Bioinformática, el detector de humo en la lucha contra las pandemias
Por: Gabriela Paredes
El potencial de las herramientas bioinformáticas como una herramienta para la Bioseguridad y biodefensa.
En un mundo donde los incendios urbanos arrasaban ciudades, bastó una innovación clave para cambiar el curso de la historia: los detectores de humo. Estas herramientas no apagaban las llamas ni reemplazaban a los bomberos, pero ofrecían algo esencial: una advertencia temprana que permitía actuar antes de que el fuego se saliera de control No eran la solución completa, pero sí una pieza indispensable en el sistema de prevención.
En esta nota se aborda a la bioinformática como una parte esencial del monitoreo y detección de patógenos. Exploraremos sus capacidades y limitaciones, así como la manera en que puede integrarse en un sistema global de vigilancia en el cual se apueste por modelos predictivos y preventivos ya que hasta el momento los sistemas de vigilancia se han enfocado principalmente en la detección de brotes y en atender necesidades emergentes de salud pública, dejando aún pendiente la implementación de estrategias que permitan anticiparse proactivamente a futuras amenazas.
Este trabajo busca abordar este vacío existente explicando cómo funciona un pipeline bioinformático para análisis metagenómico, después, se explica cómo se podría integrar la inteligencia artificial para diseñar algoritmos avanzados de aprendizaje automático. Estos algoritmos serían capaces de identificar patrones genéticos sospechosos. En segundo lugar, se propone la creación de una base de datos ampliada que incorpore organismos con potencial pandémico conocido, permitiendo una detección más precisa y efectiva. Además, se sugiere la creación de un consorcio internacional que desarrolle estándares para el intercambio de datos y fomente la colaboración global.
Esta posibilidad tendría el potencial de transformar la vigilancia bioinformática, permitiendo una identificación más temprana y precisa. Por ejemplo, la implementación de estos sistemas podría detectar rápidamente modificaciones genéticas en patógenos como el SARS-CoV-2, facilitando respuestas más ágiles ante brotes emergentes. Además, un sistema fortalecido podría prevenir escenarios catastróficos al identificar patrones genéticos sospechosos incluso antes de que se manifiesten clínicamente.
Bioseguridad y biodefensa: objetivos compartidos en la mitigación de amenazas biológicas
La bioseguridad y la biodefensa comparten un objetivo común: proteger a las poblaciones y al medio ambiente de amenazas biológicas. Para ello, ambas dependen en gran medida de la vigilancia epidemiológica, una herramienta clave en la identificación de patógenos, el rastreo de brotes y la contención de su propagación. Sin embargo, los sistemas tradicionales de vigilancia, basados en la recopilación manual de datos clínicos, reportes desde hospitales y centros de salud, o en encuestas locales, presentan limitaciones significativas al abordar patógenos emergentes o desconocidos (Christen, 2008; World Health Organization, 2009). Estas deficiencias ralentizan la respuesta ante brotes debido a la demora en la recopilación de información y afectan directamente la eficacia de las estrategias de bioseguridad, permitiendo que enfermedades inicialmente localizadas evolucionen rápidamente en crisis regionales o incluso globales.
La incorporación de herramientas bioinformáticas en la vigilancia epidemiológica ha transformado este panorama. A diferencia de los métodos tradicionales, las plataformas bioinformáticas procesan y analizan grandes volúmenes de datos genómicos en tiempo real, optimizando la detección de patógenos y el monitoreo detallado de su propagación. Por ejemplo, tecnologías como la secuenciación de nueva generación (NGS) y algoritmos avanzados permiten identificar patrones genéticos únicos en muestras complejas (Saeb, 2018), facilitando la caracterización rápida de agentes infecciosos.
