Modelo Bioinformático para Predecir La Resistencia A Antibióticos A Partir Del Genoma de Una Bacteria PDF

Modelo bioinformático para predecir
la resistencia a antibióticos a partir

del genoma de una Bacteria
Hermes Pérez Cardona
Universidad Nacional de Colombia

Facultad de Ingeniería, Departamento de Ingeniería de Sistemas e Industrial
Bogotá D.C., Colombia
2017
Modelo bioinformático para predecir
la resistencia a antibióticos a partir
del genoma de una Bacteria
Hermes Pérez Cardona
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
Universidad Nacional de Colombia

Facultad de Ingeniería, Departamento de Ingeniería de Sistemas e Industrial
Bogotá D.C., Colombia
2017
Resumen y Abstract V
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.
Palabras clave: Acinetobacter baumannii, perfiles de resistencia, modelo

bioinformático, mecanismos de resistencia, genes de resistencia.
VI Modelo bioinformático para predecir la resistencia a antibióticos a partir del genoma
de una Bacteria
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.
Keywords: Acinetobacter baumannii, resistance profiles, bioinformatic model,

resistance mechanisms, resistance genes
Contenido VII
Contenido
Pág.
Resumen .............................................................................................................................. V
Lista de figuras ................................................................................................................... X
Lista de tablas .................................................................................................................... XI
Lista de Símbolos y abreviaturas .................................................................................. XIII
Introducción ........................................................................................................................ 1
1. Estado del arte ............................................................................................................. 5

1.1 Resistencia ............................................................................................................. 5
1.1.1 El problema y un camino .................................................................................... 6
1.2 Acinetobacter baumanni ........................................................................................ 7
1.2.1 Importancia Clínica ............................................................................................. 8
1.2.2 Plasticidad del genoma ...................................................................................... 9
1.2.3 Tratamiento ....................................................................................................... 10
1.3 Mecanismos de resistencia .................................................................................. 11
1.3.1 Modificación genética de genes endógenos o Mutación genética .................. 11
1.3.2 Transferencia horizontal de genes ................................................................... 12
1.3.3 Otros mecanismos de HGT .............................................................................. 13
1.4 Mecanismos de resistencia en A. baumannii ...................................................... 13
1.4.1 Mecanismos de resistencia intrínsecos ........................................................... 14
1.4.2 Mecanismos de resistencia adquiridos ............................................................ 14
1.5 Perfiles fenotípicos de resistencia – Antibiograma.............................................. 18
1.5.1 Métodos de difusión ......................................................................................... 18
1.5.2 Métodos de dilución .......................................................................................... 20
1.5.3 Otros métodos .................................................................................................. 20
1.5.4 Los sistemas automatizados ............................................................................ 24
1.5.5 Microarreglos y técnicas moleculares .............................................................. 26
1.5.6 Secuenciación del genoma completo .............................................................. 27
1.6 Aplicaciones y bases de datos sobre resistencia a antibióticos ......................... 28
1.6.1 Bases de datos Activas .................................................................................... 29
1.6.2 Bases de datos No Activas .............................................................................. 33
1.6.3 Otras herramientas ........................................................................................... 36
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
4. Resultados y Discusión ............................................................................................ 99

4.1 Resultados............................................................................................................ 99
4.1.1 Datos en la tecera regla ................................................................................... 99
4.1.2 Datos en la tecera regla ................................................................................. 101
4.1.3 Perfiles fenotípicos de resistencia .................................................................. 101
4.1.4 Perfiles genotípicos de resistencia................................................................. 103
4.1.5 Comparación de los perfiles genómicos y fenotípicos .................................. 107
4.1.6 Visulización de la comparación de los perfiles genotípicos y fenotípicos ..... 112
4.1.7 Calculo de precisión y análisis del perfil genómico de resistencia ................ 115
4.2 Discusión de resultados ..................................................................................... 116
4.2.1 Monobactams ................................................................................................. 116
4.2.2 Aminoglycosides ............................................................................................. 117
4.2.3 Carbapenem ................................................................................................... 119
4.2.4 Polymyxins ...................................................................................................... 120
4.2.5 Cephalosporin Ic ............................................................................................. 121
4.2.6 Cephalosporin IIIc ........................................................................................... 122
4.2.7 Cephalosporin IVc .......................................................................................... 123
4.2.8 Fluoroquinolone .............................................................................................. 124
4.2.9 Folate pathway inhibitors ................................................................................ 125
4.2.10 Glycylcyclines ................................................................................................. 126
4.2.11 b-Lactam/b-lactamase inhibitor combinations ............................................... 126
4.2.12 Precisión del perfil genotípico ........................................................................ 127
5. Conclusiones y recomendaciones ........................................................................ 131

5.1 Conclusiones ...................................................................................................... 131
Contenido IX
5.2 Recomendaciones ............................................................................................. 131
Bibliografía ........................................................................................................................ 133

Contenido X
Lista de figuras
Pág.
Figura 3-1: Diagrama E-R sobre resistencia fenotípica .............................................. 47

Figura 3-2: Diagrama E-R para genes identificados por PCR .................................... 52
Figura 3-3: Diagrama E-R para el perfil genómico de resistencia .............................. 55
Figura 3-4: Diagrama E-R para Metadatos de la base de datos CARD y ResFams. 69
Figura 3-5: Diagrama E-R para la bibliografía ............................................................ 72
Figura 3-6: Diagrama E-R para aplicación “LecturaEnsamblados” V.2.0.1 ............... 75
Figura 3-7: Tablas que asocian los genes con la resistencia a los antibióticos ......... 76
Figura 3-8: Tablas que asocian los genes que codifican β-lactamasas con la
resistencia a antibióticos..................................................................................................... 77
Figura 3-9: Algunas bombas eflujo tipo RND para A. baumannii ............................... 88
Figura 3-10: Diagrama de flujo global del pipeline de la aplicación ............................. 94
Figura 3-11: Diagrama de flujo macro Bombas Eflujo tipo RND .................................. 97
Figura 4-1: Comparación perfiles de resistencia para RA121 ...................................... 114
Figura 4-2: Comparación perfiles de resistencia para RB67 ........................................ 114
Contenido XI
Lista de tablas
Pág.
Tabla 3-1: Descripción del catálogo antibiotico ............................................................. 47

Tabla 3-2: Descripción del catálogo clsi-antibiotico....................................................... 48
Tabla 3-3: Descripción del catálogo sigla_antibiotico ................................................... 48
Tabla 3-4: Descripción del catálogo equipo................................................................... 49
Tabla 3-5: Descripción del catálogo interpretacion ....................................................... 49
Tabla 3-6: Descripción del catálogo nivel_antiobiotico ................................................. 49
Tabla 3-7: Descripción del catálogo relacion_orden ..................................................... 50
Tabla 3-8: Descripción de la tabla resistencia_fenotipica ............................................. 50
Tabla 3-9: Descripción del catálogo mdrxdrpdr_antibiotico .......................................... 51
Tabla 3-10: Descripción de la tabla resistencia_fenotipica_consolidado .................... 51
Tabla 3-11: Descripción del catálogo estado_edta_pcr ............................................... 53
Tabla 3-12: Descripción del catálogo estado_edta_pcr............................................... 53
Tabla 3-13: Descripción de la tabla gen_fenotipico ..................................................... 53
Tabla 3-14: Descripción del catálogo mecanismo_resistencia .................................... 56
Tabla 3-15: Descripción de la tabla gen_mecanismo_resistencia .............................. 56
Tabla 3-16: Descripción del catálogo gen_resistencia ................................................ 57
Tabla 3-17: Descripción de la tabla resistencia_genomica1 ....................................... 58
Tabla 3-18: Descripción de la tabla gen_antibiotico_resistencia................................. 59
Tabla 3-19: Descripción del catálogo correspondencia_antibiotico ............................ 60
Tabla 3-20: Decripción de la tabla gen_operon_resistencia ....................................... 61
Tabla 3-21: Descripción del catálogo operon_resistencia ........................................... 61
Tabla 3-22: Descripción de la tabla bombas_rnd_antibiotico ...................................... 62
Tabla 3-23: Descripción de la tabla bombas_rnd ........................................................ 62
Tabla 3-24: Descripción de la tabla mutación_gen_resistencia .................................. 63
Tabla 3-25: Descripción de la tabla mutación_resistencia .......................................... 64
Tabla 3-26: Descripción del catalogo blactam_clase .................................................. 64
Tabla 3-27: Descripción del catálogo blactam_grupo .................................................. 65
Tabla 3-28: Descripción de la tabla blactam_grupo_gen ............................................ 65
Tabla 3-29: Descripción de la tabla blactam_grupo_antibiotico .................................. 66
Tabla 3-30: Descripción del catálogo fuente ................................................................ 67
Tabla 3-31: Descripción de la tabla perfil_resistencia_genomica1 ............................. 67
Tabla 3-32: Descripción de la tabla perfil_genomico ................................................... 68
Tabla 3-33: Descripción tabla metadata CARD, aro_categories ................................. 70
Tabla 3-34: Descripción tabla resfams_metadata ....................................................... 70
XII Modelo bioinformático para predecir la resistencia a antibióticos a partir del
Tabla 3-35: Descripción del catálogo bibliografia ........................................................ 72

Tabla 3-36: Descripción de la tabla bibliografia_tablas ............................................... 73
Tabla 3-37: Agrupación Consolidada para β-lactamasas ............................................ 78
Tabla 3-38: Asignación de genes a los grupos de β-lactamasas por excepción. ....... 81
Tabla 3-39: Jerarquía de los antibióticos base para A.baumannii dada por el INS .... 84
Tabla 3-40: β-lactamasas que pertenecen a la agrupación en segundo nivel. ........... 85
Tabla 4-1: Categorías y agentes antimicrobianos usados para definir MDR, XDR y
PDR en Acinetobacter spp. En las 89 muestras del proyecto ......................................... 101
Tabla 4-2: Agrupación de la cantidad de muestras según antibiograma consolidado 103
Tabla 4-3: Cantidad total de genes encontrados en las 89 muestras según el
mecanismo de resistencia ................................................................................................ 104
Tabla 4-4: Antibióticos y clases por tipos de Bomba eflujo RND ................................ 105
Tabla 4-5: Cantidad de genes por antibiótico y clases ................................................ 106
Tabla 4-6: Relación entre clases y sub clases de los perfiles Fenotípicos y Genómicos
109
Tabla 4-7: Muestras con Incongruencias por clase en el perfil fenotípico .................. 110
Tabla 4-8: Detalle de incongruencias y ajustes. .......................................................... 110
Tabla 4-9: Porcentaje de correspondencia entre perfiles por cada muestra .............. 128
Contenido XIII
Lista de Símbolos y abreviaturas
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)
Acinetobacter baumannii es un cocobacilo gram negativo, patógeno oportunista que es

responsable entre un 2 al 10% de todas las infecciones en hospitales. Esta bacteria es
clasificada por la sociedad americana de enfermedades infecciosas, como una de los seis
microorganismos más importantes alrededor del mundo en cuanto a resistencia a múltiples
medicamentos. Las infecciones más comunes ocasionadas por Acinetobacter incluyen
neumonías, infecciones en tejidos blandos, tracto urinario, meningitis secundarias y
bacteremia; generalmente asociadas a ventiladores, uso de catéteres y heridas (Antunes
et al., 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 presente proyecto brinda la posibilidad de aprovechar la oportunidad actual en la

genómica clínica personalizada, para interactuar con las tecnologías recientemente
existentes, en la identificación de objetivos importantes para el diagnóstico.
2 Introducción
El enfoque de este proyecto según lo extraído en la literatura sobre los elementos

genómicos asociados a los mecanismos de resistencia a antibióticos. Permite desarrollar
un modelo teórico encontrando la forma de relacionar y unificar toda esta información que
se encuentra en muchos casos descrita y evaluada de diferentes formas según cada autor.
Se debe crear entonces un modelo de convergencia para la extensa cantidad de datos que
actualmente se puede encontrar.
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.
Para desarrollar el presente proyecto se inicia haciendo la evaluación de los elementos

genómicos de resistencia desde el nivel de los aminoácidos que conforman un elemento
genómico (no desde los nucleótidos), por lo cual se requieren un máximo control en los
procesos de ensamblaje y anotación, pero aún más en proceso de anotación de los
genomas, este paso es de suma importancia. Para luego pasar a evaluarlo teóricamente
bajo un completo análisis de la literatura sobre este tema, y así diseñar por capas un
producto que permita satisfacer las aspiraciones y pretensiones de este proyecto.
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
2 sistemas automatizados, para posteriormente depurar las incongruencias, generando así

datos de buena calidad como insumos para este proyecto.
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 introducción de los fármacos antimicrobianos en la medicina proporcionó la esperanza

para un futuro en el cual todas las enfermedades infecciosas pudieran ser controladas.
Décadas más tarde se tuvo la certeza que este no iba a ser el caso (Fernández et al.,
2011).
El fenómeno de la resistencia a los antibióticos precede al uso de estos compuestos en un

contexto clínico, este no es sorprendente considerando que los compuestos son
omnipresentes en la naturaleza. Por ejemplo, los estudios filogenéticos indican que las β-
lactamasas, el principal mecanismo de resistencia a los antibióticos β-lactámicos, se
originaron hace más de 2 mil millones de años. Sin embargo, sólo después de la
introducción de los antimicrobianos como terapia contra las enfermedades infecciosas, fue
que las bacterias comenzaron a experimentar una evolución acelerada que condujo a la
aparición y la transferencia de mecanismos de resistencia que afectan a la mayoría, si no
es que a todos los antibióticos disponibles en la actualidad (Fernández et al., 2011).
6 Modelo bioinformático para predecir la resistencia a antibióticos a partir del
1.1.1 El problema y un camino

Se estimó en un primer informe, publicado en diciembre de 2014, que en total unas 700.000
personas mueren cada año a partir de cepas resistentes a los fármacos por infecciones
bacterianas comunes, el VIH, la tuberculosis y la malaria. Este número es probable que
este subestimado debido a la mala información y vigilancia. Casi 200.000 personas mueren
cada año de tuberculosis multirresistente y extremadamente resistente. En la India, las
infecciones neonatales resistentes a los antibióticos causan cada año la muerte de casi
60.000 recién nacidos. El número total de muertes según esta escala es más de un millón
de personas que han perdido la vida por infecciones resistentes a los medicamentos en
los 19 meses desde la publicación del primer informe (Review on Antimicrobial Resistance,
2016).
Sobre la base de los escenarios de aumento de la resistencia a los medicamentos para

seis patógenos a 2050, se estima que a menos que se tomen medidas, la carga de muertes
por AMR (antimicrobial resistance, o resistencia a antibióticos) podría elevarse a 10
millones de vidas cada año en 2050, a un costo acumulado en la economía mundial de
100 billones de USD. Sobre esta base, en 2050, el número de muertos podría ser una
persona cada tres segundos (Review on Antimicrobial Resistance, 2016).
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.
1.2 Acinetobacter baumannii

Acinetobacter baumannii es un cocobacilo gram negativo, no fermentador, aerobio estricto,
catalasa positivo y oxidasa negativo. Es una bacteria patógena oportunista que es
responsable entre un 2 al 10% de todas las infecciones en hospitales causadas por
bacterias gram negativas. Acinetobacter baumannii es clasificada por la sociedad
americana de enfermedades infecciosas (siglas en inglés, IDSA. Infectious Diseases
Society of America) como uno de los seis microorganismos más importantes alrededor del
mundo en cuanto a resistencia a múltiples medicamentos (MDR, por sus siglas en inglés
Multidrug resistant) (Antunes et al., 2014).
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
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.
Se debe considerar que la naturaleza del huésped (pacientes humanos) ha jugado un

importante rol en el resultado de las infecciones causadas por A. baumannii y el incremento
en la resistencia a los antibióticos, asociado a los avances en la medicina que han
involucrado un mayor uso de antibióticos altamente selectivos. (Antunes et al., 2014)
1.2.1 Importancia Clínica

Acinetobacter baumannii coloniza e infecta pacientes hospitalizados en estado crítico o
debilitados por sus comorbilidades, siendo una bacteria común en unidades de cuidado
intensivo (UCI) y unidades de quemados.
A. baumannii es una de las bacterias más frecuentes en brotes de infección

intrahospitalaria por su capacidad de adherencia y persistencia en equipos biomédicos,
teclados, cortinas e incluso teléfonos celulares de los trabajadores de salud, siendo
resistente a agentes antimicrobianos, incluso a desinfectantes (Morgan et al., 2010).
Adicionalmente, su alta capacidad para desarrollar resistencia a los antibióticos, hace de

esta genoespecie un agente causal de diversas infecciones intrahospitalarias y elevadas
tasas de mortalidad (Torres et al., 2010).
Un estudio realizado en la unidad de cuidados intensivos del centro medio de la universidad

de Maryland en 2008, reveló que después de 199 interacciones entre personal de la salud
y pacientes colonizados o infectados con A. baumannii multirresistente, 38,7% de los
guantes o batas del personal de la salud resultaron contaminados y 4,5% de ellos
presentaron contaminación en sus manos después de la remoción de los guantes
desechables (Morgan et al., 2010). Estos porcentajes son elevados si se comparan con
otros microorganismos de importancia clínica como Pseudomonas aeruginosa que solo se
presentó en el 8,2% de las batas y guantes del personal de salud. Otro estudio en la
Universidad de Buenos Aires, realizado durante un brote, encontró que A. baumannii podía
Capitulo 1 9
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).
En el medio hospitalario A. baumannii origina diversidad de cuadros clínicos, incluyendo

infecciones en la piel y tejidos blandos, tracto urinario y meningitis secundaria. Sin
embargo, los tipos de infecciones más importantes con la mayor tasa de mortalidad son la
neumonía asociada a ventilador e infecciones del torrente sanguíneo. Esta bacteria puede
entrar fácilmente al cuerpo a través de heridas abiertas, catéteres intravasculares y
ventiladores mecánicos. Las infecciones causadas por A. baumannii son particularmente
asociadas con periodos extendidos de hospitalización, principalmente en adultos mayores
del género masculino (Antunes et al., 2014).
Un fenómeno relativamente reciente ha sido asociado con A. baumannii por infecciones

posteriores a lesiones en zonas de conflicto por ejemplo en Iraq y Afganistán, o tras
desastres naturales tal como el terremoto de Marmara en Turquía. Hay evidencia de que
el uso de morfina, la cual se administra después de las lesiones en el campo de batalla o
en lesiones por aplastamiento, podría potencializar las infecciones por A. baumannii, tal
vez como resultado de su efecto inmunosupresor (Antunes et al., 2014).
1.2.2 Plasticidad del genoma

