Compromisos en la adaptación a distintos huéspedes en virus de plantas

Los patógenos han desarrollado estrategias para sobrevivir en su entorno, infectar a sus huéspedes, multiplicarse dentro de estos y posteriormente transmitirse a otros huéspedes. Todos estos componentes hacen parte de la eficacia biológica de los patógenos, y les permiten ser los causantes de enfermedades infecciosas tanto en hombres y animales, como en plantas. El proceso de infección produce efectos negativos en la eficacia biológica del huésped y la gravedad de los efectos, dependerá de la virulencia del patógeno. Por su parte, el huésped ha desarrollado mecanismos de respuesta en contra del patógeno, tales como la resistencia, por la que reduce la multiplicación del patógeno, o la tolerancia, por la que disminuye el efecto negativo de la infección. Estas respuestas del huésped a la infección producen efectos negativos en la eficacia biológica del patógeno, actuando como una presión selectiva sobre su población. Si la presión selectiva sobre el patógeno varía según el huésped, se predice que un mismo patógeno no podrá aumentar su eficacia biológica en distintos huéspedes y estará más adaptado a un huésped y menos a otro, disminuyendo su gama de huéspedes. Esto supone que la adaptación de un patógeno a distintos huéspedes estará a menudo dificultada por compromisos (trade-off) en diferentes componentes de la eficacia biológica del patógeno. Hasta el momento, la evidencia de compromisos de la adaptación del patógeno a distintos huéspedes no es muy abundante, en lo que se respecta a los virus de plantas. En las últimas décadas, se ha descrito un aumento en la incidencia de virus nuevos o previamente descritos que producen enfermedades infecciosas con mayor gravedad y/o diferente patogenicidad, como la infección de huéspedes previamente resistentes. Esto se conoce como la emergencia de enfermedades infecciosas y está causada por patógenos emergentes, que proceden de un huésped reservorio donde se encuentran adaptados. Los huéspedes que actúan como reservorios pueden ser plantas silvestres, que a menudo presentan pocos síntomas o muy leves a pesar de estar infectados con diferentes virus, y asimismo se encuentran en ecosistemas con ninguna o poca intervención humana. El estudio de los factores ecológicos y biológicos que actúan en el proceso de la emergencia de enfermedades infecciosas, ayudará a entender sus causas para crear estrategias de prevención y control. Los virus son los principales patógenos causales de la emergencia de enfermedades infecciosas en humanos, animales y plantas y un buen modelo para entender los procesos de la emergencia. Asimismo, las plantas a diferencia de los animales, son huéspedes fáciles de manipular y los virus que las afectan, más seguros para el trabajo en laboratorio que los virus de humanos y animales, otros modelos también usados en la investigación. Por lo tanto, la interacción virus – planta es un buen modelo experimental para el estudio de la emergencia de enfermedades infecciosas. El estudio de la emergencia de virus en plantas tiene también un interés particular, debido a que los virus pueden ocasionar pérdidas económicas en los cultivos agrícolas y poner en riesgo la durabilidad de la resistencia de plantas mejoradas, lo que supone un riesgo en la seguridad alimentaria con impactos importantes en la sociedad, comparables con las enfermedades infecciosas de humanos y animales domésticos. Para que un virus se convierta en un patógeno emergente debe primero saltar desde su huésped reservorio a un nuevo huésped, segundo adaptarse al nuevo huésped hasta que la infección dentro de la población de éste se vuelva independiente del reservorio y finalmente debe cambiar su epidemiología. En este estudio, se escogió la emergencia del virus del mosaico del pepino dulce (PepMV) en el tomate, como modelo experimental para estudiar la emergencia de un virus en una nueva especie de huésped, así como las infecciones de distintos genotipos del virus del moteado atenuado del pimiento (PMMoV) en pimiento, para estudiar la emergencia de un virus que aumenta su patogenicidad en un huésped previamente resistente. El estudio de ambos patosistemas nos permitió ampliar el conocimiento sobre los factores ecológicos y evolutivos en las dos primeras fases de la emergencia de enfermedades virales en plantas. El PepMV es un patógeno emergente en cultivos