En la última década, los avances en biología sintética han incrementado la capacidad para diseñar y modificar patógenos con propósitos específicos, lo que ha generado una nueva dimensión de riesgo en bioseguridad. Estos organismos pueden desarrollarse con fines biomédicos, como la investigación y producción de vacunas, pero también pueden ser utilizados con intenciones menos éticas, como la creación de armas biológicas (Krishnamurthy et al., 2016; Pappas et al., 2006). La posibilidad de que un accidente de laboratorio o una liberación intencional propague un patógeno sintético con potencial pandémico es una preocupación creciente. Ante este escenario, es urgente establecer regulaciones estrictas para la contención y el monitoreo de estos agentes, ya que su proliferación sin control podría representar una amenaza sin precedentes para la salud pública mundial (Committee on Strategies for Identifying and Addressing Potential Biodefense Vulnerabilities Posed by Synthetic Biology et al., 2018).
A pesar de la magnitud de esta amenaza, la biología sintética sigue recibiendo poca atención a nivel gubernamental y global. La falta de recursos para regular y supervisar estas tecnologías limita la capacidad de respuesta ante posibles incidentes de bioseguridad. En este sentido, organizaciones como la M3 (Mid-Atlantic Microbiome Meet-up) han señalado deficiencias clave en los métodos actuales de vigilancia, como la baja sensibilidad para detectar patógenos en concentraciones reducidas y la incapacidad de diferenciar organismos viables. Además, han enfatizado la necesidad de establecer estándares de datos más sólidos que permitan el intercambio eficiente de información, fortaleciendo así la capacidad global para enfrentar futuras amenazas biológicas (Meisel et al., 2018).
El uso de herramientas bioinformáticas en este contexto brinda ventajas estratégicas, no solo al acelerar la detección de patógenos, sino también al permitir el seguimiento de cadenas de transmisión y la predicción de mutaciones que podrían modificar la dinámica epidemiológica de un brote.
¿Cómo Funciona la Bioinformática? Un Análisis del Pipeline SURPI
En términos simples, un proceso bioinformático implica extraer información genómica de una muestra, filtrar datos irrelevantes (como el material del hospedador) y de baja calidad, y compararlos con bases de datos genómicas. Esto permite identificar organismos cuya información genética ya es conocida o determinar las características genómicas de organismos previamente desconocidos (Saeb, 2018).
Normalmente, para la vigilancia epidemiológica, se estudian comunidades microbianas directamente a partir de muestras ambientales o clínicas, sin necesidad de cultivo previo, mediante el análisis metagenómico de la información generada por NGS. Investigadores de la UCSF, San Francisco, California, han buscado desarrollar un pipeline para el análisis rápido de estos datos, cuyo propósito es optimizar la identificación de patógenos en tiempo real. Este pipeline, denominado SURPI (Sequence-based UltraRapid Pathogen Identification), se describe a continuación con fines informativos y como referencia comparativa para herramientas similares (Naccache et al., 2014).
SURPI comienza su proceso con el preprocesamiento de datos brutos obtenidos mediante NGS. Este paso inicial incluye la eliminación de secuencias adaptadoras con herramientas como cutadapt, el filtrado de lecturas de baja calidad utilizando el algoritmo DUST en PRINSEQ y el recorte de todas las lecturas a una longitud uniforme de 75 pares de bases (pb). Recortar las lecturas asegura una mayor sensibilidad durante los alineamientos y permite un análisis más eficiente y uniforme.
Una vez preprocesados los datos, el siguiente paso es la substracción computacional de lecturas derivadas del ADN humano. Esto es crucial en muestras clínicas donde la mayor parte del material genético puede provenir del hospedador. SURPI utiliza SNAP, un alineador rápido de nucleótidos, para identificar y eliminar lecturas coincidentes con el genoma humano de referencia (hg19). Al descartar estas lecturas, el pipeline reduce el "ruido" en los datos y permite concentrarse exclusivamente en la identificación de microorganismos (Borozan et al., 2012).