Probablemente una de las características más intrigantes de A. baumannii es su capacidad
para adquirir, retener y diseminar múltiples mecanismos de resistencia que, combinados
con su capacidad para sobrevivir a la desecación, así como, a la mayoría de los
desinfectantes, explica la supervivencia prolongada de las cepas de esta bacteria en el
entorno clínico y hace que este microorganismo sea casi imposible de erradicar (Roca et
al., 2012).
La adquisición y diseminación de los determinantes de la resistencia a los antimicrobianos

en A. baumannii se consiguen combinando genes de resistencia con una serie de
elementos móviles que median el intercambio de material genético y reorganizan los
genomas bacterianos dando lugar a múltiples combinaciones genéticas y proporcionando
una fuente inagotable de adaptabilidad genética. Dicha matriz incluye secuencias de
inserción (IS), transposones, integrones, plásmidos y, en última instancia, islas de

resistencia (Roca et al., 2012).
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
a tigeciclina. Los ensayos confirmaron la interacción sinérgica entre tigeciclina y

levofloxacina, amicacina, imipenem y colistina en cinco de los siete aislamientos
seleccionados. En seis aislamientos de cepas de A. baumannii resistentes a meropenem
se observó la sinergia de tigeciclina / colistina y tigeciclina / levofloxacina (Roca et al.,
2012).
Otras combinaciones también han sido descritas en la literatura científica. De 14

aislamientos de cepas de A. baumannii extremadamente resistentes a fármacos (XDR) en
pacientes ingresados en las unidades de cuidados intensivos de un hospital chino. La
mayoría de las cepas eran resistentes a todos los antimicrobianos excepto la colistina y la
minociclina, los resultados combinatorios por curvas de muerte mostraron un efecto
sinérgico entre colistina / meropenem, colistina / rifampicina, meropenem / minociclina y
colistina / minociclina. La combinación de meropenem / minociclina podría ser una
alternativa posible cuando la colistina no está disponible como en China (Roca et al., 2012).
Es preocupante que las infecciones causadas por aislamientos de A. baumannii pan

resistentes (pan-resistente se puede definir cuando una bacteria se hace resistente a todos
los antibacterianos de utilidad clínica), aumentan constantemente en varias regiones del
mundo. Es por ello que es necesario desarrollar nuevas estrategias terapéuticas debido a
la existencia de aislamientos reportados resistentes a todos los agentes antibacterianos,
incluyendo la colistina (Leite et al., 2016)
1.3 Mecanismos de resistencia
En general, la resistencia antimicrobiana se puede lograr mediante dos mecanismos

principales: la adquisición de información genética a través de la transferencia horizontal
de genes y la modificación genética de genes endógenos.
1.3.1 Modificación genética de genes endógenos o Mutación

genética
▪ Bombas de eflujo: Las Bacterias bombean los antibióticos antes de que estos las
puedan a atacar. Estas bombas tienen la capacidad de expulsar del medio interno
celular, compuestos tóxicos para la bacteria (Coyne et al., 2011).
▪ 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).
1.3.2 Transferencia horizontal de genes

La transferencia horizontal de genes (por sus siglas en inglés, HGT, Horizontal Gene
Transfer).
▪ La Conjugación: requiere contacto físico entre un donante y una célula receptora a

través de un pilus de conjugación, por el cual se transfiere material genético. La
conjugación es canónicamente restringida a las células bacterianas con donante y
receptor, sin embargo, Agrobacterium spp. es una excepción y utiliza su maquinaria de
conjugación para la transferencia horizontal de genes en las células vegetales.
▪ La transformación: es la captación de ADN exógeno desde el medio ambiente y se
ha informado tanto en bacterias como en arqueas.
▪ La transducción: es la entrega de material genético a través del uso de un fago debido
a la integración de material genético de un huésped exógeno dentro del genoma del
fago. Este fenómeno se ha observado tanto en bacterias como en arqueas. Hay dos
tipos de transducción:
o Generalizada: en el que se incorpora una pieza aleatoria de ADN del huésped
durante la lisis celular
Capitulo 1 13
o Especializada: en la que un profago de forma imprecisa se divide a sí mismo a

partir del genoma huésped e incorpora algún ADN del huésped que lo rodea.
(Soucy et al., 2015)
1.3.3 Otros mecanismos de HGT

▪ Agentes de transferencia de genes (GTA): son sistemas de suministro de genes que
se integran en un cromosoma del huésped y están a veces bajo el control regulatorio
del huésped. Estos agentes llevan pequeños trozos aleatorios del genoma del huésped
en cápsides para su entrega a otras bacterias cercanas. Este mecanismo se encuentra
tanto en las bacterias como en arqueas, otros estudios muestran que no todas las
bacterias son capaces de recibir donaciones de ADN por esta vía.
▪ La fusión celular: la fusión celular se ha observado en medios sólidos donde Haloferax
volcanii (y en otras especies) forma agregados y las células se unen físicamente por
varios pequeños puentes de membrana de la célula ya fusionada. La bidireccionalidad
de este método de intercambio de genes significa que es más similar a la reproducción
sexual en eucariotas de lo que es la conjugación en procariotas.
▪ La transferencia de genes de acuerdo a la teoría endosimbiótica: Es una forma
estable de asociación física conduce a la presencia de genes foráneos en genomas de
las eucariotas, como es el caso de la mitocondria y los plastidios, que son organelos
en las eucariotas que evolucionaron de endosimbiontes bacterianos.
▪ Introgresión: Es el flujo de genes debido a la hibridación entre especies, seguido de
retrocruzamientos repetidos a una de las especies parentales, Este mecanismo es una
preocupación importante en los cultivos transgénicos que se cultivan en la proximidad
de los parientes no domesticados. pero no se limita a las plantas.
(Soucy et al., 2015)
1.4 Mecanismos de resistencia en A. baumannii

A. baumannii ha desarrollado diversos mecanismos de resistencia, entre los cuales se
incluyen: β-lactamasas, sobreexpresión de bombas de eflujo, pérdida de porinas y
modificación del sitio blanco de acción de los antibióticos.
La adquisición de nuevos determinantes genéticos en A. baumannii se produce por el

efecto combinado de elementos genéticos móviles (secuencias de inserción, IS y
transposones), integrones y plásmidos transferibles, mientras que la modificación genética

de genes endógenos implica mutaciones espontáneas que modifican los objetivos del
fármaco o la inserción / deleción de elementos móviles que alteran la expresión de
mecanismos de resistencia endógena o modifican la permeabilidad de la membrana (Roca
et al., 2012).
1.4.1 Mecanismos de resistencia intrínsecos

A. baumannii posee una cefalosporinasa tipo AmpC no inducible denominada ADC (del
inglés: Acinetobacter-derived cephalosporinase), siendo éste el mecanismo de resistencia
más frecuente de esta bacteria a los β-lactámicos (6). La sobreexpresión de ADC está
mediada por la presencia de secuencias de inserción que contienen promotores que
favorecen la transcripción del gen, como la ISAba1 e ISAba125 (Lopes and Amyes, 2012).
Se estima que aprozamente 50 % de las cepas de A. baumannii tienen hiperproducción de

ADC (Peleg et al., 2008). Cuando esta enzima se expresa en bajo nivel confiere resistencia
a ampicilina; sin embargo, cuando está sobre expresada produce resistencia a cefalotina,
piperacilina, cefotaxima, ceftazidima y aztreonam, sin afectar a los carbapenémicos, ni al
cefepime (Lopes and Amyes, 2012). Algunas de estas enzimas (ADC-33 y ADC-56) han
sido consideradas como AmpC de espectro extendido o ESAC (del inglés: extended-
spectrum AmpC), por lo que pueden hidrolizar también cefepime (G.-B. Tian et al., 2011).
Otro mecanismo de resistencia intrínseco en A. baumannii es la presencia de la oxacilinasa

OXA-51, cuya expresión basal hidroliza débilmente penicilinas y carbapenémicos; su
sobreexpresión también es mediada por la secuencia de inserción ISAba1 en un
mecanismo similar a la AmpC cromosómica (Gordon and Wareham, 2010).
1.4.2 Mecanismos de resistencia adquiridos

Con el paso del tiempo, Acinetobacter baumannii ha adquirido diferentes mecanismos de
resistencia a los antibióticos y en la actualidad se reporta resistencia a carbapenémicos,
aminoglicósidos, quinolonas, polimixinas, etc., lo que ha complicado el manejo de las
infecciones ocasionadas por esta bacteria. En Colombia se han descrito altos porcentajes
de resistencia a los carbapenémicos, lo que ha limitado las opciones terapéuticas y hace
Capitulo 1 15
necesario el conocimiento de la epidemiología local para establecer medidas de control

más certeras (Martínez and Mattar, 2012).
β-lactámicos: Es poco frecuente encontrar cepas de A. baumannii sensibles a todos los

β-lactámicos y en especial a las penicilinas y cefalosporinas. Los mecanismos de
resistencia a este grupo de antibióticos comprenden mecanismos enzimáticos y no
enzimáticos.
Los mecanismos enzimáticos Estos consisten en la degradación del anillo β-lactámico

mediada por diferentes tipos de β-lactamasas, dentro de las cuales se encuentran las β-
lactamasas de clase A, B o D, de acuerdo con la clasificación de Ambler (Ambler, 1980).
Muchas de estas β-lactamasas pueden estar en elementos genéticos móviles como en
integrones, plásmidos y transposones, por lo que el uso repetitivo de un antibiótico puede
llevar a la expresión de múltiples mecanismos de resistencia que pueden fácilmente
diseminarse hacia otras bacterias (Peleg et al., 2008).
Dentro de las β-lactamasas de clase A, se encuentran las de amplio espectro relacionadas

con resistencia a penicilinas (TEM-1, TEM-2 y la carbenicilinasa CARB-5), las β-
lactamasas de espectro extendido (BLEE) como VEB-1, PER-1, TEM-92 y CTX-M-2 y las
de tipo KPC. (Vila and Marco, 2010). Esta última β-lactamasa fue reportada inicialmente
en el 2001 en cepas de Klebsiella pneumoniae (Yigit et al., 2001), pero en la actualidad se
ha diseminado no solo a otras enterobacterias como Enterobacter spp, Citrobacter freundii,
Escherichia coli, Proteus mirabilis, Salmonella enterica y Serratia marcescens, sino
también a bacilos gram negativos no fermentadores como Pseudomonas aeuruginosa y
Acinetobacter baumannii (Arnold et al., 2011).
Las β-lactamasas de clase B o metalo-β- lactamasas comprenden un grupo de enzimas

que no son inhibidas por el ácido clavulánico ni por el tazobactam, pero son sensibles a la
inhibición por agentes quelantes como el EDTA. De los seis grupos descritos hasta la
fecha, cinco han sido identificados en A. baumannii incluyendo IMP, VIM, SIM, SPM y NDM
(Karthikeyan et al., 2010; Rai et al., 2013; Shahcheraghi et al., 2011). La mayoría de estas
enzimas han sido encontradas en integrones con determinantes de resistencia a
aminoglicósidos (Peleg et al., 2008).
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).
Los mecanismos no enzimáticos: Estos mecanismos de resistencia a β-lactámicos

incluyen la alteración de las proteínas de membrana externa denominadas OMPs (del
inglés: outer membrane proteins), que conducen a una disminución de la permeabilidad de
la membrana, bombas de eflujo que, como su nombre lo indica, expulsan el antibiótico y
alteración de las proteínas de unión a penicilina o PBPs (del inglés: penicillin binding
protein), cuando son blanco de este tipo de fármacos (Tiwari et al., 2012).
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)
Aminoglicósidos: existen diferentes enzimas modificantes de aminoglicósidos y bombas

de eflujo que confieren resistencia a este grupo de antibióticos (Lee et al., 2011). Las
enzimas modificantes (acetiltransferasas -AAC-, nucleotiltransferasas -ANT- y
Capitulo 1 17
fosfotransferasas -APH-) producen diferentes fenotipos de resistencia selectiva en los

aminoglicósidos (Akers et al., 2010).
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)
Tetraciclinas y glicilciclinas: la resistencia de A. baumannii a este grupo de antibióticos

está mediada por bombas de expulsión y proteínas de protección ribosomal. Las bombas
de expulsión incluyen TetA y TetB, codificadas por los genes tet(A) y tet(B); la primera
confiere resistencia solo a tetraciclina, mientras que la segunda expulsa tetraciclina y
minociclina (Coyne et al., 2011). La codificación de las proteínas de protección ribosomal
está mediada por el gen tet(M), en un mecanismo idéntico al descrito en Staphylococcus
aureus, pero que se encuentra poco en A. baumannii (Peleg et al., 2008). La bomba
expulsión AdeABC también puede expulsar tetraciclinas y la tigecilina.
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).
Trimetoprim, sulfonamidas y cloranfenicol: la resistencia a sulfonamida está mediada

por el gen sul que se encuentran en la región 3´de un integrón (Peleg et al., 2008). El gen
dhfr confiere resistencia a trimetoprim, mientras que la bomba de eflujo CraA (del inglés:
chloramphenicol resistance Acinetobacter) confiere resistencia a cloranfenicol. La bomba
AdeABC también confiere resistencia a estos dos últimos antibióticos (Akers et al., 2010;
Peleg et al., 2008)
1.5 Perfiles fenotípicos de resistencia –

Antibiograma
El estudio de la sensibilidad de los microorganismos a los antimicrobianos es una de las
funciones más importantes de los laboratorios de microbiología clínica. Su realización se
desarrolla mediante las pruebas de sensibilidad o antibiograma, cuyo principal objetivo es
evaluar en el laboratorio la respuesta de un microorganismo a uno o varios
antimicrobianos, traduciendo, en una primera aproximación, su resultado como factor
predictivo de la eficacia clínica. El antibiograma define la actividad in vitro de un antibiótico
frente a un microorganismo determinado y refleja su capacidad para inhibir el crecimiento
de una bacteria o población bacteriana. Se obtiene como resultado, la farmacología del
antimicrobiano, en particular en el lugar de la infección, y los aspectos clínicos del paciente
y de su infección, sustentan la elección de los antimicrobianos en el tratamiento de las
enfermedades infecciosas (Cantón et al., 2000).
Los métodos más frecuentemente utilizados en Microbiología Clínica para la determinación

de la sensibilidad de las bacterias a los antibióticos se basan en un estudio fenotípico.
Estos métodos requieren normalmente un tiempo de unas 24 h para la obtención de
resultados, es importante entender que para la interpretación del antibiograma es
indispensable conocer la especie bacteriana que se está estudiando (March Rosselló and
Bratos Pérez, 2016). A continuación, se describen brevemente algunos métodos básicos
utilizados y aceptados para el estudio de la sensibilidad.
1.5.1 Métodos de difusión

▪ Método del antibiograma disco-placa
El antibiograma disco-placa basado en el trabajo de Bauer, Kirby y colaboradores es uno
de los métodos que el Clinical and Laboratory Standards Institute (CLSI) antes llamado
National Committee for Clinical Laboratory Standards (NCCLS) recomienda para la
determinación de la sensibilidad bacteriana a los antimicrobianos. El antibiograma disco-
placa consiste en depositar, en la superficie de agar de una placa de Petri previamente
Capitulo 1 19
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).
▪ Método del Epsilon test

El principio de este método es una expansión de la técnica de difusión en disco. En el
método E-test (AB Biodisk, Suecia) podemos, mediante lectura directa, determinar la
concentración mínima inhibitoria (CMI). Consiste en una tira de plástico no poroso de 6 cm
de largo por 5 mm de ancho que incorpora un gradiente predefinido de antimicrobiano
equivalente a 15 diluciones. El protocolo para preparar el inóculo es el mismo que para la
difusión en disco. Siguiendo el método de difusión, una vez inoculado la placa de agar con
el microorganismo, se coloca la tira de Etest sobre su superficie, produciéndose de forma
inmediata una difusión del antibiótico desde el soporte hasta el agar, creándose de este
modo a lo largo de la tira un gradiente exponencial de las concentraciones del
antimicrobiano. Tras la incubación de las placas, se puede observar una zona de inhibición
elipsoidal y simétrica. Después de la incubación la CMI será el valor obtenido en el punto
en el que el extremo de inhibición intersecciona con la tira (Cantón et al., 2000).
Desventajas con respecto al método anterior si se coloca la tira al revés no se observa

elipse de inhibición ya que el gradiente de concentraciones se sitúa solo sobre una de las
caras de la tira. Además, en algunos casos como la prueba de la vancomicina con S.
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).
1.5.2 Métodos de dilución

Estos métodos se basan en la determinación del crecimiento del microorganismo en
presencia de concentraciones crecientes del antimicrobiano, que se encuentra diluido en
el medio de cultivo (caldo o agar). Tradicionalmente estos métodos se han venido usando
para la determinación de la CMI y la concentración mínima bactericida (CMB) de los
antimicrobianos. En la mayoría de los casos se preparan diluciones del antimicrobiano en
fase logarítmica utilizando un medio de cultivo adecuado; posteriormente se inocula dicho
medio y tras la correspondiente incubación para permitir el crecimiento del microorganismo
se realiza la lectura, determinando qué concentración causa la inhibición del crecimiento
del microorganismo (Cantón et al., 2000).
Las primeras determinaciones se realizaron empleando una cantidad considerable de

tubos con caldo de cultivo, a los cuales se le colocaban diluciones crecientes de
antibióticos con el mismo fundamento que el descrito para el método de dilución en agar.
Este procedimiento se denominó macrodilución en caldo. Esta metodología es muy
engorrosa, por la cantidad de material y de manipulaciones necesarias para su realización.
La utilización de micropipetas y de placas de microtitulación facilitó la utilización del método
de microdilución en caldo; en la actualidad se han popularizado los métodos automatizados
comerciales de microdilución en caldo, fácilmente integrables en sistemas
semiautomáticos de lectura e interpretación de resultados, pero con el grave inconveniente
del incremento de su costo (Cantón et al., 2000).
1.5.3 Otros métodos

▪ Citometría de flujo
Capitulo 1 21
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
serán prácticamente iguales que las obtenidas a partir de las cepas a estudiar (March
▪ 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).
En referencia al antibiograma rápido, el sistema MALDI-TOF permite predecir en unas

horas si las bacterias poseen enzimas que degradan los antibióticos. Para ello, los
microorganismos previamente aislados en las placas de cultivo deben ser incubados
durante un tiempo con el antibiótico. Posteriormente, con el análisis realizado mediante el
sistema MALDI-TOF se observa, en caso de que el microorganismo posea la enzima
responsable de la degradación del antibiótico, la desaparición del pico correspondiente al
antibiótico y la aparición de nuevos picos que corresponden a los metabolitos resultantes
Capitulo 1 23
de la rotura del antibiótico. En caso de que la bacteria no hidrolice el antibiótico, se observa

