proyecto
Gentamicin 66 2 10 78
Tobramycin 73 1 14 88
Aminoglycosides
Amikacin 0 0 0 0
Netilmicin 0 0 0 0
Imipenem 86 0 3 89
Antipseudomonal carbapenems Meropenem 78 1 0 79
Doripenem 31 0 1 32
Ciprofloxacin 83 0 6 89
Antipseudomonal fluoroquinolones
Levofloxacin 15 0 0 15
Piperacillin-tazobactam 84 1 3 88
Antipseudomonal penicillins+ inhibitors
Ticarcillin-clavulanic acid 0 0 0 0
Extended-spectrum cephalosporins Cefotaxime 23 0 0 23
102 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
Ceftriaxone 66 5 1 72
Ceftazidime 65 17 7 89
Cefepime 80 5 3 88
Folate pathway inhibitors Trimethoprim-sulfamethoxazole 26 0 0 26
Monobactams Aztreonam 15 1 0 16
Penicillins+ inhibitors Ampicillin-sulbactam 63 17 8 88
Colistin 1 0 66 67
Polymyxins
Polymyxin B 0 0 0 0
Tetracycline 0 0 0 0
Tetracyclines Doxycycline 0 0 0 0
Minocycline 0 0 0 0
Criterio para Definir MDR, XDR y PDR en Acinetobacter spp.
MDR: no-susceptible a ≥1 agente en ≥3 categorías antimicrobianas
XDR: no-susceptible a ≥1 agente en ≥8 de 10 categorías antimicrobianas
PDR: no-susceptible a todos los agentes antimicrobianos listados
#R= Cantidad de muestras Resistentes; #I= Cantidad de muestras Intermedias; #S= Cantidad de muestras
susceptibles.
Por otro lado, es pertinente mostrar el antibiograma en general para las 89 muestras, de
tal forma que se pueda saber a cuantas muestras se les probo su resistencia frente a un
antibiótico en particular, visualizando además a que sub clase o clase pertenece ese
antibiótico (Tabla 4-2).
Capítulo 4: Resultados y Discusión 103
Clase o #
ID ID Antibiótico
Subclase Muestras
120 Amikacin 78
89 Aminoglycosides
121 Gentamicin 88
24 Aminopenicillin 29 Ampicillin 32
41 Amoxicillin-clavulanate 14
4 b-Lactam/b-lactamase inhibitor combinations 42 Ampicillin-sulbactam 88
47 Piperacillin-tazobactam 88
83 Doripenem 32
186 Ertapenem 15
21 Carbapenem
84 Imipenem 89
85 Meropenem 83
12 Cephalosporin Ic 50 Cephalothin 23
57 Cefotaxime 23
58 Ceftazidime 89
14 Cephalosporin IIIc
60 Ceftriaxone 72
77 Cefuroxime (Oral) 22
15 Cephalosporin IVc 61 Cefepime 88
17 Cephamycin 66 Cefoxitin 54
158 Ciprofloxacin 89
114 Fluoroquinolone 166 Levofloxacin 15
169 Norfloxacin 8
107 Folate pathway inhibitors 131 Trimethoprim-sulfamethoxazole 26
117 Glycylcyclines 182 Tigecycline 54
7 Monobactams 81 Aztreonam 16
97 Nitrofurans 149 Nitrofurantoin 23
110 Polymyxins 188 Colistin 67
Como se puede apreciar en la tabla anterior, de 25 antibióticos utilizados en común por los
3 métodos para obtener el antibiograma (Kirby Bauer, Vitek2 y Phoenix 100), solo 3
antibiótico (Imipenen, Ceftazidime y Ciprofloxacina), fueron probados en las 89 muestras,
por lo que no fue posible una estandarización completa del perfil fenotípico.
Mecanismo Cantidad
resistencia Genes
Alteración de Porina 17
Modulación de genes 86
Elementos Móviles 87
Proteina de Protección 155
Cambio de Sitio Blanco 204
Bombas de Eflujo 288
Degradación o Modificación del Antibiótico 1685
Las Bombas e-flujo tipo RND fueron identificadas en todos los genomas de A. Baumannii
estudiados, encontrando variaciones en términos de su ubicación y la de sus reguladores
de expresión de llegar a poseerlos, características que como se explicó antes, influyen en
la resistencia conferida a la bacteria por este tipo de elementos genómicos (Anexo E, tabla
1-14). La influencia de estas bombas de eflujo sobre la resistencia, se basó en reportes
Capítulo 4: Resultados y Discusión 105
de la literatura que señalan cuales son los antibióticos frente a los que confieren
resistencia, y estos a que clase o sub clase pertenecen (Tabla 4-4)
Gentamicin
Aminoglycosides
Kanamycin
Erythromycin Macrolides
Chloramphenicol Phenicols
Tetracycline Tetracyclines
Aminoglycosides
Rifampin Ansamycins
Carbapenem
Erythromycin Macrolides
Chloramphenicol Phenicols
Tetracycline Tetracyclines
Fluoroquinolone
adeFGH
Tetracycline Tetracyclines
Rifampin Ansamycins
b-Lactams
Fluoroquinolone
adeIJK Lincosamides
Macrolides
Chloramphenicol Phenicols
aminocoumarin Quinolones
Tetracycline Tetracyclines
Rifampin Ansamycins
b-Lactams
Chloramphenicol Phenicols
Tetracycline Tetracyclines
106 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
Así como ya se presentó el perfil fenotípico de resistencia discriminado por los antibióticos
y sus clases o subclases de todas las muestras (Tabla 4-2), se elaboró el perfil genotípico
de resistencia que relaciona el número de genes encontrados en las muestras con el grupo
o subgrupo del antibiótico frente al cual confieren resistencia (Tabla 4-5). Por supuesto,
esta relación se basa en lo encontrado en la literatura y permite la predicción teórica del
perfil de resistencia luego de la aplicación de las reglas, objetivo de la presente tesis, de
tal forma que lo hace comparable con el perfil fenotípico.
subclase Cantidad
Antibiótico
o Clase Genes
Aminoglycosides 195
Ansamycins Rifampin 36
b-Lactams 1018
2
Carbapenem Imipenem 3
Meropenem 1
Cephalosporin Ic 1
Cephalosporin IIIc 2
Cephalosporin IVc 1
209
Fluoroquinolone
Ciprofloxacin 2
Folate pathway Sulfonamides 7
inhibitors Trimethoprim 48
Fosfomycins Fosfomycin 18
Fusidanes Fusidic acid 3
Glycopeptide 94
Lincosamides 53
Lipopeptides 10
110
Macrolides
Erythromycin 9
Nitrofurans Nitrofurantoin 1
Oxazolidinones linezolid 4
Penicillins 2
Phenicols 7
Phenicols Chloramphenicol 97
22
Polymyxins Colistin 3
Polymyxin B 2
Pseudomonic acid Mupirocin 1
Capítulo 4: Resultados y Discusión 107
3
Quinolones
aminocoumarin 25
elfamycin 8
ethambutol 8
isoniazid 4
peptide antibiotic 14
Sin Asignar
pleuromutilin 10
pyrazinamide 1
triclosan 7
tunicamycin 1
Streptogramins 57
Minocycline 1
Tetracyclines
Tetracycline 112
Comparar los agentes microbianos entre ambos perfiles no es exactamente una opción
viable, por que como se puede observar en la Tabla 4-5, se tienen muchos elementos
genómicos que no se les reporta la resistencia que confieren hacia un agente específico si
no hacia una clase o subclase. En muchos otros casos incluso solo se enuncia la gran
posibilidad de conferir resistencia hacia un grupo, ya que por solo por nombrar un ejemplo:
el gen “ramA”, confiere resistencia al grupo de antibióticos β-lactámicos (Jia et al., 2017).
