Modelo predictivo de resistencia antibiótica en bacterias bucales mediante análisis fenotípico y taxonómico

Simple item page
dc.contributor.advisorTobar Tosse, Henry Fabián
dc.contributor.authorSotelo Ariza, Ana Luisa
dc.contributor.authorBarrera Salgado, Jorge Iván
dc.date.accessioned2026-01-28T15:55:13Z
dc.date.available2026-01-28T15:55:13Z
dc.date.issued2025
dc.description.abstractEste proyecto presenta un enfoque de aprendizaje supervisado para predecir resistencia antibiótica en bacterias bucales mediante la integración de características fenotípicas y taxonómicas. Se construyó un flujo de procesamiento y consolidación de datos a partir de cuatro fuentes heterogéneas del repositorio BV-BRC: metadatos de muestras clínicas, identificadores genómicos, información del linaje taxonómico y registros fenotípicos de susceptibilidad a antibióticos. La fase de preprocesamiento incluyó normalización de columnas, depuración de valores faltantes e inconsistentes, eliminación de duplicados, estandarización del nombre científico y procesamiento por bloques para manejar archivos TSV de gran tamaño. Este procedimiento permitió generar un conjunto de datos unificado y estructurado para análisis estadístico y modelado predictivo. Se realizó un análisis exploratorio que caracterizó la distribución de las bacterias por familia, género y especie, así como su relación con los fenotipos de resistencia. Mediante tablas cruzadas, gráficos de barras apiladas y mapas de calor proporcionales, se identificaron grupos taxonómicos con mayor prevalencia de fenotipos resistentes. Posteriormente, se implementó un modelo de regresión logística binaria empleando codificación categórica, validación mediante división train–test y métricas de desempeño como exactitud, precisión, recall y F1-score. El modelo alcanzó un accuracy del 75.2 % y un F1-score de 0.49, resultados que reflejan el desbalance entre clases y la complejidad inherente a la predicción de resistencia antibiótica. No obstante, el análisis de los coeficientes permitió identificar señales fenotípicas y taxonómicas asociadas a niveles diferenciados de resistencia. Los resultados demuestran la viabilidad de este enfoque computacional para caracterizar tendencias de resistencia antibiótica en bacterias bucales y constituyen una base metodológica para el desarrollo de modelos predictivos más robustos, con aplicaciones potenciales en vigilancia epidemiológica y análisis microbiológico basado en datos.spa
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Ciencia de Datos
dc.format.extent66 p.
dc.format.mimetypeapplication/pdf
dc.identifier.urihttp://hdl.handle.net/11522/5278
dc.language.isospa
dc.publisherPontificia Universidad Javeriana Cali
dc.publisher.departmentFacultad de Ingeniería y Ciencias
dc.publisher.programMaestría en Ciencia de Datos
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonshttps://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subjectMarcadoresspa
dc.subjectPatogenicidadspa
dc.subjectVirulenciaspa
dc.subjectTaxonómicaspa
dc.subjectFenotípicospa
dc.subjectMetagenomaspa
dc.subjectMachine learningeng
dc.subjectBiomarkerseng
dc.subjectMetagenomeeng
dc.subjectPathogenicityeng
dc.subjectVirulenceeng
dc.subjectTaxonomiceng
dc.subjectPhenotypiceng
dc.titleModelo predictivo de resistencia antibiótica en bacterias bucales mediante análisis fenotípico y taxonómicospa
dc.typemaster thesis
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
dc.type.redcolhttps://purl.org/redcol/resource_type/TM
Files
Original bundle
Now showing 1 - 2 of 2
Thumbnail Image
Name:
Proyecto de Grado Final - ANA LUISA SOTELO ARIZA,JORGE IVAN BARRERA SALGADO,.pdf
Size:
25.59 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Licencia de Uso - ANA LUISA SOTELO ARIZA,JORGE IVAN BARRERA SALGADO,.pdf
Size:
333.42 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Maestría en Ciencia de Datos