EL MICROBIOMA DE LA PLANTA Y SU IMPACTO SOBRE EL METABOLOMA DE
HOJAS, FRUTAS Y SEMILLAS FERMENTADAS
Presentado por:
Laura Isabella Vergara López Código: 202300545-7182
Director:
David Johnston-Monje
Directora:
Lizbeth Lorena López Parra
Universidad del Valle
Facultad de Ciencias Naturales y Exactas Facultad de Ingeniería Ambiental y Sanitaria
Programa de Maestría en Biotecnología
Cali
Julio 2026
Contenido
1.
RESUMEN ................................................................................................................. 4
2.
ABSTRACT ................................................................................................................ 4
3.
INTRODUCCIÓN ....................................................................................................... 5
4.
PLANTEAMIENTO DEL PROBLEMA ........................................................................ 6
5.
DESCRIPCIÓN DE LOS ALCANCES ........................................................................ 8
6.
OBJETIVOS ............................................................................................................... 8
6.1.
Objetivo general ................................................................................................. 8
6.2.
Objetivos específicos .......................................................................................... 8
7.
MARCO TEÓRICO .................................................................................................... 8
7.1.
Microorganismos asociados a las plantas .......................................................... 8
7.2.
Terruño microbiano .......................................................................................... 10
7.3.
Estudiando el impacto de variación en microbiomas sobre los metabolitos en frutas de tomate, hojas de albaca y semillas de café .................................................... 11 7.4 Teoría del holobionte vegetal ................................................................................. 13 7.5 Ecología del ensamblaje microbiano ...................................................................... 13 7.6 Bases bioquímicas de la modulación metabólica .................................................... 14 7.7 Metabolómica ......................................................................................................... 15
7.8 Herramientas biotecnológicas para el estudio integrado de microbiomas y
metabolomas ................................................................................................................ 15
8.
METODOLOGÍA ...................................................................................................... 16
8.1.
Cultivo de plantas y fermentación de semillas .................................................. 17
8.2.
Procesamiento de las muestras ....................................................................... 18
8.2.1.
Extracción de ADN y metagenómica ............................................................ 18
8.2.2.
Análisis metabolómicos ................................................................................ 20
8.2.3.
Integración de datos metagenómicos y metabolómicos mediante análisis de correlación ................................................................................................................... 21
9.
RESULTADOS ......................................................................................................... 22
9.1.
Albahaca .............................................................................................................. 22
9.1.1.
Composición y variación de comunidades microbianas en raíz y rizósfera de albahaca según tratamiento del suelo .............................................................................. 22
9.1.2.
Perfil metabolómico de hojas de albahaca .................................................... 30
9.1.3.
Correlaciones entre comunidades microbianas y metabolitos....................... 33
9.2.
Tomate ............................................................................................................. 40
9.2.1.
Composición y variación de comunidades microbianas en raíz y rizósfera de tomate según tratamiento del suelo .............................................................................. 40
9.2.2.
Perfil metabolómico de frutos de tomate ....................................................... 48
9.2.3.
Correlaciones ............................................................................................... 50
9.3.
Café ................................................................................................................. 54
9.3.1.
Composición microbiana en fermentaciones de café .................................... 54
9.3.2.
Perfil metabolómico de semillas fermentadas de café .................................. 61
9.3.3.
Correlaciones ............................................................................................... 65
10.
DISCUSIÓN DE LOS RESULTADOS .................................................................. 71 10.1 Albahaca (Ocimum basilicum) .................................................................................. 71
10.1.1 Cambios inducidos por inoculación en los microorganismos de rizosferas y raíces
..................................................................................................................................... 71
10.1.2 Cambios en el metaboloma foliar de albahaca inducidos por la inoculación con
microorganismos de diferentes suelos ......................................................................... 73
10.1.3
Asociaciones entre comunidades microbianas y perfiles metabolómicos ..... 75
10.2
Tomate (Solanum lycopersicum) .......................................................................... 76
10.2.1 Cambios inducidos por inoculación en los microorganismos de rizosferas y raíces
..................................................................................................................................... 76
10.2.2 Cambios en el metaboloma de frutos de tomates inducidos por la inoculación con
microorganismos de diferentes suelos ......................................................................... 79
10.3.3
Asociaciones entre comunidades microbianas y perfiles metabolómicos ..... 80
10.3
Café (Coffea arabica) ........................................................................................... 81
10.3.1 Cambios inducidos por inoculación en los microorganismos durante la
fermentación ................................................................................................................ 81
10.3.2 Modulación del metaboloma inducida por comunidades microbianas ................ 83
10.3.3
Correlaciones microbioma–metaboloma en la fermentación de café ............ 84
11
CONCLUSIONES ................................................................................................ 85
12
REFERENCIAS .................................................................................................... 86
13. ANEXOS .................................................................................................................... 97
EL MICROBIOMA DE LA PLANTA Y SU IMPACTO SOBRE EL METABOLOMA DE
HOJAS, FRUTAS Y SEMILLAS FERMENTADAS
1. RESUMEN
La acumulación de metabolitos primarios y secundarios determina en gran medida la calidad química, nutricional y sensorial de los productos agrícolas. Además de los factores genéticos y ambientales, las interacciones con el microbioma vegetal pueden modular estos perfiles químicos, lo que da lugar al concepto de terruño microbiano. Sin embargo, la evidencia experimental que respalde este concepto fuera del sistema vitivinícola sigue siendo limitada. Este estudio evaluó la existencia de asociaciones entre la composición del microbioma presente en raíces, rizosferas y fermentaciones de semilla y los perfiles metabolómicos de frutos de tomate (Solanum lycopersicum), hojas de albahaca (Ocimum basilicum) y semillas fermentadas de café (Coffea arabica). Se realizaron experimentos controlados en los que microbioma derivados de suelos agrícolas contrastantes fueron inoculados en plantas cultivadas en condiciones estériles y en sistemas de fermentación de café, y se compararon con controles sin inoculación. La caracterización microbiana se realizó mediante secuenciación de las regiones 16S rRNA de bacterias e ITS de hongos, y se comparó con el metaboloma analizado mediante LC-MS no dirigida. Los datos se integraron mediante análisis multivariados de PCoA, agrupamiento jerárquico aglomerativo, plots de volcán, Variable Importance in Projection (VIP) derivados de los modelos supervisados PLS-DA, mapas de calor de correlación agrupados, mapas de calor construidos a partir de abundancias relativas, redes de correlación y tanglegramas. Los microorganismos inoculados provocaron cambios significativos en la estructura comunitaria en los tres sistemas. En el café no se observó un acoplamiento entre el microbioma de fermentación y el metaboloma de las semillas, probablemente porque el lavado con agua elimina los compuestos bioquímicos de la superficie. En albahaca, tres de los cuatro suelos modificaron el microbioma de la rizosfera tras la inoculación, lo que se reflejó en cambios en el metaboloma foliar. En tomate cultivado en arena estéril, tres de los cuatro suelos modificaron el microbioma de las raíces tras la inoculación, lo que se tradujo en cambios significativos en algunos metabolitos de los frutos. Las asociaciones específicas entre bacterias, hongos y metabolitos se exploraron con mayor detalle en la sección de resultados. Experimentos futuros deberían tratar de aislar algunas de las cepas identificadas por secuenciación y repetir experimentos de inoculación con ellas, para validar su rol en la modulación del metaboloma de las plantas. Se observó que los cambios en el microbioma de la fermentación de café bajo condiciones de laboratorio no influyen en su bioquímica, pero, a nivel industrial, la fermentación, el lavado y el secado de las semillas se llevan a cabo en fincas con mucho menos control y variabilidad.
Palabras clave: microbioma vegetal, metabolómica, terruño microbiano, diversidad microbiana, tomate, café, albahaca.
2. ABSTRACT
The accumulation of primary and secondary metabolites largely determines the chemical, nutritional, and sensory quality of agricultural products. In addition to genetic and environmental factors, interactions with the plant microbiome can modulate these chemical profiles, giving rise to the concept of microbial terroir. However, experimental evidence supporting this concept outside the wine industry remains limited. This study assessed associations between microbiome composition in roots, rhizospheres, and seed fermentations and the metabolomic profiles of tomato fruits (Solanum lycopersicum), basil leaves (Ocimum basilicum), and fermented coffee seeds (Coffea arabica). Controlled experiments were conducted in which microorganisms derived from contrasting
agricultural soils were inoculated into plants grown under sterile conditions and into coffee fermentation systems, and the inoculated plants were compared with uninoculated controls. Microbial characterization was performed by sequencing the 16S rRNA regions of bacteria and the ITS regions of fungi, and the data were compared with the metabolomic data obtained by untargeted LC-MS. Data were integrated using multivariate PCoA analyses, hierarchical agglomerative clustering, volcano plots, Variable Importance in Projection (VIP) derived from supervised PLS-DA models, clustered correlation heatmaps, heatmaps constructed from relative abundances, correlation networks, and tanglegrams. The inoculated microbiome caused significant changes in community structure in all three systems. In coffee, no coupling was observed between the fermentation microbiome and the seed metabolome, likely because water washing removes surface-associated biochemicals. In basil, three of the four soils modified the rhizosphere microbiome after inoculation, which was reflected in changes in the foliar metabolome. In tomatoes grown in sterile sand, three of the four soils modified the root microbiome after inoculation, resulting in significant changes in some fruit metabolites. The specific associations between bacteria, fungi, and metabolites were explored in greater detail in the results section. Future experiments should attempt to isolate some of the strains identified by sequencing and repeat inoculation experiments with them to validate their role in modulating the plant metabolome. It was observed that changes in the coffee fermentation microorganism under laboratory conditions do not affect its biochemistry, but at an industrial level, fermentation, washing, and drying of the seeds occur on farms with much less control/variation. Keywords: Pant microbiome, metabolomics, microbial terroir, microbial diversity, tomato, basil, coffee.
3. INTRODUCCIÓN
La calidad sensorial, nutricional y funcional de los productos agrícolas está determinada por la acumulación de compuestos químicos, incluidos metabolitos primarios y secundarios, como azúcares, ácidos orgánicos, compuestos fenólicos, terpenoides y compuestos volátiles. Estos metabolitos no solo definen atributos como el sabor, el aroma, el color y la textura, sino que también inciden en el valor comercial, la aceptabilidad por parte del consumidor y el impacto nutricional de los cultivos. Tradicionalmente, la variación en estos perfiles químicos se ha atribuido a factores genéticos, edáficos, ambientales y de manejo agronómico (Xu et al., 2022; Matus, 2016). Sin embargo, avances recientes han puesto de relieve el papel del microbioma vegetal como modulador clave del metaboloma de las plantas.
Los microbiomas asociados a las plantas, incluyendo la rizosfera, la raíz, la endósfera y los compartimentos aéreos, como hojas y frutos, constituyen comunidades microbianas diversas que influyen en procesos clave como la nutrición vegetal, el desarrollo, la defensa frente a patógenos y la producción de metabolitos secundarios. La estructura y la función de estas comunidades están determinadas por múltiples factores, entre ellos el tipo de suelo, la presencia de agroquímicos, la biodiversidad edáfica y las prácticas agrícolas empleadas (Zhang et al., 2019). Como consecuencia, las variaciones en la composición microbiana de estos compartimentos pueden modificar el perfil del microbioma funcional de la planta, afectando las rutas metabólicas activadas y, en consecuencia, la acumulación de compuestos químicos en los tejidos vegetales. Esta interacción ha dado origen al concepto emergente de “terruño microbiano”, que plantea que las características químicas, sensoriales y funcionales de los productos agrícolas pueden estar determinadas, al menos en parte, por la identidad y la dinámica del microbioma presente durante el crecimiento o el procesamiento de la planta.
Este concepto ha sido validado principalmente en la industria del vino, donde se ha demostrado que la composición microbiana de la uva y del suelo puede inducir cambios en los perfiles sensoriales
del producto final mediante la producción diferencial de compuestos aromáticos y ácidos orgánicos (Gilbert et al., 2014; Bokulich et al., 2016). De forma análoga, estudios recientes sobre la fermentación del café han demostrado que levaduras y bacterias específicas pueden generar perfiles metabólicos deseables o indeseables, dependiendo de su composición y de su abundancia relativa (da Silva Vale et al., 2021; Elhalis et al., 2020). Sin embargo, más allá del vino y el café, aún se desconoce el alcance de este fenómeno en otros sistemas vegetales y en productos derivados de hojas o de frutos. En una revisión de la literatura reciente se resaltó precisamente esta laguna del conocimiento y se identificó la necesidad urgente de evaluar si estas correlaciones microbiomametaboloma también se manifiestan en cultivos como el tomate y la albahaca, donde la acumulación de compuestos fenólicos, carotenoides o aceites esenciales define gran parte del valor del producto. (Johnston-Monje et al., 2023). La posibilidad de que microbiomas diferenciados modulen el metaboloma en estos modelos representa una oportunidad estratégica para desarrollar herramientas biotecnológicas sostenibles y personalizadas, orientadas a mejorar la calidad química y funcional de los productos agrícolas.
La presente investigación evaluó experimentalmente el impacto de microbiomas derivados de suelos agrícolas contrastantes, incluidos suelos donde los cultivos son prósperos y sanos y suelos con presencia de enfermedades que afectan negativamente el rendimiento, sobre el perfil metabolómico de hojas de albahaca, frutos de tomate y semillas de café sometidos a fermentación húmeda. Para ello, se emplean modelos experimentales en condiciones controladas, en los que se inoculan dichos microorganismos en sistemas estériles de cultivo o de fermentación, y se comparan con controles sin inoculación. Este diseño experimental permite aislar el efecto del microbioma como variable independiente, lo que garantiza una evaluación directa de su influencia sobre la composición química del producto final.
Mediante el uso combinado de técnicas metagenómicas para caracterizar las comunidades microbianas presentes en raíces, rizosferas y líquidos de fermentación, junto con análisis metabolómicos no dirigidos en tejidos vegetales cosechados, este estudio evaluó si existían asociaciones estadísticamente significativas entre la composición microbiana del suelo y los perfiles químicos de hojas de albahaca, frutos de tomate y semillas de café fermentadas. El objetivo es identificar patrones de coocurrencia entre taxones microbianos y metabolitos diferenciados, en comparación con controles sin exposición al microbioma del suelo. Estos hallazgos podrían aportar evidencia preliminar sobre el posible papel modulador del microbioma edáfico en la composición química de cultivos y productos vegetales, con implicaciones para el desarrollo de estrategias biotecnológicas orientadas a la mejora sostenible de la calidad agrícola.
4. PLANTEAMIENTO DEL PROBLEMA
La industria agrícola es uno de los pilares fundamentales para garantizar la seguridad alimentaria mundial, al proporcionar productos esenciales para la nutrición humana y el desarrollo económico de numerosas regiones. Más allá de su capacidad productiva, la calidad de los productos agrícolas es un factor clave para su aceptación comercial y para su valor nutricional, funcional y sensorial. Esta calidad depende, en gran medida, de la composición química de hojas, frutos y semillas, determinada por rutas metabólicas complejas que se activan durante el crecimiento y el procesamiento de las plantas. Estas rutas están influidas por múltiples factores, entre los que destacan las condiciones genéticas y ambientales y, cada vez con mayor reconocimiento, las interacciones con los microorganismos que conforman el microbioma vegetal. Aunque se ha documentado que estas comunidades microbianas desempeñan funciones críticas en la adquisición de nutrientes, la defensa frente a patógenos y la adaptación al estrés abiótico, su influencia directa sobre el perfil
metabolómico de los productos vegetales aún no ha sido plenamente caracterizada, especialmente en cultivos distintos de la vid (Habib et al. 2025). Este tipo de relaciones permanece inexplorado o ha sido abordado de forma limitada en cultivos de relevancia agroindustrial, como el tomate, la albahaca y el café, los cuales representan modelos ideales para extender este enfoque debido a su diversidad fisiológica, valor comercial y la variedad de órganos vegetales involucrados en su aprovechamiento.
El tomate (Solanum lycopersicum) es una planta modelo ampliamente utilizada en estudios de biología vegetal, genética y fisiología, y además es un cultivo de alta demanda a nivel global (Liu et al. 2022). La albahaca (Ocimum basilicum), por su parte, es valorada tanto por sus propiedades medicinales como por su uso en la industria alimentaria, debido a sus aceites esenciales ricos en fenilpropenos, monoterpenos y sesquiterpenos, que contribuyen a su aroma característico y a su aplicación en gastronomía, perfumería y fitoterapia (Romano et el. 2022). Por otro lado, el café (Coffea arabica) es un cultivo de alto valor económico y simbólico para regiones como América Latina, cuya calidad final depende en gran medida de la fermentación controlada de sus semillas. Durante este proceso se generan compuestos clave, como la cafeína, ácidos orgánicos, ésteres, aldehídos, cetonas y compuestos fenólicos, que conforman el perfil sensorial del producto (Pastelin- Solano et al. 2026).
La elección de estos tres sistemas vegetales permite abordar la influencia del microbioma sobre el metaboloma desde una perspectiva amplia, incluyendo diferentes órganos vegetales (fruto, hoja y semilla), distintos tipos de interacciones planta-microorganismo (raíces, rizosfera y fermentación) y su alta relevancia en las cadenas agroindustriales. Su estudio ofrece una oportunidad estratégica para validar el concepto de terruño microbiano en nuevos modelos agrícolas, con aplicaciones potenciales para mejorar la calidad sensorial, funcional y comercial de los productos vegetales. En este contexto, es importante desarrollar experimentos controlados que permitan comparar microbiomas derivados de suelos contrastantes, denominados saludables vs. degradados, e inocularlos en modelos vegetales como el tomate, la albahaca y el café. El objetivo es evaluar si tales microbiomas modifican la estructura de las comunidades microbianas en raíces y en fermentaciones, y si ello genera efectos diferenciables en los perfiles metabolómicos de hojas, frutos y semillas. Para ello, se requiere un enfoque integral basado en técnicas de secuenciación masiva (16S, ITS) y en análisis metabolómicos no dirigidos mediante LC-MS, complementado con análisis estadísticos robustos de correlación entre los microorganismos y el metaboloma (Dini et al. 2025). En general, se considera que actualmente existe abundante evidencia sobre el terruño microbiano en uva y vino (Franco et al. 2024); sin embargo, la información disponible sobre tomate, albaca y café es escasa y fragmentada. Esta carencia de información limita la formulación de bioinoculantes o bioestimulantes personalizados cuyo objetivo no sea únicamente mejorar el rendimiento, sino también optimizar la calidad química, sensorial y funcional de los productos vegetales. Superar esta limitación podría impulsar el avance hacia una agricultura de precisión microbiana, con aplicaciones en la trazabilidad del origen del cultivo, el diseño de estrategias de diferenciación de productos y la innovación agroalimentaria.
Desde una perspectiva biotecnológica, comprender las posibles asociaciones entre los microbiomas del suelo y el perfil metabolómico de los cultivos de interés podría abrir nuevas rutas hacia una agricultura más precisa, sostenible y orientada a la calidad del producto. La identificación de microbiomas asociados a perfiles químicos diferenciados permitiría fundamentar el diseño de bioinsumos microbianos con efectos potenciales no solo sobre el rendimiento, sino también sobre la calidad nutricional, funcional y sensorial de hojas, frutos y productos fermentados. Además, este enfoque se alinea con varios Objetivos de Desarrollo Sostenible (ODS) establecidos por la ONU: el ODS 2 (Hambre cero), al fomentar una producción más saludable y resiliente; el ODS 12 (Producción y consumo responsables), al proponer métodos que optimizan la calidad sin comprometer los
ecosistemas; el ODS 3 (Salud y bienestar), al elevar la calidad nutricional; y el ODS 15 (Vida de ecosistemas terrestres), al promover suelos biodiversos y funcionales. Así, esta investigación no solo responde a una necesidad científica urgente, sino que también se inscribe en un compromiso global con la sostenibilidad agroalimentaria.
5. DESCRIPCIÓN DE LOS ALCANCES
La presente propuesta evalúa la relación entre la composición del microbioma y los perfiles metabolómicos en hojas de albahaca, frutos de tomate y semillas de café fermentadas. Se utilizaron microbiomas de suelos agrícolas contrastantes, inoculados en sistemas controlados y comparados con controles sin inoculación, para identificar asociaciones entre microorganismos y metabolitos específicos.
6. OBJETIVOS
6.1. Objetivo general
Evaluar la existencia de correlaciones significativas entre la diversidad taxonómica de las comunidades microbianas y los perfiles metabolómicos de frutos de tomate, hojas de albahaca y semillas de café, fermentados mediante la inoculación de microbiomas diferenciados.
6.2. Objetivos específicos
1. Caracterizar la diversidad taxonómica de las comunidades bacterianas y fúngicas asociadas
a las raíces y rizosferas de tomate y albahaca, así como a los procesos de fermentación de semillas de café, mediante la secuenciación de las regiones 16S rRNA e ITS.
2. Analizar los perfiles metabolómicos presentes en frutos de tomate, hojas de albahaca y
semillas de café fermentadas, mediante espectrometría de masas acoplada a cromatografía líquida (LC-MS) en fase reversa.
3. Determinar asociaciones estadísticas entre la composición de las comunidades microbianas
y los perfiles metabolómicos, e identificar microorganismos potencialmente relacionados con la acumulación diferencial de metabolitos de interés en los sistemas estudiados.
7. MARCO TEÓRICO
7.1. Microorganismos asociados a las plantas
Los microorganismos, como bacterias y hongos, son los seres vivos más abundantes en la Tierra (Larsen et al., 2017). A menudo se asocian con riesgos, como intoxicación alimentaria, resistencia microbiana y enfermedades infecciosas (Odo et al., 2021; C. Wang & Li, 2015), pero también contribuyen de manera decisiva a la salud y el medio ambiente (Ma, 2019; Marco, 2021). Los avances en secuenciación de siguiente generación (NGS) han revolucionado la comprensión de la
ecología microbiana (Gilbert et al., 2014; Pasolli et al., 2019), y a través de estudios metagenómicos ha surgido el concepto de microbioma para describir el conjunto de genes de una comunidad microbiana en un entorno específico (Neu et al., 2021).
El microbioma del suelo es fundamental para el funcionamiento de los ecosistemas terrestres debido a su inmensa diversidad, con miles de especies presentes en un solo gramo de suelo, lo que lo convierte en el hábitat microbiano más diverso del planeta (Delgado-Baquerizo et al., 2018; Fierer, 2017). Las comunidades microbianas del suelo están moldeadas por factores como las condiciones físicas y químicas del suelo, la materia orgánica, los nutrientes y las interacciones con las raíces de las plantas (Figura 1). Los microorganismos de la rizosfera pueden influir en el crecimiento y la salud de las plantas de varias maneras (Bhattacharyya & Jha, 2012). Algunos microorganismos en la rizosfera son beneficiosos para las plantas, ya que desempeñan funciones clave en la descomposición de la materia orgánica, la ciclación de nutrientes, la fijación de nitrógeno, la producción y degradación de compuestos bioactivos, el estímulo del crecimiento de las plantas y la regulación de las enfermedades (Wang et al., 2022). Por ejemplo, microorganismos como Trichoderma virens Gv28-9 aumentan la producción de raíces y biomasa, Azotobacter chroococcum RK49 incrementa la disponibilidad de nitrógeno para la planta, Streptomyces pactum Act12 confiere resistencia al estrés por sequía y Flavobacterium TRM1 otorga resistencia a enfermedades causadas por Ralstonia solanacearum (Johnston-Monje, Arévalo, et al., 2021). Por otro lado, la presencia de microorganismos patógenos puede ser perjudicial, ya que pueden causar enfermedades en las plantas al infectar las raíces o los tejidos adyacentes (El-Sharkawy & Abdelrazik, 2022). Los endófitos pueden tener interacciones complejas con las plantas y desempeñar un papel crucial en su salud, crecimiento y adaptación al entorno (Hardoim et al., 2008). Es importante destacar que el microbioma de las plantas no se limita a los endófitos. También incluye los microorganismos que colonizan las raíces y otros compartimentos asociados a las plantas, como las hojas y los tallos (Trivedi et al., 2020). Estos microorganismos pueden tener interacciones complejas con las plantas; pueden ser simbióticas, mutualistas o patogénicas (Escobar-Rodríguez et al., 2021). Los microorganismos del suelo utilizan una variedad de mecanismos para colonizar las raíces de las plantas, como la quimiotaxis, la formación de biopelículas y la comunicación química (J. Li et al., 2023). Una vez colonizadas, estos microorganismos cambian la composición y diversidad del microbioma de las plantas y pueden beneficiar a las plantas de varias formas (Figura 1) como sintetizar hormonas vegetales, aumentar o cambiar la producción de metabolitos y mejorar la tolerancia al estrés biótico y abiótico (Berg & Smalla, 2009; Bulgarelli et al., 2012). Los mecanismos que emplean los microorganismos para inducir estos cambios incluyen la modulación de la expresión genética mediante moléculas de señalización y la interacción con la disponibilidad de nutrientes, ya que muchos metabolitos secundarios se sintetizan a partir de nutrientes presentes en el suelo (Bulgarelli et al., 2013).
Figura 1. Asociaciones en la rizosfera entre las raíces de las plantas y los microorganismos de las raíces bajo influencias bióticas y abióticas. Elaboración propia en Biorender.
7.2. Terruño microbiano
Los perfiles bioquímicos de los productos agrícolas reflejan los fenotipos metabólicos de las plantas, desarrollados durante su crecimiento y procesamiento (Fernie & Schauer, 2009). Para comprender y potencialmente mejorar estos perfiles, es crucial investigar los factores subyacentes y los mecanismos implicados. Uno de estos factores importantes es el suelo, conocido como "terruño", en el que crecen las plantas. Características como la textura del suelo, el contenido de materia orgánica, el pH, el intercambio catiónico, la disponibilidad de nutrientes, el drenaje y la aireación son de importancia agronómica (Karlen et al., 1997). El microbioma del suelo, que puede variar según la ubicación geográfica, el tipo de cultivo y las prácticas agrícolas, es un componente esencial. Se ha demostrado que las variaciones en el microbioma del suelo pueden influir en la composición de los metabolitos producidos por las plantas, especialmente en cultivos como el de la uva (Figura 2). Por ejemplo, una disminución de la diversidad de bacterias ácido-lácticas en el suelo puede afectar negativamente la producción de ácido láctico, lo que influye en la calidad del vino en términos de suavidad y equilibrio de la acidez (Liu et al., 2019). De manera similar, la disminución de la diversidad de levaduras como Pichia, Hanseniaspora y Candida, puede llevar a una menor producción de compuestos aromáticos y una pérdida de complejidad en el vino, ya que estas levaduras contribuyen a los perfiles aromáticos y de palatabilidad mediante la producción de metabolitos secundarios como terpenos, ésteres y aldehídos (Morata et al., 2019).
El microbioma de las uvas está constituido por diversas fuentes, como endófitos del genotipo de la uva, microorganismos del suelo que colonizan la planta, la actividad humana o los insectos polinizadores. Estas frutas se llevan a bodegas para fermentar, y los cambios microbiológicos en la uva generan modificaciones químicas en el metaboloma durante la producción de vino
(Zarraonaindia et al., 2015). En diferentes viñedos de Napa Valley, California, se reportó una relación entre los microorganismos presentes en el mosto de uva y la producción de compuestos químicos. La familia de bacterias acido lácticas Leuconostocaceae se relaciona con la producción de metilbenzoato, acetato de fenilo o p–anisealdehído y la especie Pichia guilliermondii con producción de éster o lactona (Bokulich et al., 2016). Además, se ha demostrado que la distancia geográfica entre cultivos de la misma variedad de uva y procedentes de las mismas bodegas de fermentación difiere entre bacterias y, mucho más, entre hongos, lo que indica que la biogeografía de las comunidades microbianas asociadas a la uva podría contribuir a la identidad local del vino (Miura et al., 2017). Aunque existen muchos estudios en vinos y uvas, el concepto de terruño microbiano está aún poco estudiado en otras plantas por lo que es importante ampliar esta investigación a otras especies de planta y otros productos agrícolas derivados de hojas, flores, frutos y semillas para comprender el papel de los microorganismos en la producción de compuestos relacionados a la calidad de un producto agrícola.
Figura 2. Esquema representativo sobre terruño microbiano representando cómo el microbioma del suelo interactúa con las raíces y coloniza las plantas (tomado de (Liu et al., 2019).