Por este motivo es necesario hacer la comparación a un nivel donde se pueda comparar,
y este nivel es precisamente un nivel superior, es decir en las clases y sub clases de los
antibióticos. Considerando lo anterior, por el lado del perfil fenotípico de resistencia, de las
muestras se obtuvo información de resistencia frente a 14 clases o sub clases de
antibióticos (Aminoglycosides, Aminopenicillin, b-Lactam/b-lactamase inhibitor
combinations, Carbapenem, Cephalosporin Ic, Cephalosporin IIIc, Cephalosporin IVc,
Cephamycin, Fluoroquinolone, Folate pathway inhibitors, Glycylcyclines, Monobactams,
Nitrofurans, Polymyxins), aunque debido a que el perfil se obtuvo basándose en las
indicaciones hechas por la CLSI, los conjuntos de antibióticos probados variaron de
108 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
pendiendo del año y de las necesidades del INS, por lo que no todas las 14 clases o sub
clases de antibióticos fueron probadas en todas las 89 muestras. Se encontró que
solamente 4 categorías de antibióticos (Fluoroquinolone, Carbapenem, b-Lactam/b-
lactamase inhibitor combinations, Cephalosporin IIIc), fueron utilizadas en todas las
muestras, y con ellas se realizó un estudio completo.
Por otro lado, los perfiles genómicos de resistencia de las 89 muestras muestran 23 clases,
subclases o grupos de antibióticos (Aminoglycosides, Ansamycins, b-Lactam/b-lactamase
inhibitor combinations, b-Lactams, Carbapenem, Cephalosporin Ic, Cephalosporin IIc,
Cephalosporin IIIc, Cephalosporin IVc, elfamycin, Fluoroquinolone, Folate pathway
inhibitors, Glycylcyclines, Lincosamides, Macrolides, Monobactams, Penicillins, Phenicols,
Polymyxins, Quinolones, Streptogramins, Tetracyclines, triclosan).
Genómico Fenotípico
Aminoglycosides Aminoglycosides
Ansamycins Aminopenicillin
b-Lactam/b-lactamase inhibitor b-Lactam/b-lactamase inhibitor
combinations combinations
b-Lactams Carbapenem
Carbapenem Cephalosporin Ic
Cephalosporin Ic Cephalosporin IIIc
Cephalosporin IIc Cephalosporin IVc
Cephalosporin IIIc Cephamycin
Cephalosporin IVc Fluoroquinolone
elfamycin Folate pathway inhibitors
Fluoroquinolone Glycylcyclines
Folate pathway inhibitors Monobactams
Glycylcyclines Nitrofurans
Lincosamides Polymyxins
Macrolides
Monobactams
Penicillins
Phenicols
Polymyxins
Quinolones
Streptogramins
Tetracyclines
triclosan
Al comparar todas las clases o subclase, tanto del perfil fenotípico como del genómico
compilados para las 89 muestras de este estudio (Tabla 4-6), se encontró que dadas las
limitaciones de las pruebas fenotípicas utilizadas, solamente hay 11 categorías en común
entre los dos perfiles (señaladas en amarillo, Tabla 4-6)), 2 que se corresponden por que
la sub clase “Aminopenicillin” está incluida en la clase “Penicillins” (en naranja, Tabla 4-6)).
Las restantes categorías del perfil genómico no fueron correlacionadas en los ensayos con
el perfil fenotípico (en blanco, Tabla 4-6)). Por ultimo las celdas de la Tabla 4-6 que están
con fondo gris, corresponde a agentes antimicrobianos que hacen parte del grupo de
sustancias que no tienen una asignación a ninguna categoría de antibióticos.
110 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
Para efecto del análisis y la comparación entre perfiles es necesario ajustar lo que se
podría llamar como pseudo incongruencias, lo que sucede en muy pocas muestras y en
las muestras, en pocas sub clases y clases (Tabla 4-7). Este tipo de incongruencias o
pseudo incongruencias aparece cuando en una muestra, dentro de la misma sub-clase o
clase, un antibiótico es resistente y otro es susceptible
8 RB 67 Cephalosporin IIIc
11 RB 138 Aminoglycosides
15 RB 184 Carbapenem
La casilla roja muestra entonces el perfil que no se va a tener cuenta dentro de esa clase
o sub clase para la muestra en particular. Esto aplica finalmente para las comparaciones
de perfiles, pero los datos en la base de datos del proyecto siguen estando completos, es
decir, con las incongruencias arriba nombradas.
Por supuesto algunas partes del código y la presentación fueron modificadas, aun así, la
Versión actual es Beta, pero permite una visualización sobre la comparación de perfiles de
resistencia a antibióticos. Esta se encuentra actualmente en la siguiente URL:
http://168.176.54.15/chartResistencia/flow/flow.html.
Todos los datos que componen la información necesaria para crear la visualización se
encuentran en el archivo llamado “todasLasMuestras.csv”, para el cual la información
necesaria para cada muestra es consultada en la base de datos y formateada por el
procedimiento almacenado implementado para este fin llamado “chartResistencia”.
Ambos perfiles graficados una vez se ha seleccionado la muestra y el año, tienen las clases
o subclases de antibióticos con ciertos valores, pero en cada uno el significado es diferente.
En el perfil Fenotípico se tiene únicamente los valores 1 y 3: 1 significa que es susceptible
a esa clase o subclase de antibiótico 3 que es resistente (a todos los agentes que estaban
marcados como intermedios les fue asignado el valor 3, es decir resistente, para agrupar
y simplificar el gráfico).
Los colores en las barras a cada lado de la gráfica ayudan relacionar los que corresponden
a la misma Clase o Subclase entre ambos perfiles, pero están ordenados según la
interpretación: del lado izquierdo es una suma (perfil genómico) y del lado derecho solo si
son o no resistentes.
Los criterios para la creación del script que permite la obtención de los porcentajes de
correspondencia entre los perfiles fenotípicos y genómicos fueron los siguientes:
▪ 1. Creación de una tabla que contiene las subclases de antibióticos que
corresponden a la totalidad comparable en los perfiles fenotípicos de resistencia,
basada en la Tabla 4-6.
▪ 2. Extraer para la muestra en cuestión cuantos de estas subclases de antibióticos
esta posee, ajustando la interpretación orientada a la sospecha de resistencia, es
decir que si la interpretación de la resistencia a la clase se clasifica como intermedia
esta corresponde a resistente.
▪ 3. Contar el número de subclases fenotípicas comparables que la muestra posee.
▪ 4. Extraer los valores y las subclases comparables en el perfil de resistencia
genómico.
▪ 5. Asignarle según valor genómico a la muestra, una interpretación de resistencia,
entre Susceptible o Resistente, valores mayores e iguales a 1 si son resistentes,
de lo contrario son susceptibles.
▪ 6. Contar el número de subclases genómicas comparables que posee la muestra.
▪ 7. Finalmente obtener el porcentaje de comparación de perfiles entre las muestras.
