• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Dissertação de Mestrado
DOI
https://doi.org/10.11606/D.11.2022.tde-16092022-110237
Documento
Autor
Nome completo
Luan Gaspar Clemente
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
Piracicaba, 2022
Orientador
Banca examinadora
Coutinho, Luiz Lehmann (Presidente)
Tizioto, Polyana Cristine
Verdi, Maria Carolina Quecine
Título em inglês
Detection of mastitis-causing pathogen by sequencing different regions of 16S rRNA gene and machine learning
Palavras-chave em inglês
16S rRNA
Escherichia coli
Staphylococcus aureus
Bovine mastitis
Machine learning
Resumo em inglês
The correct identification of mastitis-causing pathogens is a key factor in the successful management of dairy farms. Techniques such as culture medium, qPCR, and 16S rRNA sequencing have been used to detect important microorganisms in raw bovine milk samples. However, due to costs, some challenges remain. Machine learning methods have been shown as an attractive alternative, as they can integrate different sources of data, with a diversity of purposes. New studies focusing on the detection of clinical and subclinical mastitis highlight the potential of applied machine learning methods to the management of mastitis in dairy farms. In this work, we evaluate the performance of three machine learning methods to detect the most abundant mastitis-causing pathogen in individual raw milk bovine samples integrating data from milk composition and 16S rRNA sequencing. We show the potential for the identification of Escherichia coli and Staphylococcus aureus. For abundance greater than 3% in individual samples, an accuracy of 100% and 86% was achieved, respectively. These results show that not only subclinical and clinical mastitis can be detected by machine learning methods, but some mastitis- causing pathogens either. Moreover, to maximize the information obtained from 16S rRNA sequencing, we evaluate in silico genetic diversity for different regions of the 16S rRNAgene and validate the results by Illumina sequencing. We show that for better detection of microorganisms associated with bovine mastitis, the V2-V3 region detects a higher prevalence with more relative abundance. We hope that this work can contribute to better management of dairy farms as well as the development of new tools for the control of bovine mastitis.
Título em português
Detecção de patógenos causadores de mastite pelo seqüenciamento de diferentes regiões do gene 16S rRNA e aprendizado de máquina
Palavras-chave em português
16S rRNA
Escherichia coli
Staphylococcus aureus
Aprendizado de máquina
Mastite bovina
Resumo em português
A correta identificação de patógenos causadores de mastite é um fator chave para o sucesso do manejo das fazendas leiteiras. Técnicas como meio de cultura, qPCR e sequenciamento de 16S rRNA têm sido utilizadas para detectar microrganismos importantes em amostras de leite bovino cru. No entanto, devido aos custos, alguns desafios permanecem. Os métodos de aprendizado de máquina têm se mostrado uma alternativa atraente, pois podem integrar diferentes fontes de dados, com diversas finalidades. Novos estudos com foco na detecção de mastite clínica e subclínica destacam o potencial de métodos de aprendizado de máquina aplicados ao manejo da mastite em fazendas leiteiras. Neste trabalho, avaliamos o desempenho de três métodos de aprendizado de máquina para detectar o patógeno causador de mastite mais abundante em amostras individuais de leite cru de bovinos integrando dados de composição do leite e sequenciamento de 16S rRNA. Mostramos o potencial para a identificação de Escherichia coli e Staphylococcus aureus. Para abundância superior a 3% em amostras individuais, uma precisão de 100% e 86% foi alcançada, respectivamente. Esses resultados mostram que não apenas a mastite subclínica e clínica pode ser detectada por métodos de aprendizado de máquina, mas também alguns patógenos causadores de mastite. Além disso, para maximizar as informações obtidas do sequenciamento do gene 16S rRNA, avaliamos a diversidade genética in silico para diferentes regiões do gene 16S rRNA e validamos os resultados pelo sequenciamento Illumina. Mostramos que para melhor detecção de microrganismos associados à mastite bovina, a região V2-V3 detecta maior prevalência com maior abundância relativa. Esperamos que este trabalho possa contribuir para um melhor manejo das propriedades leiteiras bem como o desenvolvimento de novas ferramentas para o controle da mastite bovina.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2022-09-16
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2024. Todos os direitos reservados.