7.3. Estudiando el impacto de variación en microbiomas sobre los
metabolitos en frutas de tomate, hojas de albaca y semillas de café
El estudio del tomate es fundamental por su importancia como uno de los cultivos hortícolas más destacados en términos de producción y valor económico a nivel mundial (FAOSTAT, 2019). Además, el tomate es un ingrediente versátil en la cocina y la gastronomía, utilizado en una amplia variedad de preparaciones culinarias en todo el mundo (Y. Li et al., 2018). También se considera una planta modelo para el estudio de las frutas (Quinet et al., 2019). La importancia nutricional del tomate se debe a sus diversos compuestos, que promueven la salud y mejoran atributos sensoriales como el aroma, el sabor y la textura. Estos compuestos incluyen vitaminas, carotenoides y compuestos fenólicos (Martí et al., 2016). Se ha propuesto que la acumulación de estos compuestos en el tomate está relacionada con el microbioma de la planta. Se han identificado géneros bacterianos como
Hymenobacter, Pseudomonas, Pantoea, Sphingomonas, Massilia y Methylobacterium que se correlacionan con la producción de compuestos específicos, y la presencia de Bacillus rASV_135 se relaciona con la abundancia de fructosa, glucosa y compuestos aromáticos importantes (Escobar- Rodríguez et al., 2021). Además, se ha descubierto que la asociación con micorrizas aumenta la absorción de nutrientes, como el nitrógeno, lo que, a su vez, incrementa la síntesis de compuestos fenólicos y carotenoides (Bowles et al., 2016; Verzeaux et al., 2017). La presencia de Priestia megaterium en el suelo del cultivo puede aumentar el contenido de licopeno y de carotenoides totales (Katsenios et al., 2021). Incluso algunos biofertilizantes producidos a partir de microorganismos, como Trichoderma harzianum cepa T22, han demostrado mejorar el rendimiento del cultivo y el contenido de licopeno, un antioxidante (Carrau et al., 2020).
La albahaca por su parte presenta un amplio uso culinario, y propiedades medicinales (Filip, 2017) (Beltrán-Noboa et al., 2022). Al analizar nueve especies de albahaca, se observó que los principales compuestos presentes en todas ellas pertenecen a los grupos de treptenos, fenilpropanoides, flavonoides y ácidos orgánicos (Du et al., 2023). Además, a partir de hojas de albahaca se extraen aceites esenciales para aromatizar alimentos, como salsas, aderezos y platos de pasta, y también se emplean en productos cosméticos y perfumes por sus propiedades aromáticas y revitalizantes (Tangpao et al., 2018). En cuanto a la variación de los metabolitos producidos en hojas de albahaca, se ha documentado que la inoculación con micorrizas arbusculares aumenta la producción de compuestos fenólicos y de aceites esenciales en estas hojas (Soumare et al., 2021). Por tal motivo, existen algunos estudios que reportan la aplicación de bioestimulantes a base de hongos micorrizas arbusculares (AMF) y Trichoderma koningii en suelos salinos, lo que condujo a la acumulación de polifenoles, especialmente de ácidos ferúlico y achicórico y de quercetina-rutinósido, en albahaca (Saia et al., 2021). Por otra parte, el uso de bioformulaciones que contienen cepas de Trichoderma afroharzianum T22, Azotobacter chroococcum 76A y 6-pentil-α-pirona modula el cultivo de albahaca, provocando un aumento del contenido de ácido rosmarínico y mejorando el rendimiento y la calidad de las hojas (Comite et al., 2021).
El café es uno de los cultivos de exportación más importantes de Colombia y se conoce por su compleja composición química y por los compuestos bioactivos que influyen en su sabor y aroma. La fermentación de las semillas de café es un proceso fundamental que influye directamente en la calidad y el perfil de sabor de la bebida. Los métodos de fermentación, como el seco (Velásquez & Banchón, 2022) y el húmedo (Girma & Sualeh, 2022), inclusive métodos que utilizan el intestino de pájaros como Kopi Luwak (Marcone, 2004) y del pájaro jacu brasileño (Raveendran & Murthy, 2022) permiten el desarrollo de diferentes microorganismos, lo que conlleva perfiles metabólicos únicos. En el contexto colombiano, la fermentación húmeda del café ha sido objeto de estudio, lo que ha revelado una diversidad microbiana que incluye bacterias predominantes como Leuconostoc y Lactobacillus, así como la levadura Pichia nakasei. Durante este proceso se producen metabolitos específicos, como el ácido láctico y el acetaldehído, junto con una amplia gama de compuestos volátiles, ácidos orgánicos, alcoholes y otros componentes que influyen en el sabor y el aroma del café. Además, se reportaron 56 géneros microbianos detectados por primera vez durante la fermentación del café, asociados con el suelo nativo, el agua de mar, las plantas, los insectos y el contacto humano. Estos resultados denotan una alta diversidad microbiana, la cual puede impartir sabores que brinden pistas sobre el terruño de los cafés colombiano (de Oliveira Junqueira et al.,
2019).
La investigación en el ámbito del café ha demostrado que la inoculación controlada de cepas específicas de levaduras y bacterias puede tener un impacto significativo en el proceso de fermentación del café (Haile & Kang, 2019). Este enfoque puede acelerar la fermentación, reducir la concentración final de ácido y aumentar la producción de aromas deseables, al tiempo que disminuye la producción de sabores no deseados, lo que sugiere la posibilidad de diseñar de manera más
controlada el perfil de sabor del café en función de los microorganismos seleccionados (Chagas Junior et al., 2021; Elhalis et al., 2021; Pregolini et al., 2021). Si se realizan más trabajos sobre la optimización de los microorganismos presentes en la fermentación de semillas de café, se permitirá “diseñar” o “construir” racionalmente el terruño para el café.
7.4 Teoría del holobionte vegetal
La teoría del holobionte vegetal propone que la planta y su microbioma asociado conforman una unidad ecológica y funcional, en la que ambos componentes interactúan de manera continua para influir en el crecimiento, la defensa y la adaptación al ambiente. En este escenario, el fenotipo vegetal no puede interpretarse únicamente a partir del genoma de la planta, sino que debe entenderse como el resultado de la interacción entre el hospedero y las comunidades microbianas que colonizan la rizósfera, la endósfera, la filosfera y otros compartimentos asociados. Grzyb y Szulc (2024) reportan que las plantas han coevolucionado con los microorganismos circundantes y que esta asociación constituye un ensamblaje discreto con ventajas adaptativas para el holobionte. Considerando este tipo de relaciones, se ha propuesto un concepto denominado fitomicrobionma, fundamental para el crecimiento y la función de la planta. Los microorganismos desempeñan un papel importante en la adquisición de nutrientes, la gestión del estrés biótico y abiótico, la regulación fisiológica mediante señales entre microorganismos y plantas, y la regulación del crecimiento a través de la producción de fitohormonas (Lyu et al. 2021).
En una investigación publicada por Spooren et al. 2024, se evidencia que la coevolución plantamicroorganismo se expresa en procesos de selección recíproca, en los que la planta actúa como filtro biológico mediante exudados radiculares, inmunidad y rasgos genéticos que favorecen determinados taxones. A su vez, los microorganismos contribuyen al fitofenotipo mediante la solubilización de nutrientes, la protección frente a patógenos y la modulación hormonal. En este sentido, el microbioma no solo acompaña a la planta, sino que también puede modificar su desempeño ecológico y fisiológico. A lo largo de su vida, la planta puede reclutar microorganismos beneficiosos en respuesta a un ataque patogénico, generando legados ecológicos que protegen a generaciones posteriores.
Desde esta perspectiva, el fenotipo microbiano también cobra relevancia, ya que la expresión funcional de las comunidades asociadas depende del contexto del hospedero y del ambiente. Así, el conjunto planta-microbioma debe entenderse como una entidad dinámica, en la que la estructura comunitaria y la función biológica se codeterminan. Este enfoque resulta especialmente útil para explicar respuestas de resiliencia, productividad y calidad metabólica en sistemas agrícolas complejos (Duret et al. 2024). A pesar de los avances en la investigación sobre el tema, persisten vacíos de conocimiento relacionados con la integración de los holobiontes vegetales en la perspectiva más amplia del holobioma. Por ello, es necesario considerar la interacción de los holobiontes a escala del holobioma, con el fin de predecir y controlar la función del microbioma y, así, mejorar la salud vegetal (Gabriele et al. 2024).
7.5 Ecología del ensamblaje microbiano
Las comunidades microbianas experimentan ocasionalmente cambios abruptos en la composición de especies, a pesar de su estabilidad intrínseca, lo que dificulta el mantenimiento de estados microbiómicos altamente funcionales. Por ello, El diseño estratégico y el control de los entornos de
ensamblaje consolidarán las bases prácticas fundamentales para el despliegue de las funciones del microbioma requeridas para diversos fines médicos, agrícolas e industriales (Toju et al. 2026). El ensamblaje de comunidades microbianas en la planta responde a procesos ecológicos jerárquicos que incluyen la dispersión, el filtrado ambiental, la selección por el hospedero y las interacciones bióticas. Los microorganismos provienen del suelo, de las semillas, del aire y de los restos orgánicos, pero no todos logran establecerse en un nicho específico. La planta ejerce un filtrado selectivo mediante propiedades fisicoquímicas del microambiente y mecanismos inmunológicos, lo que favorece la persistencia de grupos microbianos compatibles con sus requerimientos fisiológicos. Chen et al. 2025, publicaron una investigación donde indican que la estratificación vertical de la comunidad bacteriana en pastizales áridos y semiáridos contribuye a la comprensión del proceso pedogenético bajo el cambio climático y las estrategias de adaptación microbiana en entornos de suelo heterogéneos.
El filtrado ambiental condiciona la disponibilidad y la supervivencia de los taxones según variables como el pH, la humedad, la temperatura, la textura del sustrato y los nutrientes. Sin embargo, la selección por hospedero introduce una capa adicional de control, pues las raíces y otros tejidos liberan compuestos que reclutan microorganismos específicos. Los exudados radiculares generan “puntos calientes” de actividad biológica y fomentan ensamblajes particulares en la rizósfera, fenómeno destacado por revisiones recientes sobre microbiomas supresivos y salud vegetal (Fadiji et al. 2025).
La diversidad funcional de estas comunidades es importante porque un microbioma diverso no solo incrementa la redundancia ecológica, sino también la capacidad de respuesta ante el estrés biótico o abiótico. Grzyb y Szulc (2024) reportaron que, en bacterias del holobionte vegetal, los procesos de ensamblaje se vinculan con la adquisición de nutrientes esenciales y con la presencia de nichos poco explorados, como semillas y flores, lo que amplía la comprensión ecológica del microbioma vegetal. En consecuencia, estudiar el ensamblaje microbiano permite comprender cómo se estructuran comunidades capaces de sustentar funciones metabólicas y adaptativas de alto valor agronómico.
7.6 Bases bioquímicas de la modulación metabólica
La modulación metabólica mediada por microorganismos se sustenta en mecanismos bioquímicos y moleculares que incluyen la producción de fitohormonas microbianas, la activación de rutas de señalización, la regulación transcripcional y la inducción de metabolitos secundarios. Diversos microorganismos son capaces de sintetizar auxinas, giberelinas, citoquininas y ácido abscísico, o de influir en sus niveles internos, alterando procesos como la elongación celular, la germinación, el desarrollo radicular y las respuestas al estrés. Estas interacciones químicas explican parte del efecto promotor de crecimiento asociado a bacterias y hongos benéficos (Olanrewaju et al. 2024). La señalización molecular entre planta y microorganismo involucra compuestos como exopolisacáridos, volátiles, lipopeptidos, sideróforos y moléculas derivadas del metabolismo primario y secundario. Estas señales activan cascadas de transducción que reprograman la expresión génica tanto del hospedero como del propio microorganismo. En particular, Lv et al. 2024 indican que los microorganismos pueden modular niveles hormonales, absorción de nutrientes, provisión de precursores y expresión de enzimas y genes relacionados con metabolitos secundarios de la planta.
A nivel transcripcional, la activación de factores de transcripción y de redes regulatorias conduce a la acumulación diferencial de compuestos con funciones defensivas, antioxidantes o de interacción ecológica. Este fenómeno es especialmente importante bajo estrés o en interacción simbiótica, ya que la presencia microbiana puede inducir un metabolismo secundario específico que contribuye a la tolerancia y a la calidad bioquímica del tejido vegetal. En síntesis, la modulación metabólica constituye un mecanismo central de comunicación interreinos y una base fisiológica para la funcionalidad del holobionte (Shabbir et al. 2025).
7.7 Metabolómica
La metabolómica es el estudio global de los metabolitos presentes en un sistema biológico en un momento determinado y constituye una aproximación clave para interpretar el estado fisiológico y funcional de plantas y microorganismos. A diferencia de enfoques dirigidos a compuestos específicos, la metabolómica no dirigida busca capturar la mayor cantidad posible de señales químicas, lo que la convierte en una estrategia exploratoria útil para generar hipótesis biológicas. En el ámbito de productos naturales y sistemas vegetales, la LC-MS se ha consolidado como una de las plataformas más empleadas por su sensibilidad, cobertura amplia y reproducibilidad (Sarkar et al. 2025).
La metabolómica no dirigida basada en LC-MS permite detectar miles de características moleculares, aunque su interpretación exige procesos rigurosos de preprocesamiento, alineación, normalización, anotación y validación. Los estudios recientes destacan que esta metodología es valiosa para el análisis de biomarcadores, alimentos, agricultura y microbiología, pero también señalan desafíos asociados a la identificación inequívoca de metabolitos y a la estandarización del análisis de datos. Por ello, la calidad de la inferencia biológica depende de la integración de datos analíticos, bases de datos químicas y el contexto experimental (Broeckling et al. 2023).
La interpretación biológica de los perfiles metabolómicos requiere relacionar las señales detectadas con rutas metabólicas, respuestas al estrés y fenómenos de interacción planta-microorganismo. En este sentido, los perfiles no solo describen la composición química, sino también los estados funcionales del sistema. La evidencia reciente muestra que la metabolómica puede revelar el crosstalk químico entre plantas y microorganismos, especialmente en la rizosfera, donde los metabolitos participan en la colonización, la señalización y la resiliencia climática. Por tanto, la metabolómica aporta una dimensión funcional indispensable para comprender el holobionte vegetal (Katam et al. 2022).
7.8 Herramientas biotecnológicas para el estudio integrado de microbiomas y
metabolomas
Recientemente, la llegada de las herramientas ómicas, las técnicas de edición genética y la tecnología de secuenciación ha permitido evaluar las complejas redes de interacciones plantamicroorganismo, mejorando la aptitud de las plantas y su tolerancia a los desafíos bióticos y abióticos. La genómica es una herramienta eficaz para estudiar y predecir las interacciones entre microorganismos y plantas, así como para desarrollar tolerancia al estrés patógeno en las plantas (Afridi et al. 2022).
El estudio integrado de microbiomas y metabolomas se apoya en un conjunto de herramientas biotecnológicas que permiten caracterizar tanto la composición taxonómica como la funcionalidad química de los sistemas biológicos. Entre ellas destacan la secuenciación de amplicones de 16S rRNA e ITS, la metagenómica, la transcriptómica, la LC-MS no dirigida y los enfoques de bioinformática multiómica. Estas tecnologías facilitan la identificación de patrones de asociación entre microorganismos y metabolitos y permiten construir modelos explicativos sobre la función del holobionte (Lai et al. 2024).
La integración microbioma-metaboloma requiere, además, metodologías de análisis multivariado, redes de correlación y estrategias estadísticas que vinculen taxones con metabolitos diferenciales. En los trabajos recientes se reconoce que este enfoque permite inferir mecanismos de regulación metabólica y descubrir microorganismos potencialmente implicados en la acumulación de compuestos de interés. Asimismo, el uso combinado de marcadores moleculares, perfiles químicos y análisis ecológicos fortalece la interpretación de procesos como la adquisición de nutrientes, la supresión de enfermedades y la adaptación ambiental (Wang et al. 2023). Estas herramientas tienen un valor especial en la investigación agrícola porque posibilitan la evaluación de sistemas complejos en los que intervienen raíces, rizosferas, frutos, hojas o matrices fermentativas. En consecuencia, la integración de microbiomas y metabolomas ofrece una base sólida para el desarrollo de estrategias biotecnológicas orientadas a la sostenibilidad, la calidad de los productos y la salud vegetal. Sin embargo, a pesar de los avances, aún persisten limitaciones en el análisis computacional, las evaluaciones estadísticas, la estandarización y la validación, debido a la gran variabilidad de las muestras, al diseño experimental y a los flujos de trabajo bioinformáticos (Galloway-Peña & Hanson 2020). Actualmente, la convergencia entre la integración multiómica, la inteligencia artificial y las estrategias de modelado híbrido ha comenzado a superar las limitaciones de larga data de los procesos tradicionales. La integración de la biología de sistemas, el modelado computacional y los datos experimentales constituye un enfoque multidisciplinario que permitirá avanzar hacia una nueva generación de soluciones en problemáticas que requieran análisis metabolómicos (Baimakhanova et al. 2025).
8. METODOLOGÍA
En el marco de esta investigación, se seleccionaron tres sistemas vegetales de interés agroindustrial para el estudio de las interacciones entre el microbioma y el perfil metabolómico: semillas de Coffea arabica para el proceso de fermentación húmeda; semillas de albahaca genovesa (Ocimum basilicum), reconocida por sus hojas pequeñas y su alto contenido de aceites esenciales aromáticos; y la variedad Micro-Tom de tomate (Solanum lycopersicum), caracterizada por su porte compacto, capacidad de autofecundación y ciclo de vida corto, lo cual facilita su cultivo en condiciones controladas. En el diseño experimental (figura 3), primero se prepararon los tratamientos: diluciones de suelos de cultivos agrícolas con diferentes características, como suelos de cultivos prósperos y/o enfermos, que se inocularon en la rizosfera de plantas de tomate y albahaca crecidas en arena estéril y en el líquido de fermentación de semillas de café (dos tratamientos para semillas de café fueron levadura y bacteria pura).
Posteriormente, se realizaron la cosecha y el procesamiento de las muestras para su análisis metagenómico de raíz, rizosfera y líquido de fermentación, y el análisis metabolómico a partir del fruto de tomate, la hoja de albahaca y las semillas de café. Finalmente, se aplicaron herramientas de análisis estadístico, bioinformático y quimioinformático para identificar las correlaciones entre microorganismos y metabolitos en los productos vegetales evaluados.
Figura 3. Proceso metodológico del proyecto. Fuente: elaboración propia en Biorender.
8.1. Cultivo de plantas y fermentación de semillas
En esta investigación se emplearon tres modelos vegetales de interés agroindustrial para evaluar la relación entre el microbioma y metaboloma: Coffea arabica (variedad Castillo) para el estudio de semillas fermentadas, Ocimum basilicum (variedad genovesa vendida por la compañía Fercon) para hojas, y Solanum lycopersicum (variedad Micro-Tom de C.M. Rick Tomato Genetics Resoure Center, Davis, CA, USA) para frutos. Estas especies fueron seleccionadas por su relevancia comercial, su diversidad fisiológica y por representar diferentes órganos vegetales de valor económico (semillas, hojas y frutos, respectivamente).
Las semillas fueron sometidas a un proceso de desinfección mediante inmersión en etanol al 70% y en solución de hipoclorito de sodio, de acuerdo con el protocolo descrito por Gilbert et al. (2023). Posteriormente, las semillas se colocaron en cajas de Petri, utilizando servilletas humedecidas con agua estéril como cámaras húmedas. Las cajas se sellaron con Parafilm® para mantener condiciones controladas de alta humedad relativa y favorecer la germinación. Una vez germinadas, las plántulas fueron trasplantadas a macetas (tomates) o botellas de 2 litros selladas (Albahaca) que contenían arena de río esterilizada y se dejaron crecer durante dos semanas antes de la inoculación con los tratamientos microbianos.
Los inóculos consistieron en 4 g de suelo suspendidos en 40 mL de agua estéril y se aplicaron por irrigación a las raíces de las plantas sembradas en arena esterilizada. Se incluyeron cuatro suelos con características contrastantes: dos suelos “sanos”; uno denominado “Armando” de una finca de
producción de yuca bajo manejo convencional (Palmira, Valle del Cauca) y otro de café bajo manejo agroecológico sin aplicación de agroquímicos (Dulce Hogar; zona rural de Cali, Valle del Cauca). Dos suelos “enfermos” procedentes de fincas con antecedentes de enfermedades: la finca Cauca produce yuca con alta incidencia de la enfermedad “cuero de sapo” (Popayán, Cauca), mientras que Villa Laura envió suelo de su cafetal, donde muchas plantas sufrían una enfermedad fantasma que pudría las raíces (Trujillo, Valle del Cauca). Para el experimento de fermentación de café, se incluyó adicionalmente un suelo proveniente de la finca Santuario (Valle del Cauca, Colombia), dedicada al cultivo de Coffea arabica y cuyas plantas no presentaban síntomas visibles de enfermedad al momento del muestreo. Asimismo, se emplearon inóculos, inóculo puro de la bacteria Burkholderia gladioli 3A12 (Shehata et al., 2017) e inóculo puro de la levadura Yarrowia lipolytica (Shehata et al., 2017). El control negativo se inoculó únicamente con agua estéril. Estas comunidades constituyeron la variable independiente del experimento. Para cada tratamiento se establecieron cuatro réplicas biológicas.
Con el fin de reducir la variabilidad ambiental, las plantas fueron cultivadas en un cuarto de crecimiento con luz artificial y temperatura ambiental (12 horas luz / 12 horas oscuridad). Las plantas de albahaca incluso estaban sembradas dentro de botellas plásticas de 2 L que se habían esterilizado con etanol y sellado después de la siembra. Cada semana y a todas las plantas, se aplicó un fertilizante completo (Miracle Gro, Water Soluble All Purpose Plant Food) en agua de irrigación herbicida para asegurar la disponibilidad de nutrientes esenciales sin introducir nuevos microorganismos. La recolección de muestras se realizó a los tres meses de cultivo, una vez alcanzada la madurez fisiológica: se recolectaron frutos maduros de tomate y hojas desarrolladas de albahaca.
Para el experimento de fermentación de semillas, se utilizaron cerezas maduras de Coffea arabica variedad Castillo provenientes de la finca Dulce Hogar (Cali, Valle del Cauca, Colombia). Las cerezas fueron lavadas con agua estéril y desinfectadas dos veces mediante inmersión en etanol al 70% durante 5 minutos. Después de secar al clima durante 15 minutos, las cerezas se despulparon manualmente con guantes estériles y aproximadamente 5 g de semillas con 9 mL de agua destilada estéril y se transfirieron a tubos cónicos estériles de 50 mL. Cada tubo fue inoculado con 1 mL del inóculo de los diferentes tratamientos de microorganismo puro o suelo previamente preparado, correspondiente al mismo inóculo utilizado para la inoculación de las raíces de albahaca y tomate. El control se preparó mediante la adición de agua estéril en lugar de inóculo. El volumen final en todos los tubos fue de 10 mL. Los tubos se sellaron y se transfirieron a una incubadora a 25 °C durante 72 horas. Además de los tratamientos de suelo, también había fermentación de semillas tipo “honey” (semillas secas con mucílago adherido).
Las muestras de raíz, rizosfera y semillas fermentadas fueron recolectadas en tubos individuales etiquetados con el nombre del tratamiento y el número de réplica. Porque la fermentación húmeda de semillas de café normalmente involucra 3 lavados con agua antes de secar (De Bruyn et al., 2017) y se lavó una vez antes de secar y enviar a análisis metabolómico. Las raíces se lavaron cuidadosamente con agua destilada estéril hasta eliminar por completo la arena; el agua del primer lavado se recolectó por separado como muestra de rizosfera, siguiendo el protocolo de Johnston- Monje et al. (2021). Las muestras de raíz, rizosfera y líquido de fermentación se destinaron a la extracción de ADN y a los análisis metagenómicos, mientras que los frutos de tomate, las hojas de albahaca y las semillas de café se utilizaron para los análisis metabolómicos.
8.2. Procesamiento de las muestras
8.2.1.
Extracción de ADN y metagenómica
El ADN total fue extraído a partir de 1 mL de cada muestra biológica correspondiente a la raíz, la rizosfera y el líquido de fermentación, utilizando el Norgen Plant/Fungus DNA Isolation Kit (Thorold, ON, Canadá), siguiendo las instrucciones del fabricante. La cuantificación del ADN extraído se realizó mediante nanoespectrofotometría, con la que se evaluaron tanto la concentración como la pureza de los ácidos nucleicos. Para la amplificación del material genético, se empleó un protocolo de PCR en dos rondas, adaptado de Johnston-Monje, Gutiérrez et al. (2021). La primera ronda de PCR se efectuó utilizando primers universales dirigidos a la región V3-V4 del gen 16S rRNA para la identificación de bacterias, con los cebadores 515F y 806R, y los bloqueadores PNA de 16S de mitocondrias y de cloroplastos de plantas. Para la identificación de hongos y levaduras, se amplificó la región ITS utilizando los cebadores ITS3-KYO2 e ITS4 y los bloqueadores PNA de ITS de planta. Para la segunda ronda de PCR se aplicaron primers con códigos de barras e índices compatibles con la plataforma de secuenciación de Illumina. La eficacia de la amplificación se verificó mediante electroforesis en gel de agarosa, observándose bandas de tamaño esperado. Los amplicones obtenidos fueron enviados para secuenciación masiva mediante tecnología de secuenciación de siguiente generación en la plataforma Illumina MiSeq, a través de los servicios prestados por la empresa Azenta Life Sciences (anteriormente Genewiz, Plainfield, NJ, USA). Las secuencias obtenidas con la plataforma Illumina MiSeq fueron sometidas a un proceso de control de calidad y a un análisis taxonómico. Inicialmente, se evaluó la calidad de las secuencias crudas mediante la inspección de puntuaciones Phred, y se eliminaron secuencias de baja calidad, así como regiones correspondientes a cebadores y adaptadores. Este preprocesamiento garantizó la inclusión únicamente de secuencias de alta calidad en los análisis posteriores. Las secuencias depuradas fueron alineadas utilizando MT-Toolbox (Yourstone et al. (2014) y posteriormente editadas con USEARCH v6 (Edgar, 2010) para la detección de secuencias redundantes y el agrupamiento en Unidades Taxonómicas Operativas (OTUs) a un umbral de similitud del 97%. La asignación taxonómica se realizó mediante búsquedas locales BLAST en la plataforma Genius, contra bases de datos de 16S de bacterias de Hsieh et al. (2022) y de ITS de eucariotas para las secuencias de los hongos de Santamaria et al. (2018). Para obtener análisis metagenómicos más robustos, se combinaron los datos de 16S de bacterias con los de ITS de hongos. Los datos de abundancia fueron integrados en objetos phyloseq dentro del entorno estadístico R. La diversidad alfa se evaluó mediante el índice de Shannon (H') el cual se calculó a partir de conteos de OTUs por muestra. Posteriormente, se calculó el valor promedio de Shannon para cada tratamiento. La diversidad beta se analizó mediante matrices de disimilitud calculadas con la distancia de Bray–Curtis, ampliamente utilizada en estudios de comunidades microbianas. Estas matrices se emplearon para construir gráficos de ordenación por coordenadas principales (PCoA) con el objetivo de visualizar patrones de agrupamiento y mapas de calor que representan el perfil taxonómico de las muestras, construidos a partir de datos normalizados como porcentaje de abundancia relativa, lo que permitió comparar visualmente las principales comunidades microbianas presentes en los distintos compartimentos evaluados: rizosfera, raíz, fruto y fermentación de café, según el modelo de estudio (Albahaca, tomate o café). Las diferencias estadísticas en la composición microbiana entre grupos se evaluaron mediante un análisis de varianza permutacional multivariada (PERMANOVA) con 999 permutaciones, lo que permitió determinar la significancia de las agrupaciones observadas. Para identificar OTUs diferencialmente abundantes entre condiciones experimentales (tratamiento vs. control), se utilizó el paquete DESeq2, aplicando criterios de significancia estadística (p valor <0.001 para bacterias y <0.05 para hongos) y magnitud del cambio (log₂ fold change >2).
8.2.2.