Las muestras GMR-RA 959 (37.5%), RB 67 (40%) y RB 73 (40%), fueron las que
presentaron más incongruencias entre los perfiles y, por tanto, obtuvieron los porcentajes
más bajos. Como se muestra en el Anexo B tabla 1-4, estas muestras y principalmente la
116 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
El porcentaje promedio de similitud entre los perfiles fenotípico y genómico fue del 76.66,
sin incluir las 3 muestras acabadas de mencionar.
4.2.1 Monobactams
Por el lado del perfil de resistencia fenotípico 16 muestras presentaron resistencia a los
Monobactams: RB978, RB979, RB992, RA121, RB231-2, RB73, GMR-RA20, GMR-RA81,
GMR-RA291, GMR-RA292, RB1655, GMR-RA265, GMR-RA267, RB1690, RB1296, GMR-
RA687. (Como ya se mostró en la Tabla 4-2, solo 16 muestras de las 89 fueron evaluadas
frente a este antibiótico, y todas fueron resistentes a esta clase de antibióticos).
Adicionalmente 15 de estas muestras son resultados obtenidos a través del sistema
automatizado Phoenix 100, y el resultado de la muestra RB 231-2 fue obtenido a través
del sistema automatizado Vitek2.
Cabe mencionar que el sistema actualmente posee en su base de datos 135 genes que
codifican para β-lactamasas que pueden conferir resistencia a los Monobactams,
distribuidas dentro de los grupos: 2be, 2f, 2f_GES, 2f_SME, 2def, de los cuales identificó
con un 100% de identidad y cobertura y un e-value de cero los siguientes genes: KPC-2
(identificado originalmente en P. aeruginosa) en las muestras RB147 y RB 184; CTX-M-
115 (identificado por primera vez en A. baumannii) en las muestras RB197 y RB1321; y
finalmente el gen VEB-9 (identificado por primera vez en P. aeruginosa) en la muestra
GMR-RA267, es el único gen que se puede tener en consideración actualmente según la
comparación de perfiles como posible responsable de conferir resistencia a los
Monobactams ( porque es la única muestra con la cual se puede comparar). (información
detallada en el Anexo E, tabla 1-15).
4.2.2 Aminoglycosides
Ventajosamente 88 de las 89 muestras poseen esta clase (agrupación) de antibióticos en
el perfil fenotípico de resistencia, de las cuales las siguientes 12 son susceptibles: RB67,
RB147, RB184, RB414, RB1399, GMR-RA959, RB73, RB1551, GMRRA211, GMRRA425,
RB157, RB330. Las demás son resistentes, pero aquí el análisis está enfocado para las
susceptibles, debido a que, en el perfil genómico de resistencia a las 89 muestras, se les
predijo la probabilidad de ser resistentes a esta clase de antibióticos.
118 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
Por un lado, las bombas eflujo tipo RND: adeABC y adeDE, confieren resistencia a esta
clase de antibióticos (Coyne et al., 2011). Además, en la base de datos posee otros 195
genes que también confieren resistencia contra los Aminoglycosides.
Aunque las otras 77 muestras poseen el gen “rpsL” con el mismo porcentaje de identidad
y cobertura, también se identificaron en sus genomas 24 diferentes genes con diferentes
porcentajes de identidad y cobertura, que confieren resistencia a los Aminoglycosides,
encontrando entre 1 y 9 genes diferentes por cada muestra. Lo anterior podría indicar que
el gen “rpsL” no está confiriendo ninguna resistencia, pero para poder asegurar lo anterior
sería necesario un ensayo de en laboratorio para comprobarlo.
ajuste la comparación entre perfiles mejora excepto para la muestra RB157, lo que se
puede deber a una falsa susceptibilidad determinada por la prueba automatizada.
4.2.3 Carbapenem
La comparación inicial entre perfiles mostró que 86 muestras presentan resistencia a esta
subclase de antibióticos en el perfil fenotípico, mientras que solo 5 muestras fueron
clasificadas como resistentes con base en la presencia de genes que confieren resistencia
en el perfil genómico de resistencia.
Todas las muestras poseen el gen “OprD”, incluso hay 3 muestras a las cuales este gen
se les identifico 2 copias: RB1191, RB 1388, RB 1399, lo que implica que por tratarse de
un gen que genera susceptibilidad en la evaluación del perfil genómico va a comenzar
restando (-2) a la puntuación de cada muestra para esta subclase de antibióticos. De igual
forma todas las 89 muestras poseen al menos un gen que confiere resistencia a esta
subclase de antibióticos, todos ellos β-lactamasas dentro de las que se encontraron las
siguientes: OXA-23, OXA-65, VIM-4, OXA-120, OXA-90, OXA-146, OXA-64, OXA-51,
KPC-2, NDM-1, OXA-106, OXA-72, OXA-255, OXA-68 (ver información detallada está en
el Anexo E, tabla 1-15).
El problema del sistema para identificar la resistencia en esta sub clase de antibióticos es
de configuración de los parámetros de la aplicación con respecto a la valoración de los
puntajes aplicados en el perfil genómico (+resistencia, -susceptibilidad) (3.4.2 Segunda
Regla). Las 5 muestras a las que se les predijo resistencia a Carbapenemasas, fueron
clasificadas de esta forma en el perfil genómico porque tenían más genes que confieren
resistencia a esta subclase que permitieron aumentar suficientemente el puntaje utilizado
120 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
para la predicción de resistencia. Con base en lo anterior el sistema fue configurado de tal
forma que el valor asignado a los genes que confieren susceptibilidad de modificó
pasándolo de -2 a -1.
4.2.4 Polymyxins
El conjunto de datos recopilados en la base de datos relacionados con resistencia a
Polimyxins, está conformado por 5 genes conservados en A. baumannii o el complejo
baumannii - calcoaceticus: LpxC, LpxA, PmrB, OmpW, PmrA; 19 genes identificados
también en otras especies: MCR-1, arnA, PmrF, PmrE, mgrB, PmrC, Klebsiella mutant
PhoP conferring antibiotic resistance to colistin, PmrB, mexB, mexA, mexR, nalD, PmrA,
nalC, oprM, phoP, phoQ, rosA, rosB, rosB; y por un HMM llamado phoQ.
Las muestras: GMR-RA687, GMR-RA1051, RB1169, RB725, RB903 que poseen el gen
“PmrE” su porcentaje de identidad es del 62.3% con cobertura del 100% con respecto al
identificado por primera vez en Escherichia coli str. K-12 substr. MG1655 asociado con
resistencia a colistina. Es evidente que la diferencia en secuencia de este gen en las
muestras de A. baumannii estudiadas podría indicar que ha perdido su capacidad de
conferir resistencia parcial o totalmente, como ya ha sido reportado para mutaciones los
genes pmrA y pmrB de esta familia, encargados de regular la expresión del gen pmrC en
A. baumannii, gen que a su vez promueve la expulsión de la colistina (Adams et al., 2009).
De otra parte, las muestras RB1399, RB60, RB69, RB828 y RB67, poseen el gen LpxA
con un porcentaje de identidad mayor al 99% y cobertura del 100%, mientras todas las
demás poseen los genes LpxC o LpxA con 100% de identidad y cobertura, dando indicios
de una posible resistencia a las Polimyxins, ya que las mutaciones de los genes LpxA/B y
C o la falta de estos, están involucradas en la pérdida de lipopolisacáridos que causa
Capítulo 4: Resultados y Discusión 121
resistencia a las Polimixinas (Moffatt et al., 2010), y actualmente los genes que se
encuentran en la base de datos son los genes con la mutaciones.