de tomate (Solanum lycopersicum) a nivel mundial, que se describió primero en 1980 infectando pepino dulce (Solanum muricatum L.) en Perú, y casi una década después causando una epidemia en cultivos de tomate en Holanda. La introducción a Europa posiblemente fue a través de semillas infectadas de tomate procedentes de Perú, y desde entonces se han descrito nuevos aislados que se agrupan en cuatro cepas (EU, LP, CH2, US1) que infectan a tomate. Sin embargo, el proceso de su emergencia desde pepino dulce hasta tomate es un interrogante de gran interés, porque es uno de los virus emergentes más recientes y de gran importancia económica. Para la emergencia de PepMV en tomate, se recolectaron muestras de tomate silvestre procedentes del sur de Perú, se analizó la presencia y diversidad de aislados de PepMV y se caracterizaron tanto biológicamente (gama de huéspedes), como genéticamente (secuencias genomicas). Se han descrito en diferentes regiones del mundo aislados de PMMoV que han adquirido la capacidad de infectar variedades previamente resistentes de pimiento (Capsicum spp), es decir, un típico caso de emergencia de virus que implica la ampliación de su gama de huéspedes y un aumento de patogenicidad. Esto tiene gran interés, ya que compromete el uso de variedades resistentes obtenidas por mejora genética, que es la forma de control de virus más eficaz que existe. Para estudiar la emergencia de genotipos altamente patogénicos de PMMoV, se analizaron clones biológicos de PMMoV procedentes de aislados de campo cuya patogenicidad era conocida (P1,2) y por mutagénesis se les aumentó la patogenicidad (P1,2,3 y P1,2,3,4), introduciendo las mutaciones descritas como responsables de estos fenotipos. Se analizó si el aumento de la patogenicidad conlleva un compromiso en la eficacia biológica de los genotipos de PMMoV. Para ello se evaluaron diferentes componentes de la eficacia biológica del virus en diferentes huéspedes con distintos alelos de resistencia. Los resultados de esta tesis demuestran: i). El potencial de las plantas silvestres como reservorios de virus emergentes, en este caso tomates silvestres del sur de Perú, así como la existencia en estas plantas de aislados de PepMV de una nueva cepa no descrita que llamamos PES. ii) El aumento de la gama de huéspedes no es una condición estricta para la emergencia de los virus de plantas. iii) La adaptación es el mecanismo más probable en la emergencia de PepMV en tomate cultivado. iv) El aumento de la patogenicidad tiene un efecto pleiotrópico en distintos componentes de la eficacia biológica, así mismo el signo y magnitud de este efecto dependerá del genotipo del virus, del huésped y de la interacción de estos factores. ABSTRACT host Pathogens have evolved strategies to survive in their environment, infecting their hosts, multiplying inside them and being transmitted to other hosts. All of these components form part of the pathogen fitness, and allow them to be the cause of infectious diseases in humans, animals, and plants. The infection process produces negative effects on the host fitness and the effects severity will depend on the pathogen virulence. On the other hand, hosts have developed response mechanisms against pathogens such as resistance, which reduces the growth of pathogens, or tolerance, which decreases the negative effects of infection. T he se responses of s to infection cause negative effects on the pathogen fitness, acting as a selective pressure on its population. If the selective pressures on pathogens va ry according to the host s , probably one pathogen cannot increase its fitness in different hosts and will be more adapted to one host and less to another, decreasing its host range. This means that the adaptation of one pathogen to different hosts , will be often limited by different trade - off components of biological effectiveness of pathogen. Nowadays , trade - off evidence of pathogen adaptation to different hosts is not extensive, in relation with plant viruses. In last decades, an increase in the incidence of new or previously detected viruses has been described, causing infectious diseases with increased severity and/or different pathogenicity, such as the hosts infection previously resistants. This is known as the emergence of infectious diseases and is caused by emerging pathogens that come from a reservoir host where they are adapted. The hosts which