únicamente el pico correspondiente al antibiótico (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).
Otro método colorimétrico consiste en la medición de la actividad de la enzima bacteriana

nitrato reductasa. Cuando se incuba la bacteria en presencia de iones NO3 y antibiótico,
si la bacteria es resistente al antibiótico se van a generar iones NO2 que, con los reactivos
de Gries, originan un compuesto de color rojo (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
Los avances en nanotecnología han posibilitado la miniaturización de los diferentes

ensayos usados para la detección de las resistencias a los antibióticos desarrollando
plataformas o chips que utilizan volúmenes muy pequeños de muestra y de reactivos, y
que además pueden albergar múltiples ensayos como cultivo bacteriano, hibridación y
amplificación de ácidos nucleicos y rotura celular, entre otros. De este modo, los métodos
de detección varían ampliamente, dependiendo del ensayo realizado. Entre las diferentes
posibilidades se tiene por ejemplo que para realizar de un antibiograma directamente a
partir de muestras de orina utilizando un sistema de microfluidos que incorpora un sensor
electroquímico para la cuantificación del ARN ribosómico16S. Este grupo obtiene, en 3 h
y media, un 94% de concordancia con la sensibilidad obtenida mediante microdilución en
caldo (March Rosselló and Bratos Pérez, 2016).
▪ Métodos de lisis bacteriana

Otra metodología para la determinación de la sensibilidad consiste en la detección de la
lisis bacteriana. Para ello, la bacteria es incubada con la presencia del antibiótico a la
concentración deseada; seguidamente la bacteria se inmoviliza en un microgel de agarosa
y es expuesta a una solución de lisis que produce la liberación del ADN. Posteriormente,
la preparación es incubada con el fluorocromo SYBR Gold y mediante observación al
microscopio de fluorescencia es posible estudiar la integridad del ADN. Esta metodología
requiere menos de 2 horas y ha sido aplicada tanto a bacterias gramnegativas como
grampositivas (March Rosselló and Bratos Pérez, 2016).
1.5.4 Los sistemas automatizados

La micro dilución en caldo es la técnica utilizada por los diversos sistemas automatizados
comerciales como el MicroScan Walkaway (Siemens, Nueva York, EE. UU.), Phoenix (BD
Diagnostics, Sparks, MD, EE. UU.) o VITEK (bioMérieux, Marcy l’Etoile, Francia). Para la
interpretación de los resultados de sensibilidad obtenidos mediante las técnicas
anteriormente citadas se siguen las normas del antibiograma publicadas por diversos
organismos, como el CLSI y el European Committee on Antimicrobial Susceptibility Testing
(EUCAST). En el trabajo de rutina, todas estas técnicas se aplican a partir de las colonias
crecidas en las placas de aislamiento; los métodos Phoenix y VITEK, que son los más
Capitulo 1 25
rápidos, requieren un tiempo medio mínimo de 9 h para obtener los resultados (March
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).
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).
1.5.5 Microarreglos y técnicas moleculares

▪ Microarreglos
La metodología de los microarreglos consiste en el uso de un sustrato sólido que contiene
un gran número de moléculas de ácido nucleico de una sola cadena. Fragmentos de ácido
nucleico a los que se les denomina normalmente sondas. Los ácidos nucleicos de las
muestras a analizar suelen ir marcadas mediante diversos métodos (enzimáticos,
fluorocromos, etc.) y se incuban en contacto con las sondas, permitiendo así la hibridación
a las sondas complementarias. Finalmente, mediante las herramientas informáticas es
posible determinar en las muestras la secuencia de los ácidos nucleicos, detectar
pequeñas variaciones en la secuencia de los genes o estudiar la expresión de genes. De
este modo, para el estudio de la sensibilidad, los microarreglos permiten la detección de
un gran número de genes de resistencia en un solo ensayo, caso contrario de lo que ocurre
en la reacción en cadena de la polimerasa PCR. En bacterias gramnegativas es posible
detectar, en unas horas, un gran número de genes que codifican para diferentes β-
lactamasas (March Rosselló and Bratos Pérez, 2016).
▪ Las técnicas moleculares

Las técnicas moleculares permiten la detección de material genético, tanto ácido
desoxirribonucleico (ADN) como ácido ribo-nucleico (ARN). De entre todas las técnicas
moleculares utilizadas, PCR es la que ha adquirido un mayor valor diagnóstico, permitiendo
la detección de agentes infecciosos, además de caracterizar sus genotipos de virulencia y
de resistencia. El primer paso de la PCR consiste en una extracción del material genético,
seguido de la desnaturalización térmica del ADN que se va a usar como molde, el
anillamiento de cebadores sintéticos y la extensión catalizada por el ADN polimerasa de
Capitulo 1 27
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).
Los importantes avances en el conocimiento de las bases genéticas de la resistencia a

antibióticos han permitido que distintas PCR puedan detectar, en unas horas, la presencia
de genes de resistencia a una gran variedad de antibióticos para un gran número de
especies bacterianas. Además, la PCR a tiempo real ha sido utilizada para monitorizar el
crecimiento bacteriano mediante la detección de los genes de resistencia cuando las
bacterias han sido incubadas en presencia del antibiótico a ensayar (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).
1.5.6 Secuenciación del genoma completo

Otra técnica molecular disponible para realizar un antibiograma rápido es la secuenciación
del genoma completo (WGS). Los avances en la secuenciación del ADN han posibilitado
secuenciar un genoma bacteriano completo en horas. Una vez obtenida esta gran cantidad
de datos, los programas bioinformáticos se encargan de su procesamiento y análisis. De
este modo, esta técnica puede utilizarse para el estudio de determinantes genéticos de
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.).
1.6 Aplicaciones y bases de datos sobre

resistencia a antibióticos
Es importante resaltar que la presente Tesis de Maestría no pretender hacer una
evaluación comparativa (benchmarking) sobre las diferentes aplicaciones o bases de datos
que se nombran para identificar la resistencia a antibióticos.
Capitulo 1 29
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.
1.6.1 Bases de datos Activas

▪ CARD (The comprehensive antibiotic resistance database)
La base de datos CARD es un recurso curado manualmente que contiene datos de

referencia de alta calidad sobre la base molecular de la resistencia antimicrobiana (siglas
en inglés AMR), con énfasis en los genes, proteínas y mutaciones involucradas en AMR.
CARD está estructurado ontológicamente, centrado en el modelo, abarca una amplitud de
las diferentes clases de fármacos y los mecanismos de resistencia, incluyendo la
resistencia intrínseca, dada por las por mutaciones y resistencia adquirida. Se basa en la
Ontología de Resistencia a los Antibióticos (siglas en ingles ARO, Antibiotic Resistance
Ontology), una construcción personalizada y un vocabulario contralado jerárquicamente
que permite compartir datos. Su diseño permite el desarrollo de herramientas de análisis
del genoma novedoso, como el identificador de genes de resistencia (RGI, Resistance
Gene Identifier) para la predicción de resistomas a partir de la secuencia del genoma sin
procesar. Las mejoras recientes incluyen una extensa curación de las secuencias de
referencia y secuencias mutadas, el desarrollo de un modelo ontológico único,
acompañado de un modelo de detección de AMR que mejora el análisis de secuencias,
nuevas herramientas de visualización y la expansión del RGI para la detección de
amenazas emergentes de AMR. CARD curada se actualiza mensualmente sobre la base
de una interacción de la recuperación manual de la literatura, la minería de texto
computacional y análisis de genoma (Jia et al., 2017).
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
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)
No se hace distinción entre genes adquiridos y genes mutados
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).
Adicionalmente vía Web se puede visualizar un perfil de resistencia genómico, además la

base de datos esta curada y se actualiza periódicamente.
Este sistema se encuentra alojado en: Center for Genomic Epidemiology, Denmark.
University, Denmark. En la siguiente url: https://cge.cbs.dtu.dk//services/ResFinder/
▪ Lahey Clinic website
La base de datos Lahey, es un repositorio de referencias a fuentes para información de

secuencias de β-lactamasas, con grupos de enzimas tales como: TEM, SHV, OXA-, CTX-
M-, CMY, AmpC, CARB-, IMP-, VIM-, KPC, GES-, PER- y VEB-, entre otros, además
Quinolonas (genes qnr).
Capitulo 1 31
Surgió como un intento por estandarizar la nomenclatura para el número creciente de ß-

lactamasas TEM. El objetivo de esta base de datos estaba orientado en hacer más fácil a
los investigadores la identificación de sustituciones de aminoácidos de acuerdo a las
secuencias reportadas (Bush and Jacoby, 1997).
Principalmente este repositorio se fundamenta en la nomenclatura y en un esquema de

numeración propuesto con el fin de evitar duplicaciones. Es de aclarar, que no usa
herramienta BLAST.
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/
▪ LacED (The lactamase engineering database)
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.
Se centra en la nomenclatura y en la identificación de variantes conocidas y desconocidas

y de esta forma asignar nuevas ß-lactamasas, identificar inconsistencias en bases de datos
públicas y facilitar la ingeniería de proteínas.
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/
▪ OXY, OKP, LEN beta-lactamase protein variation Home Page

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
La nomenclatura de beta-lactamasas OKP, LEN y OXY está curada y se mantiene dentro

de esta base de datos. La curación de datos se realiza de forma voluntaria y se basa en
un esfuerzo comunitario.
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”.
▪ MARILYN C. ROBERTS, Ph. D personal website
Es una base de datos que se centra en la armonización de la nomenclatura de los genes

resistentes a Macrolides y tetracyclines principalmente. No usa la herramienta BLAST.
Se encuentra alojado en: University of Washington, USA. En la siguiente url:

http://faculty.washington.edu/marilynr/
▪ Attaca-RAC (Repository of antibiotic resistance cassettes)
Es un repositorio de Cassettes de genes de resistencia a antibióticos en integrones de

resistencia a múltiples fármacos.
Capitulo 1 33
Posee un archivo de cassettes de genes que incluye nombres de genes alternativos de

múltiples sistemas de nomenclatura, además permite la anotación y el nombre constantes
de los cassettes en las secuencias presentadas
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/
▪ INTEGRALL (Repository of antibiotic resistance cassettes)
Es un repositorio de acceso libre, que posee un sistema de búsqueda basado en texto,

desarrollado con el objetivo de recolectar y organizar información sobre integrones en una
sola base de datos. Proporciona un repositorio genético público para la secuencia de datos
y nomenclatura, ofreciendo acceso a las secuencias de ADN de los integrones, sus
arreglos moleculares, así como sus contextos genéticos (Moura et al., 2009).
A la fecha posee 1509 Genes integrasa, 8561 Cassettes de genes, en 167 Géneros y 375
Especies.
Esta base de datos se encuentra alojada en: Universidade de Aveiro, Portugal. En la

siguiente url: http://integrall.bio.ua.pt/
1.6.2 Bases de datos No Activas

▪ ARG-ANOTT (Antibiotic resistance gene-annotation)
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
Es una herramienta bioinformática capaz de detectar genes existentes y posibles nuevos

genes de resistencia a los antibióticos.
Se basa en un programa que usa BLAST local con un software llamado Bio-Edit que
permite el análisis de secuencias por línea de comando entre otras características (Gupta
et al., 2014).
Este programa funciona en Windows 95/98/NT/2000/XP/7. La versión actual es la 7.2.5,

actualizada por última vez el 12/11/2013, ya no se le hace mantenimiento.
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
▪ RED DB (Resistance determinants database)
Esta base de datos posee un repositorio de genes adquiridos que son capaces de conferir
resistencia a los antibióticos (completa o parcialmente secuenciados)
No se hace distinción entre genes adquiridos y genes mutados
Es una herramienta bioinformática que es capaz de detectar genes de resistencia a

antibióticos existentes y putativos. Los datos que tiene no son curados. El sitio esta
deshabilitado.
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/
▪ ARDB (base de datos de genes de resistencia a antibióticos)
Es un repositorio de genes adquiridos que son capaces de conferir resistencia a los

antibióticos (completa o parcialmente secuenciadas). No se hace distinción entre genes
adquiridos y genes mutados
Es una herramienta bioinformática que es capaz de detectar genes de resistencia a

antibióticos existentes y putativos (Liu and Pop, 2009).
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/
▪ MBLED (Metallo-betalactamase engineering database)
Es una base de datos de Metallo-β-lactamasas que proporciona información sobre

mutaciones, secuencias y estructuras de las β-lactamasas clase B, subclases B1, B2 y B3.
Esta base de datos no hace uso de la herramienta BLAST.

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.
La base de datos se encuentra alojada en: Institute of Technical Biochemistry, University

of Stuttgart, Germany. En la siguiente url: http://www.mbled.uni-stuttgart.de/
1.6.3 Otras herramientas

Las siguientes herramientas computacionales proveen visualmente perfiles de resistencia
genómicos.
▪ ARIBA: Antimicrobial Resistance Identification by Assembly
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.
ARIBA a la fecha requiere las siguientes dependencias, preinstaladas: Python3 versión

3.3.2, Bowtie2 versión 2.1.0, CD-HIT versión 4.6 y MUMmer versión 3.23. Además, las
siguientes dependencias de varios paquetes de Python. Dendropy 4.2.0, matplotlib,
pyfastaq 3.12.0, pysam 0.9.1 y pymummer 0.10.1.
Se encuentra en la siguiente url: https://github.com/sanger-pathogens/ariba
▪ Mykrobe Predictor
Está diseñado para ser utilizado por microbiólogos y médicos, proporcionando la

información necesaria para elegir el mejor tratamiento. Analiza todo el genoma de una
Capitulo 1 37
muestra bacteriana, en un par de minutos, y predice a qué fármacos es más resistente de

acuerdo al tipo de infección.
Funciona con una base de conocimiento curada de alelos resistentes y susceptibles,

ensamblados en un gráfico de Bruijn de acuerdo a diferentes antecedentes genéticos, junto
con muchos ejemplos de genes de resistencia. Esto forma un gráfico de referencia. Luego
compara directamente el gráfico de Bruijn de la muestra con el gráfico de referencia. Esto
da como resultado las pruebas estadísticas para la presencia de alelos de resistencia que
no son imparciales por elección de referencia o suposiciones de clonalidad (Bradley et al.,
2015).
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)
De momento solo funciona para 2 bacterias, Staphylococcus aureus y Mycobacterium

tuberculosis, Sin embargo, este software aún no está certificado para uso clínico.
Se encuentra en la siguiente url: http://www.mykrobe.com/products/predictor/

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.
3.1 Obtención de los datos

105 muestras fueron suministradas al Instituto de Biotecnología de la Universidad Nacional
de Colombia sede Bogotá, por parte del Instituto Nacional de Salud (INS), junto con los
datos sociodemográficos y clínicos asociados a las muestras, los perfiles fenotípicos de
resistencia y la identificación de algunos genes de resistencia sintetizados a través PCR.
89 muestras fueron identificadas positivamente A. baumannii, de los cuales fueron

obtenidos los perfiles de resistencia a antibióticos utilizados en el presente trabajo.
3.1.1 Clasificación de los antibióticos

Se debe plantear una clasificación base para los antibióticos, que sea completa y que
permita realizar las comparaciones adecuadas para los perfiles fenotípicos y genómicos
de resistencia.
Haciendo una búsqueda generalizada por internet, y preguntado a expertos en el tema, se

encuentra la dificultad de crear un consenso en las clasificaciones. La base de datos de
CARD (Jia et al., 2017). Posee su propia ontología de resistencia antibióticos, que aún
sigue en desarrollo y se puede extraer de sus metadatos, aunque la jerarquía es confusa.
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
Toda la información sobre la clasificación de los antibióticos se presenta en el Anexo C.
3.1.2 Extracción de ADN

La siguiente información es relevante dentro este trabajo porque hace parte del principio
de la información de todo el proyecto global, pero es importante recalcar que todo el
contenido de este sub capítulo, fue realizado por el grupo de Epidemiologia Molecular del
Instituto de Biotecnología de la Universidad Nacional Sede Bogotá.
La información resumida y compilada para las 89 muestras está en el Anexo A en la Tabla

1-1.
▪ Extracción con el kit comercial UltraClean® Microbial DNA Isolation

Para la extracción del DNA mediante el kit comercial UltraClean® Microbial DNA Isolation
Kit (Catálogo 12214-250, MOBIO, Laboratories Inc) se partió de un inóculo (5 colonias)
bacteriano a partir de aislamientos de Acinetobacter baumannii. El inóculo se incubó
durante 4 horas a 37°C, en caldo Luria Bertani (LB) en agitación rotacional a 200 rpm hasta
alcanzar una densidad óptica entre 0,6 – 0.7 (λ 600 nm). Posteriormente, el inóculo se
centrifugó por 7 minutos a 5000 rpm, a temperatura ambiente, después de los cual se
descartó el sobrenadante y el pellet se lavó con 2 ml de buffer TE. Una vez se eliminó el
sobrenadante, el pellet bacteriano se resuspendió en 300 L de la solución MicroBead y
luego se transfirió al tubo MicroBead. Inmediatamente se adicionó 50 L de la solución
MD1 al tubo con lisado bacteriano. El MicroBead con el lisado celular se colocó
horizontalmente sobre un vórtex y se colocó a máxima velocidad por 10 minutos. Después
de ello, se centrifugó a 12.000 rpm por 1 minuto a temperatura ambiente y el sobrenadante
se transfirió a un nuevo tubo. Luego, se adicionó 100 L de la solución MD2 al
sobrenadante e inmediatamente se mezcló con vórtex por 5 segundos y se incubó a 4°C
por 5 minutos. Después de la incubación a 4°C se centrifugó el tubo por 1 minuto a 12.000
rpm, temperatura ambiente y se transfirió el sobrenadante a un nuevo tubo.
Posteriormente, se agregó 900 L de la solución MD3 al sobrenadante y se mezcló con
vórtex por 5 segundos. De la mezcla obtenida se cargó cerca de 700 L a un tubo con
una columna de sílica gel y se centrifugó por 1 minuto a 12.000 rpm a temperatura
ambiente, se descartó la solución obtenida en el tubo y se cargó de nuevo el resto de la

solución centrifugándose nuevamente con las mismas condiciones. Posterior se adicionó
300 L de la solución MD4 y se centrifugó por 1 minuto a 12000 rpm temperatura ambiente.
Posteriormente, se descartó la solución obtenida y se centrifugó de nuevo el tubo por un
minuto a 12000 rpm a temperatura ambiente. Finalmente, se adiciono 50 L de agua HPLC
estéril en el centro de la columna para eluir el DNA y se centrifugó a 12000 rpm por 1
minuto temperatura ambiente.
El DNA purificado fue cuantificado a 260 nm con el espectrofotómetro Nanodrop ND-