El análisis de las lecturas no humanas continúa con el alineamiento contra bases de datos específicas, y SURPI ofrece dos modos de operación. En el modo rápido, las lecturas se alinean contra bases de datos de nucleótidos específicas para virus y bacterias, utilizando SNAP, lo que permite identificar patógenos en tiempos muy cortos. Por otro lado, el modo exhaustivo realiza alineamientos contra la base de datos completa de nucleótidos de NCBI (nt DB), que incluye secuencias de virus, bacterias, hongos y parásitos. Además, para identificar microorganismos altamente divergentes o nuevos, las lecturas no coincidentes se alinean contra bases de datos de proteínas, como la viral o la NCBI nr DB, utilizando RAPSearch, un algoritmo diseñado para detectar homologías proteicas de manera rápida.
Cuando las lecturas no coinciden directamente con referencias conocidas, SURPI realiza un ensamblaje de novo para generar secuencias contiguas (contigs) más largas. Para esto, utiliza herramientas como AbySS y Minimo, que ensamblan lecturas individuales en fragmentos genómicos más extensos. Estos contigs se analizan posteriormente contra bases de datos proteicas para identificar patógenos desconocidos mediante homología.
SURPI también clasifica taxonómicamente las lecturas identificadas. Utilizando el sistema de taxonomía de NCBI, las lecturas se asignan a familias, géneros y especies específicos. Esta información se organiza en tablas de resumen que muestran el número de lecturas clasificadas por categoría taxonómica. Además, se generan mapas de cobertura genómica que ilustran qué partes del genoma de cada microorganismo están cubiertas por las lecturas, destacando los contigs ensamblados para proporcionar una visión clara del análisis. Finalmente, el pipeline produce un reporte completo que incluye tablas, mapas de cobertura y listas de lecturas clasificadas. Este enfoque permite identificar patógenos de manera rápida y también ofrece información útil para investigaciones posteriores (Naccache et al., 2014).
Ilustración 1: Diagrama de flujo de SURPI (Naccache et al., 2014).
Ejemplos de implementación practica
SURPI ha demostrado su impacto en diversos contextos clínicos y de salud pública gracias a su capacidad para identificar patógenos de manera rápida y precisa. Durante el brote de Ébola en África Occidental, SURPI permitió filtrar lecturas humanas y centrarse en las secuencias virales, logrando identificar las cepas responsables de la propagación, lo que contribuyó a controlar la epidemia. En otro caso, se utilizó para diagnosticar fiebre en una viajera, donde en solo 13 minutos detectó la presencia del virus herpes humano 7 (HHV-7), permitiendo un manejo clínico oportuno (Naccache et al., 2014). Además, en hospitales, SURPI ha sido clave para identificar infecciones nosocomiales complejas, como brotes de Klebsiella pneumoniae resistente a carbapenémicos, guiando la implementación de estrategias terapéuticas efectivas (Chiu, 2014).
Además de SURPI, existen otros pipelines bioinformáticos que han contribuido significativamente en la identificación rápida de patógenos. Por ejemplo, Kraken es un sistema que asigna etiquetas taxonómicas a secuencias de ADN cortas, comúnmente obtenidas en estudios metagenómicos (Wood & Salzberg, 2014). Otro ejemplo es IDseq, una plataforma de código abierto basada en la nube para la detección y monitoreo global de patógenos. IDseq acepta datos de secuenciación metagenómica sin procesar, realiza filtraciones de calidad y de hospedador, y luego ejecuta un pipeline de alineamiento basado en ensamblaje que asigna lecturas y contigs a categorías taxonómica (Kalantar et al., 2020).