Es probable que la muestra RB 183_2 tenga algún otro elemento genómico de resistencia
que no se está identificando, para que esta posea resistencia, o por el contrario puede ser
un falso positivo.
4.2.5 Cephalosporin Ic
Para esta sub clase de antibióticos no se presentan problemas en la comparación de
perfiles con los datos actuales, donde solo 23 muestras poseen datos fenotípicos y todos
fueron clasificados como resistentes al agente “Cephalothin”. Por otra parte, las 89
muestras fueron clasificadas como probablemente resistentes frente a este antibiótico en
el perfil genómico de resistencia.
En la base de datos hay almacenados 349 genes identificados como elementos genómicos
que confieren resistencia a esta sub clase de antibiótico, los cuales en los genomas de las
23 muestras resistentes (perfil fenotípico), se identifican con 100% de cobertura y un e-
value de cero, los siguientes genes: ADC-2 (identidad mayor a 98%), TEM-1, NDM-1, VEB-
9 y VIM-4 (los últimos todos con identidad de 100%). 18 de las muestras poseen dos de
los genes antes descritos, 3 muestras poseen 1, 1 posee 3, y 1 posee 4. Entre las 66
muestras a las que no les fue realizando el antibiograma frente a “Cephalothin”, además
de los genes anteriormente nombrados, se les identificaron también los genes: KPC-2 y
CTX-M-115 con 100% de identidad. En general, se encontró que 21 muestras poseen solo
1 gen, 41 muestras poseen 2 genes, y 4 muestras posee 3 genes. Estos datos indican la
probabilidad de que todas las muestras sean resistentes a esta sub clase de antibiótico,
algo que en un trabajo posterior podría ser corroborado fácilmente en el laboratorio.
122 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
El perfil genómico de resistencia clasificó las 89 muestras como resistentes a esta sub
clase de antibiótico y permitió establecer que, en las 7 muestras susceptibles de acuerdo
con el perfil fenotípico, todos los genes identificados tienen una cobertura del 100% y un
e-value de cero. Entre las 7 muestras susceptibles se encontró que la muestra GMR-A 959
contiene el gen OXA-120; la muestra RA 121 los genes OXA-23 y OXA-64; la muestra RB
1388 el gen OXA-68; la muestra RB 198 los genes OXA-23, OXA-65 y la bomba e-flujo tipo
RND adeABC con su regulador adeRS que potencian la resistencia frente a este antibiótico
(Coyne et al., 2011); la muestra RB 589 los genes OXA-23 y OXA-64 (todas con una
identidad del 100%); la muestra RB 67 un gen OXA-90-like (identidad del 99,64%); y la
muestra RB 1399 los genes OXA-106-like (identidad del 99,64%), OXA-255-like (identidad
del 99,37%) y OXA-72 (identidad del 100%).
En las 82 muestras restantes, una presentó un solo gen (muestra RB 73 con el gen OXA-
65 con 100% de identidad y cobertura, con e-value de cero), 75 presentaron 2 genes, y 6
presentaron 3 genes. Entre estas 82 muestras ninguna presentó los genes: OXA-68, OXA-
106, OXA-255, OXA-72, que se identificaron en los genomas de las 7 susceptibles del perfil
fenotípico. Adicionalmente, estas 82 muestras poseen genes tales como VEB-9, OXA-51,
KPC-2, VIM-4, NDM-1, CTX-M-115 y OXA-146, incluyen la bomba de eflujo tipo RND
adeABC y 42 de ellas presentan el regulador adeRS.
Cabe resaltar que ninguna otra muestra posee alguno los 3 genes identificados en las
muestras RB 1399 o RB 1388. Por otro lado, en 22 muestras se identificaron los mismos
genes que las muestras RA 121 y RB 589 (resistentes perfil de resistencia fenotípico), y
de igual forma en 48 muestras se identificaron los mismos genes que la muestra RB 198.
Capítulo 4: Resultados y Discusión 123
Es importante recordar que las muestras: RB 67, RB 198, RB 589, RB 1399; según el perfil
resistencia fenotípica obtenido para estas utilizando el método automatizado Vitek 2,
mostraron resistencia a otro agente de este sub grupo, pero que según el protocolo de
ajuste de incongruencias para cada clase o sub clase se dejaron los resultados obtenidos
por el método Kirby Bauer, como sucedió también con la muestra RA 121, que bajo el
método automatizado Phoenix 100, también presentó resistencia a esta sub clase. Es para
tener en cuenta este hecho como parte de un posible ajuste del protocolo de determinación
del perfil fenotípico, siendo necesarias más pruebas para confirmar o descartar la
resistencia frente a este tipo de antibióticos.
No hay suficiente evidencia para inferir con los datos genómicos actuales porque las 7
muestras que presentan susceptibilidad en el perfil fenotípico de resistencia no presentan
susceptibilidad en el perfil genómico, ya que estas 7 muestras tienen suficientes elementos
genómicos para conferir resistencia a esta sub clase de antibióticos. Esta discordancia en
el sistema actualmente no se puede remediar fácilmente, a menos que estas 7 muestras
hayan presentado una falsa susceptibilidad en el perfil fenotípico de resistencia. Son
necesarios más ensayos de laboratorio sobre esta sub clase para encontrar una solución
a esta discordancia.
El perfil genómico de resistencia mostró que las 89 muestras podrían presentar resistencia
a esta sub clase de antibióticos. Anotando con relación a los genes que confieren
resistencia al sub grupo Cephalosporin IVc identificados en los genomas de las muestras
que presentan susceptibilidad en el perfil fenotípico de resistencia, que la muestra GMR-
RA 959 contiene el gen OXA-120 (identidad del 100%), la muestra RA 67 el gen OXA-90-
like (identidad 99.64%), y la muestra RB 1399 los genes OXA-106-like (identidad 99,64%),
OXA-255-like (identidad 99,37%) y OXA-72 (identidad 100%). Cabe resaltar que ninguna
124 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
otra muestra posee alguno los genes identificados en los genomas de las muestras RB
1399, RB 67 y GMR-RA 959, aunque hay evidencia en la literatura disponible que los
relaciona con los mecanismos de resistencia a esta subclase de antibióticos (Jia et al.,
2017)( http://www.lahey.org/Studies/).
Es evidente entonces que los perfiles genómicos de resistencias predichos tienen una alta
precisión en la medida que solo del 3.4% de los estos no tuvieron correspondencia con
perfil fenotípico para el caso del sub grupo Cephalosporin IVc. Con la información
disponible el sistema implementado no podría parametrizarse para obtener una mejor
concordancia en los perfiles, y lo recomendable es que las 3 muestras que presentan
discrepancias sean sometidas a ensayos de laboratorio adicionales.
4.2.8 Fluoroquinolone
Las 89 muestras poseen información sobre el perfil fenotípico de resistencia para esta sub
clase de antibióticos, de las cuales las muestras RB 15, RB 67, RB 69, RB 183-2, RB 1399
y GMR-RA 959, presentan susceptibilidad frente a la Ciprofloxacina, pruebas realizadas
con la metodología Kirby Bauer.