2000C (Termo scientific) y mediante electroforesis en gel de agarosa al 1 % utilizando
marcador cuantitativo HyperLadderTM 1 kb Plus (Bioline), realizando comparaciones con
diferentes concentraciones del DNA Fago Lambda 0,446 µg/µL (Invitrogen).
3.1.3 Secuenciación
Esta se realizó usando Hiseq2000 system (Illumina), obteniendo lecturas pareadas con un
promedio de tamaño de 101 pares de bases.
La cantidad de lecturas por muestra está en el Anexo A en la Tabla 1-1.
3.1.4 Análisis de calidad, Ajuste de calidad y Ensamblaje

El análisis inicial de calidad de las lecturas se realiza usando FastQC (Andrews, 2014).
El ajuste de la calidad cuando es necesario se utiliza Sickle (Joshi and Fass, 2011). Este
programa se usa por la facilidad de utilizarlo automáticamente dentro de un pipeline.
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.
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.
La información resumida de las muestras está en el Anexo A, tabla 1-1 y 1-2.
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.
Por sugerencia de expertos se usa el programa bioinformático para anotación de

procariotas, llamado Prokka desarrollado inicialmente por Victorian Bioinformatics
Consortium, mantenido actualmente por el Torsten Seemann. (Seemann, 2014). Las
primeras 66 muestras se anotan con la versión 1.1, y las ultimas 23 con la versión 1.12.
De nuevo el cambio de versión se da por la diferencia en los meses en que se llevaron a
cabo estos procesos. Esta diferencia de versiones no tiene ningún efecto en cuanto a la
anotación de elementos genómicos de resistencia.
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
(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).
Adicionalmente, se incluyeron en el procesamiento de Prokka 3 bases de datos, la primera

es una base de datos con 57 HMM para detectar genes (factores) de virulencia VFDB
(Chen et al., 2016); la segunda corresponde a 60 HMM para encontrar transposasas
llamada Gipsy (Soares et al., 2016); la tercera se trata de 30 HMM adicionales de
transposasas reportados por Choumouss Kamoun (Kamoun et al., 2013). Esta última base
de datos fue extraída y unificada para que Prokka las pudiera usar en un solo archivo.
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
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;
3.2 Documentación de la base de datos

El software que se utiliza para este trabajo, se eligió bajo algunos criterios tales como,
facilidad en el uso para todo el equipo, software libre, benchmarking comercial.
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 segunda parte del diseño se basa en la obtención de los perfiles de resistencia

genómica como un modelo teórico construido según la literatura sobre mecanismos y
genes de resistencia para A. baumannii principalmente. Además, se presta atención a la
correlación que estos perfiles genómicos deben tener con los perfiles 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
3.2.1 Perfiles de Resistencia Fenotípica

La razón de esta sección es permitir la definición de los perfiles fenotípicos de resistencia
a antibióticos, proveyendo la información consolidada, además crea la base para un
sistema de fácil escalabilidad.
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).
Las tablas son las siguientes:

Figura 3-1: Diagrama E-R sobre resistencia fenotípica
Tabla 3-1: Descripción del catálogo antibiotico

Nombre de la tabla: antibiotico
Catalogo que guarda la información de todos los antibióticos
Descripción de la tabla: definidos por el CLSI 2015 y todos los niveles del árbol que agrupan
a los antibióticos.
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
Tabla 3-2: Descripción del catálogo clsi-antibiotico

Nombre de la tabla: clsi_antibiotico
Descripción de la tabla: Es un catálogo que cruza la información de los antibióticos válidos
para un organismo dado según el documento del CLSI 2015
Rangos Permite
Entre 1 y
id_clsi_antibiotico int(11) AI PK
Entre 2012 a
ano int(11)
2016 No
Llave foránea al identificador del
id_organismo int(11) Entre 1 y catálogo
2147483647 No tabla organismo
Llave foránea al identificador del
catálogo tabla antibiotico, siempre
id_antibiotico int(11)
Entre 1 y señala el nivel del antibiótico, nunca el
2147483647 No grupo
Tabla 3-3: Descripción del catálogo sigla_antibiotico

Nombre de la tabla: sigla_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
id_sigla_antibiotico int(11) AI PK Entre 1 y
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
Tabla 3-4: Descripción del catálogo equipo

Nombre de la tabla: equipo
Descripción de la tabla: Catalogo que guarda los equipos o técnicas válidas para realizar los
antibiogramas
Rangos Permite
Id_Equipo int(11) PK Entre 1 y

Nombre varchar(45) Ascii hasta Nombre de la técnica o tecnología usada para hacer
45 No el antibiograma: Kirby Bauer, Vitek2, Phoenix 100
Tabla 3-5: Descripción del catálogo interpretacion

Nombre de la tabla: interpretacion
Descripción de la tabla: Catalogo para calificar la resistencia a los antibióticos, en una escala
discreta.
Rangos Permite
Entre 1 y
Id_Interpretacion int(11) PK
Se tienen 4 opciones, 3 de estas hacen la
calificación discreta de la resistencia así:
Descripcion varchar(45)
Ascii hasta Resistente, Intermedio, Susceptible, No se
45 No realizó
Tabla 3-6: Descripción del catálogo nivel_antiobiotico

Nombre de la tabla: nivel_antobiotico
Descripción de la tabla: Catalogo que describe el nivel dentro del árbol de agrupación de
los antibióticos.
Rangos Permite
Entre 1 y
Id_nivel_antobiotico int(11) PK
Actualmente hay 5 niveles, definidos así:
nivel varchar(45) Ascii hasta Grupo, Clase, Subclase1, Subclase2,
45 No Nombre Genérico
Tabla 3-7: Descripción del catálogo relacion_orden

Nombre de la tabla: relacion_orden
Catálogo que define las relaciones de orden que permiten
comparar con números la resistencia antibióticos según los
Descripción de la tabla: antibiogramas. Puede servir de ser necesario, para obtener un
reporte particular sobre la relación orden en la resistencia
fenotípica, especialmente para la técnica Kirby bauer.
Rangos Permite
Entre 1 y
Id_Relacion_orden int(11) PK
Ascii hasta Tenemos los siguientes 5 símbolos
Simbolo varchar(10)
10 No separados por coma: = , < , <= , > , >=
Ascii hasta Es solo la descripción en palabras de los
Descripcion varchar(20)
20 No símbolos definidos
Tabla 3-8: Descripción de la tabla resistencia_fenotipica

Nombre de la tabla: resistencia_fenotipica
Esta tabla permite relacionar las tablas catálogos de este sub-
Descripción de la tabla: modulo, para guardar los resultados de todos los
antibiogramas realizados a cada una de las muestras.
Rangos Permite
int(11) AI Entre 1 y
Id_Resistencia_Fenotipica
PK 2147483647 No Identificador auto numérico
Entre 1 y Llave foránea al identificador de la
Id_muestra int(11)
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)
2147483650 No tabla catalogo interpretación

Id_equipo int(11)
2147483651 No tabla catalogo equipo
Id_relacion_orden int(11)
2147483652 No tabla catalogo relacion_orden
El valor que le corresponde a la
valor varchar(10) Ascii hasta muestra dada para este antibiótico
10 No particular, según el equipo usado.
Tabla 3-9: Descripción del catálogo mdrxdrpdr_antibiotico

Nombre de la tabla: mdrxdrpdr_antibiotico
Es un catálogo con 2 niveles, que define según el organismo las

Descripción de la tabla: categorías y agentes antimicrobianos usados que definen MDR
(Multiple drug resistance), XDR(Extensively drug-resistant) y
PDR (pandrug-resistant).
Rangos Permite
Entre 1 y
id_mdrxdrpdr_antibiotico int(11) AI PK
tabla catalogo antibiótico, siempre al
id_antibiotico int(11) nivel del nombre genérico cuando se
Entre 1 y trata de un agente, cuando es una
2147483649 si categoría esta en NULL
id_organismo int(11)
2147483650 No tabla catalogo organismo
Se guarda el nombre de la categoría
categoria varchar(100)
que difiere de las categorías que usa
Ascii hasta el CLSI, cuando es un agente se
100 No guarda el nombre de este
Llave foránea a la llave primaria de
id_padre int(11)
esta misma tabla, sirve para saber
Entre 1 y cuál categoría le corresponden que
2147483652 si agentes.
Tabla 3-10: Descripción de la tabla resistencia_fenotipica_consolidado

Nombre de la tabla: resistencia_fenotipica_consolidado
Esta tabla es una sub agrupación de la tabla
"resistencia_fenotipica" donde se hace un consolidado según
equipo de la siguiente forma: se toma los datos de Kirby Bauer
Descripción de la tabla:
como prioritarios, luego los que no estén allí y existan en Vytek y
finalmente lo que no estén en los anteriores y existan
en Phoenix.
Rangos Permite
int(11) AI Entre 1 y
Id_Resistencia_Fenotipica
PK 2147483647 No Identificador auto numérico
Id_muestra int(11)
Id_antibiotico int(11) Entre 1 y tabla catalogo antibiótico, siempre al
2147483649 No nivel del nombre genérico
Id_interpretacion int(11)
2147483650 No tabla catalogo interpretación
Id_equipo int(11)
2147483651 No tabla catalogo equipo
Id_relacion_orden int(11)
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.
3.2.2 Datos moleculares sumistrados por el INS

Las tablas y los datos de las siguientes tablas se utilizaron para almacenar los datos de
pruebas moleculares reportadas por el Instituto Nacional de Salud.
Figura 3-2: Diagrama E-R para genes identificados por PCR

Tabla 3-11: Descripción del catálogo estado_edta_pcr

Nombre de la tabla: estado_edta_pcr
Descripción de la tabla: Catalogo que define los estados de existencia de un Gen según
pruebas microbiológicas
Rangos Permite
Entre 1 y
id_estado_EDTA_PCR int(11) PK
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
Tabla 3-12: Descripción del catálogo estado_edta_pcr

Nombre de la tabla: pcr_edta
Es el catálogo de todas las pruebas moleculares microbiológica que
Descripción de la tabla: fueron realizadas, con el propósito de detectar genes conocidos
resistentes a antibióticos a través de PCR
Rangos Permite
Entre 1 y
Id_pcr_edta int(11) PK
Nombre la prueba microbiológica, actualmente
tenemos 12: EDTA/SMA, PCR blaNDM, PCR
blaKPC, PCR blaVIM, PCR blaGES, PCR blaIMP,
nombre varchar(45)
PCR blaOXA-48, PCR blaOXA-23, PCR blaOXA-24,
Ascii hasta PCR blaOXA-51, PCR blaOXA-58, PCR blaOXA-
45 No 143
Tabla 3-13: Descripción de la tabla gen_fenotipico

Nombre de la tabla: gen_fenotipico
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
Id_gen_fenotipico int(11) AI PK Entre 1 y
Id_estado_edta_pcr int(11) Entre 1 y Llave foránea al identificador de la

2147483648 No tabla catalogo estado_edta_pcr
Id_pcr_edta int(11) Entre 1 y Llave foránea al identificador de la

2147483649 No tabla catalogo pcr_edta
Id_muestra int(11) Entre 1 y Llave foránea al identificador de la

3.2.3 Reglas pasivas de resistencia y Perfil de resistencia

genómica.
Es importante tener en cuenta que todos los datos sobre genes de resistencia que se van
a anotar, deben estar incluidos en el catálogo de “gen_resistencia” Tabla 3-16, sin
excepciones.
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.
Figura 3-3: Diagrama E-R para el perfil genómico de resistencia

Tabla 3-14: Descripción del catálogo mecanismo_resistencia
Nombre de la tabla: mecanismo_resistencia
Catalogo que guarda estructuralmente los mecanismos y sub
Descripción de la tabla: mecanismos de resistencia a antibióticos señalados en la
literatura.
Rangos Permite
id_mecanismo_resistencia int(11) PK
Entre 1 y
Nombre que identifica al
nombre varchar(45) Ascii hasta mecanismo, o el nombre que
45 No agrupa más mecanismos
Llave foránea a la llave primaria de

esta misma tabla, Sirve para crear
id_padre int(11)
las agrupaciones y dependencias en
Entre 1 y los respectivos niveles de los
2147483647 No mecanismos de resistencia
Tabla 3-15: Descripción de la tabla gen_mecanismo_resistencia

Nombre de la tabla: gen_mecanismo_resistencia
Permite relacionar las tablas de los mecanismos de
Descripción de la tabla: resistencia con la tabla catálogo de los genes de
resistencia, y además califica a los genes agrupado por
sus mecanismos (inicialmente)
Rangos Permite
Llave foránea a la llave
Id_gen_resistencia int(11) PK Entre 1 y primaria de la tabla
2147483647 No gen_resistencia
Id_mecanismo_resistencia int(11) PK Entre 1 y primaria de la tabla
2147483647 No mecanismo_resistencia
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
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
Tabla 3-16: Descripción del catálogo gen_resistencia

Nombre de la tabla: gen_resistencia
Catalogo que guarda todos los elementos genómicos de
Descripción de la tabla: resistencia a antibióticos identificados para este proyecto,
señalados en la literatura.
Rangos Permite
id_gen_resistencia int(11) AI PK
Entre 1 y
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
Secuencia o cadena de caracteres, sin

diferenciar mayúsculas de minúsculas,
secuencia mediumtext que corresponden al elemento genómico
texto hasta de resistencia (ej. cadena de
16777215 No aminoácidos)
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.
Identificador al catálogo de la tabla

"fuente", donde describe el origen de
id_fuente int(11) este gen de resistencia, en este
Entre 1 y momento se tiene 3: CardDB, Resfam, y
2147483647 No Propio
Es un filtro para indicar si este gen está

perfilXregla bit(1)
contemplado dentro de una de las reglas
verdadero o de resistencia (verdadero), o se evalúa
falso No directamente desde esta tabla (falso).
Indica si el gen en cuestión se debe
evaluar como una beta-lactamasa que
blactamEnGrupo bit(1) tiene asociación de resistencia a
verdadero o antibióticos con otras tablas especiales
falso No para este.
Tabla 3-17: Descripción de la tabla resistencia_genomica1

Nombre de la tabla: resistencia_genomica1
Es la tabla base que guarda la anotación, pero

Descripción de la tabla: únicamente las características de resistencia por cada
muestra teniendo en cuenta que sus características
anotadas son las del catálogo "gen_resistencia"
Rangos Permite
id_resistencia_genomica int(11) AI PK
Entre 1 y
Llave foránea al
id_muestra int(11) Entre 1 y identificador de la tabla
2147483647 No catalogo muestra
El numero perteneciente a la
contig int(11) ubicación dentro del archivo
Ascii hasta ensamblado que
45 No corresponde al contig
Es la parte entera del

locus_Tag int(11) identificador locus tag que
Entre 1 y se usa en la anotación de
2147483647 No características genómicas
la posición inicial (en bases)
pos_inicio int(11) Entre 1 y de la característica dentro
2147483647 No del contig
la posición final (en bases)
pos_fin int(11) Entre 1 y de la característica dentro
2147483647 No del contig
hebra tinyint(4) Dirección con la cual está

1 o -1 No orientada esta característica
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 valor esperado del hit

dado por uso de blast para la
e_value varchar(20)
identificación de la
Ascii característica, Si fue un
números > 0 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
Tabla 3-18: Descripción de la tabla gen_antibiotico_resistencia

Nombre de la tabla: gen_antibiotico_resistencia
Es la tabla que cruza la información entre la tabla de

antibióticos y la tabla del catálogo de genes de
Descripción de la tabla: resistencia "gen_resistencia", además permite
calificar este cruce de datos con el nivel de resistencia
y agruparlo por la correspondencia según el perfil de
resistencia fenotípica.
Rangos Permite
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
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
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.
Tabla 3-19: Descripción del catálogo correspondencia_antibiotico

Nombre de la tabla: correspondencia_antibiotico
Es el catalogo que permite hacer una agrupación o
Descripción de la tabla: filtro del cruce entre las tablas: antibiótico y
gen_resistencia. Para cumplir con la regla uno 3.4.1.
Rangos Permite
id_correspondencia_antibiotico int(11) PK Entre 1 y Identificador auto numérico
2147483648 No
La descripción de la
agrupación. Actualmente se
tiene: Sin correspondencia,
descripcion varchar(45)
8 antibióticos principales,
sub clases y clases de los 8
Entre 1 y
base, Sin precisión.
2147483650 No
Tabla 3-20: Decripción de la tabla gen_operon_resistencia

Nombre de la tabla: gen_operon_resistencia
La tabla que permite la relación de muchos a muchos

Descripción de la tabla: entre el catálogo de genes de resistencia y la tabla de
operónes de resistencia que hace referencia a las
Bombas tipo RND. (Tercera Regla 3.4.3)
Rangos Permite
Llave foránea al
id_gen_resistencia int(11) PK Entre 1 y identificador de la tabla
Llave foránea al
id_operon_resistencia int(11) PK Entre 1 y identificador de la tabla
2147483650 No catalogo operon_resistencia
Tabla 3-21: Descripción del catálogo operon_resistencia

Nombre de la tabla: operon_resistencia
Es el catalogo que posee la arquitectura de la

Descripción de la tabla: conformación los operónes de resistencia y los reguladores
de estos operónes, que hacen parte de las bombas eflujo
tipo RND. (Tercera Regla 3.4.3)
Rangos Permite
id_operon_resistencia int(11) PK
Entre 1 y
Nombre de identificación del
nombre varchar(45) operón, del regulador o del
Ascii hasta 45 No gen
Para identificar qué clase de

objeto genético se esta
enum('operon', referencia en registro,
tipo 'promotor',
realmente se están usando
'regulador')
solo 2 o es un operón o es un
Incluido en el regulador, para el operón ya
tipo No definido
indica la dirección en la cual
direccion int(11) Entre 1 y se debe dirigir la hebra de
2147483648 No este gen

primaria de esta misma
tabla, sirve para crear la
posición del gen dentro del
id_hermanoAtras int(11)
operón o del gen dentro
regulador o del regulador
con respecto al operador.
Entre 1 y Indicando cual es el gen que
2147483648 Si debe ir atrás.