Desafíos Técnicos y Metodológicos en la Bioinformática Aplicada
A pesar de su potencial, la bioinformática enfrenta ciertas limitaciones que afectan su desarrollo e implementación. Entre las principales se encuentran la baja biomasa en muestras, altos niveles de contaminación del hospedador y la dificultad para cuantificar patógenos viables (Meisel et al., 2018). Estas barreras dificultan la caracterización precisa de micobiomas y viromas, especialmente en entornos donde el material genético es escaso o está altamente contaminado. Además, la diferenciación entre patógenos viables y no viables sigue siendo un reto debido a la persistencia de ADN libre en el ambiente, lo que genera señales falsas que no reflejan organismos vivos (Borozan et al., 2012). Asimismo, la falta de estandarización en métodos y plataformas, junto con la insuficiencia de bases de datos genómicas robustas y accesibles, representa un obstáculo. Además, la priorización histórica del componente procariota en estudios metagenómicos ha dejado subrepresentadas a las comunidades de hongos y virus, debido a la falta de un gen marcador universal y recursos limitados en su estudio, lo que restringe la comprensión completa de la diversidad microbiana y su impacto en los ecosistemas (Delwart, 2007).
Investigadores del Departamento de Entomología y Patología de Plantas de la Universidad Estatal de Oklahoma han propuesto métodos para estandarizar y validar la sensibilidad y especificidad de los análisis bioinformáticos. Estos esfuerzos buscan garantizar resultados objetivos e imparciales, asegurando que las herramientas bioinformáticas presenten resultados positivos o negativos y a su vez proporcionen datos cuantificables en términos absolutos y relativos, respaldados por rigor científico (Espindola et al., 2022).
Para superar estas limitaciones, es fundamental implementar estrategias concretas que mejoren la efectividad y accesibilidad de la bioinformática. Este enfoque debe estar precedido por un análisis exhaustivo de las limitaciones identificadas, asegurando que las soluciones estén alineadas con las necesidades globales. Una solución clave es fomentar iniciativas de colaboración internacional, como la creación de consorcios globales que desarrollen bases de datos genómicas unificadas y protocolos estándar. Ejemplos exitosos como el Earth Microbiome Project y el Global Virome Project demuestran el impacto positivo de la cooperación internacional en la generación de recursos estandarizados y accesibles para la investigación global (E Fournier & Fournier, 2010).
Revolución Tecnológica en la Bioinformática: Inteligencia Artificial al Servicio de la Ciencia
Además, los avances tecnológicos emergentes ofrecen soluciones prometedoras. Tecnologías como la inteligencia artificial (IA) y el aprendizaje automático están transformando el análisis bioinformático. Por ejemplo, algoritmos de IA, como los empleados en el modelo AlphaFold, han revolucionado la predicción de estructuras proteicas, permitiendo identificar con mayor precisión las funciones de genes desconocidos y facilitando el desarrollo de terapias dirigidas (Lancashire et al., 2008). Asimismo, proyectos como el Human Cell Atlas han utilizado IA para mapear tejidos humanos en resoluciones sin precedentes, generando recursos valiosos para investigaciones médicas. Del mismo modo, la implementación de blockchain en bioinformática puede garantizar la seguridad y transparencia en el intercambio de datos genómicos, promoviendo la colaboración global y resolviendo problemas de propiedad de los datos (Pablo et al., 2022).
Es esencial también financiar y fortalecer proyectos específicos que amplíen la representación de hongos y virus en bases de datos genómicas. Iniciativas como RefSeq Virus Database han comenzado a abordar estas carencias, pero se requiere un esfuerzo coordinado a nivel global para mejorar su alcance y calidad (Meisel et al., 2018). En este sentido, herramientas innovadoras como AlphaFold, que ya han revolucionado la predicción de estructuras proteicas, podrían integrarse en proyectos globales para avanzar en la caracterización de proteínas microbianas y virales. Asimismo, la combinación de enfoques tecnológicos emergentes, como la inteligencia artificial y las plataformas colaborativas, puede ofrecer nuevas perspectivas que transformen la investigación en salud global y microbiología.