Análisis metabolómicos
Para el análisis del metaboloma, las muestras fueron enviadas al Centro de Metabolómica de la Universidad de los Andes (MetCore), donde se realizó un análisis metabolómico no dirigido mediante cromatografía líquida de fase reversa acoplada a espectrometría de masas con analizador de tiempo de vuelo (RP-LC-MS-QTOF). Cada muestra fue procesada tomando 10 unidades biológicas (por ejemplo, semillas o frutos), que se homogeneizaron mediante maceración con nitrógeno líquido. La extracción de metabolitos se llevó a cabo adicionando 500 µL de una solución metanol: agua (80:20, v/v), seguida de agitación por vórtex durante 15 minutos, sonicación durante 15 minutos adicionales y un segundo ciclo de vórtex durante 15 minutos. Posteriormente, las muestras fueron centrifugadas a 13,000 rpm durante 10 minutos a 4 °C y se recuperaron 80 µL de la fase orgánica para el análisis instrumental.
Los extractos se analizaron utilizando un sistema de cromatografía líquida Agilent Technologies 1260, acoplado a un espectrómetro de masas QTOF 6545 con fuente de ionización por electrospray en modo positivo y negativo. Las condiciones de separación incluyeron una columna C18 y un gradiente de elución basado en ácido fórmico en agua (fase A) y acetonitrilo (fase B). Para asegurar la calidad del análisis, se incluyeron controles de calidad (QC) preparados mediante una mezcla equimolar de todas las muestras, los cuales fueron analizados periódicamente a lo largo de la corrida para evaluar la estabilidad del sistema analítico y la reproducibilidad del procesamiento. El procesamiento de los datos crudos, incluyendo la conversión de archivos, la detección de picos, el alineamiento de tiempos de retención, la corrección de desplazamientos y el agrupamiento de señales, fue realizado por el centro de metabolómica utilizando flujos de trabajo bioinformáticos estándar, comúnmente empleados en estudios metabolómicos basados en espectrometría de masas (Pluskal et al., 2010). Como resultado, se obtuvo una matriz de características metabolómicas en la que cada muestra está representada por un conjunto de señales definidas por su relación masa/carga (m/z), tiempo de retención (RT) y una medida semicuantitativa basada en la intensidad de ionización registrada por el espectrómetro, incluyendo las muestras de control de calidad (QC). Los datos obtenidos fueron analizados estadísticamente mediante la plataforma MetaboAnalyst 5.0 Pang et al. (2021). Antes del análisis, se aplicaron filtros de calidad para eliminar metabolitos con baja reproducibilidad (alta variación entre réplicas de control de calidad, QCs) y aquellos con baja variabilidad entre los grupos experimentales. Posteriormente, los datos fueron normalizados por suma total para corregir diferencias en la cantidad de muestra, transformados mediante logaritmo en base 10 para reducir la asimetría de distribución, y escalados usando el método Pareto, a fin de equilibrar la influencia relativa de los distintos metabolitos.
La anotación tentativa de metabolitos se realizó utilizando la herramienta en línea CEU Mass Mediator Gil-de-la-Fuente et al. (2018), mediante búsquedas batch de las masas protonadas ([M+H]+) correspondientes únicamente a los metabolitos diferencialmente significativos entre tratamientos. Las búsquedas se realizaron en modo positivo, con una tolerancia máxima de ±10 ppm, considerando múltiples aductos posibles, incluidos [M+H]+, [M+2H]²+, [M+Na]+, [M+K]+, [M+NH4]+ y [M+H-H2O]+. Las búsquedas se realizaron en las bases de datos disponibles en la plataforma, incluidas METLIN, KEGG y LipidMaps.
Debido a que una misma masa podía generar múltiples candidatos putativos según el aducto y la base de datos consultada, la selección final de los compuestos se realizó considerando la
plausibilidad biológica de los compuestos en relación con la matriz analizada y su asociación conocida con el metabolismo primario y secundario de las plantas (Anexo 4). Dado que estas asignaciones se basaron exclusivamente en coincidencias de masa exacta (MS1), sin validación adicional mediante fragmentación (MS/MS), tiempo de retención o comparación con estándares auténticos, las anotaciones reportadas deben considerarse tentativas y corresponden principalmente a un nivel 3 de confianza según la Metabolomics Standards Initiative (MSI). Por tanto, las asignaciones químicas presentadas representan aproximaciones funcionales útiles para los análisis estadísticos exploratorios y la integración con los datos metagenómicos, pero permanecen sujetas a validación estructural en estudios futuros.
Se realizaron comparaciones entre cada tratamiento y su respectivo control mediante la prueba t de Student, considerando como significativos los metabolitos con p < 0.05. Además, se evaluaron los cambios relativos mediante el cálculo del fold change (FC) para cuantificar la magnitud de las diferencias. Los resultados se visualizaron mediante gráficos de dispersión tipo volcano plot, que integran tanto la significancia estadística como la magnitud del cambio, lo que permitió priorizar los metabolitos más relevantes para cada contraste. Adicionalmente, se calcularon los valores de Variable Importance in Projection (VIP) de los modelos supervisados PLS-DA, con el objetivo de identificar los metabolitos que más contribuyeron a la discriminación multivariada entre los tratamientos. Los metabolitos seleccionados para su inclusión en los análisis de correlación microbioma–metaboloma fueron los que cumplían con estos criterios (p < 0.05, VIP >1).
8.2.3.
Integración de datos metagenómicos y metabolómicos mediante análisis de correlación
Para evaluar la concordancia entre la estructura de las comunidades microbianas y los perfiles metabolómicos, se construyeron tanglegramas a partir de los dendrogramas jerárquicos de cada conjunto de datos. Los dendrogramas se generaron a partir de matrices de distancia Bray–Curtis, calculadas sobre las matrices normalizadas de abundancia microbiana y de suma de metabolitos. Posteriormente, los dendrogramas se visualizaron conjuntamente mediante tanglegramas utilizando funciones del paquete dendextend en R, lo que permitió evaluar visualmente el grado de correspondencia entre ambos agrupamientos (Galili, 2015).
Para integrar los datos del microbioma (bacteriano y fúngico) con los perfiles metabolómicos de las muestras, se utilizaron rutinas de análisis implementadas en R (v4.x), con el apoyo de los paquetes readr, dplyr, tidyr, psych, pheatmap, igraph y ggraph. Se trabajó con matrices previamente normalizadas: para el microbioma, se utilizaron abundancias transformadas mediante DESeq2, para el metaboloma, se usaron datos procesados en MetaboAnalyst mediante normalización por suma total, transformación log10 y escalado Pareto.
Las matrices se alinearon por muestra mediante la intersección de los identificadores comunes y se reordenaron para mantener la correspondencia en el análisis. Para reducir la dimensionalidad del análisis, las correlaciones se calcularon únicamente entre OTUs y metabolitos previamente identificados como diferencialmente significativos.
Las correlaciones entre variables microbianas y metabolitos se estimaron mediante coeficientes de Spearman, considerando observaciones completas por pares. Dado el número de comparaciones y la dimensión reducida de la muestra, se utilizó un umbral exploratorio para selección de asociaciones candidatas, definido como p ≤ 0.01 y |ρ| ≥ 0.35.
9. RESULTADOS
9.1. Albahaca
9.1.1.
Composición y variación de comunidades microbianas en raíz y rizósfera de albahaca según tratamiento del suelo
La caracterización del microbioma asociado a raíces y rizosfera de albahaca genovesa (Ocimum basilicum), inoculada con microbioma proveniente de diferentes suelos (Cauca, Armando, Dulce Hogar, Villa Laura), evidenció patrones específicos de colonización microbiana, tanto a nivel bacteriano como fúngico.
El análisis de componentes principales (PCA) de metagenómica de bacterias y hongos evidenció distintos impactos de los tratamientos en la estructura de las comunidades microbianas de la raíz y la rizosfera de albahaca (Figura 4). En la fracción de raíz, los dos primeros componentes explicaron el 22.06% de la variación total (Dim1 = 19.64% y Dim2 = 12.92%). Se observó una tendencia de agrupación de las muestras según el tratamiento, donde Cauca se distribuyó hacia valores positivos en ambos ejes, Dulce-Hogar se concentró en el cuadrante inferior derecho, Villa-Laura se ubicó en el lado negativo de Dim1, mientras que Armando se mantuvo cercano al centro del plano multivariado. El tratamiento de control (raíces creciendo en arena estéril, irrigadas con agua estéril en botellas selladas) fue muy similar al de las raíces de Villa Laura, lo que podría indicar un efecto limitado del inóculo de este tratamiento sobre la estructura de la comunidad microbiana de la raíz. En la rizosfera, los dos primeros componentes explicaron un porcentaje mayor de la variación total (Dim1 = 18.81% y Dim2 = 14.26%), lo que indica una mayor estructuración de las comunidades microbianas en comparación con la fracción de raíz. En este caso, las muestras del control se separaron claramente de los tratamientos inoculados, ubicándose en valores altos de Dim2 y alejadas del resto de los grupos. Esta separación sugiere que la inoculación con suelo introdujo comunidades microbianas distintas en la rizosfera de la albahaca en comparación con el control estéril. Entre los tratamientos, Dulce-Hogar se agrupó en el cuadrante inferior derecho del plano multivariado; Villa-Laura se ubicó en valores negativos de Dim1; Cauca se distribuyó en valores positivos de Dim1, con variación en Dim2, mientras que Armando se mantuvo en la región central inferior del análisis.
El análisis PERMANOVA confirmó diferencias significativas en la composición microbiana entre tratamientos tanto en la raíz (R² = 0.39, F = 1.60, p = 0.002) como en la rizosfera (R² = 0.44, F = 2.00, p = 0.001), siendo mayor la variación explicada en la rizosfera. A nivel de phylum, las comunidades microbianas asociadas a la albahaca mostraron diferencias en su composición según el compartimento vegetal y el tratamiento de inoculación (Figura 5). En las comunidades bacterianas, Proteobacteria fue el phylum dominante tanto en la raíz como en la rizosfera, seguido por Firmicutes y Bacteroidota, cuyas abundancias relativas variaron entre los tratamientos.
En las comunidades fúngicas, Ascomycota predominó claramente en ambos compartimentos, mientras que Basidiomycota, Mortierellomycota y Mucoromycota estuvieron presentes en proporciones menores y con distribuciones dependientes del tratamiento. En la raíz, fue sorprendente ver que solo el tratamiento Cauca introdujo Basidiomycota en la endosfera, ya que normalmente este grupo de hongos es el segundo más abundante en el microbioma de las plantas. Los Chrytiomycota son con frecuencia patógenos de raíces y constituyen el segundo filo más común de hongos en la endosfera de las raíces de albaca.
Figura 4. Análisis de componentes principales (PCA) de la composición de las comunidades bacterianas (16S rRNA) y fúngicas (ITS) asociadas a la raíz y la rizosfera de Ocimum basilicum (albahaca) bajo diferentes tratamientos de inoculación. Los gráficos muestran la distribución de las muestras en función de los dos primeros componentes principales para bacterias y hongos, diferenciando entre tejido (raíz y rizosfera) y tratamiento (Control, Armando, Dulce Hogar, Cauca y Villa Laura). Las flechas representan las OTUs que más contribuyen a la separación de las muestras en el espacio multivariado. La tabla inferior resume los resultados del análisis PERMANOVA, indicando los valores de R², el estadístico F y la significancia estadística para cada combinación de microorganismo y tejido.
Figura 5. Abundancia relativa a nivel de phylum de las comunidades microbianas asociadas a la raíz y la rizosfera de albahaca (Ocimum basilicum) bajo diferentes tratamientos de inoculación. (A) Comunidad bacteriana (gen 16S rRNA) y (B) comunidad fúngica (región ITS). Para cada grupo microbiano se muestran los perfiles correspondientes a la raíz (panel izquierdo) y la rizosfera (panel derecho). Los colores representan el porcentaje de abundancia relativa de cada phylum según la escala indicada, y las filas corresponden a los tratamientos: Armando, Cauca, Dulce Hogar, Control y Villa Laura. Los valores mostrados en el margen izquierdo de cada panel corresponden al promedio del índice de diversidad de Shannon de cada tratamiento. Los phyla se ordenaron según su abundancia relativa promedio para facilitar la comparación entre tratamientos y compartimentos. En albahaca, los valores del índice de Shannon en bacterias (Figura 5) a nivel de raíz oscilaron entre 2.6 y 4.4, donde el tratamiento Dulce Hogar presentó la mayor diversidad (H' = 4.4), mientras que Cauca mostró la menor diversidad (H' = 2.6). En la rizósfera, los valores oscilaron entre 2.6 y 3.8, donde Dulce Hogar presentó la mayor diversidad (H' = 3.8), seguido de Villa Laura (H' = 3.0), mientras que Armando y Control mostraron los valores más bajos (H' = 2.6).
A nivel de OTU, se observaron composiciones distintivas según el tratamiento y el compartimento (Figura 6). En las bacterias endofíticas, sobresalieron OTUs pertenecientes a Pseudomonas, Streptomyces y Bacillus, con abundancias relativas superiores al 5% en varios tratamientos. Pseudomonas fue dominante en Armando, mientras que Streptomyces se enriqueció en Cauca y Bacillus presentó una distribución más equilibrada en Villa Laura. El análisis de abundancia relativa de OTUs bacterianas en raíces reveló diferencias marcadas en la composición microbiana entre los tratamientos inoculados y el control. En general, varias OTUs mostraron un enriquecimiento notable en las raíces provenientes de suelos inoculados, mientras que estuvieron ausentes o en muy baja abundancia en el control. Entre las OTUs más abundantes se destacó BactOTU2, que representó una proporción importante de la comunidad bacteriana en los tratamientos Armando (15%) y Cauca (23%), mientras que en el control su abundancia fue inferior al 1%. De manera similar, BactOTU14
mostró incrementos claros en los tratamientos inoculados, con abundancias promedio de 3.8%, 1.6%, 1.3% y 0.7% en Armando, Cauca, Dulce-Hogar y Villa-Laura, respectivamente, mientras que en el control se mantuvo en niveles muy bajos (0.31%). Un patrón similar se observó para BactOTU22, cuyas abundancias promedio fueron de 2.7%, 1.4%, 1.2% y 0.9% en Armando, Cauca, Dulce-Hogar y Villa-Laura, respectivamente, y apenas 0.19% en el control. En contraste, las raíces del control estuvieron dominadas por BactOTU3, que representó aproximadamente el 49% de la comunidad bacteriana total, mientras que en los tratamientos inoculados su abundancia fue considerablemente menor. Este patrón sugiere que la inoculación con microbiota del suelo modificó significativamente la estructura de la comunidad bacteriana asociada a la raíz, favoreciendo el establecimiento de OTUs específicas derivadas del suelo. En hongos (ITS), los valores del índice de Shannon en raíz oscilaron entre 1.7 y 2.6, donde Control y Villa Laura presentaron la mayor diversidad (H' = 2.6), mientras que Armando mostró la menor diversidad (H' = 1.7). En la rizósfera, los valores oscilaron entre 0.4 y 1.3, donde Armando presentó la mayor diversidad (H' = 1.3), seguido de Villa Laura (H' = 1.1), mientras que Cauca y Control mostraron los valores más bajos (H' = 0.4). El análisis de abundancia relativa de OTUs fúngicas en las raíces reveló diferencias significativas en la composición de las comunidades entre los tratamientos inoculados y el control. Entre las OTUs más abundantes se encontraron FungiOTU15, FungiOTU8, FungiOTU10 y FungiOTU7, que representaron una proporción considerable de la comunidad fúngica total. FungiOTU15 fue particularmente abundante en los tratamientos Armando (36.7%) y Cauca (31.5%), mientras que en Dulce-Hogar y Villa-Laura su abundancia promedio fue menor (15.9% y 7.3%, respectivamente) y en el control (3.4%). De manera similar, FungiOTU8 mostró abundancias relativamente altas en varios tratamientos, con valores promedio de 23.6% en Armando, 19.7% en Cauca, 17.7% en Dulce-Hogar y 14.8% en Villa-Laura mientras en control (3.9%) Por su parte, FungiOTU10 también contribuyó de manera importante a la comunidad fúngica radicular, especialmente en el tratamiento Cauca (31.7%), mientras que en los demás tratamientos presentó abundancias entre 10% y 17%. En contraste, FungiOTU7 mostró un patrón distinto, con mayor abundancia en el control (32.2%) y en Dulce-Hogar (29.8%), pero con valores menores en otros tratamientos.
En la rizosfera se observó una mayor diversidad, con predominio de Flavobacterium, Paenibacillus y Pseudomonas. El análisis de abundancia relativa de OTUs bacterianas en la rizosfera mostró diferencias claras en la composición microbiana entre los tratamientos inoculados y el control. Entre las OTUs más abundantes se encontró BactOTU3, que representó una proporción importante de la comunidad bacteriana en todos los tratamientos. En el tratamiento, Armando presentó una abundancia promedio cercana al 51%, mientras que en Cauca fue de aproximadamente 19% y en Villa-Laura, alrededor de 23%. En contraste, en el control esta OTU alcanzó valores considerablemente mayores, con un promedio cercano al 41%, lo que indica que esta OTU está transmitida por semilla y domina la comunidad bacteriana cuando no hay competencia entre el microbioma del suelo.
Otra OTU dominante fue BactOTU72, que también presentó abundancias relativas elevadas. En Armando se presentó un promedio aproximado de 1.1%, mientras que en Cauca alcanzó valores más elevados, alrededor de 8% en promedio. En Villa-Laura su abundancia fue menor, cercana al 1%, mientras que en el control se observaron valores relativamente altos, alrededor del 11%, lo que indica que esta OTU también es característica de comunidades no inoculadas. En los tratamientos inoculados también se observaron incrementos en la abundancia de varias OTUs de abundancia intermedia. Por ejemplo, BactOTU22 mostró abundancias cercanas al 2% en algunos tratamientos inoculados, mientras que en el control permaneció en niveles más bajos. De manera
similar, BactOTU34 presentó abundancias bajas y relativamente constantes entre los tratamientos (≈0.05–0.07%). En contraste, BactOTU15 mostró un claro enriquecimiento en los tratamientos inoculados, con abundancias promedio de 0.97% en Villa-Laura, 0.89% en Armando, 0.79% en Dulce-Hogar y 0.50% en Cauca, mientras que en el control fue considerablemente menor (≈0.23%). Las comunidades fúngicas mostraron OTUs dominantes asociadas a Fusarium, Trichoderma, Mortierella, Penicillium y Cladosporium, con variaciones marcadas según el tratamiento. La OTU más abundante en todos los tratamientos fue FungiOTU11(Pichia eremophila), que representó la mayor proporción de la comunidad fúngica. En el tratamiento Armando esta OTU presentó una abundancia promedio cercana al 59%. En Cauca, Dulce-Hogar y el control, FungiOTU11 fue aún más dominante, alcanzando entre 93% y 95% de la comunidad total. En Villa- Laura su abundancia promedio fue menor (≈57%), debido a una mayor contribución de otras OTUs fúngicas en este tratamiento.
La segunda OTU más importante fue FungiOTU2 (Rhizophydiaceae sp.), que mostró abundancias moderadas y variables entre los tratamientos. En Armando presentó valores cercanos al 14%, mientras que en Villa-Laura alcanzó aproximadamente 16% en promedio. En contraste, en Cauca, Dulce-Hogar y en el control, su abundancia fue considerablemente menor, generalmente inferior al 3–5%.
Otras OTUs contribuyeron en menor medida a la estructura de la comunidad. Por ejemplo, FungiOTU7 (Fusarium graminearum) presentó abundancias cercanas al 4–5% en algunos tratamientos como Villa-Laura, mientras que en el resto de los tratamientos permaneció por debajo del 2–3%. De manera similar, FungiOTU33 (Auricularia nigricans) y FungiOTU47 (Trametes elegans) mostraron contribuciones menores (<3%) y aparecieron de forma esporádica en algunas réplicas. En conjunto, estos resultados indican que la comunidad fúngica de la rizosfera estuvo fuertemente dominada por una OTU principal (FungiOTU11), mientras que las demás OTUs representaron fracciones pequeñas de la comunidad. No obstante, algunos tratamientos inoculados, en particular Villa-Laura y Armando, mostraron una mayor contribución de OTUs secundarias, lo que sugiere que la inoculación con microbiota del suelo puede incrementar ligeramente la heterogeneidad de la comunidad fúngica en la rizosfera.
Los índices de Shannon (Figura 5) también demuestran que la inoculación con microbiota del suelo aumenta la diversidad y redistribuye la abundancia relativa de OTUs fúngicos en la rizosfera, favoreciendo el establecimiento de hongos provenientes de los suelos de origen y reduciendo la dominancia de unas pocas OTUs transmitidas por semilla. Penicillium dominó en la rizósfera de Villa Laura, mientras que Mortierella se enriqueció en Dulce Hogar. OTUs que aparecieron dentro de todas las rizosferas (que podrían haberse trasmitidas por semilla) fueron BactOTU513(Ilyomonas limi), BactOTU227(Chitinophaga taiwanensis) y BactOTU801 (Thermorudis peleae). Hongos presentes en controles podrían ser transmitidos por semilla y fueron FungiOTU2(Rhizophydiaceae sp.), FungiOTU11(Pichia eremophila) y FungiOTU3(Yarrowia lipolytica).
Figura 6. Abundancia relativa a nivel de OTU de las comunidades microbianas asociadas a la raíz y la rizosfera de albahaca (Ocimum basilicum) bajo diferentes tratamientos de inoculación. Se muestran los perfiles de abundancia relativa de OTUs bacterianas (16S rRNA; panel izquierdo) y fúngicas (18S rRNA; panel derecho) para la raíz (panel superior) y la rizosfera (panel inferior). Los colores representan el porcentaje de abundancia relativa de cada OTU según la escala indicada, mientras que las filas corresponden a los tratamientos Armando, Cauca, Dulce Hogar, Control y Villa Laura. Las OTUs se ordenaron por abundancia relativa para facilitar la comparación entre tratamientos y compartimentos.
El análisis de abundancia diferencial a nivel de OTU reveló respuestas contrastantes entre compartimentos y tratamientos en las comunidades microbianas asociadas a la albahaca (Figura 7; Tabla 1). En la raíz, se identificó un número reducido de OTUs significativamente moduladas, con cambios más marcados en las comunidades fúngicas. En particular, en el tratamiento Cauca se observaron OTUs fúngicas con incrementos significativos, como FungiOTU25 (Stagonospora heteroderae) y FungiOTU64 (Fusarium suttonianum), así como OTUs con disminuciones pronunciadas, como FungiOTU11 (Pichia eremophila) y FungiOTU59 (Acrocalymma pterocarpi), lo que indica una respuesta fúngica altamente específica a este tratamiento.
Figura 7. Análisis de la abundancia diferencial de las comunidades microbianas asociadas a la raíz y la rizosfera de la albahaca (Ocimum basilicum) mediante gráficos de volcán. Se muestran las comparaciones entre los tratamientos de inoculación (Armando, Cauca, Dulce Hogar y Villa Laura) frente al control para bacterias (gen 16S rRNA; panel izquierdo) y hongos (región ITS; panel derecho), diferenciando los compartimentos de raíz (panel superior) y rizosfera (panel inferior). El eje X representa el cambio en abundancia, expresado como el logaritmo en base 2 del cambio de proporción, mientras que el eje Y corresponde a –log10 del valor ajustado de p (padj). Las líneas verticales discontinuas indican los umbrales de cambio en abundancia y la línea horizontal discontinua indica el umbral de significancia estadística. El tamaño de los puntos representa la prevalencia de cada OTU en las muestras, y el color indica su abundancia relativa promedio. En contraste, la rizosfera presentó una mayor cantidad de OTUs bacterianas diferencialmente abundantes en todos los tratamientos evaluados. OTUs como BactOTU335 (Dyadobacter soli) y BactOTU270 (Fimbriimonas ginsengisoli) mostraron incrementos significativos y consistentes en la rizosfera bajo Armando, Cauca, Dulce Hogar y Villa Laura, con valores de log₂ fold change entre ~16 y 22 respecto al control, lo que sugiere un enriquecimiento marcado de estos taxones tras la inoculación. Por el contrario, OTUs como BactOTU62 (Flavobacterium succinicans) y BactOTU204 (Noviherbaspirillum malthae) presentaron disminuciones significativas en la rizosfera en múltiples tratamientos (log₂FC entre −6 y −11), lo que refleja una reducción relativa respecto al control. En conjunto, estos resultados indican que la rizosfera constituye el compartimento más sensible a los tratamientos de inoculación en términos de abundancia bacteriana diferencial, ya que en este compartimento se identificaron 14 OTUs bacterianas diferencialmente abundantes, mientras que en la raíz solo se detectaron 3 OTUs bacterianas. En contraste, los cambios en la comunidad fúngica se concentraron principalmente en la raíz, donde se identificaron 4 OTUs fúngicas diferencialmente
abundantes, mientras que en la rizosfera no se detectaron OTUs fúngicas que superaran el umbral de significancia, en concordancia con los patrones observados en los análisis multivariados. Tabla 1. OTUs significativamente diferentes en raíces y rizósfera de albahaca
OTU
log₂FC padj Prevalencia Abundancia Tratamiento Parte Especie FungiOTU64
11.02
0.026
30.77
0.4573
Armando Raiz Fusarium suttonianum FungiOTU11
-22.63
1.26E-
05
82.69
62.3140
Cauca Raiz Pseudomonas eremophila FungiOTU25
10.32
0.019
26.92
1.3442
Cauca Raiz Streptomyces heteroderae FungiOTU64
10.18
0.019
30.77
0.4573
Cauca Raiz Fusarium suttonianum FungiOTU59
-16.30
0.019
9.62
0.2352
Cauca Raiz Alternaria pterocarpi BactOTU130
-22.61
1.87E-
09
17.31
0.5557
Armando Raiz Massilia mobilis BactOTU130
-33.90
4.83E-
23
17.31
0.5557
Cauca Raiz Massilia mobilis BactOTU611
-8.64
0.000
57.69
0.6168
Cauca Raiz Burkholderia stabilis BactOTU3
-6.17
0.001
94.23
2.1671
Cauca Raiz Burkholderia gladioli BactOTU335
21.14
9.67E-
08
25.00
0.0630
Armando Rizosfera Devosia soli BactOTU270
20.68
3.63E-
11
26.92
0.1236
Armando Rizosfera Flavisolibacter ginsengisoli BactOTU107
-4.53
0.001
53.85
0.2482
Armando Rizosfera Rhodobacter massiliensis BactOTU62
-7.83
6.06E-
05
40.38
0.6922
Armando Rizosfera Flavobacterium succinicans BactOTU32
9.52
0.000
44.23
2.9615
Armando Rizosfera Paenibacillus luojiensis BactOTU20
11.90
1.11E-
05
36.54
3.6682
Armando Rizosfera Loktanella nautarum BactOTU335
22.30
3.72E-
08
25.00
0.0630
Cauca Rizosfera Devosia soli BactOTU326
7.86
0.000
38.46
0.0989
Cauca Rizosfera Novosphingobium oligomobilis BactOTU62
-8.83
5.43E-
05
40.38
0.6922
Cauca Rizosfera Flavobacterium succinicans BactOTU113
-8.52
0.000
46.15
0.6057
Cauca Rizosfera Ohtaekwangia koreensis BactOTU204
-11.51
4.71E-
08
51.92
1.7598
Cauca Rizosfera Nocardioides malthae BactOTU28
5.02
0.000
53.85
1.5862
Cauca Rizosfera Terrimonas mepensis BactOTU89
10.29
0.000
44.23
0.2619
Cauca Rizosfera Inquilinus terrae BactOTU335
16.29
0.000
25.00
0.0630
Dulce-Hogar Rizosfera Devosia soli BactOTU270
21.13
1.43E-
11
26.92
0.1236
Dulce-Hogar Rizosfera Flavisolibacter ginsengisoli BactOTU487
8.83
0.000
48.08
0.2336
Dulce-Hogar Rizosfera Rhodocyclus gelatinosus BactOTU62
-9.89
4.45E-
06
40.38
0.6922
Dulce-Hogar Rizosfera Flavobacterium succinicans BactOTU131
7.98
0.000
53.85
0.6268
Dulce-Hogar Rizosfera Paraburkholderia taiwanensis
OTU
log₂FC padj Prevalencia Abundancia Tratamiento Parte Especie BactOTU33
11.98
0.000
32.69
0.9763
Dulce-Hogar Rizosfera Paraburkholderia delhiensis BactOTU204
-6.52
0.000
51.92
1.7598
Dulce-Hogar Rizosfera Nocardioides malthae BactOTU335
18.07
1.32E-
05
25.00
0.0630
Villa-Laura Rizosfera Devosia soli BactOTU270
22.52
2.28E-
13
26.92
0.1236
Villa-Laura Rizosfera Flavisolibacter ginsengisoli BactOTU62
-8.95
1.32E-
05
40.38
0.6922
Villa-Laura Rizosfera Flavobacterium succinicans
[DJM1.1]
BactOTU204
-6.27
0.001
51.92
1.7598
Villa-Laura Rizosfera Nocardioides malthae BactOTU20
11.90
1.32E-
05
36.54
3.6682
Villa-Laura Rizosfera Loktanella nautarum
9.1.2.