act as reservoirs can be wild plants, that often have few symptoms or very mild , despite of being infected with different viruses, and being found in ecosystems with little or any human intervention. The study of ecological and biological factors , acting in the process of the infectious diseases emergence will help to understand its causes to create strategies for its prevention and control. Viruses are the main causative pathogens of the infectious diseases emergence in humans, animals and plants, and a good model to understand the emergency processes. Likewise, plants in contrast to animals are easy host to handle and viruses that affect them, safer for laboratory work than viruses of humans and animals, another models used in research. Therefore, the interaction plant-virus is a good experimental model for the study of the infectious diseases emergence. The study of virus emergence in plants also has a particular interest, because the viruses can cause economic losses in agricultural crops and threaten the resistance durability of improved plants, it suppose a risk for food security with significant impacts on society, comparable with infectious diseases of humans and domestic animals. To become an emerging pathogen, a virus must jump first from its reservoir host to a new host, then adapt to a new host until the infection within the population becomes independent from the reservoir, and finally must change its epidemiology. In this study, the emergence of pepino mosaic virus (PepMV) in tomato, was selected as experimental model to study the emergence of a virus in a new host specie, as well as the infections of different genotypes of pepper mild mottle virus (PMMoV) in pepper, to study the emergence of a virus that increases its pathogenicity in a previously resistant host. The study of both Pathosystems increased our knowledge about the ecological and evolutionary factors in the two first phases of the emergence of viral diseases in plants. The PepMV is an emerging pathogen in tomato (Solanum lycopersicum L.) in the world, which was first described in 1980 by infecting pepino (Solanum muricatum L.) in Peru, and almost after a decade caused an epidemic in tomato crops in Netherlands. The introduction to Europe was possibly through infected tomato seeds from Peru, and from then have been described new isolates that are grouped in four strains (EU, LP, CH2, US1) that infect tomato. However, the process of its emergence from pepino up tomato is a very interesting question, because it is one of the newest emerging viruses and economically important. For the PepMV emergence in tomato, wild tomato samples from southern Peru were collected, and the presence and diversity of PepMV isolates were analyzed and characterized at biological (host range) and genetics (genomic sequences) levels. Isolates from PMMoV have been described in different world regions which have acquired the ability to infect pepper varieties that were previously resistants (Capsicum spp), it means, a typical case of virus emergence which involves the host range extension and an increased pathogenicity. This is of great interest due to involve the use of resistant varieties obtained by breeding, which is the most effective way to control virus. To study the emergence of highly pathogenic genotypes of PMMoV, biological clones from field isolates whose pathogenicity was known were analyzed (P1,2) and by mutagenesis we increased its pathogenicity (P1,2,3 and P1,2, 3,4), introducing the mutations described as responsible for these phenotypes. We analyzed whether the increased pathogenicity involves a trade-off in fitness of PMMoV genotypes. For this aim, different components of virus fitness in different hosts with several resistance alleles were evaluated. The results of this thesis show: i). The potential of wild plants as reservoirs of emerging viruses, in this case wild tomatoes in southern Peru, and the existence in these plants of PepMV isolates of a new undescribed strain that we call PES. ii) The host range expansion is not a strict condition for the plant virus emergence. iii) The adaptation is the most likely mechanism in the PepMV emergence in cultivated tomato. iv) The increased pathogenicity has a pleiotropic effect on several fitness components, besides the sign and magnitude of this effect depends on the virus genotype, the host and the interaction of both.

