Resumen

Dada su gran abundancia y diversidad, los virus constituyen entidades de gran importancia en la biosfera terrestre. A pesar del interés creciente en el estudio de estos organismos una gran parte de sus funciones y el papel que cumplen en diferentes biomas es aún desconocida. El uso de nuevas técnicas de secuenciación y los avances en biología molecular y computacional ha revolucionado en gran parte dicho estudio. El presente trabajo hace uso de los datos obtenidos de diferentes estudios con el fin de analizar potenciales firmas protéicas en metagenomas virales provenientes de agua dulce, agua de mar, microbialitos, suelo e intestino humano. Tras la obtención de los datos se realizó un análisis de la calidad, curación, ensamblaje, y anotación de proteínas y dominios. Los dominios, regiones interdominios y proteínas sin dominios conocidos permitieron construir clusters de grupos de ortólogos (COGs) los cuales fueron analizados por Random Forest para evaluar la capacidad de dichos grupos de clasificar un ambiente dado. Para todos los biomas analizados el 74.8% de las proteínas virales predichas fue desconocida, siendo el porcentaje más alto de proteínas desconocidas las encontradas en intestino humano (83.3%). El análisis por Random Forest permitió identificar que existen 93 clusters de mayor importancia de un total de 24,502, logrando un porcentaje de clasificación correcta de hasta 93.75%. Nuestros resultados sugieren que existen firmas específicas a nivel de COGs, característicos de cada uno de los ambientes y los cuales a su vez podrían ser blancos prioritarios para estudios más profundos que identifiquen su función e importancia en la dinámica de los ecosistemas