De nuevo, es difícil saber con los datos genómicos actuales porque se presenta esta
incongruencia entre el perfil genómico y el perfil de las 6 muestras susceptibles, por lo que
puede ser conducente hacer más pruebas microbiológicas para corroborar de nuevo el
perfil fenotípico de resistencia.
Lo anterior podría indicar que el resto de las 51 muestras que poseen esta misma
configuración genómica podrían ser resistentes a la sub clase pholate pathway inhibitors.
Por su lado las muestras RB 15 y RB 60, poseen los genes mexT y sul1 también tienen
probabilidad de ser resistentes a esta sub clase de antibióticos, mientras que a las 10
muestras faltantes (GMR-RA 959, GMRRA211, GMRRA425, RB 1399, RB 1399, RB 147,
RB 184, RB 197, RB 197, RB 67, RB 69) sería necesario realizarles las pruebas de
126 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
laboratorio para comprobar el perfil fenotípico y obtener alguna conclusión sobre esta sub
clase.
4.2.10 Glycylcyclines
54 muestras poseen información sobre el perfil fenotípico de resistencia para esta sub
clase de antibiótico, 47 de estas presentan susceptibilidad la Tigeciclina (único agente para
esta sub clase), 45 de estas realizadas con Vitek2 y las otras 2 con Phoenix100. (para las
que son resistentes 4 con Vitek2 y 3 con Phoenix100).
Por el lado del perfil genómico 44 muestras podrían presentar resistencia a Glycyclines
conferida posiblemente por la presencia en su genoma de la bomba e-flujo tipo RND
llamada adeABC y 43 de ellas con su regulador adeRS (estos son los únicos elementos
genómicos identificados para este caso). Entre las 47 muestras a las que se les reportó
susceptibilidad en el perfil fenotípico, hay 20 que presentan la bomba e-flujo tipo RND
adeABC con su regulador adeRS.
Ahora tomando las 7 muestras que son resistentes según el perfil fenotípico, dentro del
perfil genómico 5 de estas poseen la misma bomba e-flujo y regulador. Se encontraron
adicionalmente 19 muestras que presentaron esta bomba e-flujo y no están dentro de las
muestras que poseen alguna información en el perfil fenotípico de resistencia.
Se tiene realmente muy poca información para obtener alguna conclusión satisfactoria
sobre esta discrepancia entre los perfiles, siendo posible que la bomba e-flujo adeABC no
tenga realmente ningún efecto sobre esta sub clase de antibiótico y exista algunos otros
elementos genómicos no identificados que confieran este tipo de resistencia.
De nuevo es difícil saber con los datos genómicos actuales porque se presenta esta
incongruencia entre el perfil genómico y fenotípico para estas 3 muestras sensibles. Se
podría pensar que las pocas diferencias encontradas en la secuencias del gen ADC-2
podrían inactivar este gen, pero dado que las secuencias de este gen en las muestras
GMR-RA 959 (sensible) y RB 15 (resistente) son iguales y esto sucede igualmente con
las muestras RB 67 (Sensible) y las muestras: GMR-RA20, GMRRA211, RA 121, RB 137,
RB 589, RB 60, RB 640, RB 67, RB 69 (resistentes), o la muestra RB 73 (sensible) y otras
65 muestras son resistentes. la explicación de esta incongruencia podría estar relacionada
con la presencia de otros elementos genómicos no identificados.
Luego de los ajustes que se realizaron a los resultados del perfil genómico de resistencia,
se establecieron los porcentajes de correspondencia o equivalencia entre los perfiles
fenotípicos y genómicos para cada una de las muestras, basándose el protocolo de
criterios descritos en el subcapítulo 4.1.6.1., y finalmente se calculó el porcentaje promedio
total de precisión de la aplicación para obtener perfiles de resistencia genómica (Tabla
4-9).
128 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
5.1 Conclusiones
▪ Con la estrategia diseñada se identificaron para las 89 muestras de A. baumannii
diferentes genes de resistencia relacionados con sus mecanismos de resistencia y
la resistencia a antibióticos, correlacionados con la información fenotípica.
▪ Este modelo con su acercamiento teórico de resistencia a los antibióticos, luego de
los ajustes correspondientes según comparaciones, logra correlacionar los perfiles
de resistencia al menos para las clases y subclases de antibióticos comunes entre
los dos perfiles.
▪ El modelo permite extraer información genómica y fenotípica con facilidad para las
89 muestras de Acinetobacter baumannii aisladas en Colombia.
▪ El sistema permite la escalabilidad, adaptabilidad y la extrapolación si se desea
incluir más muestras o más organismos bajo los mismos lineamientos.
▪ Este modelo contribuye al conocimiento de los elementos involucrados en la
resistencia de diferentes cepas multirresistentes en Acinetobacter baumannii, lo
cual permitiría a través de los perfiles de resistencia genómicos realizar un sistema
de seguimiento y evaluación de la propagación de este microorganismo, y así
permitir desarrollar medidas para su control.
▪ Este modelo tiene el potencial para predecir con una buena confiabilidad la
resistencia a los antibióticos basado en el genoma completo para A. baumannii.
5.2 Recomendaciones
▪ El presente modelo teórico requiere una gran inversión en recursos, como el monetario
(para obtener los perfiles fenotípicos), en recurso humano y en tiempo. Aun así, valdría
la pena invertir más en estos recursos para ampliar la cantidad de muestras clases de
13 Título de la tesis o trabajo de investigación
2
Adams, M.D., Nickel, G.C., Bajaksouzian, S., Lavender, H., Murthy, A.R., Jacobs, M.R.,
Bonomo, R.A., 2009. Resistance to colistin in Acinetobacter baumannii associated
with mutations in the PmrAB two-component system. Antimicrob. Agents
Chemother. 53, 3628–3634. https://doi.org/10.1128/AAC.00284-09
Akers, K.S., Chaney, C., Barsoumian, A., Beckius, M., Zera, W., Yu, X., Guymon, C.,
Keen, E.F., Robinson, B.J., Mende, K., Murray, C.K., 2010. Aminoglycoside
Resistance and Susceptibility Testing Errors in Acinetobacter baumannii-
calcoaceticus Complex. J. Clin. Microbiol. 48, 1132–1138.
https://doi.org/10.1128/JCM.02006-09
Ambler, R.P., 1980. The structure of beta-lactamases. Philos. Trans. R. Soc. Lond. B.
Biol. Sci. 289, 321–331.
Andrews, S., 2014. FastQC a quality-control tool for high-throughput sequence data
http://www. Bioinformaticsbabraham Ac Ukprojectsfastqc.
Antunes, L.C.S., Visca, P., Towner, K.J., 2014. Acinetobacter baumannii : evolution of a
global pathogen. Pathog. Dis. 71, 292–301. https://doi.org/10.1111/2049-
632X.12125
Ardebili, A., Lari, A.R., Beheshti, M., Lari, E.R., 2015. Association between mutations in
gyrA and parC genes of Acinetobacter baumannii clinical isolates and
ciprofloxacin resistance. Iran. J. Basic Med. Sci. 18, 623–626.