Multi-dimensional classification using Bayesian networks for stationary and evolving streaming data

Hoy en día, con la evolución continua y rápida de las tecnologías de la información y los dispositivos de computación, se recogen y almacenan continuamente grandes volúmenes de datos en distintos dominios y a través de diversas aplicaciones del mundo real. La extracción de conocimiento útil de una cantidad tan enorme de datos no se puede realizar habitualmente de forma manual, y requiere el uso de técnicas adecuadas de aprendizaje automático y de minería de datos. La clasificación es una de las técnicas más importantes que ha sido aplicada con éxito a varias áreas. En general, la clasificación se compone de dos pasos principales: en primer lugar, aprender un modelo de clasificación o clasificador a partir de un conjunto de datos de entrenamiento, y en segundo lugar, clasificar las nuevas instancias de datos utilizando el clasificador aprendido. La clasificación es supervisada cuando todas las etiquetas están presentes en los datos de entrenamiento (es decir, datos completamente etiquetados), semi-supervisada cuando sólo algunas etiquetas son conocidas (es decir, datos parcialmente etiquetados), y no supervisada cuando todas las etiquetas están ausentes en los datos de entrenamiento (es decir, datos no etiquetados). Además, aparte de esta taxonomía, el problema de clasificación se puede categorizar en unidimensional o multidimensional en función del número de variables clase, una o más, respectivamente; o también puede ser categorizado en estacionario o cambiante con el tiempo en función de las características de los datos y de la tasa de cambio subyacente. A lo largo de esta tesis, tratamos el problema de clasificación desde tres perspectivas diferentes, a saber, clasificación supervisada multidimensional estacionaria, clasificación semisupervisada unidimensional cambiante con el tiempo, y clasificación supervisada multidimensional cambiante con el tiempo. Para llevar a cabo esta tarea, hemos usado básicamente los clasificadores Bayesianos como modelos. La primera contribución, dirigiéndose al problema de clasificación supervisada multidimensional estacionaria, se compone de dos nuevos métodos de aprendizaje de clasificadores Bayesianos multidimensionales a partir de datos estacionarios. Los métodos se proponen desde dos puntos de vista diferentes. El primer método, denominado CB-MBC, se basa en una estrategia de envoltura de selección de variables que es voraz y hacia delante, mientras que el segundo, denominado MB-MBC, es una estrategia de filtrado de variables con una aproximación basada en restricciones y en el manto de Markov. Ambos métodos han sido aplicados a dos problemas reales importantes, a saber, la predicción de los inhibidores de la transcriptasa inversa y de la proteasa para el problema de infección por el virus de la inmunodeficiencia humana tipo 1 (HIV-1), y la predicción del European Quality of Life-5 Dimensions (EQ-5D) a partir de los cuestionarios de la enfermedad de Parkinson con 39 ítems (PDQ-39). El estudio experimental incluye comparaciones de CB-MBC y MB-MBC con los métodos del estado del arte de la clasificación multidimensional, así como con métodos comúnmente utilizados para resolver el problema de predicción de la enfermedad de Parkinson, a saber, la regresión logística multinomial, mínimos cuadrados ordinarios, y mínimas desviaciones absolutas censuradas. En ambas aplicaciones, los resultados han sido prometedores con respecto a la precisión de la clasificación, así como en relación al análisis de las estructuras gráficas que identifican interacciones conocidas y novedosas entre las variables. La segunda contribución, referida al problema de clasificación semi-supervisada unidimensional cambiante con el tiempo, consiste en un método nuevo (CPL-DS) para clasificar flujos de datos parcialmente etiquetados. Los flujos de datos difieren de los conjuntos de datos estacionarios en su proceso de generación muy rápido y en su aspecto de cambio de concepto. Es decir, los conceptos aprendidos y/o la distribución subyacente están probablemente cambiando y evolucionando en el tiempo, lo que hace que el modelo de clasificación actual sea obsoleto y deba ser actualizado. CPL-DS utiliza la divergencia de Kullback-Leibler y el método de bootstrapping para cuantificar y detectar tres tipos posibles de cambio: en las predictoras, en la a posteriori de la clase o en ambas. Después, si se detecta cualquier cambio, un nuevo modelo de clasificación se aprende usando el algoritmo EM; si no, el modelo de clasificación actual se mantiene sin modificaciones. CPL-DS es general, ya que puede ser aplicado a varios modelos de clasificación. Usando dos modelos diferentes, el clasificador naive Bayes y la regresión logística, CPL-DS se ha probado con flujos de datos sintéticos y también se ha aplicado al problema real de la detección de código malware, en el cual los nuevos ficheros recibidos deben ser continuamente clasificados en malware o goodware. Los resultados experimentales muestran que nuestro método es efectivo para la detección de diferentes tipos de cambio a partir de los flujos de datos parcialmente etiquetados y también tiene una buena precisión de la clasificación. Finalmente, la tercera contribución, sobre el problema de clasificación supervisada multidimensional cambiante con el tiempo, consiste en dos métodos adaptativos, a saber, Locally Adpative-MB-MBC (LA-MB-MBC) y Globally Adpative-MB-MBC (GA-MB-MBC). Ambos métodos monitorizan el cambio de concepto a lo largo del tiempo