Un análisis de pangenoma de bacteriófagos ESKAPE: la subrepresentación puede afectar los modelos de aprendizaje automático

Los bacteriófagos son las entidades biológicas más prevalentes en la biosfera. Sin embargo, las limitaciones tanto en relevancia médica como en tecnologías de secuenciación han llevado a una subestimación sistemática de la diversidad genética dentro de los fagos. Esta subrepresentación no solo crea una brecha significativa en nuestra comprensión de los roles de los fagos en diversos biosistemas, sino que también introduce sesgos en los modelos computacionales que dependen de estos datos para su entrenamiento y evaluación. En este estudio, nos centramos en los genomas de bacteriófagos disponibles públicamente que infectan patógenos ESKAPE de alta prioridad para mostrar la magnitud y el impacto de esta subrepresentación. Primero, demostramos una notable subrepresentación de los genomas de fagos ESKAPE dentro de las bases de datos públicas de genomas y proteínas. Luego, un análisis de pangenoma de estos fagos ESKAPE revela un amplio intercambio de genes esenciales entre los fagos que infectan el mismo hospedador. Además, los análisis de genoma y agrupamiento destacan relaciones cercanas a nivel de nucleótidos entre los fagos ESKAPE, lo que genera preocupación por la limitada diversidad dentro de las bases de datos públicas actuales. Por último, descubrimos una escasez de fagos líticos únicos y proteínas de fagos con actividades antimicrobianas contra patógenos ESKAPE. Este análisis integral de los fagos ESKAPE subraya la gravedad de la subrepresentación y sus posibles implicaciones. Esta falta de diversidad en los genomas de fagos puede restringir el resurgimiento de la terapia de fagos y causar resultados sesgados en modelos computacionales basados en datos debido a conjuntos de datos biológicos incompletos y desbalanceados.