Objetivos: Aplicación de Machine Learning en el análisis de los espectros lipídicos y de infrarrojos obtenidos con la espectrometría de masas lipídica (MALDI-TOF) y espectroscopia FTIR, respectivamente para: 1) Identificar y diferenciar las diversas especies más relevantes del complejo Mycobacterium tuberculosis (MTBC): M. tuberculosis, M. bovis (con sus subespecies y variedad BCG) y M. africanum; 2) Detectar los aislamientos del MTBC resistentes a la rifampicina, isoniazida y fluoroquinolonas. Metodología: a) Estudio multicéntrico (MALDITUB; 2024-2026) con dos centros beneficiarios y dos proyectos (1 y 2), en aislamientos del MTBC. El estudio se realizará en 10 centros de 7 CC AA de España. El presente proyecto 2 se llevará a cabo en 4 centros y será dirigido desde el Hospital General Universitario Gregorio Marañón (HGUGM); b) Se analizarán aislamientos de MTBC obtenidos retrospectiva y prospectivamente de todos los centros participantes (proyecto 1 y 2), incluyendo cepas resistentes a la rifampicina, isoniazida y fluoroquinolonas; c) Se caracterizarán todas las cepas a nivel de especie y mecanismos de resistencia a los fármacos antituberculosos más relevantes, mediante métodos moleculares (PCR-Hibridación reversa y secuenciación de los genes 16S rRNA, hsp65 y rpoB cuando sea preciso); d) Se estudiarán los espectros lipídicos obtenidos con el MALDI-TOF y los espectros infrarrojos obtenidos por espectroscopia FTIR; e) Análisis comparativo de los espectros mediante Machine Learnig aplicando dos procesos de entrenamiento y validación.

MALDI-TOF
Tuberculosis
Machine Learning
antibiotic resistance

Acción Estratégica en Salud (AES)