primaria de esta misma
tabla, sirve para crear la
posición del gen dentro del
id_hermanoAdelante int(11)
operón o del gen dentro
regulador o del regulador
con respecto al operador.
Entre 1 y Indicando cual es el gen que
2147483648 Si debe ir adelante.
El mismo nombre del gen

que corresponde a la tabla
nombreGen varchar(200) gen_resistencia, para
mejorar la visualización de
Ascii hasta 200 No los datos
Tabla 3-22: Descripción de la tabla bombas_rnd_antibiotico

Nombre de la tabla: bombas_rnd_antibiotico
La tabla que permite relacionar únicamente los

operónes por nombre contra la tabla de antibióticos,
Descripción de la tabla: porque esto es una excepción que precisamente se
identifica en el filtro ""perfilXRegla" de la tabla
"gen_antibiotico. (Tercera Regla)
Rangos Permite
nombre varchar(45)
Ascii hasta Nombre del operón de
45 No resistencia
Llave foránea al
Tabla 3-23: Descripción de la tabla bombas_rnd

Nombre de la tabla: bombas_rnd
Es la tabla donde se aloja la operación final de

identificación de los operónes y reguladores de
Descripción de la tabla: resistencia por muestra, luego de ser previamente
identificado todo según el catálogo de resistencia y el
script en python para bombas eflujo tipo RND.
(Tercera Regla 3.4.3)
Rangos Permite
id_bombas_rnd int(11) AI PK
Entre 1 y
Nombre con el que se
nombreOperon varchar(45) Ascii hasta identifica el operón según la
45 No tabla operon_resistencia
Llave foránea al
nombreRegulador varchar(45) Nombre con el que se

Ascii hasta identifica el regulador según
45 Si la tabla operon_resistencia
Indica si este operón posee
tieneRegulador bit(1) un regulador o no
Verdadero o encontrado según las
falso No operaciones
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
Tabla 3-24: Descripción de la tabla mutación_gen_resistencia

Nombre de la tabla: mutacion_gen_resistencia

entre el catálogo de genes de resistencia y la tabla de
Descripción de la tabla: que hace referencia a genes que con mutaciones
puntuales son resistentes a antibióticos. (Quinta
Regla 3.4.5)
Rangos Permite
Llave foránea al
Llave foránea al
id_mutacion_resistencia int(11) PK
Entre 1 y catalogo
2147483650 No mutacion_resistencia
Tabla 3-25: Descripción de la tabla mutación_resistencia

Nombre de la tabla: mutacion_resistencia

Descripción de la tabla: entre el catálogo de genes de resistencia y la tabla de
que hace referencia a genes que con mutaciones
puntuales son resistentes a antibióticos. (Quinta
Regla 3.4.5)
Rangos Permite
id_mutacion_resistencia int(11) PK
Entre 1 y
Nombre que se le va a dar a
esta mutación. Actualmente
nombre varchar(45) hay 2 únicamente: gyrA
Ascii hasta (S83L), parC S80L or W,E84K
45 No and G78C)
Es la expresión regular
que permite encontrar la
mutacionRegex varchar(45) mutación de resistencia
dentro de la secuencia de
Ascii hasta aminoácidos del gen
45 No correspondiente
Tabla 3-26: Descripción del catalogo blactam_clase

Nombre de la tabla: blactam_clase
Catálogo que contiene la clasificación más amplia

que tienen las β-lactamasas, es decir por clase
Descripción de la tabla: molecular y/o subclase, actualmente posee 6 clases.
Finalmente, solo sirve como referencia a este tipo de
agrupación obtenido de la literatura para el modelo
de base de datos actual.
Rangos Permite
Entre 1 y
id_blactam_clase int(11) PK
Es el nombre de la clase
molecular y subclase. Con
nombre varchar(45) las siguientes 6
Ascii hasta posibilidades: A, B1, B2, B3,
45 No C, D
Tabla 3-27: Descripción del catálogo blactam_grupo

Nombre de la tabla: blactam_grupo
Catálogo que contiene la clasificación del grupo

funcional para las β -lactamasas, según la
Descripción de la tabla: clasificación Bush-Jacoby. Esta tabla permite señalar
los grupos de resistencia a antibióticos, así que
incluso existen más registros que grupos funcionales
según la clasificación Bush-Jacoby por que se debe
subdividir según la resistencia a antibióticos.
Rangos Permite
Entre 1 y
id_blactam_grupo int(11) PK
Es el nombre del grupo
nombre varchar(45) Ascii hasta funcional actualmente
45 No posee 20 registros
Llave foráea al identificador
id_blactam_clase int(11) PK Entre 1 y de la tabla catalogo
2147483650 No blactam_clase
Tabla 3-28: Descripción de la tabla blactam_grupo_gen

Nombre de la tabla: blactam_grupo_gen
Esta tabla permite la relación de muchos a muchos
Descripción de la tabla: entre la tabla gen_resistencia y blactam_group, por
lo cual crea la asociación de cuales genes
pertenecen a que grupo funcional de β-lactamasa.
Rangos Permite
Entre 1 y
id_blactam_grupo int(11) PK
Llave foránea al
Tabla 3-29: Descripción de la tabla blactam_grupo_antibiotico

Nombre de la tabla: blactam_grupo_antibiotico
Es la tabla que cruza la información entre la tabla de

antibióticos y la tabla del catálogo de grupos de
Descripción de la tabla: beta-lactamasas "blactam_group", además permite
calificar este cruce de datos con el nivel de
resistencia y agruparlo por la correspondencia según
el perfil de resistencia fenotípica. Funciona de forma
similar que la tabla "gen_antibiotico_resistencia".
Rangos Permite
Llave foránea al
id_blactam_grupo int(11) Entre 1 y identificador de la tabla
2147483648 No catalogo blactam_grupo
Llave foránea al
Llave foránea al
catalogo interpretación,
que permite calificar el
grupo funcional para el
Id_interpretacion int(11) antibiótico dado,
resistencia
correspondiente.
Entre 1 y Respondiendo así a la
2147483647 No segunda regla.
Llave foránea al
catalogo
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.
Tabla 3-30: Descripción del catálogo fuente

Nombre de la tabla: fuente
Pequeño catálogo que contiene el origen o fuente de los
Descripción de la tabla: genes de resistencia con los cuales se trabajan en este
proyecto.
Rangos Permite
Entre 1 y
id_fuente int(11) PK
Indica el nombre o detalle
detalle varchar(45) de los datos. En este
momento se tiene 3:
Ascii hasta 45 No CardDB, Resfam y Propio
Tabla 3-31: Descripción de la tabla perfil_resistencia_genomica1

Nombre de la tabla: perfil_resistencia_genomica1
Es la tabla permite agrupar por elementos de
resistencia según todas las reglas de resistencia a
Descripción de la tabla: antibióticos descritas, para poder evaluar un perfil
genómico de resistencia, es un paso intermedio y
necesario según el modelo para definir el perfil
genómico.
Rangos Permite
int(11) Entre 1 y Identificador auto
id_perfil_resistencia_genomica1
AI PK 2147483647 No numérico
Llave foránea al
Llave foránea al
id_resistencia_genomica1 int(11)
Entre 1 y catalogo
2147483647 No resistencia_genomica1
Llave foránea al
Llave foránea al
catalogo interpretación,
que permite calificar el
grupo funcional o gen para
Id_interpretacion int(11) el antibiótico dado,
resistencia
correspondiente.
Entre 1 y Respondiendo así a la
2147483647 No segunda regla.
Llave foránea al
catalogo
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.
Tabla 3-32: Descripción de la tabla perfil_genomico
Nombre de la tabla: perfil_genomico

Consolida un consenso para definir un perfil genómico
Descripción de la tabla: de resistencia orientado a la resistencia por antibiótico
y calificándolo con un valor para una muestra dada.
Rangos Permite
id_perfil_genomico int(11) AI PK Entre 1 y Identificador auto numérico

2147483647 No
Entre 1 y Llave foránea al identificador
id_muestra int(11)
2147483647 No de la tabla catalogo muestra
id_antibiotico int(11)
Entre 1 y Llave foránea al identificador
2147483650 No de la tabla catalogo antibiótico
Es un valor entero que califica

la resistencia a determinado
valor int(11) antibiótico, donde los valores
<= 0 corresponde a
Entre 1 y susceptible, 1 es intermedio y
2147483647 No >= 2 es resistente.
3.2.4 Metadatos de la base de datos CARD y Resfams

Son datos adicionales a los genes de resistencia, que permiten cruzar (se crearon una
serie de scripts MySQL para cada caso y versión, scripts que se encuentran dentro del
repositorio de archivos del trabajo en la carpeta “COMPLEMENTARIOS”) los datos de los
catálogos de “mecanismos de resistencia” Tabla 3-14, y “antibióticos” Tabla 3-1, con los
genes de resistencia que estas bases proveen. Estos metadatos tuvieron que ser
adaptados a los mecanismos definidos para este proceso, y fue posible adaptarlos debido
a que los mecanismos usados logran englobar todo lo que los metadatos proveen.
A continuación, se presentan las tablas implementadas:
Figura 3-4: Diagrama E-R para Metadatos de la base de datos CARD y ResFams.
Tabla 3-33: Descripción tabla metadata CARD, aro_categories

Nombre de la tabla: aro_categories
Es la tabla principal de la metadata de la base de

datos de CARD, tomada de un archivo con extensión
Descripción de la tabla: csv. Aquí se encuentra la relación de las secuencias
que se encuentran en un multifasta contra los
mecanismos de resistencia y los antibióticos. Los
datos originales tuvieron que ser curadas y ajustadas
al modelo E-R.
Rangos Permite
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 texto que

contiene o el mecanismo de
ARO_Category_Name varchar(200) resistencia al cual pertenece
Ascii hasta este registro o el antibiótico
200 No al cual es resistente.
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
Tabla 3-34: Descripción tabla resfams_metadata

Nombre de la tabla: resfams_metadata
Es la tabla principal de la metadata de la base de

datos de Resfams en HMM, tomada de un archivo
Descripción de la tabla: con extensión csv. Aquí se encuentra la relación entre
los 170 HMM que corresponden a resistencia a
antibióticos. contra los mecanismos de resistencia y
los antibióticos. Los datos originales tuvieron que ser
curadas y ajustadas al modelo E-R de este proyecto.
Rangos Permite
Corresponde al identificador
Resfam_ID varchar(20) propio de ResFams, que
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
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.
Califica a las betalactamasas

B_Lactamase_Ambler_Class varchar(50)
Ascii hasta por sus clases: A, B, C o sin
50 Si clasificar.
Tres tipos de clasificacion

solo para los HMM
Tetracycline_Resistance varchar(50) resistentes a Tetraciclinas:
Bomba Eflujo MFS,
Ascii hasta Protección ribosomal,
50 Si inactivación.
3.2.5 Persistencia datos bibliográficos

Las siguientes tablas fueron implementadas para guardar sistemáticamente los datos
bibliográficos de muchos registros en diferentes tablas sobre el modelo completo de a
presente tesis, y además tener un modelo simplificado y unificado, es decir la misma
bibliografía puede aplicar a diferentes registros en diferentes tablas.
Las tablas a las cuales se les está referenciando la bibliografía son:
Figura 3-5: Diagrama E-R para la bibliografía
Tabla 3-35: Descripción del catálogo bibliografia

Nombre de la tabla: bibliografia
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
Entre 1 y
id_bibliografia int(11) AI PK
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.
Identificador digital de objeto del

DOI varchar(50) artículo que se relaciona con este
Ascii hasta 50 Si gen de resistencia.
Nombre de la referencia
nombre varchar(45)
Ascii hasta 45 No bibliográfica
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
Tabla 3-36: Descripción de la tabla bibliografia_tablas

Nombre de la tabla: bibliografia_tablas
Esta tabla permite la interacción entre el catalogo
Descripción de la tabla: "Bibliografía", y cualquier tabla a la cual sus registros
tiene alguna referencia bibliográfica que se quiera
persistir en este modelo.
Rangos Permite
id_bibliografia_tablas int(11) AI PK
Entre 1 y
Ascii hasta Llave foránea al identificador
id_bibliografia int(11)
45 No de la tabla catalogo bibliografía
El nombre de la tabla a la cual
nombre_tabla varchar(64) Ascii hasta va a hacer una referencia
45 No bibliográfica
Es el ID o PK del registro de la
id_tabla int(11) Ascii hasta tabla señalada en la columna
50 No anterior.
3.2.6 Lectura de los genomas ensamblados
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.
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.
La utilidad de esta aplicación se encuentra en que ella carga toda la información de la

anotación a un modelo de base de datos, el cual permite su fácil extracción y análisis para
el presente trabajo.
Figura 3-6: Diagrama E-R para aplicación “LecturaEnsamblados” V.2.0.1
3.3 Clasificación de β-lactamasas orientada a la

resistencia
Este grupo de enzimas por su cantidad y por la posibilidad de clasificación en la resistencia
a los antibióticos son tomadas y valoradas de una forma que se va a explicar en este sub
capitulo.
Es necesario encontrar y aplicar una clasificación consenso bajo la indicación de varios

artículos científicos que son relevantes para tal tarea (la bibliografía que referencia estos
artículos esta especificada en las la Tabla 3-37 y la Tabla 3-38). Hay que tener en cuenta
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
siguientes posibilidades: genes, proteínas y HMM asociadas a la resistencia a los

antibióticos). La tabla que permite esta interacción de muchos a muchos, califica a esta
relación con una interpretación basada en los mismos 3 niveles de susceptibilidad con los
cuales se califica la resistencia fenotípica cuando se realiza el antibiograma: Susceptible,
intermedio y resistente. Adicional también se permite agrupar a esta relación según la tabla
clsi-antibiotico actualmente corresponde únicamente para Acinetobacter spp. En su
concentración mínima inhibitoria dada según el año que le pertenece, según el año de la
muestra (Patel et al., 2015) páginas 56 y 57.
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.
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
Finalmente, el consolidado de todas las agrupaciones es el que se describe en la Tabla

3-37.
Tabla 3-37: Agrupación Consolidada para β-lactamasas

Clase Grupo Subclase
Interpretación Bibliografía
Molecular Funcional Antibiótico
2a Penicillins Resistente (Bush and Jacoby, 2010)
Cephalosporin Ic Resistente
2b (Bush and Jacoby, 2010)
Penicillins Resistente
A Cephalosporin Ic Resistente
Cephalosporin IIc Resistente
2be (Bush and Jacoby, 2010), (Bush, 2013)
Cephalosporin IIIc Resistente
Cephalosporin IVc Resistente
Monobactams Resistente
Cephalosporin IIc Intermedio
2ber Cephalosporin IIIc Intermedio (Bush, 2013), (Poole, 2004)
Cephalosporin IVc Intermedio
b-Lactam/b-lactamase
Intermedio
2br inhibitor combinations (Bush and Jacoby, 2010), (Bush, 2013), (Poole, 2004)
2c Penicillins Resistente (Bush and Jacoby, 2010), (Bush, 2013)
2ce Penicillins Resistente (Bush and Jacoby, 2010), (Bush, 2013)
2e Cephalosporin IIIc Resistente (Bush and Jacoby, 2010), (Bush, 2013)
Carbapenem Resistente
(Queenan and Bush, 2007), (Bush and Jacoby, 2010),
2f Cephalosporin IIIc Resistente
(Bush, 2013)
Carbapenem Intermedio
2f_GES Cephalosporin IIIc Resistente
(Bush, 2013)
Cephalosporin IIc Intermedio
2f_SME Cephalosporin IIIc Intermedio
(Bush, 2013)
Cephalosporin IVc Intermedio
Intermedio (Queenan and Bush, 2007), (Bush and Jacoby, 2010),
B1 3a inhibitor combinations
(Bush, 2013)
Intermedio
B2 3b inhibitor combinations (Bush and Jacoby, 2010), (Bush, 2013)
Intermedio
inhibitor combinations
B3 3a (Bush and Jacoby, 2010), (Bush, 2013)
Intermedio
1 inhibitor combinations (Bush and Jacoby, 2010), (Bush, 2013)
Intermedio
inhibitor combinations
C
1e (Bush and Jacoby, 2010), (Bush, 2013)
(Evans and Amyes, 2014), (Bush and Jacoby, 2010),
2d Penicillins Resistente
(Bush, 2013)
(Evans and Amyes, 2014), (Bush and Jacoby, 2010),
2de Cephalosporin IIIc Resistente
(Bush, 2013)
D 2def (Gomez et al., 2013), (Evans and Amyes, 2014)
(Bush, 2013), (Evans and Amyes, 2014), (Bush and
2df Cephalosporin IIIc Resistente
Jacoby, 2010)
El grado de resistencia conferida por una β-lactamasa, como ya se ha indicado, fue

obtenido de lo descrito en la literatura, teniendo cuidado de solo utilizar aquellos datos que
estuvieran soportados en pruebas experimentales.
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).
Tabla 3-38: Asignación de genes a los grupos de β-lactamasas por excepción.