Arena, F., Viaggi, B., Galli, L., Rossolini, G.M., 2015. Antibiotic Susceptibility Testing:
Present and Future. Pediatr. Infect. Dis. J. 34, 1128–1130.
https://doi.org/10.1097/INF.0000000000000844
Arnold, R.S., Thom, K.A., Sharma, S., Phillips, M., Kristie Johnson, J., Morgan, D.J.,
2011. Emergence of Klebsiella pneumoniae Carbapenemase-Producing Bacteria:
South. Med. J. 104, 40–45. https://doi.org/10.1097/SMJ.0b013e3181fd7d5a
Ballen Mejía, H.J., 2016. Comunicación personal, Ramificación de su trabajo “Lectura
Ensamblados”.
Bankevich, A., Nurk, S., Antipov, D., Gurevich, A.A., Dvorkin, M., Kulikov, A.S., Lesin,
V.M., Nikolenko, S.I., Pham, S., Prjibelski, A.D., Pyshkin, A.V., Sirotkin, A.V.,
Vyahhi, N., Tesler, G., Alekseyev, M.A., Pevzner, P.A., 2012. SPAdes: A New
Genome Assembly Algorithm and Its Applications to Single-Cell Sequencing. J.
Comput. Biol. 19, 455–477. https://doi.org/10.1089/cmb.2012.0021
Bateman, A., 2004. The Pfam protein families database. Nucleic Acids Res. 32, 138D–
141. https://doi.org/10.1093/nar/gkh121
Bergogne-Bérézin, E., Towner, K.J., 1996. Acinetobacter spp. as nosocomial pathogens:
microbiological, clinical, and epidemiological features. Clin. Microbiol. Rev. 9, 148–
165.
134 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
Bonnin, R.A., Potron, A., Poirel, L., Lecuyer, H., Neri, R., Nordmann, P., 2011. PER-7, an
Extended-Spectrum -Lactamase with Increased Activity toward Broad-Spectrum
Cephalosporins in Acinetobacter baumannii. Antimicrob. Agents Chemother. 55,
2424–2427. https://doi.org/10.1128/AAC.01795-10
Bouvet, P.J.M., Grimont, P.A.D., 1986. Taxonomy of the Genus Acinetobacter with the
Recognition of Acinetobacter baumannii sp. nov., Acinetobacter haemolyticus sp.
nov., Acinetobacter johnsonii sp. nov., and Acinetobacter junii sp. nov. and
Emended Descriptions of Acinetobacter calcoaceticus and Acinetobacter lwoffii.
Int. J. Syst. Bacteriol. 36, 228–240. https://doi.org/10.1099/00207713-36-2-228
Bradley, P., Gordon, N.C., Walker, T.M., Dunn, L., Heys, S., Huang, B., Earle, S.,
Pankhurst, L.J., Anson, L., de Cesare, M., Piazza, P., Votintseva, A.A., Golubchik,
T., Wilson, D.J., Wyllie, D.H., Diel, R., Niemann, S., Feuerriegel, S., Kohl, T.A.,
Ismail, N., Omar, S.V., Smith, E.G., Buck, D., McVean, G., Walker, A.S., Peto,
T.E.A., Crook, D.W., Iqbal, Z., 2015. Rapid antibiotic-resistance predictions from
genome sequence data for Staphylococcus aureus and Mycobacterium
tuberculosis. Nat. Commun. 6, 10063. https://doi.org/10.1038/ncomms10063
Bush, K., 2013. The ABCD’s of β-lactamase nomenclature. J. Infect. Chemother. 19,
549–559. https://doi.org/10.1007/s10156-013-0640-7
Bush, K., Jacoby, G., 1997. Nomenclature of TEM beta-lactamases. J. Antimicrob.
Chemother. 39, 1–3.
Bush, K., Jacoby, G.A., 2010. Updated Functional Classification of -Lactamases.
Antimicrob. Agents Chemother. 54, 969–976. https://doi.org/10.1128/AAC.01009-
09
Cantón, R., García Sánchez, J.E., Gómez-Lus, M.L., Martínez Martínez, L., Rodríguez-
Avial, C., Vila, J., 2000. Procedimientos en Microbiología Clínica. Métodos
Básicos Para el Estudio de la Sensibilidad a los Antimicrobianos en
Recomendaciones de la Sociedad Española de Enfermedades Infecciosas y
Microbiología Clínica. Soc. Esp. Enfermedades Infecc. Microbiol. Clínica.
Catalano, M., Quelle, L.S., Jeric, P.E., Di Martino, A., Maimone, S.M., 1999. Survival of
Acinetobacter baumannii on bed rails during an outbreak and during sporadic
cases. J. Hosp. Infect. 42, 27–35. https://doi.org/10.1053/jhin.1998.0535
Chen, L., Zheng, D., Liu, B., Yang, J., Jin, Q., 2016. VFDB 2016: hierarchical and refined
dataset for big data analysis—10 years on. Nucleic Acids Res. 44, D694–D697.
https://doi.org/10.1093/nar/gkv1239
Coyne, S., Courvalin, P., Perichon, B., 2011. Efflux-Mediated Antibiotic Resistance in
Acinetobacter spp. Antimicrob. Agents Chemother. 55, 947–953.
https://doi.org/10.1128/AAC.01388-10
d’Azevedo, P.A., Siquiera, I., Gugel, J., Antunes, A.L.S., Secchi, C., Pasternak, J.,
Martino, M.D.V., 2009. Evaluation of the automated system Vitek2 for identification
and antimicrobial susceptibility testing of Brazilian Gram-positive cocci strains.
Braz. J. Infect. Dis. Off. Publ. Braz. Soc. Infect. Dis. 13, 107–110.
Del Pozo, J.L., Cantón, E., 2016. Candidiasis asociada a biopelículas. Rev. Iberoam.
Micol. 33, 176–183. https://doi.org/10.1016/j.riam.2015.06.004
Evans, B.A., Amyes, S.G.B., 2014. OXA -Lactamases. Clin. Microbiol. Rev. 27, 241–263.
https://doi.org/10.1128/CMR.00117-13
Fernández, L., Breidenstein, E.B.M., Hancock, R.E.W., 2011. Creeping baselines and
adaptive resistance to antibiotics. Drug Resist. Updat. 14, 1–21.
https://doi.org/10.1016/j.drup.2011.01.001
135
Kulah, C., Aktas, E., Comert, F., Ozlu, N., Akyar, I., Ankarali, H., 2009. Detecting
imipenem resistance in Acinetobacter baumannii by automated systems (BD
Phoenix, Microscan WalkAway, Vitek 2); high error rates with Microscan
WalkAway. BMC Infect. Dis. 9. https://doi.org/10.1186/1471-2334-9-30
Lee, K., Yong, D., Jeong, S.H., Chong, Y., 2011. Multidrug-Resistant Acinetobacter spp.:
Increasingly Problematic Nosocomial Pathogens. Yonsei Med. J. 52, 879.
https://doi.org/10.3349/ymj.2011.52.6.879
Leite, G.C., Oliveira, M.S., Perdigão-Neto, L.V., Rocha, C.K.D., Guimarães, T., Rizek, C.,
Levin, A.S., Costa, S.F., 2016. Antimicrobial Combinations against Pan-Resistant
Acinetobacter baumannii Isolates with Different Resistance Mechanisms. PLOS
ONE 11, e0151270. https://doi.org/10.1371/journal.pone.0151270
Leski, T.A., Bangura, U., Jimmy, D.H., Ansumana, R., Lizewski, S.E., Li, R.W., Stenger,
D.A., Taitt, C.R., Vora, G.J., 2013. Identification of blaOXA-51-like, blaOXA-58,
blaDIM-1, and blaVIM Carbapenemase Genes in Hospital Enterobacteriaceae
Isolates from Sierra Leone. J. Clin. Microbiol. 51, 2435–2438.