Perfil metabolómico de hojas de albahaca
Los modelos de PLS-DA se emplearon para comparar los perfiles metabolómicos de las hojas de albahaca de cada tratamiento de inoculación con los del control. Los resultados evidenciaron distintos grados de separación entre los tratamientos y el control en el espacio de componentes latentes, lo que indica una influencia diferencial de los consorcios microbianos sobre la composición química foliar (Figura 8). El tratamiento Cauca mostró una separación clara respecto al control, acompañada de un desempeño robusto del modelo (R² = 0.976; Q² = 0.548), lo que indica una buena capacidad predictiva. De manera similar, Dulce Hogar presentó una separación consistente, con valores positivos de Q² (R² = 0.865; Q² = 0.412), lo que respalda la estabilidad del modelo. En el caso de Villa Laura, se observó una separación visual moderada, con un valor de Q² positivo pero reducido (R² = 0.845; Q² = 0.154), lo que sugiere un modelo de carácter exploratorio. En contraste, el tratamiento Armando mostró una separación visual respecto al control, pero presentó un valor negativo de Q² (R² = 0.971; Q² = –0.802), lo que limita su capacidad predictiva y requiere cautela en la interpretación del modelo. En conjunto, los resultados indican que los tratamientos Cauca y Dulce Hogar generaron las modificaciones más consistentes en el perfil metabolómico de las hojas de albahaca, mientras que los efectos observados para Villa Laura y Armando fueron más moderados o variables.
Figura 8. Análisis PLS-DA de los perfiles metabolómicos en hojas de albahaca. Comparación de cada tratamiento microbiano frente al control. Se muestran los valores de R² y Q² para cada modelo. En el análisis con PLS-DA mostró que los 4 tratamientos con microorganismos del suelo modificaron los metabolomas de las hojas de albaca. Los resultados en forma de volcano plots (comparación de metabolitos en hojas de plantas tratadas versus plantas control) muestran cuántos y cuáles metabolitos cambian (Figura 9). En este análisis solo se incluyeron los metabolitos cumpliendo con criterios estadísticos rigurosos (p < 0.05, |log₂FC| ≥ 1, VIP ≥ 1.5), lo que permitió identificar aquellos compuestos con mayor relevancia biológica y estadística (Anexo 1). El número de metabolitos diferencialmente expresados fue mayor en Cauca, con 113, seguido por Dulce Hogar, con 38; Armando, con 36; y Villa Laura, con 33. Cauca presentó una tendencia marcada a la disminución de metabolitos, incluidos Met1023, Met1118, Met138 y Met72, asociados principalmente a compuestos fenólicos y flavonoides. Armando también mostró una tendencia general a la disminución, incluyendo Met494 y Met1202, aunque con incrementos puntuales de gran magnitud, como Met1115 y Met1169. En contraste, Dulce Hogar y Villa Laura presentaron una mayor proporción de metabolitos sobre expresados, destacándose Met850, Met1056 y Met836.
Algunos metabolitos mostraron patrones consistentes entre los tratamientos. Met494, Met850 y Met1112 disminuyeron en Armando y Cauca, y aumentaron en Dulce Hogar y Villa Laura, evidenciando respuestas dependientes de la composición del microbioma. Este patrón indica efectos funcionales similares generados por comunidades microbianas distintas.
Figura 9. Volcano plots de los metabolitos diferencialmente abundantes en hojas de albahaca entre los tratamientos y el control. Los puntos representan metabolitos; el color indica el valor de log₂FC y el tamaño del punto, el p-valor.
Los metabolitos anotados corresponden principalmente a compuestos del metabolismo secundario, incluidos compuestos fenólicos, alcaloides, péptidos, terpenoides y cumarinas. Los metabolitos anotados corresponden principalmente a compuestos del metabolismo secundario, incluidos compuestos fenólicos, alcaloides, péptidos, terpenoides y cumarinas. En el tratamiento Cauca, que mostró una sólida separación en PLS-DA y una mayor diversidad de metabolitos diferencialmente expresados, se destacaron compuestos como Benzaldehyde (Met1023, Met1118), Versiconal (Met348), Panchovillin (Met310), y el alcaloide Floribundine (Met494). Además, se identificaron compuestos de tipo cumarínico como 8-hydroxy-2H-chromen-2-one (Met536), así como el péptido Pro-Tyr-His (Met647) y el disulfuro Captopril-cysteine disulfide (Met314). En Dulce_Hogar, se observó una mayor proporción de metabolitos con abundancia aumentada en comparación con el control. Entre los compuestos anotados figuran Valerianine (Met1202), Val-His- Tyr (Met1095), 3-Methylsalicylaldehyde (Met1112), y nuevamente Floribundine (Met494), común a varios tratamientos. También se identificaron compuestos bioactivos como Tephrocarpin (Met836),
así como péptidos regulados como Lys-Trp-OH (Met261) y Pro-Tyr-His (Met647, Met917), lo cual podría estar asociado a respuestas de defensa o de señalización inducidas por la microbiota. Para el tratamiento Villa_Laura, los metabolitos diferencialmente expresados incluyeron el alcaloide Theophylline (Met850), la cumarina 3-(3,4-dihydroxyphenyl)-6,7-dihydroxy-4H-chromen-4-one (Met175) y, nuevamente, Tephrocarpin (Met836), lo cual indica que ciertos compuestos bioactivos son modulados por más de un tratamiento. También se identificaron lípidos del tipo fosfatidilserina (Met62, Met639) y compuestos oxigenados de estructura compleja, como 14-O-acetylinsulicolide A (Met1056).
En Armando, aunque el modelo PLS-DA no fue predictivo, se identificaron algunos metabolitos de interés como Hydroxy-gamma-sanshool (Met1400), Piperidolate (Met1326), y nuevamente Floribundine (Met494), junto con aminoácidos modificados y péptidos como Val-Pro-Ala (Met1151) y Trp-Arg-Met (Met313). Sin embargo, dada la baja capacidad predictiva del modelo, estos resultados deben interpretarse con cautela.
Estos resultados sugieren que la inoculación con microbiota proveniente de diferentes suelos induce respuestas metabólicas específicas en la albahaca, evidenciadas por la presencia de metabolitos únicos en los tratamientos. Algunos metabolitos (por ejemplo, Met494 (Floribundine), Met850 (Theophylline) y Met1112 (3-Methylsalicylaldehyde)) subieron o bajaron en todos los tratamientos, sugiriendo que los microbiomas de suelo contenían todos los mismos microorganismos, o que diferentes microorganismos en todos los suelos tenían las mismas funciones fisiológicas (p. ej., fijación de nitrógeno). Estos metabolitos, seleccionados por su relevancia estadística y biológica, se emplearon en la siguiente fase del estudio, destinada a explorar posibles correlaciones con los perfiles microbianos previamente caracterizados.
9.1.3.
Correlaciones entre comunidades microbianas y metabolitos
Las asociaciones entre OTUs microbianas y metabolitos se evaluaron mediante correlaciones de Spearman calculadas a nivel de muestra individual, utilizando matrices alineadas por identificador de muestra (intersección y en el mismo orden) e incorporando todas las réplicas de todos los tratamientos y del control. En consecuencia, las correlaciones reflejan patrones de covariación entre abundancias normalizadas de OTUs y metabolitos a lo largo del conjunto completo de muestras y no corresponden a promedios por tratamiento ni a contrastes directos tratamiento–control. El mapa de calor evidenció una estructura modular en las correlaciones microorganismo–metabolito (Figura 10), con agrupamientos definidos tanto de OTUs como de metabolitos según la similitud de sus perfiles de asociación. Se observaron bloques de correlaciones positivas (ρ > 0) y negativas (ρ < 0), indicando que subconjuntos de OTUs co-variaron de manera consistente con conjuntos específicos de metabolitos.
En la rizosfera, varias OTUs bacterianas enriquecidas en tratamientos inoculados, como BactOTU33 (Pseudomonas delhiensis), BactOTU335 (Dyadobacter soli) y BactOTU270 (Fimbriimonas ginsengisoli), presentaron correlaciones positivas con metabolitos específicos, lo que sugiere una asociación directa entre su abundancia y la acumulación de compuestos químicos particulares en las hojas. En contraste, otras OTUs bacterianas, como BactOTU62 (Flavobacterium succinicans) y BactOTU204 (Noviherbaspirillum malthae), mostraron correlaciones negativas con varios metabolitos, lo que sugiere relaciones potencialmente inversas entre estos microorganismos y determinadas rutas metabólicas.
En el caso de los hongos, OTUs como FungiOTU11 (Pichia eremophila) y FungiOTU64 (Fusarium suttonianum) mostraron correlaciones significativas, tanto positivas como negativas, con múltiples metabolitos, lo que sugiere un papel relevante de las comunidades fúngicas en la modulación del perfil químico de la planta. Estas asociaciones fueron consistentes con los patrones de enriquecimiento y reducción observados previamente en los análisis de abundancia diferencial. En este análisis se resaltaron únicamente las asociaciones que cumplieron los umbrales de significancia y de tamaño de efecto (p ≤ 0.01; |ρ| ≥ 0.35), lo que permitió enfocar la interpretación en las relaciones robustas entre microbioma y metaboloma.
Figura 10. Mapa de calor de las correlaciones de Spearman (ρ) entre OTUs microbianas y metabolitos en albahaca. Las correlaciones se calcularon a nivel de muestra individual, utilizando abundancias normalizadas, integrando todas las muestras de los tratamientos y del control. Los colores representan el coeficiente ρ (rojo: correlación positiva; azul: correlación negativa) y los dendrogramas muestran el agrupamiento jerárquico de OTUs (filas) y metabolitos (columnas) según la similitud de sus patrones de correlación. Los puntos (•) indican pares OTU–metabolito que cumplen los criterios de reporte p ≤ 0.01 y |ρ| ≥ 0.35.
Con el fin de complementar los patrones de asociación identificados en el mapa de calor, se construyó una red de correlaciones microorganismo–metabolito que permitió visualizar de manera integrada la estructura y la complejidad de estas interacciones (Figura 11). La red se basó en correlaciones de Spearman calculadas a nivel de muestra individual, utilizando todas las muestras de todos los tratamientos y del control, e incorporó únicamente OTUs microbianos y metabolitos previamente seleccionados como significativos.
La red evidenció interacciones específicas entre determinados microorganismos y metabolitos. Por ejemplo, la OTU bacteriana Rizo-BactOTU33 (Pseudomonas delhiensis) mostró correlaciones negativas con los metabolitos Met725 (flavonoide glicosilado: 5,4'-Dihydroxy-6-C-prenylflavanone 4'xylosyl-(1→2)-rhamnoside), Met873 (derivado bilirrubínico: Bilirubin beta-diglucuronide) y Met1154
(ácido fenólico: 3,4-Methylenedioxybenzoic acid), mientras que presentó correlaciones positivas con Met234 (antibiótico: Rifamycin Z) y Met1216 (lípido: Linolenic Acid ethyl ester), sugiriendo una relación diferencial con distintos grupos de compuestos.
De manera similar, Rizo-BactOTU335 (Dyadobacter soli) se correlacionó negativamente con Met569 (no identificado) y Met782 (derivado de dihidropiridina nitrada:
5-((2-hydroxy-2methylpropoxy)carbonyl)-2-(hydroxymethyl)-6-methyl-4-(2-nitrophenyl)-1,4-dihydropyridine-3carboxylic acid), y positivamente con Met1094 (derivado bilirrubínico: Mono(glucosyluronic acid)bilirubin) y Met1202 (alcaloide: Valerianine), lo que indica asociaciones consistentes, pero de signo opuesto dependiendo del metabolito.
Otras OTUs bacterianas, como Rizo-BactOTU131 (Paraburkholderia taiwanensis) y Rizo- BactOTU487 (Rhodocyclus gelatinosus), mostraron correlaciones negativas predominantes con metabolitos como Met386 (no identificado) y Met326 (lípido tipo fosfatidato: PA(20:3(8Z,11Z,14Z)- 2OH(5,6)/12:0)). En contraste, Rizo-BactOTU204 (Nocardioides malthae) presentó correlaciones positivas con Met754 (compuesto volátil aromático: Vinyl toluene) y Met1288 (péptido modificado nitrogenado:
2-amino-4-({1-[(carboxymethyl)-C-hydroxycarbonimidoyl]-2-[(2-hydroxy-3-oxo-1phenylpropyl)sulfanyl]ethyl}-C-hydroxycarbonimidoyl)butanoic acid). En el caso de los hongos, las OTUs asociadas a la raíz presentaron asociaciones más específicas. Raiz-FungiOTU11 (Pichia eremophil) se correlacionó positivamente con Met569 (no identificado) y Met1094 (derivado bilirrubínico), mientras que Raiz-FungiOTU25 mostró correlaciones positivas con Met754 (Vinyl toluene) y negativas con Met915 (no identificado). Asimismo, Raiz-FungiOTU59 (Alternaria pterocarpi) presentó correlaciones positivas con Met1216 (Linolenic Acid ethyl ester) y Met234 (Rifamycin Z), lo que sugiere posibles vínculos funcionales entre estos hongos y rutas metabólicas específicas durante la fermentación.
Figura 11. Red de correlaciones microorganismo–metabolito en plantas de albahaca. Los nodos circulares representan microorganismos (bacterias en naranja, hongos en verde), y los nodos cuadrados corresponden a metabolitos. Las líneas indican correlaciones, donde el color azul representa correlaciones negativas, y el color rojo, positivas. El grosor de las aristas es proporcional al valor absoluto de ρ.
Tabla 2. Correlaciones microorganismo–metabolito en albahaca con significacia estadistica exploratoria.
Otu_ID Género y especie (tentativo) ID Metabolito Identificación tentativa del metabolito rho p q Rizo- BactOTU487 Rubrivivax gelatinosus Met782 5-((2-hydroxy-2methylpropoxy)carbonyl)-2- (hydroxymethyl)-6-methyl- 4-(2-nitrophenyl)-1,4dihydropyridine-3carboxylic acid
0.66
8E-06 0.0260 Rizo- BactOTU131 Pseudolabrys taiwanensis Met255 No match
0.41
1E-04 0.0589 Rizo- BactOTU326 Nordella ligomobilis Met569 No match
-0.60
2E-04 0.0589 Raiz-Bact130 Methylotenera mobilis Met219 p-coumaroyltriacetic acid lactone
0.50
3E-04 0.0702 Raiz- FungiOTU11 Pichia eremophila Met754 Vinyl toluene
0.55
3E-04 0.0702 Raiz- FungiOTU11 Pichia eremophila Met782 5-((2-hydroxy-2methylpropoxy)carbonyl)-2-
-0.39
3E-04 0.0709
Otu_ID Género y especie (tentativo) ID Metabolito Identificación tentativa del metabolito rho p q (hydroxymethyl)-6-methyl- 4-(2-nitrophenyl)-1,4dihydropyridine-3carboxylic acid Raiz- FungiOTU25 Stagonospora heteroderae Met1233 5-Nitro-2-(3phenylpropylamino)benzoic acid
-0.38
5E-04 0.0913 Rizo- BactOTU335 Dyadobacter soli Met873 Bilirubin beta-diglucuronide
-0.37
5E-04 0.0927 Rizo- BactOTU89 IMCC26134 terrae Met569 No match
-0.62
6E-04 0.1019 Rizo- BactOTU326 Nordella ligomobilis Met344 Kaempferol 3-[6''-(3hydroxy-3methylglutaryl)glucoside]-7glucoside
-0.51
7E-04 0.1075 Rizo- BactOTU487 Rubrivivax gelatinosus Met1216 Linolenic Acid ethyl ester
0.61
9E-04 0.1179 Rizo- BactOTU326 Nordella ligomobilis Met873 Bilirubin beta-diglucuronide
-0.54
9E-04 0.1179 Rizo- BactOTU326 Nordella ligomobilis Met725 5,4'-Dihydroxy-6-Cprenylflavanone 4'-xylosyl- (1->2)-rhamnoside
0.44
1E-03 0.1237 Raiz- FungiOTU11 Pichia eremophila Met1094 Mono(glucosyluronic acid)bilirubin
0.37
1E-03 0.1237 Rizo- BactOTU487 Rubrivivax gelatinosus Met754 Vinyl toluene
-0.68
2E-03 0.1361 Rizo- BactOTU28 Taonella epensis Met763 Bromelain
-0.50
2E-03 0.1706 Raiz-Bact3 Burkholderia-Caballeronia- Paraburkholderia gladioli Met1240 Haloaromatic compound
0.45
3E-03 0.1764 Rizo- BactOTU107 Bacteria no asignada Met1216 Linolenic Acid ethyl ester
-0.51
3E-03 0.1804 Raiz- FungiOTU64 Fusarium suttonianum Met1056 14-O-acetylinsulicolide A
-0.44
3E-03 0.1853 Raiz- FungiOTU59 Acrocalymma pterocarpi Met754 Vinyl toluene
0.54
4E-03 0.1860 Raiz- FungiOTU64 Fusarium suttonianum Met1154 3,4-Methylenedioxybenzoic acid
0.70
4E-03 0.1860 Rizo- BactOTU204 Reyranella massiliensis Met1056 14-O-acetylinsulicolide A
0.75
1E-02 0.2194
Con el fin de evaluar la correspondencia entre la estructura de las comunidades microbianas y el perfil metabolómico de las hojas de albahaca, se construyeron tanglegramas independientes para los compartimentos de raíz (Figura 12A) y rizosfera (Figura 12B), utilizando datos de abundancia relativa de OTUs bacterianas y fúngicas, junto con metabolitos diferencialmente abundantes previamente seleccionados y normalizados. Los metabolitos en hojas de albaca formaron dos agrupaciones principales: una de los controles con hojas de Villa-Laura y otra del resto de los tratamientos, sin organización (Figura 12). Los microbiomas dentro del compartimento de raíces de albaca (Figura 12A), no formaron agrupaciones tan profundas como los metabolitos, pero los controles, Villa-Laura, Armando y Cauca sí salieron juntos. En contraste con las raíces, entre las agrupaciones de microbiomas de rizosfera (Figura 12B) se observaron agrupaciones más profundas de Villa-Laura y de los controles, que concordaban con las agrupaciones profundas de los
metabolitos de estas mismas muestras. Esto sugiere que, en albahaca, los microbiomas de rizosfera fueron más sensibles a la inoculación que las raíces, y que tenían más influencia sobre el metaboloma de las hojas. Por tener microbiomas y metabolomas similares a los de los controles, las plantas inoculadas con suelo de Villa-Laura parecen haber recibido muy pocos microorganismos, lo cual podría explicarse si el suelo de Villa-Laura estaba casi estéril al momento de la inoculación. En contraste, la inoculación con los suelos Cauca, Armando y Dulce-Hogar no resultó en agrupaciones fuertísimas de microbiomas o metabolomas, sugiriendo que la mayoría de lo que había en estos suelos fueron microorganismos cosmopolitas.
Figura 12. Los tanglegramas muestran la correspondencia entre los dendrogramas jerárquicos construidos a partir de todas las OTUs microbianas de la raíz de albahaca (A) y de la rizosfera (B), y del conjunto completo de metabolitos detectados en las hojas de albahaca. Los dendrogramas se generaron a partir de distancias de Bray–Curtis a partir de matrices de abundancia relativa de OTUs y de datos metabolómicos normalizados por suma. Las líneas conectan las mismas muestras en ambos dendrogramas, mientras que los colores indican los distintos tratamientos (Armando, Cauca, Control, Dulce Hogar y Villa-Laura).
9.2. Tomate
9.2.1.
Composición y variación de comunidades microbianas en raíz y rizósfera de tomate según tratamiento del suelo
La estructura de las comunidades bacterianas y fúngicas asociadas a la raíz y la rizosfera de Solanum lycopersicum fue evaluada mediante análisis de componentes principales (PCA) a partir de las abundancias relativas combinadas de los datos de 16S rRNA e ITS. En ambos compartimentos se observó una clara diferenciación entre los tratamientos según el origen del inoculante edáfico (Figura 13). En el compartimento radicular, los dos primeros componentes principales explicaron conjuntamente el 39.75% de la variación total (Dim1 = 16.23%; Dim2 = 23.52%). La distribución de las muestras en el espacio multivariado evidenció agrupamientos consistentes por tratamiento, con una separación visible entre los distintos suelos inoculados. Particularmente importante es notar que las muestras de raíces sin inóculo (control) se toman lejos del resto, con la excepción de Villa-Laura. El análisis PERMANOVA confirmó que estas diferencias fueron estadísticamente significativas (R² = 0.50; F = 2.52; p = 0.001), lo que indica que el 45% de la variación en la composición microbiana radicular puede atribuirse al tratamiento aplicado.
En la rizosfera, los dos primeros componentes principales explicaron el 25.46% de la variación total (Dim1 = 13.7%; Dim2 = 21.5%). De manera similar a lo observado en la raíz, se observaron agrupamientos diferenciados entre los tratamientos. Particularmente importante es notar que las muestras de rizosferas sin inóculo (control) no se separan bien de las rizosferas de Villa-Laura, Dulce-Hogar o Cauca. El análisis PERMANOVA indicó un efecto significativo del origen del suelo sobre la estructura comunitaria rizosférica (R² = 0.44; F = 1.94; p = 0.001), lo que explica el 35.2% de la variación total.
La caracterización taxonómica a nivel de phylum reveló diferencias notables en la composición microbiana entre los tratamientos de suelo, además, se calculó el índice de diversidad de Shannon para evaluar la diversidad alfa de las comunidades bacterianas (16S) y fúngicas (ITS) en raíz y rizósfera (Figura 14).
En general, las bacterias estuvieron dominadas por los phyla Proteobacteria, Actinobacteriota, Firmicutes y Bacteroidota, aunque su abundancia relativa varió según el tratamiento y el compartimento. En la raíz, Proteobacteria fue el phylum dominante en todos los tratamientos, con una mayor proporción en Dulce_Hogar y Cauca, mientras que Actinobacteriota y Firmicutes mostraron una presencia destacada en Villa_Laura y Armando. En la rizósfera, Proteobacteria también prevaleció, especialmente en Dulce_Hogar y Cauca, mientras que Verrucomicroorganismota y Gemmatimonadota estuvieron más representadas en Control y Villa_Laura, lo que indica diferencias en la estructuración del microbioma edáfico. En cuanto a la taxonomía de los hongos, se observó un predominio generalizado de los phyla Ascomycota y Basidiomycota, seguidos, en menor proporción, por Mortierellomycota y por grupos no clasificados. En la raíz, Ascomycota presentó una alta abundancia relativa en los tratamientos Cauca, Dulce_Hogar y Armando, mientras que Basidiomycota fue más abundante en los tratamientos Control y Villa_Laura. En la rizósfera, Ascomycota se mantuvo como el grupo dominante en todos los tratamientos, aunque con variaciones en su proporción, destacando un enriquecimiento en Dulce_Hogar. También se identificaron varios phyla fúngicos no clasificados con baja abundancia relativa, cuya presencia puede reflejar una diversidad fúngica aún poco caracterizada en estos suelos agrícolas.
Figura 13. Análisis de Componentes Principales (PCA) de las comunidades bacterianas (16S) y fúngicas (ITS) en la raíz y la rizósfera del tomate bajo diferentes tratamientos de suelo (Control, Armando, Dulce_Hogar, Cauca y Villa_Laura). Cada punto representa una muestra individual. Las gráficas muestran una separación entre los tratamientos, lo que indica cambios en la estructura de las comunidades microbianas. Los valores de R², el estadístico F y los p-valores provienen de un análisis PERMANOVA, lo que evidencia diferencias significativas en la composición microbiana entre los tratamientos (p < 0.01 en todos los casos).
Figura 14. Abundancia relativa de bacterias (A) y hongos (B) a nivel de phylum en muestras de raíz y rizósfera de tomate bajo cinco tratamientos de suelo (Armando, Cauca, Dulce_Hogar, Control y Villa_Laura). Los mapas de calor muestran los porcentajes de abundancia relativa por muestra, codificados por color según la escala.
Usando mapas de calor para visualizar la abundancia relativa de microbiomas a nivel de OTU permitió observar diferencias más específicas en la estructura de las comunidades en raíz y rizósfera de tomate (Figura 15). En las comunidades bacterianas asociadas a la raíz (16S), se observó una alta diversidad de OTUs distribuidas en todos los tratamientos, sugiriendo que muchas bacterias son trasmitidas por semilla y quizás también que mucha contaminación podría existir en el cuarto de crecimiento (ejemplo. polvo, movimiento de insectos, etc). El análisis de diversidad alfa mostró que el tratamiento Dulce Hogar presentó el mayor índice de Shannon (H’ = 3.9), seguido de Cauca (H’ = 3.6), Villa Laura (H’ = 3.5) y Armando (H’ = 3.5), mientras que el control presentó el menor valor de diversidad (H’ = 2.5) (Figura 14). Estos resultados indican que la inoculación con microbiota de diferentes suelos promovió comunidades bacterianas más diversas que las del control. El análisis de abundancia relativa mostró que el control presentó una alta dominancia de unas pocas OTUs, con abundancias relativas superiores al 40 %, mientras que los tratamientos inoculados, particularmente Dulce Hogar y Cauca, mostraron una distribución más equitativa de las abundancias relativas entre las OTUs, lo que explica sus mayores valores de diversidad.
El análisis de OTUs permitió identificar un conjunto de OTUs asociadas principalmente a las raíces inoculadas, como BactOTU734 y BactOTU726 (Xanthomonas), BactOTU851 y BactOTU56 (Pseudomonas), BactOTU829 y BactOTU494 (Burkholderia), BactOTU97 (Pantoea), BactOTU657 (Noviherbaspirillum), BactOTU87 (Lysobacter), BactOTU826 (Stenotrophomonas) y BactOTU203 (Acinetobacter), lo que sugiere que la inoculación con estos diferentes suelos puede introduce nuevos microorganismos a la raíz y modificar la estructura de la comunidad microbiana.
En las comunidades bacterianas de la rizósfera (16S), se observó una alta riqueza y diversidad de OTUs en todos los tratamientos. El índice de diversidad de Shannon mostró valores relativamente altos en la rizósfera en comparación con la raíz, lo que indica una comunidad microbiana más diversa en este compartimento. Los tratamientos inoculados, particularmente Dulce Hogar (H’ = 3.8) y Cauca (H’ = 4.1), presentaron valores de diversidad superiores a los del control (H’ = 3.6), lo que sugiere que la inoculación con microbiota de diferentes suelos incrementa la diversidad microbiana en la rizósfera (Figura 14).
El análisis de abundancia relativa a nivel de OTU mostró que la comunidad bacteriana de la rizósfera estuvo compuesta por un número reducido de OTUs dominantes, con abundancias relativas superiores al 20 % en algunas muestras, y un gran número de OTUs de baja abundancia relativa (< 1 %), lo que indica una comunidad altamente diversa, pero con dominancia de ciertos taxones. Este patrón es característico de las comunidades microbianas del suelo y de la rizósfera. El análisis de OTUs compartidas reveló la presencia de un conjunto de OTUs que aumentaron de forma significativa en los tratamientos inoculados, incluyendo BactOTU851 (Pseudomonas), BactOTU829 (Burkholderia), BactOTU726 (Xanthomonas), BactOTU740 (Stenotrophomonas), BactOTU87 (Lysobacter) y BactOTU657 (Noviherbaspirillum). Aunque estas OTUs también estuvieron presentes en el control, su abundancia relativa fue mayor en los tratamientos inoculados, lo que sugiere que la inoculación con microbiota de diferentes suelos no solo introduce nuevos microorganismos, sino que también modifica la abundancia relativa de los microorganismos presentes, alterando la estructura de la comunidad microbiana de la rizósfera. El análisis de las comunidades fúngicas asociadas a la raíz reveló diferencias en la composición y la abundancia relativa de OTUs entre los tratamientos de inoculación y el control. En general, la comunidad fúngica estuvo compuesta por un número reducido de OTUs dominantes y un gran número de OTUs de baja abundancia relativa, lo que indica una estructura comunitaria desigual típica de microbiomas endofíticos radiculares. Los valores de Shannon fueron menores que los de las bacterias. En la raíz, el tratamiento Dulce Hogar presentó la mayor diversidad fúngica (H' = 2.5), mientras que Villa Laura presentó la menor (H' = 1.5), y las raíces del tratamiento Control presentaron un valor de H' = 1.8. En rizósfera, Dulce Hogar y Cauca mostraron los valores más altos de diversidad (H' = 2.0 y 1.9, respectivamente), mientras que el control y Villa Laura presentaron los valores más bajos (H' = 1.1). Estos resultados sugieren que los tratamientos de suelo aumentaron la diversidad microbiana tanto en la raíz como en la rizósfera (Figura 14).
