{"id":906,"date":"2024-07-05T10:28:42","date_gmt":"2024-07-05T13:28:42","guid":{"rendered":"https:\/\/www.iprobyq-conicet.gob.ar\/?page_id=906"},"modified":"2024-07-18T09:41:22","modified_gmt":"2024-07-18T12:41:22","slug":"bioinformatica","status":"publish","type":"page","link":"https:\/\/www.iprobyq-conicet.gob.ar\/en\/bioinformatica\/","title":{"rendered":"Bioinformatics"},"content":{"rendered":"

[et_pb_section fb_built=”1″ _builder_version=”4.16″ use_background_color_gradient=”on” background_color_gradient_stops=”rgba(26,146,220,0.69) 0%|rgba(26,146,220,0.69) 100%” background_color_gradient_overlays_image=”on” background_color_gradient_start=”rgba(26,146,220,0.69)” background_color_gradient_end=”rgba(26,146,220,0.69)” background_image=”https:\/\/www.iprobyq-conicet.gob.ar\/wp-content\/uploads\/2020\/07\/banner-home-2.jpg” custom_padding=”120px||110px||false|false” global_module=”173″ saved_tabs=”all” locked=”off” collapsed=”off” global_colors_info=”{}”][et_pb_row column_structure=”3_4,1_4″ _builder_version=”4.16″ width=”83%” max_width=”83%” global_colors_info=”{}”][et_pb_column type=”3_4″ _builder_version=”4.16″ global_colors_info=”{}”][et_pb_text _builder_version=”4.16″ _dynamic_attributes=”content” header_2_font=”Roboto Condensed|600||on|||||” header_2_text_color=”#ffffff” header_2_font_size=”45px” header_2_letter_spacing=”1px” global_colors_info=”{}”]@ET-DC@eyJkeW5hbWljIjp0cnVlLCJjb250ZW50IjoicG9zdF90aXRsZSIsInNldHRpbmdzIjp7ImJlZm9yZSI6IjxoMj4iLCJhZnRlciI6IjwvaDI+In19@[\/et_pb_text][\/et_pb_column][et_pb_column type=”1_4″ _builder_version=”4.16″ global_colors_info=”{}”][et_pb_image src=”https:\/\/www.iprobyq-conicet.gob.ar\/wp-content\/uploads\/2020\/05\/logo-banner-2.fw_.png” align=”right” _builder_version=”4.16″ width=”67%” max_width=”67%” custom_margin=”-6px||||false|false” global_colors_info=”{}”][\/et_pb_image][\/et_pb_column][\/et_pb_row][\/et_pb_section][et_pb_section fb_built=”1″ _builder_version=”4.16″ background_enable_image=”off” width=”100%” locked=”off” global_colors_info=”{}”][et_pb_row column_structure=”3_5,2_5″ _builder_version=”4.16″ width=”83%” max_width=”83%” global_colors_info=”{}”][et_pb_column type=”3_5″ _builder_version=”4.16″ global_colors_info=”{}”][et_pb_text _builder_version=”4.16″ text_font=”|300|||||||” text_orientation=”justified” global_colors_info=”{}”]<\/p>\n

Las nuevas t\u00e9cnicas de secuenciaci\u00f3n de ADN est\u00e1n aumentando las cantidades de datos que pueden contribuir a mejorar la precisi\u00f3n en las definiciones de especies y las anotaciones de los genomas. En el laboratorio de bioinform\u00e1tica, estamos desarrollando y aplicando herramientas y procedimientos a escala gen\u00f3mica para predecir el comportamiento microbiano y seleccionar cepas microbianas o enzimas con capacidades sobresalientes. Nuestros estudios se aplican a cepas de inter\u00e9s agron\u00f3mico, cl\u00ednico o industrial. Adem\u00e1s, trabajamos con metagen\u00f3mica y machine learning para estudiar ambientes complejos y realizar predicciones biol\u00f3gicas. Estamos enfocados en los siguientes t\u00f3picos:<\/span><\/p>\n