https://doi.org/10.1128/JCM.00832-13
Lopes, B.S., Amyes, S.G.B., 2012. Role of ISAba1 and ISAba125 in governing the
expression of blaADC in clinically relevant Acinetobacter baumannii strains
resistant to cephalosporins. J. Med. Microbiol. 61, 1103–1108.
https://doi.org/10.1099/jmm.0.044156-0
Luo, R., Liu, B., Xie, Y., Li, Z., Huang, W., Yuan, J., He, G., Chen, Y., Pan, Q., Liu, Yunjie,
Tang, J., Wu, G., Zhang, H., Shi, Y., Liu, Yong, Yu, C., Wang, B., Lu, Y., Han, C.,
Cheung, D.W., Yiu, S.-M., Peng, S., Xiaoqian, Z., Liu, G., Liao, X., Li, Y., Yang, H.,
Wang, Jian, Lam, T.-W., Wang, Jun, 2012. SOAPdenovo2: an empirically
improved memory-efficient short-read de novo assembler. GigaScience 1.
https://doi.org/10.1186/2047-217X-1-18
Magiorakos, A.-P., Srinivasan, A., Carey, R.B., Carmeli, Y., Falagas, M.E., Giske, C.G.,
Harbarth, S., Hindler, J.F., Kahlmeter, G., Olsson-Liljequist, B., Paterson, D.L.,
Rice, L.B., Stelling, J., Struelens, M.J., Vatopoulos, A., Weber, J.T., Monnet, D.L.,
2012. Multidrug-resistant, extensively drug-resistant and pandrug-resistant
bacteria: an international expert proposal for interim standard definitions for
acquired resistance. Clin. Microbiol. Infect. 18, 268–281.
https://doi.org/10.1111/j.1469-0691.2011.03570.x
March Rosselló, G.A., Bratos Pérez, M.Á., 2016. Antibiograma rápido en Microbiología
Clínica. Enfermedades Infecc. Microbiol. Clínica 34, 61–68.
https://doi.org/10.1016/j.eimc.2014.11.014
Martínez, P., Mattar, S., 2012. Imipenem-resistant Acinetobacter baumannii carrying the
ISAba1-bla OXA-23, 51 and ISAba1-bla ADC-7 genes in Monteria, Colombia.
Braz. J. Microbiol. 43, 1274–1280. https://doi.org/10.1590/S1517-
83822012000400006
Martínez, P., Máttar, S., 2010. Mutation of the gyrA Gen in Acinetobacter baumannii
Nosocomial Isolates in Monteria, Colombia. Infectio 14, 97–104.
McArthur, A.G., Waglechner, N., Nizam, F., Yan, A., Azad, M.A., Baylay, A.J., Bhullar, K.,
Canova, M.J., De Pascale, G., Ejim, L., Kalan, L., King, A.M., Koteva, K., Morar,
M., Mulvey, M.R., O’Brien, J.S., Pawlowski, A.C., Piddock, L.J.V.,
Spanogiannopoulos, P., Sutherland, A.D., Tang, I., Taylor, P.L., Thaker, M.,
Wang, W., Yan, M., Yu, T., Wright, G.D., 2013. The comprehensive antibiotic
resistance database. Antimicrob. Agents Chemother. 57, 3348–3357.
https://doi.org/10.1128/AAC.00419-13
137
MCDERMOTT, J.E., BRAUN, P., BONNEAU, R., HYDUKE, D.R., 2012. MODELING
HOST-PATHOGEN INTERACTIONS: COMPUTATIONAL BIOLOGY AND
BIOINFORMATICS FOR INFECTIOUS DISEASE RESEARCH. Biocomputing, pp.
283–286.
Moffatt, J.H., Harper, M., Harrison, P., Hale, J.D.F., Vinogradov, E., Seemann, T., Henry,
R., Crane, B., St. Michael, F., Cox, A.D., Adler, B., Nation, R.L., Li, J., Boyce, J.D.,
2010. Colistin Resistance in Acinetobacter baumannii Is Mediated by Complete
Loss of Lipopolysaccharide Production. Antimicrob. Agents Chemother. 54, 4971–
4977. https://doi.org/10.1128/AAC.00834-10
Morgan, D.J., Liang, S.Y., Smith, C.L., Johnson, J.K., Harris, A.D., Furuno, J.P., Thorn,
K.A., Snyder, G.M., Day, H.R., Perencevich, E.N., 2010. Frequent Multidrug-
Resistant Acinetobacter baumannii Contamination of Gloves, Gowns, and Hands
of Healthcare Workers. Infect. Control Hosp. Epidemiol. 31, 716–721.
https://doi.org/10.1086/653201
Moura, A., Soares, M., Pereira, C., Leitao, N., Henriques, I., Correia, A., 2009.
INTEGRALL: a database and search engine for integrons, integrases and gene
cassettes. Bioinformatics 25, 1096–1098.
https://doi.org/10.1093/bioinformatics/btp105
Mussi, M.A., Relling, V.M., Limansky, A.S., Viale, A.M., 2007. CarO, an Acinetobacter
baumannii outer membrane protein involved in carbapenem resistance, is
essential for L -ornithine uptake. FEBS Lett. 581, 5573–5578.
https://doi.org/10.1016/j.febslet.2007.10.063
O’Hara, C.M., 2006. Evaluation of the Phoenix 100 ID/AST System and NID Panel for
Identification of Enterobacteriaceae, Vibrionaceae, and Commonly Isolated
Nonenteric Gram-Negative Bacilli. J. Clin. Microbiol. 44, 928–933.
https://doi.org/10.1128/JCM.44.3.928-933.2006
Park, S., Lee, K.M., Yoo, Y.S., Yoo, J.S., Yoo, J.I., Kim, H.S., Lee, Y.S., Chung, G.T.,
2011. Alterations of gyrA, gyrB, and parC and Activity of Efflux Pump in
Fluoroquinolone-resistant Acinetobacter baumannii. Osong Public Health Res.
Perspect. 2, 164–170. https://doi.org/10.1016/j.phrp.2011.11.040
Patel, J.B., Cockerill, F.R., Bradford, P.A., others, 2015. Performance Standards for
Antimicrobial Susceptibility Testing. M100-S25. Wayne PA Clin. Lab. Stand. Inst.
Peleg, A.Y., Seifert, H., Paterson, D.L., 2008. Acinetobacter baumannii: Emergence of a
Successful Pathogen. Clin. Microbiol. Rev. 21, 538–582.
https://doi.org/10.1128/CMR.00058-07
Petrova, M., Kurakov, A., Shcherbatova, N., Mindlin, S., 2014. Genetic structure and
biological properties of the first ancient multiresistance plasmid pKLH80 isolated
from a permafrost bacterium. Microbiology 160, 2253–2263.
https://doi.org/10.1099/mic.0.079335-0
Poirel, L., Corvec, S., Rapoport, M., Mugnier, P., Petroni, A., Pasteran, F., Faccone, D.,
Galas, M., Drugeon, H., Cattoir, V., Nordmann, P., 2007. Identification of the novel
narrow-spectrum beta-lactamase SCO-1 in Acinetobacter spp. from Argentina.