Protección de Datos Genómicos: Desafíos Éticos y Marco Legal Internacional
En un contexto global, garantizar la protección de la privacidad genómica es fundamental, pero también complejo debido a los avances tecnológicos y la creciente colaboración internacional. En Estados Unidos, normativas como el "Genetic Information Nondiscrimination Act" (GINA) buscan proteger la información genética de individuos, pero no se extienden de manera específica al manejo de datos genómicos utilizados en vigilancia epidemiológica. Instituciones como los Centros para el Control y la Prevención de Enfermedades (CDC) han establecido protocolos para la gestión segura de datos, pero aún existe una carencia de marcos globales que armonicen el acceso y la privacidad (Feldman, 2012).
El mal uso de datos genómicos representa un riesgo ético que debe ser considerado. Por ejemplo, información genómica podría ser utilizada para la discriminación en seguros de salud, empleo o incluso con fines más preocupantes como el bioterrorismo. Estos riesgos muestran la importancia de desarrollar regulaciones internacionales que garanticen la protección de la privacidad genómica y limiten el acceso a los datos solo para usos éticos y científicos. Adicionalmente, las implicaciones éticas de almacenar y compartir datos genómicos en bases internacionales necesitan ser evaluadas con urgencia para prevenir inequidades globales.
Organizaciones como la OMS y el "Global Alliance for Genomics and Health" (GA4GH) están desarrollando acuerdos internacionales para el intercambio seguro de datos genómicos, priorizando tanto la transparencia como la protección contra el uso malintencionado (Terry, 2014). Tecnologías de cifrado avanzadas y plataformas de datos descentralizadas han comenzado a implementarse como soluciones potenciales. Sin embargo, equilibrar el acceso a datos para la investigación con la protección de la información individual y comunitaria sigue siendo un desafío pendiente que requiere regulaciones más integrales y esfuerzos colaborativos a nivel internacional.
La Dra. Tara O'Toole, Vicepresidenta Ejecutiva del inversionista estratégico sin fines de lucro In-Q-Tel, Inc., subrayó las deficiencias observadas en la detección, contención y tratamiento durante brotes recientes, como la pandemia de H1N9 y la epidemia de Ébola. Destacó que el progreso en el campo es decepcionante debido a la falta de prioridad en la biodefensa por parte de las agencias gubernamentales. Además, enfatizó que el apoyo financiero es irregular, lo que complica la preparación y respuesta ante epidemias que son cada vez más comunes (Meisel et al., 2018).
La ausencia de leyes claras en el manejo de biotecnología y bioinformática también representa un riesgo. Por ejemplo, sin regulaciones que definan cómo se deben compartir y analizar los datos genómicos, podría haber un mal uso de la información, incluyendo aplicaciones no éticas o con fines malintencionados. El liderazgo internacional en biotecnología es cada vez más competitivo, lo que resalta la necesidad de fomentar el progreso mediante colaboraciones globales y protocolos claros que fortalezcan la seguridad y la eficacia de las herramientas utilizadas.
Avances Globales en Bioseguridad: Estandarización y Vigilancia de Patógenos
La falta de estandarización en la detección de organismos sigue siendo un obstáculo crítico que afecta directamente la confiabilidad de los datos y la interoperabilidad de herramientas bioinformáticas. En Estados Unidos, la ausencia de un marco regulatorio federal unificado limita la capacidad de respuesta efectiva en el campo de la bioseguridad. Sin embargo, esfuerzos aislados como las directrices del "National Institute of Standards and Technology" (NIST) han comenzado a desarrollar protocolos para la validación de herramientas bioinformáticas. Estas directrices incluyen la creación de estándares para la recopilación y el manejo de datos genómicos, así como para la evaluación de algoritmos utilizados en la detección de organismos sintéticos.
