Análisis de Pseudomonas Fitopatógenas Usando Métodos

REVISTA MEXICANA DE

FITOPATOLOGÍA/1

Análisis de Pseudomonas Fitopatógenas Usando Métodos Inteligentes de Aprendizaje: Un Enfoque General Sobre Taxonomía y Análisis de Ácidos Grasos Dentro del Género Pseudomonas Analysis of PlantPathogenic Pseudomonas Species Using Intelligent Learning Methods: A General Focus on Taxonomy and Fatty Acid Analysis Within the Genus Pseudomonas
Bram Slabbinck,Bernard De Baets, Research Group Knowledge-based Systems, Department of Applied Mathematics, Biometrics and Process Control, Ghent University, Coupure links 653, 9000 Ghent, Belgium, Peter Dawyndt, Department of Applied Mathematics and Computer Science, Ghent University, Krijgslaan 281 S9, 9000 Ghent, Belgium y Paul De Vos, Research Group Knowledge-based Systems, Department of Applied Mathematics,Biometrics and Process Control, Ghent University, Coupure links 653, 9000 Ghent, Belgium.
(Recibido: Septiembre 20, 2009 Aceptado Enero 12, 2010)
Slabbinck, B., De Baets, B., Dawyndt, P., y De Vos, P. 2010. Análysis of plant-pathogenic pseudomonas species using intelligent learning methods: A general focus on taxonomy and fatty acid analysis within the genus Pseudomonas. Revista Mexicana deFitopatología 28:1-16. Abstract. The identification of plant-pathogenic bacteria is often of high importance. In this paper, we evaluate the identification of plant-pathogenic species within the genus Pseudomonas by fatty acid methyl ester (FAME) analysis. Starting from a FAME database, high quality data sets were generated. Two research questions were investigated: can plant-pathogenic Pseudomonasspecies be discriminated from each other and can the group of plant-pathogenic Pseudomonas species be distinguished from the group of non-plant-pathogenic Pseudomonas species. In a first stage, a principal component analysis was performed to evaluate the variability within the data. Secondly, the machine learning method Random Forests was evaluated for identification purposes. This intelligentmethod allows to learn from the variability and patterns in the data and to improve the species identification. The principal component analysis of plant-pathogenic species clearly showed overlapping data clouds. A Random Forests model was developed that achieved a species identification performance of 71.1%. Discriminating the group of plant-pathogenic

Slabbinck, B., De Baets, B., Dawyndt, P., yDe Vos, P. 2010. Análisis de especies de Pseudomonas fitopatógenas usando métodos inteligentes de aprendizaje: un enfoque general sobre taxonomía y análisis de ácidos grasos dentro del género Pseudomonas. Revista Mexicana de Fitopatología 28:1-16. Resumen. La identificación de bacterias fitopatógenas es de alta relavancia. En este trabajo se evaluó la identificación de especies fitopatógenas dentrodel género Pseudomonas mediante análisis de esteres metílicos de ácidos grasos (FAME). A partir de una base de datos de FAME, se han generado conjuntos de conjuntos de datos de alta calidad. Dos aspectos fueron investigados: la separación de especies fitopatógenas de Pseudomonas, y la diferenciación del grupo de espcies fitopatógenas de Pseudomonas de las no fitopatógenas. En la primera fase serealizó un análisis de componentes principales para evaluar la variabilidad de los datos. Posteriormente el método de aprendizaje árboles aleatorios fue evaluado para propósitos de identificación. El método inteligente permite aprender de la variabilidad y los patrones de los datos y mejorar la identificación de especies. El análisis de componente principal de especies fitopatógenas mostróclaramente sobreposición de grupos de datos. Se desarrolló un modelo de árboles aleatorios que permitió alcanzar una eficiencia de identificación de especies del 71.1%. Discriminar el grupo de especies fitopatógenas del

2/VOLUMEN 28, NÚMERO 1, 2010
grupo de especies no fitopatógenas fue más sencillo, dado el desempeño de los bosques al azar del 85.9%. Por otra parte se demostró que existe una...