Clase Grupo Nombre
Bibliografía Cometarios
Molecular Funcional Gen
El nombre de este gen no se encuentra en
2a PC1 (Bush and Jacoby, 2010) Lahey, por lo cual fue necesario el apoyo del
artículo que lo menciona
SHV-32 http://www.lahey.org/Studies/ Se logra asignar a un grupo por Lahey
SHV-1 (Bush and Jacoby, 2010) Lahey, por lo cual fue necesario el apoyo del
2b El nombre de este gen no se encuentra en
TEM-1 (Bush and Jacoby, 2010) Lahey, por lo cual fue necesario el apoyo del
TEM-2 (Bush and Jacoby, 2010) Lahey, por lo cual fue necesario el apoyo del
A El nombre de este gen no se encuentra en

GES-1 (Poole, 2004) Lahey, por lo cual fue necesario el apoyo del
PER-7 (Bonnin et al., 2011, p. 7) Lahey, por lo cual fue necesario el apoyo del
2be VEB-1a (Poirel et al., 2001) Lahey, por lo cual fue necesario el apoyo del
VEB-1b (Poirel et al., 2001) Lahey, por lo cual fue necesario el apoyo del
CTX-M-
115 http://www.lahey.org/Studies/ Se logra asignar a un grupo por Lahey
BEL 1 al 3
Según el artículo, posiblemente esta proteína

tiene un tipo de resistencia muy limitado. Las
enzimas CARB pueden estar tanto en el grupo 2c
2ce CARB-16 (Petrova et al., 2014) y 2ce. Por la descripción de resistencia limitada
se decide dejar este gen en el grupo 2c.
Identificada inicialmente para Psychrobacter
maritimus, obtiene un 100% de identidad en la
muestra RB 1321, id 74.
No se encuentra por este nombre en Lahey, fue
necesario revisar la fuente principal que indica
ADC-2 NCBI protein: WP_004746565.1
en un tag de la anotación sobre la pertenencia a
la clase C
C 1
No se encuentra por este nombre en Lahey, fue
PDC-3 NCBI protein: ACQ82808.1 necesario revisar la fuente principal que indica
en un tag de la anotación sobre la pertenencia a
la clase C
Este gen corresponde al mismo OXA-40, que es
OXA-24 (Guo-Bao Tian et al., 2011) mencionado en el artículo referenciado para A.
baumannii
OXA-120
2df
OXA-215
http://www.lahey.org/Studies/ Se logra asignar a un grupo por Lahey
OXA-255
OXA-100
La información de la clase molecular D es limitada en la literatura disponible, por lo que se

utilizó la página de la clínica Lahey (http://www.lahey.org/Studies/) para completar estos
datos. De esta misma forma también se completó el grupo AmpC, que hace parte de la
clase molecular C grupo funcional 1, y el grupo NDM que se encuentra en la clase
molecular B1 en el grupo funcional 3.
Todos los genes agrupados por sus clases y grupos de β-lactamasas se encuentra en el
Anexo D, tabla 1-13.
3.4 Reglas de negocio para la obtención teórica de

la resistencia genómica
La primera parte de la implementación de las reglas consiste en la definición estática de
estas, en los diferentes catálogos. Más adelante se define la forma dinámica de las reglas,
para que con estas se obtenga la información de los catálogos asociados a cada una de
las muestras y así generar el perfil teórico de resistencia genómico.
3.4.1 Primera Regla

La primera regla tiene como finalidad el poder filtrar en los reportes del perfil genómico
según el alcance de los antibióticos que se encuentran en el perfil fenotípico.
Estos ajustes se implementan en la tabla llamada “gen_antibiotico_resistencia”(Tabla

3-18) , esta tabla es la que permite la relación muchos a muchos entre la tabla “antibiótico”
y la tabla “gen_resistencia”, encargada de almacenar el catálogo de todos los genes
relacionados con la resistencia a antibióticos, tomados de las bases de datos de proteínas
de CardDB (Jia et al., 2017), de los HMM de Resfam (Gibson et al., 2015) y otras proteínas,
obtenidas a partir de la literatura sobre resistencia de A. baumannii, que no estaban
incluidas en las bases de datos anteriormente nombradas.
Se creó la tabla catalogo llamada “correspondencia_antibiotico”(Tabla 3-19) para

relacionar con la tabla “gen_antibiotico_resistencia”(Tabla 3-18), para marcar cuales son
los antibióticos que van a ser relacionados en el perfil de resistencia genómica.
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
Teniendo en cuenta lo sugerido en la literatura para los genes de resistencia a antibióticos

que se encuentran en la base de datos, se realizó una consulta que cruzó las tablas
mencionadas anteriormente, para obtener los registros que presentan elementos
genómicos asociados con resistencia únicamente a: Imipenem, Meropenem, Ceftazidime,

obteniendo los siguientes resultados:
➢ Imipenem (porinas: “CarO, omp33 y omp36”)
➢ Meropenem (porinas: “CarO”)
➢ Ceftazidime (Bomba eflujo "adeDE")
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.
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.
Tabla 3-40: β-lactamasas que pertenecen a la agrupación en segundo nivel.

Cantidad
Nombre grupo Interpretación
Genes
b-Lactam/b-lactamase inhibitor combinations 1 Intermedio 96
Cephalosporin Ic 1 Resistente 96
b-Lactam/b-lactamase inhibitor combinations 1e Intermedio 1
Cephalosporin Ic 1e Resistente 1
Cephalosporin IIc 1e Resistente 1
Cephalosporin IIIc 1e Resistente 1
Cephalosporin IVc 1e Resistente 1
Cephalosporin Ic 2b Resistente 7
Cephalosporin Ic 2be Resistente 102
Cephalosporin IIc 2be Resistente 102
Cephalosporin IIIc 2be Resistente 102
Cephalosporin IVc 2be Resistente 102
Cephalosporin Ic 2ber Resistente 5
Cephalosporin IIc 2ber Intermedio 5
Cephalosporin IIIc 2ber Intermedio 5
Cephalosporin IVc 2ber Intermedio 5
b-Lactam/b-lactamase inhibitor combinations 2br Intermedio 8
Cephalosporin Ic 2de Resistente 21
Cephalosporin IIIc 2de Resistente 21
Carbapenem 2def Resistente 2
Cephalosporin IIc 2def Resistente 2
Cephalosporin IIIc 2def Resistente 2
Cephalosporin IVc 2def Resistente 2
Carbapenem 2df Resistente 45
Cephalosporin IIc 2df Resistente 45
Cephalosporin IIIc 2df Resistente 45
Cephalosporin IVc 2df Resistente 45

Cephalosporin Ic 2e Resistente 2
Cephalosporin IIc 2e Resistente 2
Cephalosporin IIIc 2e Resistente 2
Cephalosporin IVc 2e Resistente 2
Carbapenem 2f Resistente 14
Cephalosporin Ic 2f Resistente 14
Cephalosporin IIc 2f Resistente 14
Cephalosporin IIIc 2f Resistente 14
Cephalosporin IVc 2f Resistente 14
Carbapenem 2f_GES Intermedio 14
Cephalosporin Ic 2f_GES Resistente 14
Cephalosporin IIc 2f_GES Resistente 14
Cephalosporin IIIc 2f_GES Resistente 14
Cephalosporin IVc 2f_GES Resistente 14
Carbapenem 2f_SME Resistente 3
Cephalosporin Ic 2f_SME Resistente 3
Cephalosporin IIc 2f_SME Intermedio 3
Cephalosporin IIIc 2f_SME Intermedio 3
Cephalosporin IVc 2f_SME Intermedio 3
b-Lactam/b-lactamase inhibitor combinations 3a Intermedio 83
Carbapenem 3a Resistente 83
Cephalosporin Ic 3a Resistente 83
Cephalosporin IIc 3a Resistente 83
Cephalosporin IIIc 3a Resistente 83
Cephalosporin IVc 3a Resistente 83
b-Lactam/b-lactamase inhibitor combinations 3b Intermedio 8
Carbapenem 3b Resistente 8
Ciertamente si se toman únicamente como base de comparación, los ocho antibióticos

base incluidas las sub clases de antibióticos correspondientes, aun así, se pierde
información que puede ser valiosa en el perfil genómico teórico de resistencia.
3.4.2 Segunda Regla

Esta regla establece el nivel de resistencia, en “Resistente, intermedio o susceptible” a
los elementos genómicos de resistencia.
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”.
Además, la resistencia en otros casos se debe a la poca expresión y/o la desaparición de

algunos genes como los que permiten la expresión de las porinas: carO, omp33, opm66,
oprD, opmW. Entonces para este caso, si los genes simplemente se encuentran en la
anotación, la regla señala que son “susceptibles” a carbapenemasas entre otros (García,
2013).
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.
En la implementación de esta regla interviene la tabla “gen_antibiotico_resistencia” Tabla

3-18 a través de su relación con la tabla “interpretación” Tabla 3-5, de tal forma que para
cada dupla gen-antibiótico se pueda acceder al nivel de resistencia asociado, bien sea:
“Resistente, intermedio, susceptible”, ya que la tabla “gen_antibiotico_resistencia” posee
una columna que se relaciona con la tabla “interpretación” que se usa para calificar el nivel
de resistencia en la relación gen-antibiótico durante la elaboración del perfil genómico de
resistencia.
La decisión de usar los 3 niveles de resistencia para calificar el nivel de resistencia en la

relación gen-antibiotico (que finalmente califica el perfil genómico de resistencia), es
porque esto permite hacerlos comparables con lo reportado por la literatura.
3.4.3 Tercera regla

Esta regla evalúa los Operones de resistencia y sus reguladores de expresión.
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.
Figura 3-9: Algunas bombas eflujo tipo RND para A. baumannii
Imagen tomada de: (Coyne et al., 2011)
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.
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).
Finalmente, esta información fue recopilada y organizada a través de scripts en MySQL

por medio de un procedimiento almacenado llamado “getBombasRNDXMuestra”, que a su
vez es utilizado por el script en Python llamado “bombasXMuestra.py”, encargado de
almacenar en la tabla “bombas_rnd”, todos los hallazgos de bombas y reguladores
encontrados en las anotaciones registradas en la base de datos para los genomas de las
diferentes muestras. (Tabla 3-23).
3.4.4 Cuarta Regla

Define un porcentaje de identidad y un porcentaje de cobertura mínimo por grupos de
genes según los mecanismos de resistencia.
La gran mayoría de genes de resistencia a antibióticos se encuentran bajo el mecanismo

definido como “Degradación o Modificación del Antibiótico” y dentro de este, la mayoría
pertenece al grupo de β-lactamasas. Esto último se debe a que la penicilina fue el primer
antibiótico descubierto y utilizado para el tratamiento de infecciones (Tan and Tatsumura,
2015), y por tanto, es frente al cual las bacterias han desarrollado más estrategias
moleculares para hacerse resistentes, estrategias que involucran mutación de su
secuencia genómica, de tal forma se generan variantes con secuencias muy parecidas,
que les permiten eludir la acción de la penicilina y sus derivados o de las otras clases de
antibióticos disponibles en este momento para el tratamiento de infecciones.
Dada las pequeñas variaciones de secuencia que se presentan en los elementos

genómicos asociados a resistencia en bacterias, fue necesario definir inicialmente el
porcentaje de identidad y el de cobertura, necesarias para identificar en la anotación de
los genomas estos elementos genómicos de resistencia. Por ejemplo, para el caso de las
de β-lactamasas, la identidad y la cobertura deben estar mucho más cercanas al 100%,
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).
Para lograr la implementación de la parte estática de esta regla en la tabla llamada

“gen_mecanimos_resistencia” (Tabla 3-15), se almacena tanto el porcentaje de identidad
como la cobertura.
3.4.5 Quinta Regla

Evalúa las mutaciones puntuales de proteínas que causan resistencia a antibióticos
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.
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.
Esta regla es implementada con la tabla llamada “mutacion_resistencia” (Tabla 3-25),

donde se guardan los motivos o las expresiones regulares, y con la tabla llamada
“mutacion_gen_resistencia” (Tabla 3-24), en la cual se hace el cruce entre la tabla
“mutacion_resistencia” y la tabla “gen_resistencia” donde se encuentra el catálogo de los
genes de resistencia: (Tabla 3-16).
3.5 Determinación a los perfiles de resistencia

Fenotípicos
El INS facilitó inicialmente los perfiles fenotípicos de resistencia (antibiograma) de las 89
muestras seleccionadas, obtenidos utilizando el método de disco plata Kirby Bauer (gold
estándar) (Cantón et al., 2000), el método automatizado Vitek 2 (d’Azevedo et al., 2009) ,
y el método automatizado Phoenix 100 (O’Hara, 2006).
Los datos fueron almacenados en la base de datos en la tabla “resistencia_fenotipica”

(Tabla 3-8), y con ellos se procedió a hacer una comparación muestra por muestra, del
antibiograma reportado por cada una de las tecnologías, encontrando diferentes
incongruencias en la resistencia del microorganismo frente a algunos antibióticos y las sub
clases a las que pertenecen. Por lo cual, para hacer más robustos los resultados de los
antibiogramas se repitieron las pruebas en las muestras que presentaron incongruencias.
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.
3.6 Desarrollo de la aplicación

La construcción de la aplicación se hizo por capas, según se avanzaba en las necesidades
del proyecto. Este desarrollo se realizó utilizando el lenguaje Python. Específicamente se
trabajó con la versión 3.4, usando para facilidad del desarrollador el IDE 1 (entorno de
desarrollo integrado) de Microsoft Visual Studio 2015. Las librerías que se requieren para
el correcto funcionamiento de todos los scripts de la aplicación son los siguientes: bcbio-
gff (0.64), para leer y escribir los archivos GFF (Generic Feature Format) de la anotación
de los genomas; biopyhton (1.67), que posee muchas funcionalidades bioinformáticas
como por ejemplo la fácil manipulación de archivos en formato FASTA, entre muchas otras;
mysql-conector-python (2.13), driver para Python que facilita la interacción con la base de
datos en MySQL; y Numpy (1.11.2) paquete para la computación científica con Python,
que permite manipular objetos de matriz N-dimensional.
La aplicación en Python llamada “LecturaResistencia” es compatible tanto en Windows

como en Linux, siempre y cuando tenga los prerrequisitos instalados incluida la base de
datos en MySQL. La Figura 3-10, muestra un diagrama de flujo de los pasos que debe
seguir “LecturaResistencia” para cumplir con el objetivo de obtener un perfil genómico de
resistencia partiendo de la anotación de los genomas de A. baumannii descrita en el sub
capitulo (3.1.5). La línea de comando utilizada para su ejecución sobre la carpeta con la
muestra previamente anotada con Prokka para una de las muestras es el siguiente:
python3.4
/vault2/Hermes/codigoFuente/lecturaResistencia_V_1.0/perfilResistencia.p
y -r /vault2/SeqIlluminabaumannii/anotacionG3/GMRRA249.107
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)
Figura 3-10: Diagrama de flujo global del pipeline de la aplicación
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.
Este script llamado “perfilResistencia.py”, es el que internamente hace el llamado a

cada uno de los procesos de este pipeline, como se ve en el diagrama de flujo.
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.
El proceso llamado “Extraer Características”, se ejecuta a través de un procedimiento

almacenado llamado “extraerCaracteristicasxMuestra”, que únicamente solicita como
parámetro de entrada el “id_muestra”. Este extrae de manera adecuada todos los datos
previamente identificados para la resistencia genómica del proceso anterior; y los guarda
en la tabla “resistencia_genomica1” (Tabla 3-17), es decir los genes que identifica según
el archivo multifasta generado a partir de la base de datos CARD incluidos los genes
adicionales para A. baumannii, y los HMM de ResFams.
El siguiente proceso llamado “Extraer Bombas RND”, requirió de un script llamado

“bombasXMuestra.py” y un procedimiento almacenado llamado
“getBombasRNDXMuestra”, ya que por el tipo de configuración que estas tienen es
necesario hacer una evaluación más completa que requiere de esta interacción. La Figura
3-11 muestra el diagrama de flujo que explica en forma global el funcionamiento de este
script. Este proceso presenta una particularidad, mientras se almacenen en el catálogo de
las bombas eflujo tipo RND “operon_resistencia” Tabla 3-21, nuevos operones y
reguladores, no importando la configuración que estos tengan, el script lograra identificar
sí este está correctamente formado o no, para su evaluación dentro de la resistencia.
genómica.
Por último, el proceso llamado “Crear un perfil genómico”, utiliza un procedimiento

almacenado llamado “CrearPerfilGenomicoXMuestra”, que recibe únicamente como
parámetro el id_muestra, para generar el perfil.
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.
1. Borrar perfil consolidado genómico por muestra (si existe)

2. Borrar perfil de resistencia genómica temporal por muestra (si existe)
3. Insertar en el perfil de resistencia genómica temporal todos los genes que no
pertenecen a alguna regla ni las beta-lactamasas.
4. Insertar en el perfil de resistencia genómica temporal únicamente las beta-
lactamasas (estas poseen un camino de resistencia a antibióticos diferente).
5. Insertar en el perfil de resistencia genómica temporal las mutaciones puntuales
6. Insertar en la tabla temporal de bombas RND la información de resistencia a
antibióticos del grupo padre si es una agente.
7. Insertar en la tabla temporal de bombas RND la información de resistencia a
antibióticos cuando su información ya esta en un grupo y no un agente.
8. Insertar en la tabla de perfil temporal una agrupación únicamente de las bombas
RND, calificándolas con un valor.
9. Insertar en la tabla temporal PRG la información de resistencia a antibióticos
agrupada por los padres de los agentes, quitando elementos móviles y sin incluir
genes referenciados al grupo "Sin asignar".
10. Insertar en la tabla temporal PRG la información de resistencia a antibióticos
cuando su información ya hace parte de un grupo y no un agente, dejando afuera
los elementos móviles y aquí se incluye los agentes del grupo "Sin Asignar".
11. Inserta en la tabla de perfil temporal PRG una agrupación con los datos de los 2
pasos anteriores, calificándolas con un valor.
12. Inserta en la tabla del perfil consolidado la agrupación de la tabla perfil temporal
PRG.
13. Presenta el perfil genómico de resistencia de la muestra.
Figura 3-11: Diagrama de flujo macro Bombas Eflujo tipo RND
3.6.1 Scripts adicionales
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
“ajusteFasta.py”, hace un ajuste al encabezado de cada Fasta, para que el proceso de

anotación pueda hacer correctamente el trabajo y guarde la información en el archivo GFF
de forma correcta. El segundo Script llamado “cargarCardDB.py”, sirve para subir de forma
adecuada la información que se encuentra en el archivo multifasta, a la tabla “gen
resistencia” Tabla 3-16.
4. Resultados y Discusión
La primera parte de esta capitulo introduce algunos resultados iniciales que se observan
al avanzar a través de las reglas en la metodología. Luego se presentan los datos sobre
los mecanismos, genes y la relación con los antibióticos. Para posteriormente presentar
los resultados finales del presente trabajo.
4.1 Resultados
4.1.1 Datos en la tercera regla