A nivel internacional, organizaciones como la "International Organization for Standardization" (ISO) trabajan en la generación de normativas que faciliten el intercambio de información entre países y promuevan la transparencia en el manejo de datos bioinformáticos. Estas normativas proponen la adopción de marcos que incluyan requisitos específicos para la documentación de procedimientos analíticos, validación de resultados y mecanismos para la auditoría independiente de laboratorios. Además, la implementación de protocolos unificados reduciría inconsistencias entre distintas plataformas, fomentando la confianza en los resultados generados a nivel global (Vorisek et al., 2024).
Pathosphere (disponible en Pathosphere.org) es una herramienta comunitaria de código abierto basada en la nube que facilita la comunicación, la colaboración y el intercambio de herramientas analíticas y datos de NGS entre científicos del mundo académico, la industria y el gobierno. Su arquitectura permite a los usuarios cargar datos y ejecutar tuberías bioinformáticas disponibles sin necesidad de hardware de procesamiento in situ o soporte técnico especializado (Kilianski et al., 2015). Plataformas como GISAID (Global Initiative on Sharing All Influenza Data) y Nextstrain han demostrado ser herramientas fundamentales en la vigilancia global de patógenos. GISAID permite el acceso rápido a datos genómicos de virus como la influenza y el SARS-CoV-2, promoviendo la transparencia y la colaboración entre países para rastrear variantes emergentes. Por otro lado, Nextstrain ofrece una representación visual en tiempo real de la evolución de patógenos, permitiendo un análisis dinámico de mutaciones y cadenas de transmisión (Hadfield et al., 2018).
Bioseguridad y Prevención: Aprendiendo de los Fracasos Históricos
Las pandemias, al igual que los incendios urbanos que devastaron ciudades en siglos pasados, no tienen una solución única. En su momento, los incendios eran considerados eventos inevitables hasta que se adoptó un enfoque multifacético para prevenirlos y mitigarlos. Esto incluyó la implementación de regulaciones estrictas, el desarrollo de materiales resistentes al fuego, campañas de educación pública y la creación de cuerpos de bomberos organizados.
De manera similar, para enfrentar las pandemias necesitamos un enfoque integral. En el vasto y complejo campo de la prevención de pandemias, expertos de diversas disciplinas trabajan incansablemente. Desde el diseño de filtros HEPA para mejorar la contención de partículas, hasta el desarrollo de protocolos precisos para la detección de patógenos. También están los legisladores que crean políticas públicas y regulaciones para supervisar laboratorios biológicos, y los científicos que desarrollan softwares avanzados para el análisis de datos genómicos.
A pesar de los enormes avances en estas áreas, la bioseguridad sigue teniendo poca prioridad en las agendas políticas y económicas. En su charla TED de 2015, Bill Gates advirtió: “No estamos preparados para la próxima pandemia”. Más de una década después, esta afirmación sigue siendo alarmantemente vigente. Sus propuestas, como realizar simulaciones periódicas, integrar a las fuerzas militares en la preparación sanitaria y fortalecer la capacidad médica global, no son simples sugerencias, sino un llamado urgente a la acción.
La falta de preparación amplificó los efectos del COVID-19. Al igual que en épocas antiguas, no fue hasta que las sociedades experimentaron el dolor y las pérdidas devastadoras causadas por incendios urbanos que se adoptaron medidas preventivas contundentes. ¿No debería el impacto humano y económico del COVID-19 ser suficiente para motivar medidas estructurales y decididas?
Hasta enero de 2025, informes recientes, como los publicados por Noticias ONU, advierten que las acciones para prevenir futuros brotes siguen siendo insuficientes y fragmentadas. Un ejemplo es el brote de gripe aviar, que no ha logrado ser controlado y ya se ha propagado a más de 108 países. Esto nos recuerda que la inacción ante amenazas biológicas perpetúa errores del pasado y subestima el impacto potencial de futuras pandemias.