En el análisis de la comunidad fúngica se identificaron OTUs presentes principalmente en los tratamientos inoculados y ausentes o con muy baja abundancia en el control. Entre estas se encontraron OTUs afiliadas a géneros como Fusarium (FungiOTU96), Alternaria (FungiOTU144), Curvularia (FungiOTU181), Diaporthe (FungiOTU14), Septoria (FungiOTU132) y Pythium (FungiOTU168), que incluyen especies reportadas como fitopatógenas. Estas OTUs se detectaron principalmente en los tratamientos Cauca, Dulce_Hogar y Villa_Laura, lo que sugiere que la inoculación con microbiota de suelo introdujo o favoreció la proliferación de estos hongos en la raíz. También se identificaron hongos conocidos como biocontroladores y promotores del crecimiento vegetal, incluyendo OTUs asociadas a Trichoderma (FungiOTU62), Purpureocillium (FungiOTU40), Penicillium (FungiOTU11), Talaromyces (FungiOTU164) y Chaetomium (FungiOTU333). Estos solo se identificaron en los tratamientos inoculados de suelo, sugiriendo que podrían ayudar el crecimiento de la planta.
El análisis de la abundancia relativa de OTUs fúngicas en la rizosfera reveló diferencias en la estructura de la comunidad entre los tratamientos de suelo. En particular, Trichoderma fue más abundante en los tratamientos Cauca, Dulce_Hogar y Villa_Laura; Purpureocillium en Dulce_Hogar;
Talaromyces en Villa_Laura; y Chaetomium en Cauca, lo que sugiere que cada suelo inoculado aportó microorganismos benéficos específicos de la rizósfera. Asimismo, se identificaron OTUs asociadas a hongos potencialmente fitopatógenos, como Fusarium (FungiOTU96), Alternaria (FungiOTU144), Curvularia (FungiOTU181), Diaporthe (FungiOTU14), Septoria (FungiOTU132) y Pythium (FungiOTU168), las cuales se encontraron principalmente en los tratamientos inoculados y en menor abundancia en el control.
Figura 15. Abundancia relativa de OTUs bacterianas (A) y fúngicas (B) en muestras de raíz y rizósfera de tomate bajo cinco tratamientos de suelo (Armando, Cauca, Dulce_Hogar, Control y Villa_Laura). Cada fila representa una muestra y cada columna una OTU. Los colores indican el porcentaje de abundancia relativa, codificado según las escalas mostradas (azul: baja abundancia, rojo: alta abundancia).
El análisis de OTUs en raíces y rizosferas de tomate que fueron diferencialmente abundantes mediante volcano plot mostró cambios específicos en la abundancia relativa de diversos taxones bacterianos y fúngicos entre tratamientos y compartimentos (Figura 16). En la comunidad bacteriana de raíz, se identificaron varias OTUs enriquecidas de manera significativa en los tratamientos inoculados en comparación con el control. En el tratamiento Armando se enriquecieron OTUs como BactOTU113 (Ohtaekwangia koreensis), BactOTU116 (Zavarzinella caldifontis) y BactOTU220 (Haliangium gulosus), con valores de log₂ fold change entre 7.5 y 10.8 y prevalencias superiores al 40%. En Cauca se observaron OTUs enriquecidas como BactOTU145 (Rhizobium brasiliensis), BactOTU154 (Steroidobacter agariperforans) y BactOTU305 (Ishiwatariella tertiaricarbonis), mientras que en Dulce_Hogar destacaron BactOTU114 (Actinomadura philippinensis), BactOTU182 (Paraburkholderia oxydans) y BactOTU552 (Streptomyces hygroscopicus). En Villa_Laura, la OTU más representativa fue BactOTU326 (Nocardioides oligomobilis). En contraste, algunas OTUs, como BactOTU3 (Burkholderia gladioli), mostraron valores negativos de log₂ fold change, lo que indica una menor abundancia relativa en comparación con el control.
En la rizósfera también se observaron OTUs diferencialmente abundantes, aunque con una menor magnitud de cambio en comparación con la raíz. En Cauca se enriquecieron OTUs como BactOTU300 (Aquincola aerophilus), BactOTU150 (Luteimonas nigricans) y BactOTU59 (Streptomyces stelliscabiei), mientras que en Dulce_Hogar se observaron incrementos en BactOTU4 (Thermomonas diaoshuihuensis), BactOTU10 (Vibrio diabolicus) y BactOTU11 (Vibrio
cyclitrophicus). En Villa_Laura, algunas OTUs como BactOTU44 (Pseudomonas mexicana) y BactOTU311 (Aromatoleum aromaticivorans) mostraron cambios negativos significativos, indicando una menor abundancia relativa en este tratamiento.
En la comunidad fúngica de raíz, se detectaron OTUs diferencialmente abundantes en todos los tratamientos, destacando FungiOTU11 (Pichia eremophila) y FungiOTU20 (Coniothyrium sidae) en Armando y Cauca, así como FungiOTU2 (Rhizophydiaceae sp.) y FungiOTU36 (Spizellomyces punctatus) en Cauca y Villa_Laura. Asimismo, se identificaron patógenos potenciales como Corynespora cassiicola (FungiOTU34) enriquecidos en Cauca, que se incluyó como tratamiento justamente por la posibilidad de contener fitopatógenos que podrían dañar la raiz y alterar el metaboloma de la planta. Los datos completos, incluyendo valores de padj, log₂ fold change, prevalencia y abundancia relativa para cada OTU, se presentan en la Tabla 3.
Figura 16. Análisis de abundancia diferencial de las comunidades microbianas asociadas a raíz y rizosfera de tomate mediante gráficos de volcán. Se muestran las comparaciones entre cada tratamiento de inoculación (Armando, Cauca, Dulce Hogar y Villa Laura) frente al control para bacterias (gen 16S rRNA; panel izquierdo) y hongos (región ITS; panel derecho), diferenciando los compartimentos de raíz (panel superior) y rizosfera (panel inferior). El eje X representa el cambio en abundancia expresado como log2 fold change, mientras que el eje Y corresponde a –log10 del valor ajustado de p (padj). Las líneas verticales discontinuas indican los umbrales de cambio en abundancia, y la línea horizontal discontinua el umbral de significancia estadística. El tamaño de los puntos representa la prevalencia de cada OTU entre las muestras, y el color indica su abundancia relativa promedio.
Tabla 3. OTUs significativamente diferentes en las raíces y la rizósfera del tomate.
OTU
log₂FC padj Prevalencia Abundancia Tratamiento Parte Especie BactOTU113
7.5
0.0005
62
0.9992
Armando Raiz Ohtaekwangia koreensis BactOTU116
10.0
0.0000
61
0.4761
Armando Raiz Zavarzinella caldifontis BactOTU159
10.0
0.0002
50
0.2672
Armando Raiz Pseudomonas uvarum BactOTU220
10.8
0.0000
44
1.1740
Armando Raiz Herbaspirillum gulosum
[DJM1.1]
BactOTU3
-8.8
0.0005
93
1.7390
Armando Raiz Burkholderia gladioli BactOTU305
8.4
0.0005
63
0.2454
Armando Raiz Inquilinus tertiaricarbonis BactOTU320
9.4
0.0005
24
0.0591
Armando Raiz Actinoplanes auranticolor BactOTU59
12.1
2.9e-06
28
0.6852
Armando Raiz Streptomyces stelliscabiei BactOTU626
8.8
0.0005
29
0.0603
Armando Raiz Actinoplanes brasiliensis BactOTU93
7.6
0.0005
30
0.0514
Armando Raiz Luteimonas soli BactOTU11
7.5
0.0007
51
0.1828
Cauca Raiz Vibrio cyclitrophicus BactOTU145
10.1
0.0002
33
0.1127
Cauca Raiz Rhodococcus brasiliensis BactOTU154
12.4
0.0000
38
0.4586
Cauca Raiz Saprochaete agariperforans BactOTU219
7.8
0.0007
44
0.1372
Cauca Raiz Paenibacillus aurescens BactOTU220
13.4
0.0000
44
1.1740
Cauca Raiz Herbaspirillum gulosum BactOTU305
8.9
0.0001
63
0.2454
Cauca Raiz Inquilinus tertiaricarbonis BactOTU341
6.8
0.0007
54
0.1532
Cauca Raiz Lactobacillus parvula BactOTU394
8.1
0.0007
32
0.1210
Cauca Raiz Candidatus Stylophorae stylophorae BactOTU114
12.5
0.0000
17
0.3800
Dulce- Hogar Raiz Actinomadura philippinensis BactOTU182
8.6
0.0001
41
0.2912
Dulce- Hogar Raiz Pseudomonas oxydans BactOTU341
7.2
0.0003
54
0.1532
Dulce- Hogar Raiz Lactobacillus parvula BactOTU394
8.5
0.0003
32
0.1210
Dulce- Hogar Raiz Candidatus Stylophorae stylophorae BactOTU552
10.5
0.0000
27
0.1246
Dulce- Hogar Raiz Streptomyces hygroscopicus BactOTU59
12.2
0.0000
28
0.6852
Dulce- Hogar Raiz Streptomyces stelliscabiei BactOTU326
8.0
0.0005
59
0.1870
Villa-Laura Raiz Novosphingobium oligomobilis BactOTU282
-5.9
0.0381
14
0.0336
Armando Rizosfera Acidovorax ferrireducens BactOTU665
4.4
0.0304
33
0.0648
Armando Rizosfera Streptomyces terrae BactOTU283
5.3
0.0304
30
0.1099
Armando Rizosfera Rhodococcus roseus BactOTU145
7.5
0.0405
34
0.1156
Armando Rizosfera Rhodococcus brasiliensis BactOTU311
-7.1
0.0290
21
0.0805
Armando Rizosfera Alicycliphilus aromaticivorans BactOTU162
5.9
0.0304
33
0.1424
Armando Rizosfera Nocardia amazonensis BactOTU188
7.0
0.0291
21
0.2389
Armando Rizosfera Dyella silviterrae BactOTU108
-5.7
0.0304
48
0.2679
Armando Rizosfera Luteimonas flavescens BactOTU123
-4.1
0.0291
39
0.3982
Armando Rizosfera Lysobacter terrae BactOTU220
7.7
0.0159
45
1.2033
Armando Rizosfera Herbaspirillum gulosum
OTU
log₂FC padj Prevalencia Abundancia Tratamiento Parte Especie BactOTU54
-3.6
0.0304
71
1.0193
Armando Rizosfera Methylobacterium extorquens BactOTU37
-3.6
0.0304
71
1.5693
Armando Rizosfera Sulfuritalea denitrificans BactOTU14
-3.2
0.0291
70
5.2458
Armando Rizosfera Herpetosiphon ochraceus BactOTU300
18.3
0.0071
11
0.0584
Cauca Rizosfera Azoarcus aerophilus BactOTU404
7.8
0.0193
19
0.0377
Cauca Rizosfera Thermomonas aquaticum BactOTU301
7.0
0.0464
20
0.0931
Cauca Rizosfera Rubrobacter radiotolerans BactOTU177
5.6
0.0397
26
0.1005
Cauca Rizosfera Nocardia amazonensis BactOTU199
7.2
0.0464
25
0.1376
Cauca Rizosfera Deinococcus nigrescens BactOTU305
2.7
0.0397
64
0.2513
Cauca Rizosfera Inquilinus tertiaricarbonis BactOTU487
3.8
0.0309
65
0.2556
Cauca Rizosfera Rhodocyclus gelatinosus BactOTU150
5.1
0.0071
39
0.2334
Cauca Rizosfera Luteibacter nigricans BactOTU59
5.5
0.0397
29
0.7024
Cauca Rizosfera Streptomyces stelliscabiei BactOTU257
-3.0
0.0071
63
0.6193
Cauca Rizosfera Variovorax silvestris BactOTU113
5.0
0.0071
64
1.0242
Cauca Rizosfera Ohtaekwangia koreensis BactOTU220
6.9
0.0197
45
1.2033
Cauca Rizosfera Herbaspirillum gulosum BactOTU7
-2.7
0.0397
83
0.8358
Cauca Rizosfera Stenotrophomonas maltophilia BactOTU428
-4.3
0.0283
31
0.0245
Dulce- Hogar Rizosfera Ureibacillus thermophilus BactOTU383
-4.3
0.0283
35
0.0485
Dulce- Hogar Rizosfera Leclercia aerophila BactOTU162
6.7
0.0183
33
0.1424
Dulce- Hogar Rizosfera Nocardia amazonensis BactOTU108
-5.9
0.0283
48
0.2679
Dulce- Hogar Rizosfera Luteimonas flavescens BactOTU214
-2.3
0.0239
58
0.3201
Dulce- Hogar Rizosfera Marinobacter maritypicum BactOTU11
7.9
0.0040
53
0.1874
Dulce- Hogar Rizosfera Vibrio cyclitrophicus BactOTU10
8.1
0.0044
55
0.2306
Dulce- Hogar Rizosfera Vibrio diabolicus BactOTU80
-8.7
0.0246
23
0.3106
Dulce- Hogar Rizosfera Herbaspirillum glycolicum BactOTU4
9.7
0.0040
69
0.5086
Dulce- Hogar Rizosfera Thermus diaoshuihuensis BactOTU112
4.0
0.0283
38
0.0944
Dulce- Hogar Rizosfera Bacillus pseudomegaterium BactOTU311
-8.4
0.0076
21
0.0805
Villa-Laura Rizosfera Alicycliphilus aromaticivorans BactOTU162
7.2
0.0280
33
0.1424
Villa-Laura Rizosfera Nocardia amazonensis BactOTU63
-4.8
0.0350
41
0.3764
Villa-Laura Rizosfera Olivibacter tunisiensis BactOTU44
-20.8
7.20e-09
44
0.2865
Villa-Laura Rizosfera Pseudomonas mexicana FungiOTU11
8.1
0.0359
74
41.5008
Armando Raiz Pichia eremophila FungiOTU9
-6.3
0.0220
55
7.8868
Armando Raiz Falcocladium turbinatum FungiOTU20
9.8
0.0071
49
1.1498
Armando Raiz Coniothyrium sidae FungiOTU27
8.7
0.0359
10
0.4102
Armando Raiz Poaceascoma sp.
FungiOTU149
8.7
0.0376
23
0.1072
Armando Raiz Stagonosporopsis vannaccii FungiOTU70
-10.6
0.0220
13
0.4055
Armando Raiz Tetracladium sp.
OTU
log₂FC padj Prevalencia Abundancia Tratamiento Parte Especie FungiOTU126
10.4
0.0220
27
0.2276
Armando Raiz Trametes menziesii FungiOTU143
10.3
0.0220
7
0.1137
Armando Raiz Papiliotrema leoncinii FungiOTU172
9.8
0.0359
7
0.0672
Armando Raiz Polyporaceae sp.
FungiOTU11
8.5
0.0211
74
41.5008
Cauca Raiz Pichia eremophila FungiOTU20
8.6
0.0074
49
1.1498
Cauca Raiz Coniothyrium sidae FungiOTU34
14.2
7.82e-05
15
1.6296
Cauca Raiz Corynespora cassiicola FungiOTU90
10.0
0.0400
9
0.1455
Cauca Raiz Knufia sp.
FungiOTU48
9.2
0.0400
20
0.9365
Cauca Raiz Ophiosphaerella agrostidis FungiOTU50
10.1
0.0226
20
0.3836
Cauca Raiz Humicola repens FungiOTU70
-10.5
0.0211
13
0.4055
Cauca Raiz Tetracladium sp.
FungiOTU2
10.0
0.0009
68
2.1196
Cauca Raiz Rhizophydiaceae sp.
FungiOTU36
10.3
0.0009
41
1.8071
Cauca Raiz Spizellomyces punctatus FungiOTU37
8.8
0.0009
40
1.7471
Cauca Raiz Fungi sp.
FungiOTU2
11.2
0.0003
68
2.1196
Villa-Laura Raiz Rhizophydiaceae sp.
FungiOTU36
14.5
5.78e-06
41
1.8071
Villa-Laura Raiz Spizellomyces punctatus
9.2.2.
Perfil metabolómico de frutos de tomate
El análisis multivariado de los perfiles metabolómicos de frutos de tomate mediante PLS-DA permitió identificar diferencias significativas en la composición química asociada a los distintos tratamientos de suelo, en comparación con el control (Figura 17). La separación observada en el espacio de componentes latentes indica que algunos tratamientos indujeron cambios metabolómicos notables en los frutos, mientras que otros mostraron una menor diferenciación. El tratamiento Dulce_Hogar presentó la separación más clara respecto al control, con un modelo bien ajustado (R² = 0.902) y una capacidad predictiva aceptable (Q² = 0.206), lo que sugiere un efecto consistente del tratamiento sobre el metabolismo del fruto. De forma similar, el tratamiento Cauca también evidenció una separación visual clara, respaldada por un valor de R² = 0.776, aunque con una Q² negativa (–0.106), lo que indica un modelo explicativo, pero con menor capacidad de predicción.
En el caso del tratamiento Armando, se observó una separación moderada entre grupos, con R² = 0.721, pero con Q² negativa (–0.441), lo que limita su utilidad para inferencias predictivas. Por su parte, Villa_Laura mostró la menor separación frente al control, con R² = 0.694 y Q² fuertemente negativa (–1.673), lo cual indica baja estabilidad del modelo y escasa confiabilidad para describir patrones metabolómicos robustos en este tratamiento.
Figura 17. Análisis PLS-DA de perfiles metabolómicos de frutos de tomate cultivados bajo cinco tratamientos de suelo (Armando, Cauca, Dulce_Hogar, Villa_Laura y Control). Cada gráfico compara un tratamiento (color) frente al control (verde). Los modelos muestran el grado de separación entre los grupos en el espacio de componentes latentes, junto con los valores de R² (bondad de ajuste) y Q² (capacidad predictiva). Se observan separaciones más marcadas en los tratamientos Dulce_Hogar y Cauca, lo que indica una mayor influencia en la composición química del fruto. Posterior al análisis multivariado, se realizó una evaluación univariado para identificar metabolitos diferencialmente expresados entre tratamientos y el control. Los resultados se presentan en forma de volcano plots (Figura 18), donde se resaltan los metabolitos que cumplen con los criterios de significancia estadística (p < 0.05) y de magnitud del cambio respecto al control (|log₂FC| ≥ 1). El mayor número de metabolitos diferencialmente expresados se observó en Dulce Hogar, con 14 metabolitos, seguido de Cauca con 3 y de Armando con 1, mientras que en Villa Laura no se detectaron metabolitos que cumplieran simultáneamente los criterios establecidos. En Dulce Hogar predominó la disminución de metabolitos, incluidos compuestos como Met62, Met268, Met323, Met118 y Met350, asociados principalmente a lípidos, glucósidos fenólicos y saponinas. También se observaron incrementos puntuales, destacándose Met29, que presentó el mayor aumento. En el tratamiento Cauca se identificaron pocos metabolitos diferenciales, entre ellos el aumento de Met386 y la disminución de Met459 y Met218, correspondientes a lípidos, alcaloides y terpenoides. En Armando se observó una disminución de Met322, asociado a los carotenoides, lo que sugiere una alteración de compuestos relacionados con la pigmentación del fruto. La lista completa de metabolitos anotados tentativamente, junto con sus valores de log2FC, p y nivel de identificación, se presenta en el anexo 2.
Figura 18. Volcano plots de los metabolitos diferencialmente abundantes en frutos de tomate entre tratamientos y control. Los puntos representan metabolitos; el color indica el valor de log₂FC y el tamaño del punto el p-valor.
9.2.3.
Correlaciones
Con el objetivo de evaluar la posible asociación entre la estructura del microbioma rizosférico y el perfil metabolómico de los frutos de tomate, se realizó un análisis integrativo que combinó enfoques de correlación y de comparación estructural. Para ello, se utilizaron las abundancias relativas de todas las OTUs bacterianas y fúngicas detectadas en rizósfera, sin filtrado previo por significancia
estadística, junto con los metabolitos previamente identificados como diferencialmente abundantes en los frutos. En el caso del metaboloma, se emplearon exclusivamente los metabolitos significativos, cuyos datos se normalizaron por suma antes de realizar los análisis de distancia. Inicialmente, se construyó una matriz de correlación cruzada entre las abundancias relativas de las OTUs y los niveles relativos de los metabolitos. Las matrices fueron alineadas con base en las muestras comunes, incluyendo todas las réplicas biológicas y los tratamientos de control, garantizando así una representación integral del sistema experimental. Se aplicó una correlación no paramétrica de Spearman, utilizando la eliminación por pares para el manejo de los valores faltantes. Posteriormente, se establecieron criterios de filtrado estrictos para seleccionar asociaciones robustas, definidos como un valor de p ≤ 0.01 y un coeficiente de correlación absoluto |ρ| ≥ 0.35. entre metabolitos específicos y microorganismos presentes en la raíz y la rizósfera (Figura 19). Se observaron correlaciones negativas entre Raiz-BactOTU626 y el metabolito Met494 (ρ = -0.52; p = 7.95 × 10⁻⁵), así como entre Raiz-BactOTU114 y Met552 (ρ = -0.86; p = 0.003), siendo esta la correlación más fuerte observada. Por otro lado, se detectaron correlaciones positivas entre Raiz- FungiOTU36 y Met20 (ρ = 0.47; p = 0.003), entre Rizo-BactOTU7 y Met118 (ρ = 0.37; p = 0.003), y entre Raiz-BactOTU3 y Met459 (ρ = 0.39; p = 0.004). Estas correlaciones sugieren posibles interacciones entre el metaboloma vegetal y la comunidad microbiana asociada, en las que algunos metabolitos podrían estar relacionados con la abundancia de microorganismos específicos en la raíz y la rizósfera (Tabla 4).
Figura 19. Correlaciones entre metabolitos y OTUs microbianas en la raíz y la rizósfera. (A) Mapa de calor de las correlaciones de Spearman. Solo se muestran las correlaciones significativas (p ≤ 0.01) y |ρ| ≥ 0.35. El color rojo indica correlaciones positivas y el azul, correlaciones negativas. (B) Red de correlación metabolito–microorganismo que muestra las asociaciones significativas identificadas. Las líneas rojas indican correlaciones positivas y las azules correlaciones negativas. Los nodos representan OTUs bacterianas, OTUs fúngicas y metabolitos.
Tabla 4. Correlaciones microorganismo–metabolito en tomate con significancia estadística exploratoria Otu_ID Género y especie (tentativo) ID Metabolito Identificación tentativa rho p q Raiz-BactOTU626 Actinoplanes brasiliensis Met494 Esteroidal saponina
-0.5223
0.0001
0.0946
Raiz-FungiOTU36 Spizellomyces punctatus Met20 Melongoside L
0.4667
0.0031
0.3849
Raiz-BactOTU114 Actinomadura philippinensis Met552 piridina/aminofenol
-0.8601
0.0034
0.3849
Rizo-BactOTU7 Stenotrophomonas maltophilia Met118 Cardiolipina
0.3714
0.0039
0.3849
Raiz-BactOTU3 Burkholderia gladioli Met459 Indol-dímero tipo 3,3'diindolylmethane
0.3894
0.0046
0.3912
De manera complementaria, se evaluó la correspondencia estructural global entre la composición del microbioma y el perfil metabolómico mediante la construcción de un tanglegramas (Figura 20), considerando los compartimentos de raíz (Figura 20A) y rizósfera (Figura 20B). Para ello, se calcularon matrices de distancia Bray–Curtis a partir de las abundancias relativas de bacterias y hongos, así como de los metabolitos significativos normalizados por suma en fruto, generando dendrogramas independientes posteriormente conectados entre muestras correspondientes. Los dendrogramas de metabolitos se formaron con dos ramas profundas con frutas Controles y Villa- Laura en uno y el resto en otro – una estructura muy similar al dendrograma que se observó para metabolitos en hojas de albaca.
El dendrograma de microorganismos en raíz (Figura 20A), se formó también con dos profundas ramas, pero los controles aparecieron solitos en una, mientras que el resto callo en la otra. No obstante, las muestras de Villa-Laura salieron juntas al lado de los controles, y muestras de Dulce- Hogar salieron juntas al otro extremo de la rama. Este tanglegrama demuestra que inoculación de las raíces con suelo cambia sus poblaciones de microorganismos, y excepto Villa-Laura (que quizás fue un suelo microbiológicamente muerto), estos cambios significan mente alteraron los metabolitos acumulados en la fruta.
Contrastando con la raíz, el dendrograma de microorganismos en las rizosferas de tomate (Figura 20B) no resultó en ramas profundas entre agrupaciones de tratamiento. La agrupación más importante hubiera sido de las rizosferas control, pero una muestra quedó sola en una rama profunda, lejos de las otras dos. Este tanglegrama sugiere que la población de microorganismos en la rizosfera de tomate no se correlaciona con el metaboloma de sus frutos.
Figura 20. Los tanglegramas muestra la correspondencia entre los dendrogramas jerárquicos construidos a partir de todas las OTUs microbianas de la raíz (A) rizosfera (B) y el conjunto completo de metabolitos detectados en frutos de tomate. Los dendrogramas se generaron utilizando distancias de Bray–Curtis a partir de matrices de abundancia relativa de OTUs y de datos metabolómicos normalizados por suma. Las líneas conectan las mismas muestras en ambos dendrogramas, mientras que los colores indican los distintos tratamientos (Armando, Cauca, Control, Dulce Hogar y Villa-Laura).
9.3. Café
9.3.1.
Composición microbiana en fermentaciones de café
Con el objetivo de evaluar si la manipulación del microbioma de fermentación húmeda de semillas de café puede cambiar el sabor, diferentes inóculos (suelos de cafetales, microorganismos puros y superficies de cerezas de café) se introdujeron en fermentaciones de café en agua estéril en tubos cónicos de 50 mL. Se extrajo ADN del líquido de fermentación después de 72 horas; se realizó un solo lavado con agua, y entonces se secó la semilla antes de extraer los metabolitos. Del ADN, se amplificaron el 16S rDNA de bacterias y el ITS rDNA de hongos, y se secuenciaron en un Miseq para observar el microbioma. Posteriormente, las matrices de abundancia relativa de ambos grupos se integraron en un único conjunto de datos y se utilizó para realizar un análisis de componentes principales (PCA), sin aplicar transformaciones adicionales (Figura 21). Los dos primeros componentes principales explicaron el 98.36% de la variación total observada en la estructura comunitaria (Dim1 = 58.93 %; Dim2 = 34.4 %), evidenciando una diferenciación multivariada entre tratamientos. El tratamiento Honey (semillas extraídas de cerezas esterilizadas y dejadas secar al aire libre sin fermentación) mostro una agrupación apretada y bien diferenciada del resto de tratamientos. Similarmente, los Controles (semillas extraídas de cerezas esterilizadas e inoculadas con agua esterilizada antes de la fermentación) formaron la segunda agrupación compacta, aparte de todas las demás muestras. Todos los demás tratamientos (semillas extraídas de cerezas esterilizadas e inoculadas con microorganismos puros o con suelo de finca antes de la fermentación) dieron lugar a poblaciones microbianas de fermentación similares. El análisis estadístico basado en PERMANOVA, utilizando distancias de Bray–Curtis, confirmó que las diferencias en la composición microbiana entre tratamientos fueron estadísticamente significativas (R² = 0.91; F = 21.5; p = 0.001). El modelo indicó que el tipo de inóculo explicó aproximadamente el 91% de la variación total en la estructura de las comunidades microbianas durante la fermentación.
Figura 21. Análisis de componentes principales (PCA) de la comunidad bacteriana (16S) y fúngica (ITS) en fermentación de semillas de café.
La estructura de la comunidad microbiana se visualizó mediante mapas de calor basados en la abundancia relativa de OTUs. Las muestras se organizaron según el tratamiento experimental, lo que permitió identificar patrones diferenciales de abundancia asociados a cada tratamiento (Figura
22).