Algunas estadísticas generales al respecto de estas bombas para las 89 muestras:
▪ De las 89 muestras 88 poseen alguna bomba e-flujo tipo RND bien formada, solo la
muestra “RA 768” no posee ninguna.
▪ 44 muestras poseen la bomba adeABC.
▪ De las 44 muestras que poseen la bomba adeABC solo la muestra “RB 1458” no posee
el regulador adeRS.
▪ De las 89 muestras de cepas de A. baumannii ninguna posee la bomba adeDE.
▪ 88 muestras poseen la bomba adeIJK y el regulador adeN, muestras que la muestra
con “RA 768” no posee ninguno de los genes.
▪ 87 muestras poseen la bomba adeFGH, la muestra “RB 1287” poseen 2 bombas de
este tipo.
▪ De las 87 muestras que poseen la bomba adeFGH, 23 muestras poseen el regulador
adeL.
▪ Ninguna muestra posee la bomba adeXYZ.
De las 44 muestras que poseen el operón adeABC, 28 de estas comienzan en la misma

posición, (aunque en diferentes contigs para cada muestra), en la posición 17766, es decir
allí comienza el gen adeA, y de igual manera termina siempre en la misma posición 14583,
además indica que la dirección de estos operones siempre es negativa, y todos tienen el
regulador adeRS igualmente en la misma posición.
Con respecto a lo descrito en la bibliografía, se evidenciaron en algunas muestras

variaciones en la ubicación de los genes que forman el operón de las bombas RND y de
sus reguladores, lo que lleva a preguntarse si es posible que las Bombas RND puedan
funcionar con esas configuraciones que son un poco diferentes a las reportadas. Esto es
observable en 19 muestras (ID’s: 1,2, 3, 4, 16, 18, 19, 20, 21, 24,26, 27, 28, 29, 33, 34, 35,
36 y 37), donde el gen regulador adeL que a su vez regula la expresión del operón adeFGH,
no se encuentra exactamente detrás del gen adeF, como se supone debería estar, sino
que está repetido y a 2 genes de distancia en la dirección correcta, es decir que hay otro
gen adeL a 3 genes de distancia del gen adeF como se ilustra a continuación:
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
Es posible que el regulador si sobre exprese al operón por la configuración 3D de la

molécula de ADN, ya que espacialmente el regulador adeL estaría precediendo al operón
(Reguero Reza, 2016).
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.
4.1.2 Datos en la quinta regla
▪ 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.
4.1.3 Perfiles fenotípicos de resistencia
Tabla 4-1: Categorías y agentes antimicrobianos usados para definir MDR, XDR y PDR
en Acinetobacter spp. En las 89 muestras del proyecto
Categoría Agente Total

#R #I #S
Antimicrobiana Antimicrobiano Muestras
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
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.
Como se puede apreciar en la tabla 4-1, solo 3 miembros de 3 categorías diferentes de

antibióticos (las casillas que están resaltadas con color), fueron evaluados en las 89
muestras, siendo esto especialmente crítico para la categoría de las Tetraciclinas porque
ninguna muestra fue probada frente a este tipo de antibióticos. En el Anexo B, Tabla 1-4,
se encuentra para cada una de las muestras su clasificación de resistencia, además de
mostrar cuales son las categorías de antibióticos frente a los cuales cada muestra fue
resistente. En general la resistencia de las 89 muestras fue clasificada como sigue: 14
XDR, 73 MDR y solo 2 muestra sin clasificación (1 con todas las categorías sensibles y la
otra con 1 categoría sensible). Nuevamente con el agravante de que en el antibiograma
de algunas muestras no están representados todos los grupos de antibióticos, y, por lo
tanto, algunas de las muestras clasificadas como XDR podría ser PDR.
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).
Tabla 4-2: Agrupación de la cantidad de muestras según antibiograma consolidado
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.
4.1.4 Perfiles genotípicos de resistencia

Tabla 4-3: Cantidad total de genes encontrados en las 89 muestras según el

mecanismo de resistencia
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
En general en los genomas de 89 muestras de A. Baumannii estudiadas se encontraron

elementos genómicos asociados a todos los mecanismos de resistencias antes descritos
(Tabla 4-3). También se identificaron 87 diferentes elementos genómicos cuyo mecanismo
de resistencia está catalogado como “Elementos Móviles”, que, aunque están descritos en
el Anexo E, tabla 1-15, no se tomaron en encuentra dentro de los perfiles genómicos de
resistencia abordados en el presente trabajo, ya que estos requieren de un análisis y
desarrollo que se consideró desde un comienzo por fuera del alcance de este proyecto y
que será abordado por el grupo de investigación en el futuro.
Los genes que corresponden al mecanismo de resistencia: Degradación o modificación del

Antibiótico como era de esperarse fueron los que se identificaron en mayor número (1685,
Tabla 4-3). Con cada uno de ello, como se explicó en el subcapítulo 3.3, se procedió a
establecer de acuerdo con la información disponible, el grupo, sub grupo, antibiótico y el
nivel de resistencia que podrían conferir cuando están presentes en el genoma de una
bacteria como A. Baumannii. Por supuesto esto fue únicamente posible para aquellos de
los que se encontró evidencia comprobada según la literatura (esto fue constantemente
actualizado), para el momento cuando se realizó la revisión de este apartado.
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
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)
Tabla 4-4: Antibióticos y clases por tipos de Bomba eflujo RND
BombaRND Antibiótico subclase o Clase
Gentamicin
Aminoglycosides
Kanamycin
Cefotaxime Cephalosporin IIIc
adeABC Tigecycline Glycylcyclines
Erythromycin Macrolides
Chloramphenicol Phenicols
Tetracycline Tetracyclines
Aminoglycosides
Rifampin Ansamycins
Carbapenem
Ceftazidime Cephalosporin IIIc

adeDE
Fluoroquinolone
Erythromycin Macrolides
Fluoroquinolone
adeFGH
Rifampin Ansamycins
b-Lactams
Fluoroquinolone
Trimethoprim Folate pathway inhibitors
adeIJK Lincosamides
Macrolides
aminocoumarin Quinolones
Rifampin Ansamycins
b-Lactams
adeXYZ Ciprofloxacin Fluoroquinolone
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.
Tabla 4-5: Cantidad de genes por antibiótico y clases
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
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
4.1.5 Comparación de los perfiles genómicos y fenotípicos

Finalmente, para entender por qué se necesitaba mostrar las tablas anteriores, siempre
incluyendo las clases y subclases de los antibióticos, es importante darse cuenta que
cualquier tipo de comparación tiene que darse entre iguales elementos o categorías, para
que la comparación tenga sentido.
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
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).
El comportamiento en el perfil genómico por supuesto es diferente al del perfil fenotípico,

si en alguna muestra no se presenta el dato sobre una sub clase, clase o grupo de
antibiótico, es porque simplemente no se encontraron elementos genómicos que puedan
influir en la resistencia a tal categoría, como sucede por ejemplo para el caso de los
elementos que confieren resistencia a "Monobactams", que solo fueron hallados en 5
muestras.
Tabla 4-6: Relación entre clases y sub clases de los perfiles Fenotípicos y Genómicos
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.
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
Tabla 4-7: Muestras con Incongruencias por clase en el perfil fenotípico
Id Muestra Sub-Clase / Clase
4 RB 13 b-Lactam/b-lactamase inhibitor combinations
8 RB 67 Cephalosporin IIIc
11 RB 138 Aminoglycosides
15 RB 184 Carbapenem
41 RA 121 Cephalosporin IIIc
42 RB 231-2 b-Lactam/b-lactamase inhibitor combinations
48 GMR-RA 1051 Aminoglycosides
80 GMR - RA 267 Aminoglycosides
118 RB330 b-Lactam/b-lactamase inhibitor combinations
Para solventar esta situación se procedió de la siguiente manera: primero la prelación se

da por el tipo de tecnología, siendo la prioridad el resultado por Kirby Bauer; segundo si la
tecnología es la misma entonces el perfil de resistencia estará orientado a la sospecha por
la resistencia, es decir, tendría prelación siempre el perfil resistente sobre los demás.
En la Tabla 4-8 se muestra el detalle de las incongruencias que fueron encontradas y la

solución que se le dio a cada muestra en la clase o sub clase que posee dicha
incongruencia.
Tabla 4-8: Detalle de incongruencias y ajustes.
ID Muestra Clase/Subclase Antibiótico Interpretación Equipo

4 RB 13 β-Lactam/β-lactamase Ampicillin-sulbactam Sensible Kirby Bauer

4 RB 13 inhibitor combinations Piperacillin-tazobactam Resistente Kirby Bauer
8 RB 67 Ceftazidime Sensible Kirby Bauer
Cephalosporin IIIc
8 RB 67 Ceftriaxone Intermedio Vitek 2
11 RB 138 Amikacin Resistente Kirby Bauer
Aminoglycosides
11 RB 138 Gentamicin Sensible Kirby Bauer
12 RB 147 inhibitor combinations Piperacillin-tazobactam Resistente Kirby Bauer
15 RB 184 Meropenem Sensible Kirby Bauer
Carbapenem
15 RB 184 Imipenem Resistente Kirby Bauer
18 RB 198 Ceftriaxone Resistente Vitek 2
Cephalosporin IIIc
23 RB 589 Ceftriaxone Resistente Vitek 2
Cephalosporin IIIc
Cephalosporin IIIc
40 RB 1399 Ceftriaxone Intermedio Vitek 2
40 RB 1399 inhibitor combinations Piperacillin-tazobactam Intermedio Kirby Bauer
41 RA 121 Ceftazidime Sensible Kirby Bauer
41 RA 121 Cephalosporin IIIc Ceftriaxone Intermedio Phoenix 100
41 RA 121 Cefuroxime (Oral) Resistente Phoenix 100
42 RB 231-2 β-Lactam/β-lactamase Piperacillin-tazobactam Resistente Kirby Bauer
42 RB 231-2 inhibitor combinations Ampicillin-sulbactam Sensible Kirby Bauer
48 GMR-RA 1051 Gentamicin Sensible Kirby Bauer
Aminoglycosides
48 GMR-RA 1051 Amikacin Resistente Kirby Bauer
80 GMR RA 267 Gentamicin Resistente Kirby Bauer
Aminoglycosides
80 GMR RA 267 Amikacin Sensible Kirby Bauer
118 RB330 β-Lactam/β-lactamase Ampicillin-sulbactam Sensible Vitek 2
118 RB330 inhibitor combinations Piperacillin-tazobactam Resistente Vitek 2
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.
Toda la información de las 89 muestras sobre de los perfiles de resistencia genómica se

encuentran en el Anexo E, Tabla 1-15, donde se puede apreciar por cada una los genes
de resistencia relacionados con los antibióticos y los mecanismos de resistencia, teniendo
en cuenta la posición de estos elementos dentro del genoma, previa aplicación de las
reglas de negocio propuestas.
4.1.6 Visualización de la comparación de los perfiles genotípicos

y fenotípicos
A continuación, se presenta la comparación de perfiles de resistencia a antibióticos basado

en un experimento visual del profesor John Alexis Guerra Gómez (http://johnguerra.co/),
donde presenta una herramienta que compara importaciones y exportaciones de productos
en los países de América, llamada “TradeFlow”.
Esta herramienta a su vez está basada en la tecnología D3.js (https://d3js.org/), librería de

JavaScript que permite manipular documentos basados en datos. Usa HTML, SVG, y CSS,
Y Combinando componentes de visualización y un enfoque basado en datos para la
manipulación DOM.
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”.
La aplicación implementada para la comparación de los perfiles de resistencia fenotípicos

y genotípicos (http://168.176.54.15/chartResistencia/flow/flow.html) (Figura 4-1 y Figura
4-2), tiene en la parte superior izquierda una lista desplegable “muestra” donde se debe
seleccionar la muestra que se desea visualizar, y segundo se debe escoger el año de la
muestra para poder ver el grafico con la comparación.
Primero en la lista desplegable “muestra” se debe seleccionar la muestra que se desea

visualizar, y segundo se debe escoger el año de la muestra para poder ver el grafico con
la comparación.
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).
El perfil genómico tiene valores desde el 1 hasta N, dependiendo de la aplicación de la

segunda regla de negocio (sección 3.4.2). Estos puntajes fueron asignados de la siguiente
forma: si el elemento genómico era resistente (+2), intermedio (+1) o susceptible (-1),
dependiendo claro de las demás reglas. Entonces se podría afirmar que si el valor es mayor
e igual a 2 en la Clase o subclase de antibiótico que lo posee este es posiblemente
resistente, entre más alto sea el valor significa que tiene más elementos genómicos que
suman a esa resistencia. Este grafico organiza de mayor a menor, y cambia el grosor de
la barra si el valor es mayor. Si el valor es de uno indica que el nivel de resistencia es
intermedio. Por otro lado, también existen valores de cero o negativos (los negativos
suceden por la suma de elementos susceptibles que están calificados con -1), como
sucede con algunas muestras en las Carbapenemasas, pero la gráfica solo muestra
valores mayores a cero.
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.
A continuación, se presenta 2 de las 89 figuras con la comparación grafica de los perfiles.

Las 89 figuras se encuentran en el Anexo F.
Figura 4-1: Comparación perfiles de resistencia para RA121
Figura 4-2: Comparación perfiles de resistencia para RB67

4.1.6.1 Calculo de precisión y análisis del perfil

genómico de resistencia
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.
En la base de datos se implementó un procedimiento almacenado llamado

“porcentajeComparaticoXidMuestra”, para calcular este porcentaje entre perfiles por cada
una de las muestras. Adicional también se creó el procedimiento almacenado llamado
“porcentajeComparatico”, que despliega una tabla con la información de los porcentajes
para todas las muestras válidas.
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
RB 67, presentan un porcentaje muy bajo de comparación, al tener en cuenta los

elementos genómicos identificados que conforman su perfil de resistencia (Anexo E), en
comparación con muestras que poseen igual o similar contenido genómico con
probabilidad de conferir resistencia a una clase o sub clase de antibiótico, se llegó a la
conclusión que a estas 3 muestras valdría la pena realizarles más experimentos y
descartar las incongruencias que se puedan haber presentado en el perfil de resistencia
fenotípico.
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 Discusión de resultados

Aunque una buena parte de las clases y las subclases tiene su respectiva correspondencia
entre ambos perfiles, según las comparaciones de los perfiles, se presentaron
principalmente 2 incongruencias mayores y 2 menores, que son corregibles con la
parametrización de la aplicación; igualmente a continuación se analizan todas las clases y
sub clases de antibióticos que son comparables entre ambos perfiles:
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.
Y por el lado de la resistencia genómica se tienen las siguientes muestras donde se

identificaron elementos genómicos que confieren resistencia a Monobactams: RB147,
RB184, RB197, RB1321, GMR-RA267. Es decir, solo coincide en la comparación la

muestra GMR-RA267.
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).
Considerando la información almacenada en el sistema y la poca concordancia entre los

perfiles de resistencia de las muestras resistentes (falsos negativos) a las que no se les
pudo predecir su resistencia a Monobactams utilizando la información genómica, la
explicación podría ser: 1. El sistema no posee todos los elementos genómicos de
resistencia para esta clase de antibióticos en su base datos; 2. Pueden existir los
elementos genómicos de resistencia, pero no se les ha correlacionado con la resistencia a
Monobactams; 3. Cabe la posibilidad que los datos provenientes del perfil fenotípico de
resistencia estén sesgados, ya que es posible haya falsas resistencias o falsas
susceptibilidades en A. baumannii. (García C., 2002).
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.
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.
Revisando las 12 muestras que son susceptibles a los Aminoglycosides en el perfil

fenotípico contra el perfil genómico, el sistema permite encontrar en 11 de ellas el gen
llamado “rpsL”, con 71.5% identidad y 99% de cobertura, único gen encontrado en estas
muestras con la posibilidad de conferir resistencia a esta clase de antibióticos. Inicialmente
se podría inferir que este gen no confiere resistencia a esta clase de antibióticos en las
muestras de A. Baumannii debido a su divergencia con relación al identificado en
Mycobacterium tuberculosis CDC1551 resistencia a Streptomycin, o no se expresa. (ver
información detallada está en el Anexo E, tabla 1-15).
A diferencia de las otras muestras sensibles a Aminoglycosides, en la muestra RB157 se

identificaron 2 genes, “rpsL” con las mismas características encontradas en las otras 11
muestras y el “APH(3')-VIa” con 100% de identidad y cobertura, conservado e identificado
por primera vez para A. baumannii. Este comportamiento de puede deber a que el
resultado fenotípico no es correcto, ya que en este caso fue obtenido utilizando Vitek2, el
cual puede proporcionar falsos resistencias o falsas susceptibilidades en A. baumannii.
(García C., 2002). También esto se puede explicar teniendo en cuenta que estos genes
podrían no estar expresándose, aunque ciertamente es más improbable, porque la en la
muestra RB 138 presentan la misma configuración y su perfil de resistencia fenotípica
reporta resistencia a 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.
Considerando lo anterior, se actualizó la base de datos aumentando el parámetro de

porcentaje de identidad y cobertura para el gen “rpsL” a mayor de 90%. Luego de este
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 base de datos en cuanto a elementos genómicos que confieren resistencia a

Carbapenem, contiene datos sobre las bombas eflujo RND: adeDE, asociadas con
resistencia a esta subclase de antibióticos (Coyne et al., 2011), junto con datos de 169
genes que codifican para β-lactamasas clasificadas dentro de los grupos: 2f, 3a, 3b, 2df,
2f_GES, 2f_SME, 2def, y el gen “SCO-1”. Como contraparte se tienen 4 genes que
generan susceptibilidad a esta subclase de antibióticos (carO, omp33, Omp36, OprD).
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
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.
Solo la muestra RB 183_2, presenta resistencia contra esta subclase de antibióticos en el

perfil fenotípico. mientras las restantes 66 muestras que incluían este ensayo de
resistencia mostraron ser susceptibles. Por otro lado, en el perfil genómico las 89 muestras
presentan resistencia a las polimixinas, todas ellas poseen al menos 2 genes entre los
siguientes 3: LpxC, LpxA, PmrE. 21 muestras poseen los 3 genes juntos.
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
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.
Evidentemente, la identificación de los genes “PmrE”, LpxA/B y C no es condición

suficiente para predecir resistencia a las polimixinas, por lo que se realizó una actualización
de la parametrización de los datos, que consistió en elevar los porcentajes de identidad y
cobertura del gen PrmE; y adicionar los genes sin mutación para LpxA/B y C, valorándolos
como susceptibles cuando sean encontrados.
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.
4.2.6 Cephalosporin IIIc

De las 89 muestras 7 muestras (RB 67, RB 198, RB 589, RB 1399, RA 121, GMR-RA 959
y RB 1388), presentan susceptibilidad a esta subclase de antibiótico, todas ellas sensibles
frente a la Ceftazidime de acuerdo con las pruebas realizadas con Kirby Bauer, excepto la
muestra GMR-RA 959 que adicionalmente presenta susceptibilidad a la Ceftriaxona de
acuerdo a la prueba realizada con el Vitek2.
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.
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.
4.2.7 Cephalosporin IVc