Miner\u00eda g\u00e9nica y perfiles microbianos<\/span><\/strong>
Las funciones biol\u00f3gicas codificadas en un organismo eventualmente determinan su fenotipo y comportamiento en el ambiente. Sin embargo, la predicci\u00f3n de la funci\u00f3n de una prote\u00edna es una tarea compleja, estando las soluciones in silico actuales centradas en la ortolog\u00eda. Recientemente, hemos desarrollado una herramienta que establece el perfil funcional bacteriano basado en las funciones biol\u00f3gicas codificadas en su genoma. Nos centramos principalmente en las rizobacterias que promueven el crecimiento de las plantas del g\u00e9nero *Bacillus*.<\/span><\/p>\n

Miner\u00eda de datos y enzimas de uso industrial <\/span><\/strong>
Existe una demanda creciente de prote\u00ednas nuevas o con caracter\u00edsticas excepcionales para su aplicaci\u00f3n en diversos procesos industriales y\/o el desarrollo de organismos modificados gen\u00e9ticamente. Si bien el advenimiento de la gen\u00f3mica y la miner\u00eda de datos permiten la b\u00fasqueda de prote\u00ednas hipot\u00e9ticas con homolog\u00eda a prote\u00ednas o enzimas conocidas, una gran proporci\u00f3n de las prote\u00ednas disponibles en las bases de datos comparten poca identidad con todas las prote\u00ednas estudiadas. En el laboratorio, utilizamos procedimientos estandarizados que emplean herramientas bioinform\u00e1ticas y modelos estad\u00edsticos para la b\u00fasqueda en bases de datos de prote\u00ednas con fines industriales espec\u00edficos.<\/span><\/p>\n

Resoluci\u00f3n taxon\u00f3mica de cepas altamente relacionadas filogen\u00e9ticamente<\/span><\/strong>
A pesar de la existencia de directrices y recomendaciones para garantizar la estabilidad, reproducibilidad y coherencia en la taxonom\u00eda, la metodolog\u00eda para circunscribir las cepas en las especies es a\u00fan subjetiva y arbitraria. Adem\u00e1s, la clasificaci\u00f3n de especies de muchos Firmicutes (Enterococcus, Lactococcus, Lactobacillus o Bacillus) no se define por un concepto te\u00f3rico, sino generalmente por un requisito pragm\u00e1tico o de praxis industrial. Sin embargo, una asignaci\u00f3n precisa de especies es extremadamente importante para la aceptaci\u00f3n comercial para usos agron\u00f3micos o industriales. Por lo tanto, en el laboratorio nos enfocamos en realizar asignaciones de especies de cepas altamente filogen\u00e9ticas relacionadas, logrando establecer una coherencia entre las caracter\u00edsticas filogen\u00e9ticas, gen\u00f3micas y fenot\u00edpicas.<\/span><\/p>\n

Metagen\u00f3mica y machine learning<\/span><\/strong>
La metagen\u00f3mica es el estudio del material gen\u00e9tico recuperado directamente de muestras ambientales, permitiendo analizar la diversidad y funciones de comunidades microbianas complejas sin necesidad de cultivo. En nuestro laboratorio, utilizamos metagen\u00f3mica para estudiar ambientes complejos como el suelo productivo, donde un gramo de suelo puede contener m\u00e1s de 20.000 especies. Aplicamos machine learning, que es una rama de la inteligencia artificial centrada en el desarrollo de algoritmos que permiten a las computadoras aprender de los datos, para comprender la complejidad biol\u00f3gica y establecer predicciones respecto a los rendimientos y la salud del suelo.<\/span><\/p>\n

[\/et_pb_text][\/et_pb_column][et_pb_column type=”2_5″ _builder_version=”4.16″ global_colors_info=”{}”][et_pb_text _builder_version=”4.16″ text_font=”|300|||||||” link_text_color=”#1a92dc” header_3_font_size=”26px” global_colors_info=”{}”]<\/p>\n

Miembros del Laboratorio<\/h3>\n