A nivel de phylum, el dominio bacteriano, se observó un predominio claro del phylum Proteobacteria en la mayoría de las muestras, particularmente en aquellas correspondientes a Dulce-Hogar, Honey, Santuario y los controles. Este grupo presentó abundancias relativas elevadas, superiores al 35% en varias muestras. En menor proporción, también se detectaron los phyla Firmicutes, Actinobacteria, Bacteroidetes y Planctomycetes, con una distribución más específica y variable entre los distintos entornos de fermentación. Había una diferencia dramática en la abundancia de Proteobacteria y Firmicutes de los controles versus todos los otros tratamientos, que probablemente representan microorganismos que fueron eliminados de la superficie cuando se esterilizó con alcohol, pero que fueron reintroducidos con las inoculaciones. En las comunidades bacterianas, el índice de diversidad de Shannon mostró diferencias entre tratamientos, siendo mayor en el método Honey (H’ = 1.13), seguido de Santuario (H’ = 0.90) y Dulce Hogar (H’ = 0.86), mientras que el Control presentó la menor diversidad (H’ = 0.75). Estos resultados indican que el proceso de fermentación, particularmente el método Honey, favorece una comunidad bacteriana más diversa y con una distribución más equitativa de abundancias. También suporta la hipótesis básica que inoculación de microorganismos puede aumentar la diversidad bacteriana en fermentaciones de semillas de café.
En el caso de los hongos, el phylum Ascomycota fue el más abundante en la mayoría de las muestras, destacando en Honey y Santuario. Le siguió en frecuencia Basidiomycota, presente con menor abundancia en algunas muestras de Dulce-Hoga. También se registraron phyla minoritarios como Chytridiomycota, Oomycota y Fungi incertae sedis, cuya presencia fue limitada y de bajo nivel. En las comunidades fúngicas, el índice de diversidad de Shannon mostró diferencias entre los métodos de fermentación, siendo mayor en el tratamiento Santuario (H’ = 0.30), seguido del Control (H’ = 0.22), Dulce Hogar (H’ = 0.10) y Honey (H’ = 0.08). Estos resultados indican que la diversidad fúngica fue mayor en el tratamiento Santuario, mientras que el método Honey presentó la menor diversidad.
La ausencia de un aumento claro en la diversidad o de cambios estructurales asociados a las inoculaciones con Yarrowia y Burkholderia indica que estas cepas no lograron dominar las comunidades microbianas. Esto puede explicarse por competencia con microorganismos nativos presentes en las semillas o en el ambiente, así como por condiciones del sistema de fermentación que favorecen microorganismos adaptados a altas concentraciones de azúcares y cambios en pH. El análisis a nivel de OTU mostró que un reducido conjunto de OTUs dominó las comunidades bacterianas durante la fermentación del café. Entre las OTUs más abundantes se encontraron BactOTU5 (Acetobacter orientalis), BactOTU9 (Leutonoscoc pseudomesenteroides), BactOTU23 (Gluconobacter frateurii), BactOTU685 (Leutonoscoc lactis) y BactOTU253 (Acetobacter lovaniensis), las cuales estuvieron presentes en todos los tratamientos, lo que sugiere que forman parte del microbioma núcleo trasmitidas dentro de cerezas de café. Estos microorganismos comunes no solo tienen que estar transmitidos por la semilla, sino que también tienen que sobrevivir al ambiente estresante de fermentación de semillas de café. El punto de este experimento fue ver si la inoculación con microorganismos podría cambiar el microbioma de fermentación y, por ende, el metaboloma de las semillas; entonces, fue muy importante ver si algunos OTUs aparecieron después de la inoculación. Varias OTUs asociadas a bacterias fermentativas, como Bacillus y Paenibacillus, y a bacterias ácido-lácticas presentaron mayores abundancias relativas en el tratamiento Honey en comparación con el Control. Por otro lado, en el tratamiento Santuario se observó una mayor abundancia relativa de OTUs pertenecientes a Proteobacteria, incluyendo BactOTU56 (Pseudomonas alcaligenes) y BactOTU474 (Pseudomonas oryzihabitans), BactOTU110 (Burkholderia ferrariae) y BactOTU444 (Burkholderia zhejiangensis), y BactOTU809 (Sphingomonas parvus), microorganismos asociados a la degradación de compuestos orgánicos y al metabolismo de compuestos aromáticos. En el tratamiento inoculado con Burkholderia, se observó un incremento marcado en la abundancia relativa de OTUs afiliadas a este género, alcanzando aproximadamente 2.7% de la comunidad total. En contraste, en los demás tratamientos estas OTUs se encontraron en proporciones considerablemente menores, generalmente por debajo del 0.1%. Este aumento estuvo asociado a múltiples OTUs, incluidos BactOTU3, BactOTU4, BactOTU22, BactOTU27 y BactOTU444, lo que indica el establecimiento de Burkholderia en la comunidad bacteriana. No obstante, estas OTUs no alcanzaron dominancia, ya que otros miembros del microbioma núcleo, como Acetobacter y Leuconostoc, continuaron representando la mayor proporción de la comunidad. El análisis a nivel de OTU mostró que la comunidad fúngica estuvo fuertemente dominada por FungiOTU11 (Pchia eremophila) en todos los tratamientos, con abundancias relativas entre 74% y 99%. Sin embargo, en el tratamiento Santuario se observó una mayor abundancia relativa de OTUs subdominantes como FungiOTU55 (Hanseniaspora clermontiae), FungiOTU3 (Yarrowia lipolytica) y FungiOTU13 (Clavispora lusitaniae), lo que incrementó la diversidad y equidad de la comunidad fúngica, lo que se reflejó en un mayor índice de Shannon. En contraste, en el tratamiento Honey, FungiOTU11 (Pichia eremophila) dominó casi por completo la comunidad, con abundancias superiores al 95%, y las demás OTUs estuvieron presentes en muy baja abundancia, lo que se tradujo en el menor valor de diversidad.
En el tratamiento inoculado con Yarrowia, FungiOTU3 (Yarrowia lipolytica) presentó un incremento de su abundancia relativa en comparación con los demás tratamientos, donde se encontró en proporciones bajas (<5%). En contraste, en el tratamiento con Yarrowia, este OTU alcanzó proporciones moderadas dentro de la comunidad (entre el 5% y el 15%), sin llegar a desplazar la dominancia de Pichia eremophila.
Figura 22. Mapas de calor que muestran el porcentaje de abundancia relativa de bacterias (16S rRNA) y hongos (ITS) asociados al proceso de fermentación de café bajo diferentes tratamientos. (A) Abundancia relativa a nivel de Phylum y OTU para bacterias (16S). (B) Abundancia relativa a nivel de Phylum y OTU para hongos (ITS).
Complementando el análisis de diversidad y estructura del microbima en la fermentación de café, se evaluaron los cambios en la abundancia relativa de OTUs microbianas entre cada tratamiento y el control mediante análisis de abundancia diferencial, cuyos resultados se representan mediante gráficos de volcán para bacterias (16S) y hongos (ITS) (Figura 23, Tabla 5). Este análisis permitió identificar las OTUs con cambios estadísticamente significativos (padj < 0.05), tanto de enriquecimiento (log₂FoldChange > 0) como de disminución (log₂FoldChange < 0), en función del tratamiento evaluado. Los puntos representan OTUs individuales, codificados por color según su abundancia relativa y por tamaño según su prevalencia entre réplicas. En el microbioma bacteriano (16S), los resultados evidenciaron diferencias entre los tratamientos. En el tratamiento inoculado con Burkholderia, se observaron incrementos significativos en OTUs como BactOTU2 (Komagataeibacter ascorbata), BactOTU3 (Gluconobacter albidus) y BactOTU5 (Acetobacter orientalis), con valores elevados de log₂FoldChange (4.63–8.59), lo que indica un enriquecimiento marcado de bacterias ácido-acéticas en este tratamiento. En contraste, BactOTU12
(Komagataeibacter ascorbata) presentó un valor negativo de log₂FoldChange (-4.63), lo que indica una mayor abundancia relativa en el control.
En el tratamiento Dulce Hogar, se observó un enriquecimiento significativo de BactOTU5 (Acetobacter orientalis) (log₂FC ≈ 5.40), mientras que OTUs como BactOTU2 (Komagataeibacter ascorbata), BactOTU685 (Lactococcus lactis) y BactOTU9 (Leuconostoc pseudomesenteroides) presentaron valores negativos de log₂FoldChange (-2.25 a -6.79), lo que indica una mayor abundancia relativa en el control.
En el tratamiento Honey, se observó el enriquecimiento de bacterias ácido-acéticas como BactOTU23 (Gluconobacter frateurii) (log₂FC ≈ 5.38), BactOTU253 (Acetobacter lovaniensis) (log₂FC ≈ 3.48) y BactOTU49 (Dyella soli) (log₂FC ≈ 8.00). En contraste, OTUs como BactOTU2 (Komagataeibacter ascorbata), BactOTU685 (Lactococcus lactis) y BactOTU9 (Leuconostoc pseudomesenteroides) presentaron valores negativos, lo que indica una mayor abundancia en el control.
En el tratamiento Santuario, se observó un enriquecimiento significativo de BactOTU5 (Acetobacter orientalis) (log₂FC ≈ 5.05), mientras que OTUs como BactOTU2 (Komagataeibacter ascorbata), BactOTU685 (Lactococcus lactis), BactOTU9 (Leuconostoc pseudomesenteroides) y BactOTU97 (Pseudomonas theicola) mostraron valores negativos, lo que indica una mayor abundancia relativa en el control.
En el tratamiento con Yarrowia, se observaron incrementos en OTUs como BactOTU5 (Acetobacter orientalis) (log₂FC ≈ 4.54) y BactOTU267 (Gluconobacter albidus) (log₂FC ≈ 4.61), mientras que OTUs como BactOTU2 (Komagataeibacter ascorbata) y BactOTU97 (Pseudomonas theicola) presentaron valores negativos, lo que indica mayor abundancia en el control. En las comunidades fúngicas (ITS), se observó que FungiOTU28 (Geotrichum silvicola) presentó valores negativos de log₂FoldChange en todos los tratamientos (≈ -8.3 a -9.2), lo que indica una mayor abundancia relativa en el control en comparación con las condiciones de fermentación. Por otro lado, en el tratamiento con Yarrowia se observó un enriquecimiento significativo de FungiOTU3 (Yarrowia lipolytica) (log₂FC ≈ 6.63), lo que confirma el establecimiento de la cepa inoculada en este tratamiento.
Figura 23. Gráficos de volcán que muestran los cambios diferenciales en la abundancia de OTUs bacterianos
(16S rRNA) (A) y fúngicos (ITS) (B) entre los distintos tratamientos de fermentación de café. El eje X representa el log₂ Fold Change, mientras que el eje Y corresponde a –log₁₀ (p ajustado). Cada punto representa un OTU; el tamaño del punto indica su prevalencia (%) y el color refleja su abundancia relativa (%), según las escalas mostradas. Las líneas horizontales discontinuas indican el umbral de significancia estadística, mientras que la línea vertical punteada indica la ausencia de cambio (log₂FC = 0).
En conjunto, las gráficas de volcán revelan patrones de modulación específicos en las comunidades microbianas asociadas a frutos de café, con especies clave que podrían desempeñar funciones metabólicas relevantes en la fermentación. Estas OTUs diferencialmente abundantes, detalladas en la Tabla 5, se utilizarán en los análisis posteriores de correlación con los perfiles metabolómicos.
Tablas 5. OTUs significativamente diferentes entre la comparación tratamiento vs. control para la fermentación de semillas de café.
OTU
padj log2FoldChange Prevalencia Abundancia Tratamiento Especie BactOTU2 2E-07
-4.63
78.38
1.00
Burkholderia Komagataeibacter ascorbata BactOTU3 2E-10
8.59
93.24
1.11
Burkholderia Burkholderia gladioli BactOTU5 6E-23
5.40
83.78
11.32
Burkholderia Acetobacter orientalis BactOTU2 1E-11
-6.79
78.38
1.00
Dulce-Hogar Komagataeibacter ascorbata BactOTU5 9E-20
5.02
83.78
11.32
Dulce-Hogar Acetobacter orientalis BactOTU685 2E-04
-2.25
63.51
1.35
Dulce-Hogar Lactococcus lactis BactOTU9 9E-05
-2.25
78.38
6.68
Dulce-Hogar Leuconostoc pseudomesenteroides BactOTU97 1E-03
-6.50
14.86
0.01
Dulce-Hogar Pseudomonas theicola BactOTU2 2E-05
-3.72
78.38
1.00
Honey Komagataeibacter ascorbata BactOTU23 2E-23
5.38
47.30
3.12
Honey Gluconobacter frateurii BactOTU253 2E-07
3.48
32.43
0.54
Honey Acinetobacter lwoffii BactOTU49 2E-05
8.00
50.00
0.06
Honey Devosia soli BactOTU685 1E-13
-4.05
63.51
1.35
Honey Lactococcus lactis BactOTU9 8E-16
-4.13
78.38
6.68
Honey Leuconostoc pseudomesenteroides BactOTU2 1E-09
-7.04
78.38
1.00
Santuario Komagataeibacter ascorbata BactOTU5 5E-20
5.05
83.78
11.32
Santuario Acetobacter orientalis BactOTU685 8E-05
-2.36
63.51
1.35
Santuario Lactococcus lactis BactOTU9 4E-05
-2.32
78.38
6.68
Santuario Leuconostoc pseudomesenteroides BactOTU97 4E-04
-6.80
14.86
0.01
Santuario Pseudomonas theicola BactOTU2 5E-10
-5.84
78.38
1.00
Yarrowia Komagataeibacter ascorbata BactOTU267 4E-05
4.61
36.49
0.28
Yarrowia Gluconobacter albidus BactOTU5 3E-16
4.54
83.78
11.32
Yarrowia Acetobacter orientalis BactOTU685 2E-04
-2.23
63.51
1.35
Yarrowia Lactococcus lactis BactOTU9 1E-04
-2.18
78.38
6.68
Yarrowia Leuconostoc pseudomesenteroides FungiOTU28 1E-05
-8.32
94.12
3.15
Burkholderia Gluconobacter silvicola FungiOTU28 8E-07
-9.17
94.12
3.15
Dulce-Hogar Gluconobacter silvicola
OTU
padj log2FoldChange Prevalencia Abundancia Tratamiento Especie FungiOTU28 3E-06
-8.69
94.12
3.15
Honey Gluconobacter silvicola FungiOTU28 4E-06
-9.02
94.12
3.15
Santuario Gluconobacter silvicola FungiOTU3 4E-04
6.63
100.00
2.38
Yarrowia Yarrowia lipolytica FungiOTU28 2E-06
-8.99
94.12
3.15
Yarrowia Gluconobacter silvicola
9.3.2.
Perfil metabolómico de semillas fermentadas de café
Se evaluaron los cambios en el perfil químico de las semillas de café durante la fermentación con distintos tratamientos microbianos; se realizó un análisis metabolómico no dirigido mediante LC-MS. Se compararon seis tratamientos microbianos (Burkholderia, Dulce Hogar, Honey, Santuario, Surface y Yarrowia) con un control no inoculado. Para explorar la variación entre tratamientos, se aplicó un análisis PLS-DA considerando todos los grupos simultáneamente (Figura 24). El modelo mostró cierta separación entre tratamientos, con una diferenciación más evidente en el tratamiento Honey, mientras que el resto de los tratamientos presentó un alto grado de solapamiento entre sí y con el control. Las métricas de validación indicaron una capacidad limitada del modelo para discriminar entre tratamientos. Aunque el modelo explicó parte de la variación de los datos (R² = 0.48), la baja capacidad predictiva (Q² < 0) indica que la separación observada no es robusta. En concordancia con esto, solo el tratamiento Honey mostró una diferenciación más consistente respecto a los demás grupos. Estos resultados sugieren que las diferencias metabolómicas inducidas por la mayoría de los tratamientos son débiles o inconsistentes. El proceso de lavado posterior a la fermentación puede reducir la acumulación de compuestos asociados a la actividad microbiana en la superficie de las semillas, lo que limita la detección de cambios metabólicos entre tratamientos.
Figura 24. Análisis PLS-DA de los perfiles metabolómicos en fermentación de semillas de café. Se muestran los valores de R² y Q² para cada modelo. Cada punto representa una muestra y los colores corresponden a los tratamientos.
Durante el análisis metabolómico de las semillas de café fermentadas, se detectaron metabolitos con diferencias significativas en su abundancia relativa entre los distintos tratamientos microbianos y el grupo de control. A partir de un análisis univariado basado en criterios estadísticos (p < 0.05, |log₂FC| ≥ 1 y VIP ≥ 1.5), se seleccionó un conjunto de compuestos con regulación diferencial. Posteriormente, los metabolitos seleccionados fueron anotados mediante comparación con bases de datos de referencia, principalmente CEU Mass Mediator, considerando únicamente aquellos con niveles de identificación 2, 3 o 4 según los criterios de la Metabolomics Standards Initiative (MSI). La lista completa de metabolitos, junto con su log₂FC, valor de p, VIP y categoría química, se presenta en el anexo 3.
El análisis comparativo evidenció diferencias en el número y el tipo de metabolitos diferencialmente expresados entre los tratamientos (Figura 25). El tratamiento Honey presentó el mayor número de metabolitos significativos (116), seguido de Yarrowia (113) y Burkholderia (48), mientras que Dulce Hogar (25) y Santuario (14) mostraron un menor número de cambios.
En Dulce Hogar, el perfil metabólico mostró una tendencia al aumento de metabolitos, incluyendo flavonoides glicosilados y compuestos nitrogenados como quercetin 3-(sinapoylsophorotrioside) (Met1), quercetin caffeoyl-glycoside (Met641), trans-urocanic acid (Met1023) y D-1-aminopropan-2ol O-phosphate (Met676), mientras que las disminuciones fueron menos frecuentes. El tratamiento Honey presentó las modificaciones más extensas en el metaboloma, con incrementos y disminuciones marcados. Se observaron reducciones en flavonoles y antocianinas, incluyendo kaempferol 3-rhamnosyl-(coumarylrobinobioside) (Met101), kaempferol 3-rutinoside-7-rhamnoside
(Met606) y malvidin diglucoside (Met182), así como en derivados de pelargonidina y cianidina. También se detectó acumulación de metabolitos nitrogenados, como tryptamine (Met1208) y pyridoxamine (Met655), así como de metabolitos no identificados con cambios de alta magnitud. En Yarrowia, el número de metabolitos fue similar al de Honey, pero predominó la disminución de la abundancia relativa, especialmente en compuestos fenólicos y pigmentos, lo que indica un efecto distinto sobre el metabolismo secundario. En Burkholderia, los cambios fueron intermedios y no presentaron un patrón dominante claro. El tratamiento Santuario mostró un número reducido de metabolitos diferenciales, con incrementos puntuales en compuestos fenólicos y pigmentos. Algunos metabolitos presentaron respuestas compartidas entre los tratamientos. El quercetin caffeoyl-glycoside (Met641) mostró incrementos en Dulce Hogar y Santuario, mientras que diversos polifenoles y antocianinas tendieron a disminuir principalmente en Honey y Yarrowia. Estas diferencias pueden verse influidas por el tipo de proceso de fermentación. En los tratamientos húmedos, el lavado posterior puede eliminar metabolitos asociados a la actividad microbiana en la superficie de las semillas, lo que reduce las diferencias detectables entre los tratamientos. En contraste, el tratamiento Honey, al corresponder a una fermentación en seco sin lavado, permite la acumulación de estos compuestos, lo que explica la mayor magnitud de los cambios observados.
(página sin texto)
Figura 25. Volcano plots de los metabolitos diferencialmente abundantes en frutos de tomate entre los tratamientos y el control. Los puntos representan metabolitos; el color indica el valor de log₂FC y el tamaño del punto, el p-valor.
9.3.3.
Correlaciones
Las interacciones entre microorganismos y metabolitos durante la fermentación de café se evaluaron mediante un análisis de correlación basado en el coeficiente de Spearman, utilizando las abundancias normalizadas de OTUs y de metabolitos previamente identificados como significativamente diferenciales. El análisis incluyó todas las muestras correspondientes a los distintos tratamientos y controles, lo que permitió evaluar asociaciones a lo largo de todo el gradiente de la variación experimental.
Se aplicaron criterios de significancia estrictos (p ≤ 0.01 y |ρ| ≥ 0.35) para identificar correlaciones robustas. Las asociaciones significativas se visualizaron mediante un mapa de calor con agrupamiento jerárquico (Figura 26). El análisis integró OTUs bacterianas y fúngicas diferencialmente abundantes, junto con metabolitos significativamente regulados, y se identificaron múltiples correlaciones microorganismo–metabolito que cumplieron los criterios estadísticos establecidos.
Figura 26. Mapa de calor de las correlaciones de Spearman (ρ) entre microorganismos (OTUs bacterianas y fúngicas) y metabolitos detectados durante la fermentación de semillas de café, construido a partir del conjunto completo de muestras (todos los tratamientos y controles). Se muestran únicamente las correlaciones que cumplen los criterios de significancia p ≤ 0.01 y |ρ| ≥ 0.35. El color indica la dirección y la magnitud del coeficiente de correlación (rojo: correlación positiva; azul: correlación negativa). Los puntos negros (•) señalan las asociaciones que cumplen con ambos umbrales estadísticos.
Se identificaron múltiples correlaciones significativas entre OTUs microbianas y metabolitos diferencialmente abundantes (|ρ| ≥ 0.35, p ≤ 0.01, q ≤ 0.15), lo que evidencia asociaciones específicas entre determinados microorganismos y compuestos durante la fermentación del café.
El mapa de calor evidenció patrones de asociación estructurados entre grupos microbianos y metabolitos específicos. En particular, OTUs bacterianas como BactOTU23 (Gluconobacter frateurii), BactOTU2 (Komagataeibacter ascorbata) y BactOTU97 (Pseudomonas theicola) mostraron principalmente correlaciones positivas con diversos metabolitos, lo que sugiere una posible asociación entre la abundancia de estas bacterias y la acumulación de compuestos generados durante la fermentación. En contraste, OTUs como BactOTU685 (Lactococcus lactis) y BactOTU9 (Leuconostoc pseudomesenteroides) presentaron principalmente correlaciones negativas, lo que indica una relación inversa entre la abundancia de bacterias ácido-lácticas y los niveles de dichos metabolitos.
Entre las bacterias, Gluconobacter frateurii (BactOTU23) presentó múltiples asociaciones significativas, incluyendo correlaciones positivas con metabolitos fenólicos y flavonoides, como Met337 (isómeros de ácido coumarínico; ρ = 0.55), Met356 (N-feruloylglicil-L-fenilalanina; ρ = 0.49) y Met327 (derivados de kaempferol; ρ = 0.65), así como correlaciones positivas con tripéptidos como Met1092 (ρ = 0.59). También presentó correlaciones negativas con algunos metabolitos no identificados y compuestos fenólicos específicos, lo que sugiere una relación diferencial con distintos grupos metabólicos durante la fermentación.
Pantoea theicola (BactOTU97) mostró correlaciones positivas con metabolitos como Met457 (Ntrans-feruloyloctopamine; ρ = 0.60), Met409 (Gibberellin A12-aldehyde; ρ = 0.61), Met1094 (transzeatin riboside diphosphate; ρ = 0.66) y Met393 (antocianina acilada; ρ = 0.69), lo que sugiere una posible asociación con metabolitos relacionados con compuestos fenólicos y fitohormonas. En contraste, las bacterias ácido-lácticas Leuconostoc lactis (BactOTU685) y Leuconostoc pseudomesenteroides (BactOTU9) presentaron principalmente correlaciones negativas con diversos metabolitos fenólicos y flavonoides, incluyendo Met405 (ρ = −0.65), Met101 (kaempferol derivado; ρ = −0.77) y Met1095 (tripéptido; ρ = −0.61), lo que indica una relación inversa entre la abundancia de estas bacterias y la acumulación de dichos compuestos.
Se observaron asociaciones entre OTUs bacterianas específicas y cambios en los metabolitos. En particular, OTUs asociadas a Burkholderia, como BactOTU3 (Burkholderia gladioli), mostraron correlaciones con metabolitos diferenciales. BactOTU3 se asoció positivamente con Met1092 (tripeptido Met-Pro-Pro) y Met228, y negativamente con Met23, Met1140 y Met1197, lo que indica que la presencia de esta bacteria se relaciona con cambios tanto en aumento como en disminución de metabolitos.
De manera similar, OTUs relacionadas con Burkholderia (BactOTU2) mostraron correlaciones positivas con metabolitos como Met457 (N-trans-Feruloyloctopamine) y Met393 (antocianina acilada), lo que sugiere una posible influencia en las rutas de compuestos fenólicos y en los pigmentos.
En el componente fúngico, Yarrowia lipolytica (FungiOTU3) mostró múltiples correlaciones positivas con diversos metabolitos, incluyendo compuestos fenólicos y aminoácidos modificados, como Met172 (ρ = 0.66), Met1245 (ρ = 0.79), Met1243 (ρ = 0.63) y Met1301 (ρ = 0.66), así como algunas correlaciones negativas con metabolitos específicos como Met1023 (trans-urocanic acid; ρ = −0.71).
Por su parte, Kurtzmaniella quercitrusa (FungiOTU346) presentó principalmente correlaciones negativas con metabolitos fenólicos, flavonoides y compuestos derivados de ácidos hidroxicinámicos, incluyendo Met32 (ρ = −0.56), Met356 (ρ = −0.62), Met37 (ρ = −0.40) y Met396 (ρ = −0.49).
En conjunto, los patrones de correlación indican que bacterias ácido-acéticas como Gluconobacter, bacterias asociadas a fermentación como Pantoea, y levaduras como Yarrowia se asocian principalmente con la acumulación de compuestos fenólicos, flavonoides y péptidos durante la fermentación, mientras que bacterias ácido-lácticas como Leuconostoc y algunos hongos como Kurtzmaniella muestran asociaciones inversas. Estos resultados sugieren que distintos grupos microbianos contribuyen de manera diferencial a la transformación metabólica durante la fermentación del café, generando perfiles químicos específicos asociados a cada comunidad microbiana.
Tabla 6. Correlaciones microorganismo–metabolito en café con significancia estadística exploratoria (p ≤ 0.01, |ρ| ≥ 0.35). Se muestran las correlaciones entre OTUs microbianos y metabolitos detectados en muestras de fermentación de café. ρ corresponde al coeficiente de correlación de Spearman, p es el valor crudo, y q representa el valor ajustado por FDR.
OTU
Taxon Metabolito Identificacion tentativa rho p q FungiOTU3 Yarrowia lipolytica Met172 No identificado
0.6636
0.0001
0.0627
FungiOTU3 Yarrowia lipolytica Met174 No identificado
-0.41
0.0001
0.0627
BactOTU23 Gluconobacter frateurii Met337 Isómeros de ácido coumarínico (coumarinate / cis-2-coumarate / trans-3-coumarate)
0.5455
0.0002
0.0712
BactOTU23 Gluconobacter frateurii Met356 N-Feruloylglicil-L-fenilalanina
0.4909
0.0005
0.09
FungiOTU3 Yarrowia lipolytica Met908 D-Pantotenil-Cys
-0.4364
0.0005
0.09
FungiOTU346 Kurtzmaniella quercitrusa Met32 Syringetin 3-(6'''acetylglucosyl)(1->3)galactoside
-0.5558
0.0006
0.1026
FungiOTU3 Yarrowia lipolytica Met1245 Syringetin 3-(6'''acetylglucosyl)(1->3)galactoside
0.7909
0.0008
0.1026
BactOTU3 Burkholderia gladioli Met23 No identificado
-0.574
0.0008
0.1026
FungiOTU346 Kurtzmaniella quercitrusa Met510 No identificado
-0.5099
0.0008
0.1026
FungiOTU272 Neoprotoparmelia corallifera Met495 Avenanthramide A2
0.6097
0.0013
0.1137
FungiOTU3 Yarrowia lipolytica Met29 No identificado
0.5455
0.0013
0.1137
BactOTU685 Leuconostoc lactis Met405 Oxonitina
-0.6455
0.0017
0.1137
BactOTU5 Chryseobacterium hispalense Met874 Val-Met-Pro (tripeptido)
-0.5
0.0017
0.1137
FungiOTU346 Kurtzmaniella quercitrusa Met356 N-Feruloylglicil-L-fenilalanina
-0.615
0.0021
0.1137
BactOTU97 Pantoea theicola Met457 N-trans-Feruloyloctopamine
0.6007
0.0021
0.1137
BactOTU685 Leuconostoc lactis Met101 Kaempferol 3-rhamnosyl- (coumarylrobinobioside)
-0.7747
0.0026
0.1137
FungiOTU272 Neoprotoparmelia corallifera Met393 Antocianina di-glucósido acilada (p. ej. delphinidin 3,5di(acetilglc))
0.7386
0.0026
0.1137
BactOTU3 Burkholderia gladioli Met1092 Tripeptido Met-Pro-Pro
0.6196
0.0026
0.1137
BactOTU685 Leuconostoc lactis Met1095 Tripeptido isomérico (Gly-Ser- Glu, Asp-Ser-Ala, etc.)