Antimicrob. Agents Chemother. 51, 2179–2184.
https://doi.org/10.1128/AAC.01600-06
Poirel, L., Rotimi, V.O., Mokaddas, E.M., Karim, A., Nordmann, P., 2001. VEB-1-like
Extended-Spectrum ß-Lactamases in Pseudomonas aeruginosa , Kuwait. Emerg.
Infect. Dis. 7, 468–470. https://doi.org/10.3201/eid0703.010322
Poole, K., 2004. Resistance to ?-lactam antibiotics. Cell. Mol. Life Sci. 61.
https://doi.org/10.1007/s00018-004-4060-9
138 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
genoma de una Bacteria
Queenan, A.M., Bush, K., 2007. Carbapenemases: the Versatile -Lactamases. Clin.
Microbiol. Rev. 20, 440–458. https://doi.org/10.1128/CMR.00001-07
Rai, S., Kaur, I., Niranjan, D., Singh, N., Manchanda, V., 2013. Multiple carbapenem
hydrolyzing genes in clinical isolates of Acinetobacter baumannii. Indian J. Med.
Microbiol. 31, 237. https://doi.org/10.4103/0255-0857.115626
Reguero Reza, M.T., 2016. Comunicación personal, pregunta sobre Bombas e-flujo tipo
RND y sus operones en el espacio 3D.
Review on Antimicrobial Resistance, 2016. Tackling Drug-Resistant Infections Globally:
final report and recommendations. Rev. Antimicrob. Resist.
Review on Antimicrobial Resistance, 2014. Tackling a crisis for the health and wealth of
nations. Rev. Antimicrob. Resist.
Roca, I., Espinal, P., Vila-Farrés, X., Vila, J., 2012. The Acinetobacter baumannii
Oxymoron: Commensal Hospital Dweller Turned Pan-Drug-Resistant Menace.
Front. Microbiol. 3. https://doi.org/10.3389/fmicb.2012.00148
Seemann, T., 2014. Prokka: rapid prokaryotic genome annotation. Bioinformatics 30,
2068–2069. https://doi.org/10.1093/bioinformatics/btu153
Shahcheraghi, F., Abbasalipour, M., Feizabadi, M., Ebrahimipour, G., Akbari, N., 2011.
Isolation and genetic characterization of metallo-β-lactamase and carbapenamase
producing strains of Acinetobacter baumannii from patients at Tehran hospitals.
Iran. J. Microbiol. 3, 68–74.
Siroy, A., Molle, V., Lemaitre-Guillier, C., Vallenet, D., Pestel-Caron, M., Cozzone, A.J.,
Jouenne, T., De, E., 2005. Channel Formation by CarO, the Carbapenem
Resistance-Associated Outer Membrane Protein of Acinetobacter baumannii.
Antimicrob. Agents Chemother. 49, 4876–4883.
https://doi.org/10.1128/AAC.49.12.4876-4883.2005
Soares, S.C., Geyik, H., Ramos, R.T.J., de Sá, P.H.C.G., Barbosa, E.G.V., Baumbach, J.,
Figueiredo, H.C.P., Miyoshi, A., Tauch, A., Silva, A., Azevedo, V., 2016. GIPSy:
Genomic island prediction software. J. Biotechnol. 232, 2–11.
https://doi.org/10.1016/j.jbiotec.2015.09.008
Soucy, S.M., Huang, J., Gogarten, J.P., 2015. Horizontal gene transfer: building the web
of life. Nat. Rev. Genet. 16, 472–482. https://doi.org/10.1038/nrg3962
Tan, S.Y., Tatsumura, Y., 2015. Alexander Fleming (1881-1955): Discoverer of penicillin.
Singapore Med. J. 56, 366–367. https://doi.org/10.11622/smedj.2015105
Tian, Guo-Bao, Adams-Haduch, J.M., Bogdanovich, T., Pasculle, A.W., Quinn, J.P.,
Wang, H.-N., Doi, Y., 2011. Identification of diverse OXA-40 group
carbapenemases, including a novel variant, OXA-160, from Acinetobacter
baumannii in Pennsylvania. Antimicrob. Agents Chemother. 55, 429–432.
https://doi.org/10.1128/AAC.01155-10
Tian, G.-B., Adams-Haduch, J.M., Taracila, M., Bonomo, R.A., Wang, H.-N., Doi, Y.,
2011. Extended-Spectrum AmpC Cephalosporinase in Acinetobacter baumannii:
ADC-56 Confers Resistance to Cefepime. Antimicrob. Agents Chemother. 55,
4922–4925. https://doi.org/10.1128/AAC.00704-11
Tiwari, V., Vashistt, J., Kapil, A., Moganty, R.R., 2012. Comparative Proteomics of Inner
Membrane Fraction from Carbapenem-Resistant Acinetobacter baumannii with a
Reference Strain. PLoS ONE 7, e39451.
https://doi.org/10.1371/journal.pone.0039451
Torres, H.A., Vázquez, E.G., Yagüe, G., Gómez, J.G., 2010. [Multidrug resistant
Acinetobacter baumanii:clinical update and new highlights]. Rev. Espanola
Quimioter. Publicacion Of. Soc. Espanola Quimioter. 23, 12–19.
139
Tsafnat, G., Copty, J., Partridge, S.R., 2011. RAC: Repository of Antibiotic resistance
Cassettes. Database 2011, bar054-bar054.
https://doi.org/10.1093/database/bar054
Vakili, B., Khorvash, F., Fazeli, H., Khaleghi, M., 2014. Detection of quinolone-resistance
mutations of parC gene in clinical isolates of Acinetobacter baumannii in Iran. J.
Res. Med. Sci. Off. J. Isfahan Univ. Med. Sci. 19, 567–570.
Vila, J., Marco, F., 2010. Lectura interpretada del antibiograma de bacilos gramnegativos
no fermentadores. Enfermedades Infecc. Microbiol. Clínica 28, 726–736.
https://doi.org/10.1016/j.eimc.2010.05.001
World Health Organization, 2017. GLOBAL PRIORITY LIST OF ANTIBIOTIC-
RESISTANT BACTERIA TO GUIDE RESEARCH, DISCOVERY, AND
DEVELOPMENT OF NEW ANTIBIOTICS. WHO.
Wright, G., 2005. Bacterial resistance to antibiotics: Enzymatic degradation and
modification. Adv. Drug Deliv. Rev. 57, 1451–1470.
https://doi.org/10.1016/j.addr.2005.04.002
Zankari, E., Hasman, H., Cosentino, S., Vestergaard, M., Rasmussen, S., Lund, O.,
Aarestrup, F.M., Larsen, M.V., 2012. Identification of acquired antimicrobial
resistance genes. J. Antimicrob. Chemother. 67, 2640–2644.
https://doi.org/10.1093/jac/dks261
Zankari, E., Hasman, H., Kaas, R.S., Seyfarth, A.M., Agerso, Y., Lund, O., Larsen, M.V.,
Aarestrup, F.M., 2013. Genotyping using whole-genome sequencing is a realistic
alternative to surveillance based on phenotypic antimicrobial susceptibility testing.
J. Antimicrob. Chemother. 68, 771–777. https://doi.org/10.1093/jac/dks496