En este texto se ha abordado una de las múltiples aristas del campo de la bioseguridad: la bioinformática. Aunque es una herramienta crucial, representa solo una pieza del rompecabezas. La lucha contra las pandemias requiere un enfoque integral que incluya políticas públicas efectivas, inversiones en infraestructura sanitaria, educación global y una cooperación internacional genuina. La bioinformática nos permite identificar y analizar el problema, pero sin voluntad política y colaboración global, estas herramientas no serán suficientes para encontrar soluciones duraderas.
-
A Michelle Bruno por sus comentarios y edicicón.
-
Borozan, I., Wilson, S., Blanchette, P., Laflamme, P., Watt, S. N., Krzyzanowski, P. M., Sircoulomb, F., Rottapel, R., Branton, P. E., & Ferretti, V. (2012). CaPSID: A bioinformatics platform for computational pathogen sequence identification in human genomes and transcriptomes. BMC Bioinformatics, 13(1), 206. https://doi.org/10.1186/1471-2105-13-206
Chiu, C. (2014). The MiSeq® system and a new bioinformatics pipeline enable researchers to identify a Leptospira strain that was overlooked using conventional methods.
Christen, R. (2008). Identifications of pathogens—A bioinformatic point of view. Current Opinion in Biotechnology, 19(3), 266–273. https://doi.org/10.1016/j.copbio.2008.04.003
Committee on Strategies for Identifying and Addressing Potential Biodefense Vulnerabilities Posed by Synthetic Biology, Board on Chemical Sciences and Technology, Board on Life Sciences, Division on Earth and Life Studies, & National Academies of Sciences, Engineering, and Medicine. (2018). Biodefense in the Age of Synthetic Biology (p. 24890). National Academies Press. https://doi.org/10.17226/24890
Delwart, E. L. (2007). Viral metagenomics. Reviews in Medical Virology, 17(2), 115–131. https://doi.org/10.1002/rmv.532
E Fournier, & Fournier, E. (2010). Incorporation sélective des segments d’ARN génomiques du virus influenza A : vers une compréhension des mécanismes moléculaires.
Espindola, A. S., Cardwell, K., Martin, F. N., Hoyt, P. R., Marek, S. M., Schneider, W., & Garzon, C. D. (2022). A Step Towards Validation of High-Throughput Sequencing for the Identification of Plant Pathogenic Oomycetes. Phytopathology®, 112(9), 1859–1866. https://doi.org/10.1094/PHYTO-11-21-0454-R
Feldman, E. A. (2012). The Genetic Information Nondiscrimination Act (GINA): Public Policy and Medical Practice in the Age of Personalized Medicine. Journal of General Internal Medicine, 27(6), 743–746. https://doi.org/10.1007/s11606-012-1988-6
Hadfield, J., Megill, C., Bell, S. M., Huddleston, J., Potter, B., Callender, C., Sagulenko, P., Bedford, T., & Neher, R. A. (2018). Nextstrain: Real-time tracking of pathogen evolution. Bioinformatics, 34(23), 4121–4123. https://doi.org/10.1093/bioinformatics/bty407
Kalantar, K. L., Carvalho, T., De Bourcy, C. F. A., Dimitrov, B., Dingle, G., Egger, R., Han, J., Holmes, O. B., Juan, Y.-F., King, R., Kislyuk, A., Lin, M. F., Mariano, M., Morse, T., Reynoso, L. V., Cruz, D. R., Sheu, J., Tang, J., Wang, J., … DeRisi, J. L. (2020). IDseq—An open source cloud-based pipeline and analysis service for metagenomic pathogen detection and monitoring. GigaScience, 9(10), giaa111. https://doi.org/10.1093/gigascience/giaa111