-0.6091
0.0026
0.1137
BactOTU23 Gluconobacter frateurii Met29 No identificado
-0.5273
0.0026
0.1137
OTU
Taxon Metabolito Identificacion tentativa rho p q FungiOTU3 Yarrowia lipolytica Met1023 Trans-urocanic acid
-0.7091
0.0028
0.1137
BactOTU23 Gluconobacter frateurii Met1095 Tripeptido isomérico (Gly-Ser- Glu, Asp-Ser-Ala, etc.)
0.6636
0.0031
0.1137
FungiOTU3 Yarrowia lipolytica Met1030 No identificado
-0.5182
0.0031
0.1137
FungiOTU346 Kurtzmaniella quercitrusa Met37 Cianidina 3-(acetilhexósido)
-0.3964
0.0031
0.1137
FungiOTU3 Yarrowia lipolytica Met1243 Hydroxytriamterene sulfate
0.6273
0.0032
0.1137
BactOTU3 Burkholderia gladioli Met1140 Flavonoide prenilado/metoxilado (isómeros tipo Garcinone C / Averantin metilado)
-0.4419
0.0033
0.1137
BactOTU23 Gluconobacter frateurii Met327 Conjunto de kaempferol
0.6545
0.0034
0.1137
BactOTU5 Chryseobacterium hispalense Met867 PGP(18:1(9Z)-O(12,13)/a-15:0)
-0.8182
0.0037
0.1137
FungiOTU272 Neoprotoparmelia corallifera Met888 (Z)-N-Feruloyl-5hydroxyanthranilic acid
-0.7187
0.0037
0.1137
BactOTU49 Dyella soli Met533 No identificado
-0.6281
0.0037
0.1137
FungiOTU346 Kurtzmaniella quercitrusa Met396 Isopenteniladenosina-5′difosfato (citocinina)
-0.4875
0.0037
0.1137
BactOTU5 Chryseobacterium hispalense Met259 No identificado
0.3727
0.0045
0.1137
BactOTU5 Chryseobacterium hispalense Met1245 Syringetin 3-(6'''acetylglucosyl)(1->3)galactoside
0.6364
0.0045
0.1137
FungiOTU272 Neoprotoparmelia corallifera Met996 No identificado
0.7336
0.0048
0.1137
BactOTU49 Dyella soli Met313 No identificado
0.7025
0.0049
0.1137
BactOTU3 Burkholderia gladioli Met228 No identificado
0.533
0.0049
0.1137
BactOTU49 Dyella soli Met1092 Tripeptido Met-Pro-Pro
0.749
0.0051
0.1137
BactOTU5 Chryseobacterium hispalense Met1160 5'-O-β-D-glucosilpiridoxina (vitamina B6 glucosilada)
0.6182
0.0051
0.1137
BactOTU9 Leuconostoc pseudomesenteroides Met1430 (Z)-N-Feruloyl-5hydroxyanthranilic acid
0.4364
0.0051
0.1137
BactOTU253 Acetobacter lovaniensis Met464 No identificado
-0.8182
0.0053
0.1137
BactOTU253 Acetobacter lovaniensis Met1095 Tripeptido isomérico (Gly-Ser- Glu, Asp-Ser-Ala, etc.)
0.5909
0.0053
0.1137
BactOTU9 Leuconostoc pseudomesenteroides Met655 Pyridoxamine
0.5
0.0053
0.1137
FungiOTU3 Yarrowia lipolytica Met1034 No identificado
-0.4909
0.0053
0.1137
BactOTU9 Leuconostoc pseudomesenteroides Met765 No identificado
-0.4364
0.0053
0.1137
FungiOTU3 Yarrowia lipolytica Met192 No identificado
-0.5608
0.0062
0.1233
BactOTU49 Dyella soli Met528 Dimetilamida
0.4885
0.0062
0.1233
BactOTU97 Pantoea theicola Met409 Gibberellin A12-aldehyde
0.6102
0.0068
0.1239
BactOTU97 Pantoea theicola Met1094 trans-Zeatin riboside diphosphate (citoquinina)
0.6579
0.0073
0.1239
BactOTU5 Chryseobacterium hispalense Met18 No identificado
-0.4727
0.0073
0.1239
BactOTU685 Leuconostoc lactis Met1430 (Z)-N-Feruloyl-5hydroxyanthranilic acid
0.3818
0.0073
0.1239
BactOTU9 Leuconostoc pseudomesenteroides Met229 Clovamida
0.3727
0.0073
0.1239
OTU
Taxon Metabolito Identificacion tentativa rho p q FungiOTU346 Kurtzmaniella quercitrusa Met933 No identificado
-0.3964
0.0074
0.1239
FungiOTU346 Kurtzmaniella quercitrusa Met856 No identificado
-0.3872
0.0074
0.1239
BactOTU2 Burkholderia Kluyvera Met510 No identificado
0.37
0.0074
0.1239
BactOTU49 Dyella soli Met1015 Cinnamoyl–trixyloside
-0.6932
0.0077
0.1239
BactOTU2 Burkholderia Kluyvera Met1389 No identificado
0.3636
0.0077
0.1239
BactOTU23 Gluconobacter frateurii Met1092 Tripeptido Met-Pro-Pro
0.5909
0.008
0.1265
FungiOTU346 Kurtzmaniella quercitrusa Met33 No identificado
-0.5736
0.008
0.1265
BactOTU2 Burkholderia Kluyvera Met457 N-trans-Feruloyloctopamine
0.6636
0.0085
0.1265
FungiOTU3 Yarrowia lipolytica Met1301 Prolyl-Hydroxyproline
0.6636
0.0085
0.1265
BactOTU2 Burkholderia Kluyvera Met393 Antocianina di-glucósido acilada (p. ej. delphinidin 3,5di(acetilglc))
0.6545
0.0085
0.1265
BactOTU253 Acetobacter lovaniensis Met496 No identificado
-0.5182
0.0085
0.1265
BactOTU97 Pantoea theicola Met1208 Tryptamine
-0.3814
0.0085
0.1265
FungiOTU272 Neoprotoparmelia corallifera Met978 Proantocianidina tipo arecatannin/cinnamtannin
-0.7287
0.0087
0.1269
BactOTU3 Burkholderia gladioli Met1197 N-Methylmyosmine
-0.5011
0.0087
0.1269
BactOTU267 Gluconobacter albidus Met1274 Cucurbitacin E
0.3545
0.0088
0.127
BactOTU3 Burkholderia gladioli Met1360 No identificado
-0.3645
0.0092
0.1302
BactOTU23 Gluconobacter frateurii Met1430 (Z)-N-Feruloyl-5hydroxyanthranilic acid
-0.5818
0.0094
0.1302
BactOTU97 Pantoea theicola Met393 Antocianina di-glucósido acilada (p. ej. delphinidin 3,5di(acetilglc))
0.6865
0.0098
0.1305
Figura 27. Red de co-ocurrencia microorganismo–metabolito durante la fermentación de café, construida a partir del conjunto completo de muestras analizadas. Las aristas representan correlaciones de Spearman estadísticamente significativas (p ≤ 0.01 y |ρ| ≥ 0.35), y su grosor es proporcional al valor absoluto del coeficiente de correlación. El color de las aristas indica la dirección de la correlación (rojo: positiva; azul: negativa). Los nodos cuadrados representan metabolitos, mientras que los nodos circulares representan microorganismos (naranja: bacterias; verde: hongos). La correspondencia global entre la estructura de las comunidades microbianas y los perfiles metabolómicos de las semillas fermentadas se evaluó mediante un análisis tipo tanglegram, comparando los dendrogramas generados a partir de las matrices de distancia de Bray–Curtis del microbioma (abundancia relativa de OTUs) y de los metabolitos significativos normalizados por la suma (Figura 28). El tanglegrama evidenció diferencias en el grado de correspondencia entre microbioma y metaboloma según el tratamiento. En el tratamiento Honey, las muestras se agruparon en las ramas más profundas de ambos árboles, con un número de cruces igual a cero en las líneas de conexión, lo que indica una alta correspondencia entre la estructura microbiana y el perfil metabolómico de estas semillas en comparación con los demás tratamientos. Después de la rama profunda de honey, viene la rama profunda de los controles, seguida por la rama de todas las demás muestras de fermentaciones inoculadas. Para mayor claridad, esta rama profunda de controles, con solos separados de honey y de todas las semillas inoculadas, demuestra que sí fue posible controlar/restringir la comunidad de microorganismos al fermentar estas semillas sumergidas en agua. Mirando al otro lado del dendrograma de metabolitos, la rama profunda del microbioma de los controles se conecta con una rama de metabolitos compartidos entre 3 tratamientos, lo que indica que el metaboloma de los controles no se puede distinguir de estos otros tratamientos (Dulce-Hogar y Burkholderia). Se podría interpretar que esterilizar la superficie de la cereza antes de fermentar la semilla de café puede alterar el microbioma de la fermentación, pero no cambia el metaboloma de la semilla resultante.
Una correlación más desorganizada se observa en las semillas inoculadas con cualquier inóculo, ya sea el del microorganismo puro (Yarrowia y Burkholderia) o el de suelo (Dulce Hogar y Santuario). El dendrograma del microbioma muestra una rama larga para todos, sin un agrupamiento claro entre ellos, lo que sugiere que todas las inoculaciones dieron lugar a comunidades microbianas con fermentación similar. Mirando el dendrograma de metabolitos del otro lado, hay dos ramas principales sin una agrupación clara entre ellas. No se observaron correlaciones entre los microorganismos y los metabolomas de las fermentaciones de café inoculado. Figura 27. Tanglegrama que compara la estructura del microorganismo y su perfil metabolómico durante la fermentación del café. La correspondencia entre los dendrogramas jerárquicos de las comunidades microbianas (OTUs) (izquierda) del líquido de fermentación (izquierda) y el perfil metabolómico de semillas de café fermentadas (derecha). Los dendrogramas fueron construidos a partir de matrices de abundancia relativa y distancia Bray Curtis, y las líneas conectan las mismas muestras entre ambos árboles. Los colores indican los distintos tratamientos de fermentación (Acevedo, Burkholderia, Control, Dulce Hogar, Honey, Santuario, Superficie y Yarrowia). La disposición de las conexiones permite evaluar el grado de congruencia entre las estructuras microbiana y metabolómica, donde líneas paralelas y de menor cruce sugieren una mayor correspondencia entre ambos perfiles.
10. DISCUSIÓN DE LOS RESULTADOS
10.1 Albahaca (Ocimum basilicum)
10.1.1 Cambios inducidos por inoculación en los microorganismos de rizosferas
y raíces
La estructura del microbioma asociado a Ocimum basilicum reflejó patrones consistentes con modelos contemporáneos de ensamblaje en sistemas planta–suelo. La dominancia de Proteobacteria, Actinobacteriota y Firmicutes en el componente bacteriano, así como de Ascomycota en la fracción fúngica, concuerda con estudios globales que describen estos filos como componentes
estructurales recurrentes del microbioma vegetal (Delgado-Baquerizo et al., 2018; Trivedi et al., 2020). Sin embargo, más allá de esta convergencia taxonómica general, los resultados evidencian, de nuevo, que el inóculo edáfico puede ejercer un efecto significativo sobre la composición microbiana de la raíz y de la rizosfera.
El hecho de que la varianza explicada por el tratamiento sea mayor en rizosfera (R²=0.46) que en raíz (R²=0.32) sugiere un gradiente de filtrado ecológico a lo largo del continuo suelo–planta. Este patrón es consistente con el modelo de ensamblaje jerárquico propuesto por Bulgarelli et al. (2012), en el que la rizosfera actúa como zona de transición relativamente permisiva, mientras que el interior radicular representa un compartimento altamente selectivo, regulado por barreras físicas, inmunológicas y metabólicas. En la presente investigación, los microorganismos de las muestras de control se separan mejor de los tratamientos cuando se observan rizosferas; esta relación no se observó con tanta claridad en las raíces. Esta diferencia entre los microbiomas de los dos comportamientos sugiere que los cambios más marcados en los microorganismos de la rizosfera podrían tener mayor influencia sobre el metaboloma de la planta que sobre el de la raíz. La inoculación con microorganismos de diferentes suelos generó cambios marcados en la abundancia de OTUs en la raíz, evidenciados por valores elevados de log₂ fold change que alcanzaron magnitudes de 10 a 12. Este enriquecimiento fue consistente en múltiples tratamientos e incluyó taxones como Zavarzinella caldifontis (BactOTU116), Herbaspirillum gulosum (BactOTU220), Streptomyces stelliscabiei (BactOTU59) y Actinomadura philippinensis (BactOTU114), los cuales mostraron incrementos significativos en su abundancia relativa. En particular, Herbaspirillum gulosum (BactOTU220) presentó valores de log₂FC de 10.8 en Armando y 13.4 en Cauca, mientras que Streptomyces stelliscabiei (BactOTU59) mostró incrementos de 12.1 en Armando y 12.2 en Dulce Hogar. Otros taxones como Inquilinus tertiaricarbonis (BactOTU305) incrementaron en Armando 8.4, Cauca 8.9 y Ohtaekwangia koreensis (BactOTU113) también incrementó en Armando 7.5 y Cauca 5.0. Este patrón indica que ciertos microorganismos presentan una alta capacidad de colonización del nicho radicular independientemente del origen del microbioma. Estos resultados sugieren que la introducción de microorganismos del suelo no solo modifica la composición de la comunidad, sino que también favorece el establecimiento y la proliferación de microorganismos capaces de adaptarse al ambiente radicular. Este comportamiento es consistente con el concepto de ensamblaje selectivo del microbioma vegetal, en el cual la raíz actúa como un filtro biológico que favorece microorganismos con capacidad para utilizar exudados y competir eficazmente por recursos (Bulgarelli et al., 2013; Berendsen et al., 2012). Los altos valores de log₂ fold change observados reflejan procesos de colonización exitosos, en los que ciertos taxones logran expandirse rápidamente en la comunidad microbiana.
La composición funcional del microbioma evidenció la coexistencia de microorganismos con roles contrastantes. Se identificaron géneros asociados a la promoción del crecimiento y al biocontrol, como Streptomyces, Pseudomonas y Trichoderma, junto con taxones potencialmente fitopatógenos, como Fusarium, Alternaria, Pythium y Corynespora, particularmente en el tratamiento Cauca. Este patrón indica que la inoculación introduce consorcios microbianos complejos, en los que coexisten organismos con funciones potencialmente benéficas y perjudiciales. La estructura final del microbioma radicular parece depender del equilibrio entre estos grupos y de las interacciones competitivas que se establecen entre ellos, como se ha descrito en los microbiomas de la rizósfera (Mendes et al., 2011; Compant et al., 2005).
Un resultado relevante fue la disminución de la abundancia relativa de Burkholderia gladioli (BactOTU3), que presentó un log₂FC negativo (−8.8) en el tratamiento Armando en raíz, lo que indica una menor abundancia en comparación con el control. Este comportamiento sugiere que la introducción de comunidades microbianas más diversas puede generar procesos de exclusión
competitiva que limitan la dominancia de ciertos taxones. Considerando que las especies del género Burkholderia pueden presentar comportamientos tanto benéficos como patogénicos, su reducción en presencia de microbiomas complejos podría reflejar una reorganización de la comunidad hacia estados menos dominados por un solo microorganismo y más estructurados por interacciones microbianas. Este hallazgo es coherente con lo observado en otra investigación, en la que Burkholderia gladioli KRS027 mostró una amplia actividad antifúngica y una alta capacidad para inducir resistencia en plantas. Las especies de este género pueden generar interacciones competitivas que desencadenan cambios en la comunidad microbiana (Lee et al. 2023). Por otro lado, en el tratamiento Cauca introdujo Basidiomycota en la endosfera, ya que normalmente este grupo de hongos es el segundo más común en el microbioma de las plantas, y muchos de ellos forman simbiosis con la planta, como la micorriza (Hibbet et al., 2000). La falta de una clase normal de hongos en la raíz podría tener impactos sobre la fisiología y metaboloma de la planta, similar a lo que se ha visto cuando albaca crece sin micorrizas (Thokchom et al., 2023). Los Chrytiomycota frecuentemente son patógenos de raíz, y fueron el segundo phylum más común de hongos en la endosfera de raíces de albaca. Si las raíces de estas plantas estaban fuertemente colonizadas por patógenos, es fácil imaginar que estaban estresadas y produciendo metabolitos de defensa, similares a la lechuga acumulando letucenin A en raíces y hojas cuando sus raíces son infectadas por Rhizoctonia solani y Olpidium virulentus (Windisch et al.,2021). El tratamiento Villa Laura mostró una menor diferenciación en la composición del microbioma en comparación con los otros tratamientos, con cambios poco pronunciados en la abundancia de OTUs y ausencia de valores extremos de log₂ fold change. Esto sugiere una menor capacidad de los microorganismos introducidos para establecerse en la raíz. Este comportamiento podría estar asociado a una comunidad microbiana con menor actividad o funcionalidad, lo que limitaría su capacidad de colonización y daría lugar a un microbioma más similar al del control (Berendsen et al.,
2012).
10.1.2 Cambios en el metaboloma foliar de albahaca inducidos por la inoculación
con microorganismos de diferentes suelos
El análisis metabolómico no dirigido evidenció que la colonización diferencial por microorganismos procedentes de suelos contrastantes induce una reconfiguración detectable del perfil químico foliar de Ocimum basilicum. Los modelos PLS-DA mostraron una capacidad discriminatoria elevada (R² entre 0.78 y 0.88), lo que indica que la identidad del microorganismo edáfico explica una proporción sustancial de la variación metabolómica observada. No obstante, la heterogeneidad en los valores de Q² revela que la robustez predictiva del modelo varía entre los tratamientos, lo que sugiere que no todos los consorcios microbianos inducen cambios igualmente consistentes o reproducibles. Este resultado evidencia que el perfil metabólico de la albahaca genera respuestas a diferentes condiciones ambientales, respuestas que pueden identificarse a través de análisis de metabolómica (Vickery et al. 2025).
La discrepancia entre el ajuste explicativo (R²) y la capacidad predictiva (Q²) es común en estudios metabolómicos con alta dimensionalidad y tamaños muestrales reducidos (Westerhuis et al., 2008). Biológicamente, puede interpretarse como evidencia de que ciertos microorganismos — particularmente el derivado de Cauca— generan una respuesta metabólica más sistemática en la planta, mientras que otros inducen cambios más focalizados o variables. Algunas respuestas metabólicas pueden ser insensibles a la identidad taxonómica específica del microorganismo, como el SAR, que se desencadena ante la detección de cualquier patrón molecular asociado a los
microorganismos (MAMPs) (Bulgarelli et al., 2013; Pieterse et al., 2014). Otras respuestas metabólicas pueden ser muy específicas, como la producción de metabolitos fenólicos en las hojas cuando la planta de tomate detecta la colonización de sus raíces por el patógeno Pythium oligandrum (Benhamou et al., 2012). Una respuesta sistémica de rutas biosintéticas puede resultar de la colonización rizosférica o endofítica por microorganismos que inducen la expresión de genes de defensa asociados a rutas de fenilpropanoides, terpenoides y metabolitos especializados, incluso en tejidos distantes, como las hojas (Pang et al., 2021; Trivedi et al., 2020). En plantas aromáticas, estas rutas son particularmente relevantes, ya que determinan la acumulación de compuestos volátiles y fenólicos responsables del aroma y del valor comercial. La marcada diferencia cuantitativa en el número de metabolitos diferenciales entre los tratamientos refuerza esta interpretación. El microbioma de Cauca indujo 61 metabolitos diferenciales, mientras que Dulce Hogar, Armando y Villa Laura generaron respuestas más acotadas (19, 16 y 16, respectivamente). Esta asimetría sugiere que el impacto del microbioma sobre el metabolismo vegetal no depende únicamente de la presencia de microorganismos, sino también de su identidad funcional y de la naturaleza de las interacciones planta–microorganismo establecidas. Existen estudios que muestran que los metabolitos secundarios vegetales pueden participar en la modulación del microbioma de las raíces de las plantas. Esto puede causar una ampliación o restricción en la diversificación metabólica del hospedero (Marks et al. 2025). Un aspecto particularmente relevante fue la consistencia en la respuesta de ciertos metabolitos entre tratamientos, aunque con direcciones opuestas. Compuestos como Floribundine (Met494), Theophylline (Met850) y 3-Methylsalicylaldehyde (Met1112) disminuyeron en los tratamientos Cauca y Armando, mientras que aumentaron en los tratamientos Dulce Hogar y Villa Laura. Este patrón sugiere que diferentes microorganismos pueden modular de manera diferencial las mismas rutas metabólicas en la planta. Este tipo de respuesta ha sido descrito en sistemas planta– microorganismo, donde comunidades microbianas distintas pueden inducir efectos funcionalmente equivalentes o contrastantes sobre el metabolismo vegetal, dependiendo de su composición y de las interacciones que establecen con el hospedero (Pieterse et al., 2014; Trivedi et al., 2020). Los metabolitos diferencialmente expresados correspondieron principalmente a compuestos del metabolismo secundario, incluidos fenoles, flavonoides, alcaloides y cumarinas. Estas clases de compuestos están ampliamente asociadas a mecanismos de defensa, señalización y adaptación frente a estímulos bióticos, lo que sugiere que la inoculación con microorganismos del suelo desencadena respuestas fisiológicas activas en la planta. La modulación de estas rutas ha sido reportada en estudios en los que microorganismos de la rizósfera inducen la activación sistémica de metabolitos secundarios, particularmente aquellos derivados de la vía de los fenilpropanoides y de los compuestos fenólicos (Pang et al., 2021; Badri et al., 2013). En este contexto, los cambios observados en el metaboloma de la albahaca reflejan una respuesta funcional del hospedero frente a la colonización microbiana, más allá de una simple variación pasiva en su composición química. El tratamiento Cauca también presentó la mayor magnitud de cambios metabolómicos, caracterizados principalmente por una disminución de compuestos fenólicos y flavonoides, como Benzaldehyde (Met1023, Met1118) y derivados fenólicos (Met138, Met72). Este patrón podría estar asociado a interacciones microbianas que afectan la síntesis, la degradación o la redistribución de metabolitos secundarios en la planta. Además, en el tratamiento Cauca se detectó la presencia de miembros del phylum Basidiomycota, que no fueron predominantes en los demás tratamientos. Aunque no es posible asignar una función específica a estos taxones, estudios previos han demostrado que algunos representantes de este grupo pueden participar en interacciones planta– microorganismo que influyen en la adquisición de nutrientes y en la modulación del metabolismo vegetal (van der Heijden et al., 2015; Smith & Read, 2008). La idea de que Cauca aportó hongos
benéficos a la raíz de albaca resulta sorprendente, porque actualmente ese suelo se incluyó por ser fuente de la enfermedad cuero de sapo de yuca (Ospina et al., 2024).
10.1.3 Asociaciones entre comunidades microbianas y perfiles metabolómicos
La integración de los perfiles taxonómicos microbianos (16S rRNA e ITS) con el metaboloma foliar de Ocimum basilicum permitió identificar asociaciones microorganismo–metabolito estadísticamente significativas, evaluadas mediante correlaciones de Spearman a nivel de muestra individual. Aunque la proporción de correlaciones detectadas fue baja en relación con el número total de combinaciones posibles, la estructura resultante evidenció patrones organizados y no aleatorios, con agrupamientos definidos tanto por compartimento (rizosfera vs. raíz) como por la dirección de la correlación. Este comportamiento indica que la regulación del metabolismo vegetal no responde a microorganismos individuales de manera aislada, sino a redes funcionales complejas donde múltiples taxones covarían con conjuntos específicos de metabolitos (Trivedi et al., 2020). Es importante considerar que las anotaciones químicas corresponden a identificaciones putativas basadas en la masa exacta (MS1), sin confirmación estructural mediante MS/MS, lo que limita la interpretación a nivel de clases químicas (MSI niveles 2–3; Sumner et al., 2007). En este marco, los patrones observados permiten inferir tendencias funcionales más que asociaciones moleculares específicas.
El análisis reveló dos bloques principales de asociación, caracterizados por correlaciones positivas y negativas entre subconjuntos de OTUs y metabolitos. Por ejemplo, en la rizosfera, Pseudomonas delhiensis (Rizo-BactOTU33) mostró correlaciones negativas con flavonoides glicosilados como Met725 (ρ < 0) y positivas con compuestos lipídicos como Met1216 (ácido linolénico y éster etílico), lo que sugiere una modulación diferencial de rutas metabólicas. De manera similar, Dyadobacter soli (Rizo-BactOTU335) presentó correlaciones negativas con metabolitos no identificados (Met569, Met782) y positivas con alcaloides como Met1202 (Valerianina), lo que evidencia que distintos microorganismos pueden inducir o suprimir rutas metabólicas específicas. Este patrón es consistente con mecanismos conocidos de interacción planta–microorganismo, incluyendo la competencia por precursores, la producción de metabolitos microbianos y la activación diferencial de respuestas de defensa (Pieterse et al., 2014).
Un número considerable de asociaciones involucró metabolitos compatibles con flavonoides, fenilpropanoides y otros compuestos derivados de la vía del ácido shikímico, una ruta central en defensa vegetal, anti-oxidación y señalización. Las correlaciones negativas observadas entre OTUs rizosféricas y flavonoides sugieren una posible regulación inversa entre la abundancia microbiana y la acumulación de compuestos fenólicos foliares. Este fenómeno puede explicarse mediante mecanismos no mutuamente excluyentes, como la supresión de rutas de defensa basal, la redistribución del flujo metabólico o la degradación microbiana de compuestos fenólicos. Estudios en Arabidopsis thaliana han demostrado que los flavonoides pueden modular el ensamblaje microbiano de la rizosfera, lo que evidencia una relación bidireccional entre el metabolismo vegetal y el microbioma (Stringlis et al., 2018).
Adicionalmente, se identificaron asociaciones con metabolitos compatibles con derivados de ácidos grasos poliinsaturados, incluidos compuestos relacionados con el ácido linolénico, precursor de la vía del jasmonato. La correlación positiva entre OTUs como Rubrivivax gelatinosus (Rizo- BactOTU487) y Met1216 sugiere una posible activación de rutas hormonales asociadas a la defensa inducida, particularmente resistencia sistémica inducida (ISR), un mecanismo ampliamente documentado en interacciones con rizobacterias (Pieterse et al., 2014). Asimismo, las correlaciones
con metabolitos nitrogenados sugieren una posible influencia del microbioma sobre el balance carbono/nitrógeno y la asignación de recursos metabólicos (Hardoim et al., 2008; Johnston-Monje et al., 2021).
Las comunidades fúngicas también mostraron asociaciones relevantes. OTUs como Pichia eremophila (Raíz-FungiOTU11) y Fusarium suttonianum (Raíz-FungiOTU64) presentaron correlaciones tanto positivas como negativas con múltiples metabolitos, incluidos Met754 (viniltolueno) y Met1056 (14-O-acetylinsulicolide A), lo que indica que los hongos contribuyen activamente a la modulación del metaboloma vegetal, en concordancia con su papel en la regulación de metabolitos secundarios (van der Heijden et al., 2015).
Con el fin de evaluar si la organización global de las comunidades microbianas rizosféricas se refleja en la estructura del metaboloma foliar, se realizó un análisis comparativo mediante tanglegram, integrando las abundancias relativas de OTUs bacterianas y fúngicas de la rizosfera (distancia de Bray–Curtis) con los metabolitos diferencialmente expresados normalizados por suma. El patrón más importante observado en este tanglegram fue que los microorganismos de rizosferas y de metabolomas de hojas de los controles y de plantas inoculadas con Villa-Laura formaron ramas profundas y separadas del resto de los tratamientos. Esto es uno de los resultados más importantes del estudio, que demuestra que la presencia de microorganismos en el suelo puede alterar el metaboloma de la planta, aunque el efecto no fue específico, ya que los metabolomas de Cauca, Dulce-Hogar y Armando no se pudieron distinguir entre sí. En albacora y tomate, la inoculación con suelo Villa Laura resultó en metabolomas similares a los controles (inoculados con agua estéril), lo que sugiere que este suelo estaba casi estéril al momento de la inoculación. Villa-Laura fue un suelo recolectado dos años antes del inicio del experimento, que se había mantenido a temperatura ambiente dentro de bolsas de plástico, lo cual quizás tuvo un efecto de pasteurización similar al de la solarización del suelo (Stapleton 2000).
