La integración de datos genómicos y epidemiológicos permitió atribuir las fuentes de Listeria monocytogenes
Para lograrlo se aplicaron técnicas de secuenciación genómica completa y machine learning a los aislamientos de casos humanos, animales y alimentos
Un estudio realizado en Países Bajos y publicado en el International Journal of Food Microbiology permitió atribuir las fuentes de los casos humanos de listeriosis en el país. El objetivo fue determinar cómo podían haber contribuído varias fuentes alimentarias potenciales a los casos de enfermedad por Listeria monocytogenes e identificar los factores de riesgo específicos de la fuente, a nivel de exposición.
La atribución de la fuente de L. monocytogenes se obtuvo utilizando un modelado de aprendizaje automático (machine learning / ML) basado en los datos de tipificación de secuencias multilocus del genoma central (core genome Multilocus Sequence Typing / cgMLST) obtenidos de 756 aislamientos de casos humanos y 950 de alimentos o animales, disponibles en los sistemas nacionales de vigilancia de los Países Bajos, reportados en el período 2010 – 2020. En los casos humanos también se recopilaron datos de exposición basados en cuestionarios.
Los resultados indicaron que los aislamientos de L. monocytogenes humanos podían atribuirse principalmente a bovinos (62,3 %), pollos (19,4 %) y productos de mar (16,9 %). Más concretamente, la carne fresca (86,2 %), incluida la carne bovina fresca (43,7 %) y la carne de pollo fresca (39,3 %), representaron la mayoría de los casos.
Estas atribuciones derivaron de la contaminación de los productos alimenticios o de sus entornos de producción. El consumo de steak tartar (una típica comida a base de carne cruda) y salmón ahumado se asoció con un mayor riesgo de infecciones humanas atribuibles al ganado y a productos de mar, respectivamente, mientras que no se identificaron factores de riesgo específicos para la listeriosis transmitida por pollo.
La secuenciación del genoma completo (Whole Genome Sequencing / WGS) aporta información sobre las poblaciones bacterianas y permite identificar fuentes de infección zoonóticas comparando genomas bacterianos de pacientes humanos con aquellos de posibles fuentes de infección, como animales, alimentos y el medio ambiente. La tipificación mediante cgMLST, que ya se ha utilizado para Campylobacter, por ejemplo, brinda una diferenciación a escala más fina de las cepas estrechamente relacionadas que la MLST convencional. Por otra parte, los métodos de ML también se han usado para realizar la atribución de la fuente en Salmonella, Campylobacter y E. coli productora de toxina Shiga (STEC).
Este análisis conjunto mediante cgMLST y machine learning aporta herramientas para el avance de la epidemiología molecular y la prevención y control de las enfermedades transmitidas por alimentos.