Kilianski, A., Carcel, P., Yao, S., Roth, P., Schulte, J., Donarum, G. B., Fochler, E. T., Hill, J. M., Liem, A. T., Wiley, M. R., Ladner, J. T., Pfeffer, B. P., Elliot, O., Petrosov, A., Jima, D. D., Vallard, T. G., Melendrez, M. C., Skowronski, E., Quan, P.-L., … Rosenzweig, C. N. (2015). Pathosphere.org: Pathogen detection and characterization through a web-based, open source informatics platform. BMC Bioinformatics, 16(1), 416. https://doi.org/10.1186/s12859-015-0840-5
Krishnamurthy, M., Moore, R. T., Rajamani, S., & Panchal, R. G. (2016). Bacterial genome engineering and synthetic biology: Combating pathogens. BMC Microbiology, 16(1), 258. https://doi.org/10.1186/s12866-016-0876-3
Lancashire, L. J., Lemetre, C., & Ball, G. R. (2008). An introduction to artificial neural networks in bioinformatics—Application to complex microarray and mass spectrometry datasets in cancer studies. Briefings in Bioinformatics, 10(3), 315–329. https://doi.org/10.1093/bib/bbp012
Meisel, J. S., Nasko, D. J., Brubach, B., Cepeda-Espinoza, V., Chopyk, J., Corrada-Bravo, H., Fedarko, M., Ghurye, J., Javkar, K., Olson, N. D., Shah, N., Allard, S. M., Bazinet, A. L., Bergman, N. H., Brown, A., Caporaso, J. G., Conlan, S., DiRuggiero, J., Forry, S. P., … Treangen, T. J. (2018). Current progress and future opportunities in applications of bioinformatics for biodefense and pathogen detection: Report from the Winter Mid-Atlantic Microbiome Meet-up, College Park, MD, January 10, 2018. Microbiome, 6(1), 197. https://doi.org/10.1186/s40168-018-0582-5
Naccache, S. N., Federman, S., Veeraraghavan, N., Zaharia, M., Lee, D., Samayoa, E., Bouquet, J., Greninger, A. L., Luk, K.-C., Enge, B., Wadford, D. A., Messenger, S. L., Genrich, G. L., Pellegrino, K., Grard, G., Leroy, E., Schneider, B. S., Fair, J. N., Martínez, M. A., … Chiu, C. Y. (2014). A cloud-compatible bioinformatics pipeline for ultrarapid pathogen identification from next-generation sequencing of clinical samples. Genome Research, 24(7), 1180–1192. https://doi.org/10.1101/gr.171934.113
Pablo, R.-G. J., Roberto, D.-P., Victor, S.-U., Isabel, G.-R., Paul, C., & Elizabeth, O.-R. (2022). Big data in the healthcare system: A synergy with artificial intelligence and blockchain technology. Journal of Integrative Bioinformatics, 19(1), 20200035. https://doi.org/10.1515/jib-2020-0035
Pappas, G., Panagopoulou, P., Christou, L., & Akritidis, N. (2006). Biological weapons: Brucella as a biological weapon. Cellular and Molecular Life Sciences CMLS, 63(19–20), 2229–2236. https://doi.org/10.1007/s00018-006-6311-4
Saeb, A. T. M. (2018). Current Bioinformatics resources in combating infectious diseases. Bioinformation, 14(01), 031–035. https://doi.org/10.6026/97320630014031
Terry, S. F. (2014). The Global Alliance for Genomics & Health. Genetic Testing and Molecular Biomarkers, 18(6), 375–376. https://doi.org/10.1089/gtmb.2014.1555
Vorisek, C. N., Klopfenstein, S. A. I., Löbe, M., Schmidt, C. O., Mayer, P. J., Golebiewski, M., & Thun, S. (2024). Towards an Interoperability Landscape for a National Research Data Infrastructure for Personal Health Data. Scientific Data, 11(1), 772. https://doi.org/10.1038/s41597-024-03615-3
Wood, D. E., & Salzberg, S. L. (2014). Kraken: Ultrafast metagenomic sequence classification using exact alignments. Genome Biology, 15(3), R46. https://doi.org/10.1186/gb-2014-15-3-r46
World Health Organization. (2009). Global health risks: Mortality and burden of disease attributable to selected major risks. https://iris.who.int/handle/10665/44203