Con relación a esta clase de antibióticos 88 muestras cuentan con información dentro de
su perfil fenotípico de resistencia, mientras que este dato no fue reportado para la muestra
RB 198. Las muestras RB 67, RB 1399 y GMR-RA 959, mostraron en su perfil fenotípico
susceptibilidad a Cefepima, parte de la sub clase Cephalosporin IVc. Las pruebas fueron
realizadas utilizando Kirby Bauer (78 muestras) y Vitek2 (10 muestras).
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
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.
Las 89 muestras podrían presentar resistencia a esta subclase de antibióticos según el

perfil genómico de resistencia. En las 6 que presentaron susceptibilidad en el perfil
fenotípico de resistencia fueron identificados los genes mexT (identidad y cobertura 100%,
e-value 0); abeM (identidad > 99%; cobertura 100%, e-value 0); y parE (identidad >
68.89%; conbertura 100%, e-value 0), genes asociados a la resistencia frente a esta sub
clase de antibióticos (Jía et al., 2017). Adicionalmente, en las muestras RB 1399, RB 183-
2, RB 67 y RB 69, fue identificado el gen soxR (identidad 64.43%; conbertura 93%, e-value
1e-65); y en la muestra RB 15 el gen qacH (identidad 71.87%; conbertura 83%, e-value
2e-48).
De acuerdo con su perfil fenotípico de resistencia las 83 muestras restantes presentaron

resistencia frente a esta subclase de antibióticos, muchas de las cuales presentaron
perfiles genómicos de resistencia iguales y similares a las muestras descritas antes como
susceptibles.
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.
4.2.9 Folate pathway inhibitors

Para esta clase de antibióticos no se presentaron problemas en la comparación de perfiles
con los datos actuales. Solo 26 muestras poseen datos fenotípicos, todas resistentes al
Trimethoprim-sulfamethoxazole (este se compone de una parte de trimetoprima por cinco
partes de sulfametoxazol (Hamilton, 2014)).
Las 89 muestras presentarían resistencia de acuerdo con el perfil genómico de resistencia,

donde en todas fue identificado el gen mexT con un 100% de cobertura, 88 de ellas con
identidad del 100% y 1 con identidad del 99.70%. 77 muestras poseen adicionalmente el
gen sul2 (identidad 100%, e-value 0), aunque 69 de ellas con una cobertura del 94%, 11
con cobertura del 100% y una con 96% de cobertura; 3 muestras poseen el gen sul1
(identidad y cobertura 100%); y finalmente, una muestra posee el gen dfrE (identidad
62.75% de, cobertura 92% e e-value de 6E-38). 82 muestras tienen más de 1 gen que
induce resistencia frente a esta clase de antibióticos, y 7 (GMR-RA 959, GMRRA211,
GMRRA425, RB 147, RB 184, RB 67 y RB 69), que tienen solamente el gen mexT
(identidad y cobertura 100%). Por un lado, el gen mexT se ha reportado que confiere
resistencia a la trimetoprim (además a las Fluoroquinolonas y al Chloramphenicol),
mientras que los genes sul1 y sul2, confieren resistencia a las Sulfonamidas (como el
sulfametoxazol) y el gen dfrE confiere resistencia a la trimetoprim (Jia et al., 2017). Las 26
muestras que son resistentes según el perfil fenotípico de resistencia todas poseen 2
genes el mext y el sul2, excepto la muestra RB 828, que posee adicionalmente el gen sul1.
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
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.
4.2.11 b-Lactam/b-lactamase inhibitor combinations

Las 89 muestras poseen información en el perfil fenotípico de resistencia para esta clase
de antibióticos. 3 muestras: RB 67, GMR-RA 959 y RB 73, presentan susceptibilidad a
Ampicillin-sulbactam y Piperacillin-tazobactam, de acuerdo con los resultados obtenidos
utilizando la metodología Kirby Bauer.
Según el perfil genómico de resistencia las 89 muestras podrían presentar resistencia a

esta subclase de antibióticos. Por su parte, en las muestras GMR-RA 959, RB 67 y RB 73
reportadas como susceptibles de acuerdo con el perfil fenotípico de resistencia, fue
identificado el gen ADC-2 (Identidad 98.96%, 98.96% y 98.69% respectivamente). Las 86
muestras restantes poseen también el gen ADC-2 y en 79 de estas es el único elemento
genómico identificado asociado con la resistencia a esta clase de antibióticos, con
porcentajes de cobertura del 100%, e-values de cero y porcentajes de identidad siempre
entre al 98% y el 99%, es decir con unas características muy similares a las de las 3
muestras que presentan susceptibilidad. En 7 muestras se identificaron además los genes
NDM-1 y VIM-4, que también confieren resistencia a esta clase de antibióticos.
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.
4.2.12 Precisión del perfil genotípico
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).
Tabla 4-9: Porcentaje de correspondencia entre perfiles por cada muestra
Id Cod Cantidad Correspondencia

Porcentaje
muestra Muestra Fenotípica Genómica
1 RB 06 8 6 75,00
2 RB 10 9 6 66,67
3 RB 11 9 6 66,67
4 RB 13 10 6 60,00
6 RB 15 8 5 62,50
8 RB 67 10 4 40,00
9 RB 69 9 5 55,56
10 RB 137 9 5 55,56
11 RB 138 10 6 60,00
12 RB 147 9 7 77,78
13 RB 182 9 6 66,67
14 RB 183,2 9 7 77,78
15 RB 184 10 7 70,00
16 RB 196 10 7 70,00
17 RB 197 9 7 77,78
18 RB 198 7 4 57,14
19 RB 356 9 6 66,67
20 RB 381 9 6 66,67
21 RB 397 9 6 66,67
22 RB 414 9 7 77,78
23 RB 589 9 6 66,67
24 RB 602 8 6 75,00
25 RB 640 8 7 87,50
26 RB 883 8 6 75,00
27 RB 903 9 8 88,89
28 RB 978 12 9 75,00
29 RB 979 12 9 75,00
30 RB 991 8 6 75,00
31 RB 992 12 8 66,67
32 RB 993 8 6 75,00
33 RB 1168 8 7 87,50
34 RB 1169 8 7 87,50
35 RB 1230 9 8 88,89
36 RB 1232 9 8 88,89
37 RB 1287 9 8 88,89
38 RB 1289 9 7 77,78
40 RB 1399 10 5 50,00
41 RA 121 11 7 63,64
42 RB 231-2 11 6 54,55
46 GMR-RA 958 6 6 100,00

47 GMR-RA 959 8 3 37,50
48 GMR-RA 1051 9 6 66,67
49 GMR - RA 871 8 6 75,00
50 GMR-RA 1010 8 6 75,00
53 GMR - RA 768 8 6 75,00
54 GMR - RA 857 8 6 75,00
57 RB 73 10 4 40,00
61 RB 1725 6 6 100,00
62 GMR - RA 20 10 7 70,00
63 GMR - RA 81 10 8 80,00
64 GMR - RA 291 10 8 80,00
65 GMR - RA 292 10 8 80,00
66 RB 1456 6 5 83,33
68 RB 1655 10 8 80,00
69 RB 725 8 7 87,50
71 RB 807 9 8 88,89
73 RB 60 9 6 66,67
74 RB 1321 8 7 87,50
79 GMR - RA 265 10 8 80,00
80 GMR - RA 267 11 8 72,73
82 RB 828 9 8 88,89
83 RB 1690 10 8 80,00
84 RB 1296 12 8 66,67
85 RB 1291 9 8 88,89
88 GMR - RA 687 10 8 80,00
90 RB 1388 6 4 66,67
91 RB 1551 6 6 100,00
92 RB 1552 6 5 83,33
93 RB 1571 6 5 83,33
96 RB 1263 6 5 83,33
97 RB 672 6 5 83,33
98 RB 794 6 5 83,33
99 RB 796 8 6 75,00
103 RB 727 6 5 83,33
104 RB 188 10 8 80,00
105 RB 1458 6 6 100,00
106 GMRRA211 8 7 87,50
107 GMRRA249 8 6 75,00
108 GMRRA293 6 5 83,33
109 GMRRA389 8 6 75,00
110 GMRRA413 8 6 75,00
111 GMRRA416 8 6 75,00
112 GMRRA425 8 7 87,50
113 RB1106 6 5 83,33
114 RB1191 8 6 75,00

115 RB157 8 6 75,00
116 RB1709 8 6 75,00
118 RB330 9 7 77,78
120 RB755 8 6 75,00
Porcentaje Promedio Total 75,40
5. Conclusiones y recomendaciones
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
antibiótico a comparar, la cantidad de muestras y la cantidad de especies (inicialmente

como el grupo ESKAPE)
▪ Integrar la identificación y tipificación de microrganismos como las del grupo ESKAPE,
como parte del pipeline del proyecto.
▪ Desarrollar y automatizar los pasos primordiales en bioinformática antes de aplicar el
modelo de predicción de resistencia, es decir, el análisis de calidad, ensamblaje y
anotación. Especialmente en el ensamblaje del genoma para que el sistema identifique
automáticamente los mejores ensamblajes teniendo en cuenta los diferentes
algoritmos y diferentes K-mers. Adicional al curso normal de eventos que se tienen
actualmente.
▪ Adicionar al modelo la identificación de los diferentes plásmidos e islas genómicas de
resistencia (ojalá del nivel que actualmente posee el servicio web “IS Finder”), para
mejorar aún más la predicción de la resistencia a antibióticos, además de permitir una
mejor vigilancia epidemiológica en las infecciones asociadas a la atención en salud.
▪ Basándose en la información que se tiene actualmente, más la adicción de un nuevo
desarrollo software puede ser posible generar también un perfil de virulencia.
▪ Un proyecto de software siempre debe estar en mejoramiento continuo, si este tiene la
suficiente atención y recursos, solo por dar un ejemplo sobre la visualización de la
comparación final, se puede mostrar con detalle cuales son los elementos genómicos
que influyen en el perfil, basado en que parámetros y que reglas.
▪ Finalmente, luego de una gran base teórica depurada, se puede crear un proyecto
nuevo para predecir la resistencia a los antibióticos apoyado en el aprendizaje de
máquina para que la base teórica y el perfil fenotípico sirvan de comparación y de
fuente de alimentación.
.
Bibliografía
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.
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
García, A., 2013. Proteínas de membrana externa (Omp) de Acinetobacter baumannii.

Papel en virulencia y resistencia a. Issuu.
García C., P., 2002. Ventajas y problemas de los métodos automatizados de estudio de
susceptibilidad in vitro. Rev. Chil. Infectol. 19, 92–100.
Gibson, M.K., Forsberg, K.J., Dantas, G., 2015. Improved annotation of antibiotic
resistance determinants reveals microbial resistomes cluster by ecology. ISME J.
9, 207–216. https://doi.org/10.1038/ismej.2014.106
Gomez, S., Pasteran, F., Faccone, D., Bettiol, M., Veliz, O., De Belder, D., Rapoport, M.,
Gatti, B., Petroni, A., Corso, A., 2013. Intrapatient emergence of OXA-247: a novel
carbapenemase found in a patient previously infected with OXA-163-producing
Klebsiella pneumoniae. Clin. Microbiol. Infect. 19, E233–E235.
https://doi.org/10.1111/1469-0691.12142
Gordon, N.C., Wareham, D.W., 2010. Multidrug-resistant Acinetobacter baumannii:
mechanisms of virulence and resistance. Int. J. Antimicrob. Agents 35, 219–226.
https://doi.org/10.1016/j.ijantimicag.2009.10.024
Gupta, S.K., Padmanabhan, B.R., Diene, S.M., Lopez-Rojas, R., Kempf, M., Landraud, L.,
Rolain, J.-M., 2014. ARG-ANNOT, a New Bioinformatic Tool To Discover
Antibiotic Resistance Genes in Bacterial Genomes. Antimicrob. Agents
Chemother. 58, 212–220. https://doi.org/10.1128/AAC.01310-13
Hamilton, R., 2014. Tarascon pocket pharmacopoeia 2015 deluxe lab coat edition. Jones
& Bartlett Learning, Sudbury.
Hernandez, D., Tewhey, R., Veyrieras, J.-B., Farinelli, L., Osteras, M., Francois, P.,
Schrenzel, J., 2014. De novo finished 2.8 Mbp Staphylococcus aureus genome
assembly from 100 bp short and long range paired-end reads. Bioinformatics 30,
40–49. https://doi.org/10.1093/bioinformatics/btt590
Higuchi, S., Shikata, M., Chiba, M., Hoshino, K., Gotoh, N., 2014. Characteristics of
antibiotic resistance and sequence type of Acinetobacter baumannii clinical
isolates in Japan and the antibacterial activity of DS-8587. J. Infect. Chemother.
20, 256–261. https://doi.org/10.1016/j.jiac.2013.12.001
International Federation of Pharmaceutical Manufacturers & Associations, 2015. IFPMA.
Rethinking the way we fight bacteria [Internet]. Geneva.
Jia, B., Raphenya, A.R., Alcock, B., Waglechner, N., Guo, P., Tsang, K.K., Lago, B.A.,
Dave, B.M., Pereira, S., Sharma, A.N., Doshi, S., Courtot, M., Lo, R., Williams,
L.E., Frye, J.G., Elsayegh, T., Sardar, D., Westman, E.L., Pawlowski, A.C.,
Johnson, T.A., Brinkman, F.S.L., Wright, G.D., McArthur, A.G., 2017. CARD 2017:
expansion and model-centric curation of the comprehensive antibiotic resistance
database. Nucleic Acids Res. 45, D566–D573.
https://doi.org/10.1093/nar/gkw1004
Joshi, N.A., Fass, J.N., 2011. Sickle: A sliding-window, adaptive, quality-based trimming
tool for FastQ files (Version 1.33)[Software]. Available
Httpsgithubcomnajoshisickle.
Kamoun, C., Payen, T., Hua-Van, A., Filée, J., 2013. Improving prokaryotic transposable
elements identification using a combination of de novo and profile HMM methods.
BMC Genomics 14, 700. https://doi.org/10.1186/1471-2164-14-700
Karthikeyan, K., Thirunarayan, M.A., Krishnan, P., 2010. Coexistence of blaOXA-23 with
blaNDM-1 and armA in clinical isolates of Acinetobacter baumannii from India. J.
Antimicrob. Chemother. 65, 2253–2254. https://doi.org/10.1093/jac/dkq273
Köser, C.U., Ellington, M.J., Peacock, S.J., 2014. Whole-genome sequencing to control
antimicrobial resistance. Trends Genet. 30, 401–407.
https://doi.org/10.1016/j.tig.2014.07.003
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
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

Modelo Bioinformático para Predecir La Resistencia A Antibióticos A Partir Del Genoma de Una Bacteria PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modelo Bioinformático para Predecir La Resistencia A Antibióticos A Partir Del Genoma de Una Bacteria PDF

Cargado por

Copyright:

Formatos disponibles

Modelo bioinformático para predecir

la resistencia a antibióticos a partir

Hermes Pérez Cardona

Universidad Nacional de Colombia

Hermes Pérez Cardona

Universidad Nacional de Colombia

Palabras clave: Acinetobacter baumannii, perfiles de resistencia, modelo

Keywords: Acinetobacter baumannii, resistance profiles, bioinformatic model,

Lista de figuras ................................................................................................................... X

Lista de tablas .................................................................................................................... XI

Lista de Símbolos y abreviaturas .................................................................................. XIII

1. Estado del arte ............................................................................................................. 5

4. Resultados y Discusión ............................................................................................ 99

5. Conclusiones y recomendaciones ........................................................................ 131

5.2 Recomendaciones ............................................................................................. 131

Bibliografía ........................................................................................................................ 133

Figura 3-1: Diagrama E-R sobre resistencia fenotípica .............................................. 47

Tabla 3-1: Descripción del catálogo antibiotico ............................................................. 47

Tabla 3-35: Descripción del catálogo bibliografia ........................................................ 72

Lista de Símbolos y abreviaturas

Acinetobacter baumannii es un cocobacilo gram negativo, patógeno oportunista que es

El presente proyecto brinda la posibilidad de aprovechar la oportunidad actual en la

El enfoque de este proyecto según lo extraído en la literatura sobre los elementos

Para desarrollar el presente proyecto se inicia haciendo la evaluación de los elementos

2 sistemas automatizados, para posteriormente depurar las incongruencias, generando así

La introducción de los fármacos antimicrobianos en la medicina proporcionó la esperanza

El fenómeno de la resistencia a los antibióticos precede al uso de estos compuestos en un

1.1.1 El problema y un camino

Sobre la base de los escenarios de aumento de la resistencia a los medicamentos para

1.2 Acinetobacter baumannii

Se debe considerar que la naturaleza del huésped (pacientes humanos) ha jugado un

1.2.1 Importancia Clínica

A. baumannii es una de las bacterias más frecuentes en brotes de infección

Adicionalmente, su alta capacidad para desarrollar resistencia a los antibióticos, hace de

Un estudio realizado en la unidad de cuidados intensivos del centro medio de la universidad

En el medio hospitalario A. baumannii origina diversidad de cuadros clínicos, incluyendo

Un fenómeno relativamente reciente ha sido asociado con A. baumannii por infecciones

1.2.2 Plasticidad del genoma

La adquisición y diseminación de los determinantes de la resistencia a los antimicrobianos

inserción (IS), transposones, integrones, plásmidos y, en última instancia, islas de

a tigeciclina. Los ensayos confirmaron la interacción sinérgica entre tigeciclina y

Otras combinaciones también han sido descritas en la literatura científica. De 14

Es preocupante que las infecciones causadas por aislamientos de A. baumannii pan

1.3 Mecanismos de resistencia

En general, la resistencia antimicrobiana se puede lograr mediante dos mecanismos

1.3.1 Modificación genética de genes endógenos o Mutación

1.3.2 Transferencia horizontal de genes

▪ La Conjugación: requiere contacto físico entre un donante y una célula receptora a

o Especializada: en la que un profago de forma imprecisa se divide a sí mismo a

1.3.3 Otros mecanismos de HGT

1.4 Mecanismos de resistencia en A. baumannii

La adquisición de nuevos determinantes genéticos en A. baumannii se produce por el

transposones), integrones y plásmidos transferibles, mientras que la modificación genética

1.4.1 Mecanismos de resistencia intrínsecos

Se estima que aprozamente 50 % de las cepas de A. baumannii tienen hiperproducción de

Otro mecanismo de resistencia intrínseco en A. baumannii es la presencia de la oxacilinasa

1.4.2 Mecanismos de resistencia adquiridos

necesario el conocimiento de la epidemiología local para establecer medidas de control

β-lactámicos: Es poco frecuente encontrar cepas de A. baumannii sensibles a todos los

Los mecanismos enzimáticos Estos consisten en la degradación del anillo β-lactámico

Dentro de las β-lactamasas de clase A, se encuentran las de amplio espectro relacionadas

Las β-lactamasas de clase B o metalo-β- lactamasas comprenden un grupo de enzimas

Los mecanismos no enzimáticos: Estos mecanismos de resistencia a β-lactámicos