Un nuevo método basado en IA acerca la identificación rápida de subespecies de ‘Mycobacterium abscessus’ a la práctica clínica

Un equipo de investigadores del Departamento de Ciencias de la Computación de la Universidad de Granada y del DaSCI – Andalusian Research Institute in Data Science and Computational Intelligence, en colaboración con Clover Bioanalytical Software S.L. y el Hospital General Universitario Gregorio Marañón, ha desarrollado un enfoque de aprendizaje automático que mejora de forma significativa la identificación de subespecies del complejo Mycobacterium abscessus a partir de espectros MALDI‑TOF MS, una técnica rápida y precisa utilizada para identificar microorganismos mediante patrones proteicos.

Uno de los elementos técnicos clave del trabajo es la reducción del binning, concepto que se refiere a la agrupación de señales del espectro.

El estudio, recientemente publicado en Journal of Proteome Research, analiza 325 perfiles espectrales obtenidos en un entorno multicéntrico y demuestra que corregir las variaciones entre laboratorios, reducir el binning del espectro y combinar este procesamiento con selección de características y técnicas de equilibrado de clases permite alcanzar un rendimiento muy superior al descrito hasta ahora. La mejor configuración logró aproximadamente un 97% de precisión y exhaustividad en la identificación de especies y variantes, y alrededor del 97% de clasificación correcta entre subespecies en el conjunto de prueba.

Uno de los elementos técnicos clave del trabajo es la reducción del binning, concepto que se refiere a la agrupación de señales del espectro. Esta decisión mejora la capacidad del modelo para detectar diferencias sutiles entre espectros muy similares y contribuye a obtener resultados equilibrados entre las subespecies, incluidas mejoras notables en la identificación de la variante más difícil de discriminar: M. abscessus subsp. bolletii.

El método propuesto busca aumentar la robustez de los modelos en escenarios reales, en los que los datos proceden de hospitales distintos y presentan variabilidad inherente. Esta robustez es un requisito esencial para que las herramientas basadas en inteligencia artificial puedan trasladarse con garantías a la práctica clínica. El trabajo forma parte de la tesis doctoral de Erica Fuillerat, alumna del DaSCI, y cuenta también con la participación de Juan Emilio Martínez, segundo coautor y estudiante de doctorado del mismo instituto. Por otro lado, los datos utilizados en el estudio están disponibles en Zenodo, siguiendo los principios de ciencia abierta y reproducibilidad.

El Instituto Andaluz Interuniversitario en Ciencia de Datos e Inteligencia Computacional, conocido como Instituto DaSCI, es una entidad de colaboración entre las universidades de Granada, Jaén y Córdoba. Se dedica a la investigación avanzada y la formación en el ámbito de la IA, con un enfoque particular en la Ciencia de Datos e Inteligencia Computacional. El instituto reúne a un destacado grupo de investigadores e investigadoras que trabajan en proyectos conjuntos, promoviendo el desarrollo y la aplicación de tecnologías innovadoras en diversos sectores. Con el objetivo de convertirse en un referente en su campo, el DaSCI impulsa la transferencia de conocimiento científico al entorno socioeconómico, contribuyendo así al progreso tecnológico y a la digitalización de la industria.