utilizando la log-verosimilitud media como métrica y el test de Page-Hinkley. Luego, si se detecta un cambio de concepto, LA-MB-MBC adapta el actual clasificador Bayesiano multidimensional localmente alrededor de cada nodo cambiado, mientras que GA-MB-MBC aprende un nuevo clasificador Bayesiano multidimensional. El estudio experimental realizado usando flujos de datos sintéticos multidimensionales indica los méritos de los métodos adaptativos propuestos. ABSTRACT Nowadays, with the ongoing and rapid evolution of information technology and computing devices, large volumes of data are continuously collected and stored in different domains and through various real-world applications. Extracting useful knowledge from such a huge amount of data usually cannot be performed manually, and requires the use of adequate machine learning and data mining techniques. Classification is one of the most important techniques that has been successfully applied to several areas. Roughly speaking, classification consists of two main steps: first, learn a classification model or classifier from an available training data, and secondly, classify the new incoming unseen data instances using the learned classifier. Classification is supervised when the whole class values are present in the training data (i.e., fully labeled data), semi-supervised when only some class values are known (i.e., partially labeled data), and unsupervised when the whole class values are missing in the training data (i.e., unlabeled data). In addition, besides this taxonomy, the classification problem can be categorized into uni-dimensional or multi-dimensional depending on the number of class variables, one or more, respectively; or can be also categorized into stationary or streaming depending on the characteristics of the data and the rate of change underlying it. Through this thesis, we deal with the classification problem under three different settings, namely, supervised multi-dimensional stationary classification, semi-supervised unidimensional streaming classification, and supervised multi-dimensional streaming classification. To accomplish this task, we basically used Bayesian network classifiers as models. The first contribution, addressing the supervised multi-dimensional stationary classification problem, consists of two new methods for learning multi-dimensional Bayesian network classifiers from stationary data. They are proposed from two different points of view. The first method, named CB-MBC, is based on a wrapper greedy forward selection approach, while the second one, named MB-MBC, is a filter constraint-based approach based on Markov blankets. Both methods are applied to two important real-world problems, namely, the prediction of the human immunodeficiency virus type 1 (HIV-1) reverse transcriptase and protease inhibitors, and the prediction of the European Quality of Life-5 Dimensions (EQ-5D) from 39-item Parkinson’s Disease Questionnaire (PDQ-39). The experimental study includes comparisons of CB-MBC and MB-MBC against state-of-the-art multi-dimensional classification methods, as well as against commonly used methods for solving the Parkinson’s disease prediction problem, namely, multinomial logistic regression, ordinary least squares, and censored least absolute deviations. For both considered case studies, results are promising in terms of classification accuracy as well as regarding the analysis of the learned MBC graphical structures identifying known and novel interactions among variables. The second contribution, addressing the semi-supervised uni-dimensional streaming classification problem, consists of a novel method (CPL-DS) for classifying partially labeled data streams. Data streams differ from the stationary data sets by their highly rapid generation process and their concept-drifting aspect. That is, the learned concepts and/or the underlying distribution are likely changing and evolving over time, which makes the current classification model out-of-date requiring to be updated. CPL-DS uses the Kullback-Leibler divergence and bootstrapping method to quantify and detect three possible kinds of drift: feature, conditional or dual. Then, if any occurs, a new classification model is learned using the expectation-maximization algorithm; otherwise, the current classification model is kept unchanged. CPL-DS is general as it can be applied to several classification models. Using two different models, namely, naive Bayes classifier and logistic regression, CPL-DS is tested with synthetic data streams and applied to the real-world problem of malware detection, where the new received files should be continuously classified into malware or goodware. Experimental results show that our approach is effective for detecting different kinds of drift from partially labeled data streams, as well as having a good classification performance. Finally, the third contribution, addressing the supervised multi-dimensional streaming classification problem, consists of two adaptive methods, namely, Locally Adaptive-MB-MBC (LA-MB-MBC) and Globally Adaptive-MB-MBC (GA-MB-MBC). Both methods monitor the concept drift over time using the average log-likelihood score and the Page-Hinkley test. Then, if a drift is detected, LA-MB-MBC adapts the current multi-dimensional Bayesian network classifier locally around each changed node, whereas GA-MB-MBC learns a new multi-dimensional Bayesian network classifier from scratch. Experimental study carried out using synthetic multi-dimensional data streams shows the merits of both proposed adaptive methods.