La inoculación con los suelos resultó en una buena agrupación de los microorganismos de la rizosfera tratados con Dulce-Hogar y Cauca, pero los metabolomas de estas plantas no se pudieron distinguir estadísticamente entre sí ni de los de Armando. Este patrón puede explicarse mediante dos escenarios no mutuamente excluyentes. En primer lugar, diferentes comunidades microbianas podrían desempeñar funciones ecológicas equivalentes, un fenómeno conocido como redundancia funcional, ampliamente documentado en los microorganismos del suelo (Bahram et al., 2018). Bajo este modelo, microorganismos taxonómicamente distintos pueden inducir respuestas metabólicas similares en la planta, aun en ausencia de taxones compartidos. En segundo lugar, la respuesta metabólica observada podría estar asociada a mecanismos generales de percepción microbiana en la planta, como la inmunidad inducida por patrones moleculares (pattern-triggered immunity, PTI). Este tipo de respuesta no es altamente específica, ya que puede ser activada por moléculas conservadas (PAMPs) presentes en una amplia diversidad de microorganismos del suelo (Hudson et al., 2024). Como resultado, diferentes microorganismos pueden generar respuestas metabólicas convergentes en la planta, incluso cuando difieren en su composición taxonómica.
10.2 Tomate (Solanum lycopersicum)
10.2.1 Cambios inducidos por inoculación en los microorganismos de rizosferas
y raíces
El análisis del microbioma de las raíces de tomate reveló un efecto general de la inoculación con suelo, con los microorganismos de las raíces de control diferentes a los de los demás. El análisis multivariado basado en la abundancia relativa de OTUs bacterianas (16S) y fúngicas (ITS), integradas en un mismo PCA, mostró una separación evidente entre las raíces control y los tratamientos edáficos. Otra vez, las muestras inoculadas por Villa-Laura fueron las más cercanas a los controles. El resto de las muestras de raíces y rizosferas mostró solapamiento entre sí, lo que sugiere que estos suelos introdujeron comunidades microbianas con efectos parcialmente convergentes sobre la estructura del microbioma. Este solapamiento, indica que distintos suelos pueden generar cambios similares en la estructura microbiana y no necesariamente tienen que ser idénticos. Esto puede interpretarse como una selección compartida de microorganismos adaptados a las nuevas condiciones edáficas y a la interacción con la raíz, más que como una colonización específica de cada tratamiento evaluado. El microbioma del suelo actúa como un modulador importante del microbiota vegetal, pero se ha evidenciado que su impacto depende de la composición del inóculo y de la capacidad de la raíz para filtrar y estabilizar las comunidades asociadas (Naumova et al. 2022).
En contraste con lo observado en la albahaca, se evidenció un agrupamiento más definido de las muestras de raíz de tomate por tratamiento, en particular en comparación con la rizosfera, donde las comunidades microbianas presentaron una mayor mezcla entre tratamientos. Esta diferencia sugiere que la raíz actúa como un filtro selectivo más potente que la rizosfera, favoreciendo el establecimiento de subconjuntos específicos de microorganismos capaces de colonizar el tejido vegetal. Un factor relevante que puede contribuir a explicar estas diferencias entre sistemas es la condición de cultivo. Las plantas de tomate se desarrollaron en recipientes abiertos, expuestas a fuentes externas de microorganismos, como polvo, insectos y aerosoles ambientales, mientras que la albahaca se cultivó en sistemas cerrados. Este tipo de inmigración microbiana ambiental ha sido ampliamente documentado como un determinante importante del ensamblaje de microbiomas asociados a plantas (Vorholt, 2012; Bulgarelli et al., 2013). En este contexto, la estructura del microbioma observada en tomate no solo refleja el efecto de la inoculación con suelos, sino también la contribución de microorganismos ambientales que pudieron colonizar la rizosfera y la raíz. La inoculación con microorganismos de suelos contrastantes indujo cambios profundos en la estructura de las comunidades microbianas asociadas a la raíz y la rizosfera de tomate, evidenciados por la alta magnitud de los valores de log₂ fold change observados en múltiples OTUs. En particular, en la raíz se detectaron incrementos extremos en la abundancia relativa de taxones específicos, como Haliangium gulosus (BactOTU220), que alcanzó valores de log₂FC de 10.8 en Armando y 13.4 en Cauca, así como Steroidobacter agariperforans (BactOTU154) en Cauca (log₂FC ≈ 12.4) y Streptomyces stelliscabiei (BactOTU59), con valores superiores a 12 en Dulce Hogar y Armando. Este patrón indica una colonización altamente exitosa y una expansión masiva de ciertos microorganismos introducidos a través del suelo, lo cual es consistente con procesos de establecimiento competitivo en la raíz, donde la planta actúa como un filtro selectivo que favorece taxones con ventajas ecológicas específicas (Bulgarelli et al., 2013). La mayor magnitud de los cambios observados en la raíz, en comparación con la rizosfera, refuerza la idea de que este compartimento constituye un nicho altamente selectivo. Mientras que en la rizosfera se observaron incrementos más moderados, como los de Aquincola aerophilus (BactOTU300) y Luteimonas nigricans (BactOTU150) en Cauca, o de Thermomonas diaoshuihuensis (BactOTU4) en Dulce Hogar, en la raíz los cambios fueron más drásticos, lo que sugiere que solo un subconjunto de microorganismos logra establecerse exitosamente en una asociación más íntima con la planta. Este patrón ha sido ampliamente descrito en estudios sobre el microbioma vegetal, en los que la raíz selecciona activamente microorganismos mediante exudados y condiciones fisicoquímicas específicas (Bulgarelli et al., 2013; Trivedi et al., 2020).
Un aspecto relevante fue la recurrencia de ciertos taxones en múltiples tratamientos. OTUs como Haliangium gulosus (BactOTU220), Ishiwatariella tertiaricarbonis (BactOTU305) y Streptomyces stelliscabiei (BactOTU59) mostraron incrementos significativos en más de un tratamiento, lo que sugiere que estos microorganismos poseen rasgos funcionales que les permiten colonizar eficientemente la raíz de tomate independientemente del origen del suelo. Este patrón es consistente con la presencia de microorganismos con estrategias ecológicas generalistas o con alta capacidad de adaptación a nichos radiculares, lo cual ha sido reportado en géneros como Streptomyces y Rhizobium, conocidos por su capacidad de colonización y de producción de metabolitos bioactivos (Berendsen et al., 2012).
En contraste, algunas OTUs mostraron una disminución consistente de su abundancia relativa tras la inoculación. Destaca el caso de Burkholderia gladioli (BactOTU3), que presentó valores de log₂FC negativos, en particular en el tratamiento Armando. Este resultado sugiere la ocurrencia de procesos de exclusión competitiva, en los que los microorganismos introducidos en los suelos desplazan a taxones previamente establecidos. Burkholderia gladioli ha sido reportada como un microorganismo de comportamiento variable, que incluye asociaciones endofíticas y fitopatogénicas, por lo que su reducción podría reflejar una reorganización del microbioma hacia comunidades más competitivas o funcionalmente estables. La consistencia de este patrón con lo observado en la albahaca sugiere que este proceso responde a principios ecológicos generales del ensamblaje microbiano, más que a interacciones específicas dependientes del hospedero. Este hallazgo contrasta con estudios de inoculación de Solanum lycopersicum, en los que se han descrito consorcios bacterianos que pueden favorecer el desempeño del cultivo y que no necesariamente provocan un desplazamiento de la microbiota nativo (Silva et al. 2025).
La composición funcional de las comunidades también evidenció la coexistencia de microorganismos con potencial benéfico y fitopatogénico. En Dulce Hogar, por ejemplo, se observaron incrementos en Paraburkholderia oxydans (BactOTU182) y Streptomyces hygroscopicus (BactOTU552), ambos asociados a promoción de crecimiento vegetal y producción de compuestos antimicrobianos, mientras que en Cauca se detectó la presencia de Corynespora cassiicola (FungiOTU34), un patógeno conocido de tejidos foliares. Asimismo, se identificaron hongos potencialmente beneficiosos como Trichoderma (FungiOTU62), Purpureocillium (FungiOTU40) y Chaetomium (FungiOTU333), cuya presencia en los tratamientos inoculados sugiere que la introducción de microorganismos del suelo no solo incrementa la diversidad, sino que también incorpora organismos con funciones ecológicas contrastantes. La presencia de Paraburkholderia oxydans y de hongos antagonistas como Trichoderma sugiere la coexistencia de microorganismos con potencial promotor del crecimiento y de biocontrol (Guzmán et al. 2025). En contraste, Corynespora cassiicola evidencia la coexistencia de funciones ecológicas opuestas en el microbioma analizado (Li et al. 2021). En la comunidad fúngica, OTUs como Pichia eremophila (FungiOTU11) y Coniothyrium sidae (FungiOTU20) se enriquecieron en tratamientos específicos como Armando y Cauca, mientras que otros taxones como Rhizophydiaceae (FungiOTU2) y Spizellomyces punctatus (FungiOTU36) se asociaron a Cauca y Villa Laura. Estos resultados indican que la inoculación con suelos introduce una diversidad funcional de hongos, cuya capacidad de colonización puede depender tanto de las condiciones del suelo como de la compatibilidad con el hospedero (Zelaya et al. 2021). El análisis de diversidad mostró que los tratamientos Dulce Hogar (H’ = 3.9 en raíz; 3.8 en rizosfera) y Cauca (H’ = 3.6 en raíz; 4.1 en rizosfera) promovieron comunidades más diversas que el control (H’ = 2.5 en raíz; 3.6 en rizosfera). Este incremento en la diversidad estuvo acompañado de una distribución más equitativa de abundancias relativas, en contraste con el control, en el que unas pocas OTUs dominaron la comunidad. Este patrón sugiere que la inoculación con microorganismos de suelo no solo introduce nuevos taxones, sino que también reestructura la comunidad microbiana, promoviendo una mayor equidad y complejidad ecológica. En términos ecológicos, estos resultados
respaldan el concepto de “terruño microbiano” aplicado a sistemas hortícolas, según el cual suelos con historias agrícolas distintas generan ensamblajes microbianos diferenciables en plantas cultivadas (Zarraonaindia et al., 2015; Toju et al., 2018). Sin embargo, a diferencia de sistemas fermentativos o frutales, donde el microbiota puede influir directamente en la química del órgano cosechado, en el tomate la modificación estructural del microbioma no necesariamente implica una alteración funcional proporcional en el fruto, como se discute en la sección siguiente.
10.2.2 Cambios en el metaboloma de frutos de tomates inducidos por la
inoculación con microorganismos de diferentes suelos
El análisis metabolómico de frutos de tomate evidenció que la influencia de los microorganismos edáficos sobre el perfil químico del fruto es limitada y altamente dependiente del tratamiento aplicado. Aunque los modelos PLS-DA mostraron cierta separación entre los tratamientos y el control, la baja capacidad predictiva en la mayoría de los casos indica que estas diferencias no son consistentes y que solo el tratamiento Dulce Hogar genera una respuesta metabolómica más robusta. Este patrón sugiere que la modulación del metaboloma no es un efecto general de la inoculación, sino que depende de propiedades funcionales específicas de cada microorganismo. La marcada diferencia en el número de metabolitos diferencialmente expresados entre los tratamientos refuerza esta interpretación. Mientras que Dulce Hogar indujo cambios en múltiples compuestos, Cauca y Armando mostraron respuestas muy limitadas y en Villa Laura no se detectaron cambios significativos. Este comportamiento indica que la mayoría de los microbiomas evaluados no generan una reprogramación metabólica detectable en el fruto, aunque sí inducen cambios importantes en la estructura del microbioma radicular. Esto se correlaciona con investigaciones que indican que la modulación del metaboloma de Solanum lycopersicum depende de la identidad funcional del inóculo; además, pueden presentarse respuestas metabólicas limitadas o poco consistentes entre los tratamientos evaluados en una investigación (Sudiro et al. 2022).
Los metabolitos afectados pertenecen principalmente a clases asociadas al metabolismo secundario y al metabolismo lipídico, incluyendo glucósidos fenólicos, saponinas, alcaloides y lípidos de membrana. En el caso de Dulce Hogar, predominó la disminución de estos compuestos, lo que sugiere una reconfiguración del metabolismo más que una activación generalizada de rutas biosintéticas. Este tipo de respuesta ha sido descrito en interacciones planta–microorganismo, donde la presencia de microorganismos benéficos puede modular la inversión en metabolitos de defensa, reduciendo la acumulación de compuestos secundarios constitutivos (Pieterse et al., 2014; Pang et al., 2021).
La respuesta limitada observada en tomate contrasta con lo reportado en otros estudios, en los que el metaboloma del fruto es altamente sensible a factores ambientales como la nutrición, el estrés o las condiciones de cultivo (Tikunov et al., 2005; Carreno-Quintero et al., 2012). Esta diferencia sugiere que, en las condiciones evaluadas, el microbioma del suelo no constituye un factor dominante en la determinación del perfil químico del fruto, o que su efecto se ve amortiguado por otros procesos fisiológicos. Una posible explicación radica en la naturaleza del tejido analizado. El fruto es un órgano altamente regulado, cuyo metabolismo está fuertemente controlado por programas de desarrollo y maduración, lo que puede limitar la influencia de las señales externas del microbioma (Klee & Giovannoni, 2011). Esta regulación podría restringir la magnitud de los cambios metabolómicos inducidos por los microorganismos asociados a la raíz.
Adicionalmente, las condiciones de cultivo en sistemas abiertos pueden haber contribuido a una mayor variabilidad del microbioma, debido a la incorporación de microorganismos ambientales. Este componente estocástico podría diluir los efectos específicos de los tratamientos y reducir su impacto
sobre el metaboloma (Vorholt, 2012). En conjunto, estos resultados sugieren que la relación entre microbioma y metaboloma en frutos de tomate es más débil y dependiente del contexto que en otros sistemas, y que la modulación metabólica requiere condiciones específicas o microbiomas con alta capacidad funcional.
10.3.3 Asociaciones entre comunidades microbianas y perfiles metabolómicos
De manera consistente con lo observado en albahaca, el sistema de tomate evidenció una correspondencia entre la estructura del microbioma y el perfil metabolómico, particularmente en el compartimento radicular. El análisis mediante tanglegram mostró que las comunidades microbianas de la raíz se agrupan de manera diferenciada entre los controles e inoculados, y que esta organización se refleja en la estructura global del metaboloma del fruto. Este patrón sugiere que, al igual que en albahaca, existe una conexión funcional entre microbioma y metaboloma; sin embargo, en tomate esta relación se manifiesta de forma más restringida y dependiente del contexto. Este resultado coincide con una investigación en la que el microbioma rizosférico del tomate induce cambios sistémicos en la exudación y el metabolismo radicales; se encontró que la respuesta fue más evidente en los exudados que en el perfil global del fruto. Se puede sugerir que la estructura del microbioma y el perfil metabolómico pueden estar condicionados por el tejido analizado y el estado de inoculación (Fu et al. 2021).
A diferencia de la albahaca, en la que la rizosfera mostró una fuerte correspondencia con el metaboloma foliar, en el tomate esta relación fue evidente únicamente en la raíz, mientras que la rizosfera no presentó una estructura clara ni una correspondencia consistente con el metaboloma del fruto. Esta diferencia indica que la proximidad funcional al hospedero es determinante para la capacidad del microbioma de influir en procesos metabólicos sistémicos, siendo la raíz un compartimento más estrechamente integrado con la fisiología de la planta (Bulgarelli et al., 2013; Trivedi et al., 2020; Johnston-Monje et al., 2017). A pesar de esta correspondencia estructural, la magnitud del efecto sobre el metaboloma fue limitada, lo cual concuerda con el bajo número de metabolitos diferencialmente expresados y con la escasa cantidad de correlaciones significativas detectadas. En este sentido, las asociaciones identificadas; como la correlación negativa entre Actinomadura philippinensis (Raiz-BactOTU114) y Met552, o la positiva entre Burkholderia gladioli (Raiz-BactOTU3) y Met459, reflejan interacciones específicas entre microorganismos individuales y metabolitos particulares, más que una reprogramación global del metabolismo del fruto. Este tipo de relaciones puntuales ha sido descrito en estudios en los que el microbioma modula rutas metabólicas específicas sin alterar ampliamente el perfil metabolómico (Pang et al., 2021). La limitada traducción de los cambios microbianos en respuestas metabolómicas puede explicarse por la naturaleza del fruto como órgano altamente regulado. A diferencia de tejidos como hojas o raíces, el metabolismo del fruto está controlado por programas de desarrollo y maduración que integran señales hormonales y metabólicas complejas, lo que puede amortiguar la influencia de señales externas derivadas del microbioma (Klee & Giovannoni, 2011; Carrari & Fernie, 2006). Este control intrínseco podría explicar por qué, a pesar de observarse cambios marcados en la estructura del microbioma radicular, el metaboloma del fruto presenta una respuesta más limitada. El comportamiento del tratamiento en Villa Laura refuerza esta interpretación. En este caso, tanto el microbioma como el metaboloma mostraron una alta similitud con el control, un patrón que también se observó en la albahaca. Esta consistencia sugiere una baja capacidad funcional de este microbioma para interactuar con la planta, posiblemente asociada a una menor actividad microbiana
derivada de las condiciones de almacenamiento del suelo (Stapleton, 2000), más que a la ausencia total de microorganismos.
Por otra parte, la falta de una diferenciación clara entre los metabolomas de los tratamientos Dulce Hogar, Cauca y Armando, a pesar de presentar microbiomas distintos, sugiere que distintas comunidades microbianas pueden inducir respuestas metabólicas similares en la planta. Este fenómeno puede explicarse mediante redundancia funcional, en la que microorganismos taxonómicamente distintos desempeñan funciones ecológicas equivalentes (Bahram et al., 2018), o mediante la activación de respuestas generales del sistema inmune vegetal, como la inmunidad inducida por patrones moleculares (PTI), que no es altamente específica debido a la amplia distribución de PAMPs en los microorganismos del suelo (Hudson et al., 2024).
10.3 Café (Coffea arabica)
10.3.1 Cambios inducidos por inoculación en los microorganismos durante la
fermentación
El análisis de los microorganismos durante la fermentación de semillas de café evidenció que la estructura de las comunidades microbianas está fuertemente determinada por el tipo de tratamiento, en particular por el método Honey, que se distingue de los controles y del resto de las condiciones evaluadas. La clara separación observada en el análisis multivariado, junto con el alto valor explicativo del modelo (PERMANOVA R² = 0.91), indica que el ambiente de fermentación y las condiciones iniciales del sustrato son factores determinantes del ensamblaje microbiano. Sin embargo, más allá de estas diferencias estructurales, los resultados muestran que la mayoría de las inoculaciones no generaron comunidades radicalmente distintas entre sí, lo que sugiere la existencia de mecanismos de selección que limitan el impacto de los inóculos externos. Estos hallazgos coindicen con una investigación donde se encontró que en la fermentación del café el sustrato y el contexto del proceso ejercen un factor de selección en bacterias y levaduras, como resultado se obtienen comunidades relativamente estables (Korenblum et al. 2020). Un resultado central del presente estudio es la identificación de un conjunto de OTUs bacterianas dominantes presentes en todos los tratamientos, entre ellas Acetobacter orientalis (BactOTU5), Gluconobacter frateurii (BactOTU23), Leuconostoc pseudomesenteroides (BactOTU9) y Lactococcus lactis (BactOTU685). La persistencia de estos microorganismos, independientemente del tratamiento, sugiere la existencia de un microbioma central asociado a las semillas de café, capaz de resistir tanto los procesos de esterilización iniciales como las distintas condiciones de inoculación. Este tipo de microorganismos ha sido ampliamente descrito en fermentaciones espontáneas, donde se adaptan al sustrato y a las condiciones fisicoquímicas y dominan el proceso independientemente de perturbaciones externas (De Vuyst & Leroy, 2007; Pereira et al., 2020). La dominancia de bacterias ácido-acéticas como Acetobacter y Gluconobacter es consistente con su capacidad de crecer en ambientes ricos en azúcares y de tolerar condiciones de estrés, como cambios de pH y la acumulación de metabolitos, características típicas de la fermentación de café (De Bruyn et al., 2017). Asimismo, la presencia de bacterias ácido-lácticas como Leuconostoc y Lactococcus refleja procesos fermentativos complementarios, en los que la producción de ácidos orgánicos contribuye a la acidificación del medio y a la dinámica de sucesión del microbioma. En contraste, existen sistemas donde la inoculación de cepas exógenas no altera el microbioma, la
capacidad del nicho fermentativo puede seleccionar solo a los microorganismos mejor adaptados, lo que limita la singularidad de los inóculos (Mena et al. 2025).
A pesar de la inoculación dirigida, las cepas introducidas no lograron dominar las comunidades microbianas. En el caso del tratamiento con Burkholderia, aunque se observó un incremento en OTUs asociadas a este género (por ejemplo, BactOTU3, BactOTU4, BactOTU22), estas no superaron en abundancia a los miembros del microbioma núcleo. De manera similar, Yarrowia lipolytica (FungiOTU3) mostró un aumento de su abundancia relativa en el tratamiento correspondiente (log₂FC ≈ 6.63), pero no desplazó a Pichia eremophila (FungiOTU11), que dominó la comunidad fúngica en todos los tratamientos. Este patrón sugiere que la colonización exitosa en este sistema no depende únicamente de la introducción de microorganismos, sino también de su capacidad para competir y adaptarse a las condiciones específicas de la fermentación. Este resultado es de gran importancia porque sugiere que el sistema ejerce un filtrado ecológico intenso para favorecer a los microorganismos más adaptados al ambiente de fermentación. Por ello, la colonización exitosa parece depender menos de la inoculación y más de la capacidad competitiva y la afinidad metabólica de cada microorganismo, resultado que se ha descrito en otros sistemas fermentativos donde el ambiente tiene influencia en la presencia de un microorganismo u otro (De Bruyn et al. 2017).
La fuerte dominancia de Pichia eremophila en la comunidad fúngica, con abundancias superiores al 70–95% en la mayoría de los tratamientos, indica un proceso de exclusión competitiva en el que un único taxón altamente adaptado monopoliza el nicho ecológico. En contraste, el tratamiento Santuario presentó una mayor diversidad fúngica, con la presencia de OTUs subdominantes como Hanseniaspora clermontiae (FungiOTU55) y Yarrowia lipolytica (FungiOTU3), lo que sugiere que ciertas condiciones pueden favorecer una mayor equidad en la comunidad. Este tipo de dinámica ha sido descrito en fermentaciones en las que pequeñas variaciones en las condiciones iniciales pueden alterar la sucesión microbiana y la diversidad final (Wolfe & Dutton, 2015). El tratamiento Honey presentó un comportamiento claramente diferenciado respecto del resto de las condiciones, lo cual puede explicarse por las particularidades de este método de procesamiento. A diferencia de las fermentaciones húmedas, en las que las semillas se sumergen en agua y se favorece la actividad de microorganismos anaerobios o facultativos, el método Honey consiste en secar las semillas con el mucílago residual adherido, sin una fase de fermentación acuosa. Esta diferencia genera un ambiente con menor disponibilidad de agua, mayor exposición al oxígeno y gradientes más heterogéneos de azúcares y humedad, lo que impone presiones de selección distintas sobre las comunidades microbianas. Este resultado es similar a una investigación reciente sobre el papel del mucílago y la disponibilidad de agua en el ensamble microbiano durante el procesamiento del café y se encontró que la presencia del mucílago residual y la ausencia de una fase de fermentación acuosa favorecen comunidades de microorganismos más aérobicas (Valle et al. 2026).
En el contexto anterior, la mayor diversidad bacteriana observada en Honey (H’ = 1.13) sugiere que este sistema permite la coexistencia de múltiples taxones, en contraste con las fermentaciones húmedas donde suelen dominar unos pocos grupos altamente especializados. Este patrón es consistente con estudios en procesamiento de café que han demostrado que los métodos secos o semi-secos favorecen comunidades más diversas y menos dominadas, debido a la ausencia de condiciones homogéneas que promuevan la rápida proliferación de microorganismos fermentativos específicos (De Bruyn et al., 2017; Pereira et al., 2020). Sin embargo, a nivel fúngico, el tratamiento Honey mostró una dominancia extrema de Pichia eremophila, lo que indica que, aunque el ambiente permite diversidad bacteriana, ciertos hongos altamente adaptados a condiciones de estrés osmótico y a la disponibilidad limitada de agua pueden monopolizar el nicho. Las levaduras del género Pichia han sido ampliamente reportadas en fermentaciones de café y en otros sistemas ricos en azúcares,
donde su tolerancia a condiciones variables les permite dominar etapas clave del proceso (De Vuyst & Leroy, 2007).
10.3.2 Modulación del metaboloma inducida por comunidades microbianas
El análisis metabolómico de semillas de café fermentadas evidenció una aparente discrepancia entre los enfoques multivariados y univariados. Mientras que el modelo PLS-DA mostró una capacidad limitada para discriminar entre la mayoría de los tratamientos, con un alto grado de solapamiento y una baja capacidad predictiva (Q² < 0). El análisis univariado reveló la presencia de un número considerable de metabolitos diferencialmente expresados, particularmente en los tratamientos Honey y Yarrowia. Este desacople sugiere que los cambios inducidos por la fermentación microbiana son específicos a nivel de metabolitos individuales, pero no lo suficientemente consistentes ni coordinados como para generar una separación global robusta en el espacio multivariado. Este patrón es similar a una investigación donde diferentes procesos de fermentación generaron amplias listas de metabolitos, pero la separación por el modelo PLS-DA fue débil cuando no existía una coordinación sistemática entre las vías metabólicas (Schneider et al. 2025). Otra posible explicación para el patrón indicado anteriormente radica en el procesamiento postfermentativo de las semillas. En los tratamientos de fermentación húmeda, el lavado posterior puede eliminar una fracción importante de metabolitos asociados a la actividad microbiana, especialmente aquellos localizados en la superficie del mucílago o débilmente asociados al grano. Este proceso podría homogeneizar parcialmente los perfiles químicos entre los tratamientos, reduciendo la señal detectable en análisis globales como PLS-DA, pero aún permitiría detectar cambios específicos mediante análisis univariados. Este efecto ha sido sugerido en estudios sobre el procesamiento del café, en los que las etapas de lavado influyen de manera significativa en la composición final de metabolitos y compuestos precursores de aroma (De Bruyn et al., 2017; Elhalis et al., 2021). En contraste, el tratamiento Honey mostró una diferenciación clara tanto en el análisis multivariado como en el número de metabolitos diferencialmente expresados, lo que refuerza la idea de que este método representa un sistema de fermentación distinto. Al no incluir una fase de lavado, los compuestos generados o modificados durante el procesamiento permanecen asociados a la semilla, lo que permite su acumulación y detección. Además, las condiciones de menor disponibilidad de agua y mayor exposición al oxígeno en este sistema generan presiones de selección microbiana distintas, lo que se traduce en una actividad metabólica diferente y, en consecuencia, en un perfil químico más divergente. Este resultado coincide con hallazgos recientes donde se ha encontrado que la ausencia de lavado y la permanencia del mucílago en el grano de café generan un proceso de modulación de la dinámica de metabolitos y precursores de aroma (Schneider et al. 2025). El elevado número de metabolitos diferenciales en Honey (116) y Yarrowia (113), en comparación con los tratamientos húmedos como Santuario (14) y Dulce Hogar (25), sugiere que la magnitud de la respuesta metabolómica no depende únicamente de la diversidad microbiana, sino también de la interacción entre el tipo de fermentación y la retención de metabolitos en el sistema. En el caso de Yarrowia, aunque se trata de una fermentación húmeda, la introducción de una levadura metabólicamente activa podría haber generado transformaciones químicas más marcadas, aunque parcialmente atenuadas por el lavado. Este resultado se alinea con estudios recientes de fermentación cafetera donde los métodos que preservan el mucílago y reducen el lavado, generan perfiles metabólicos más amplios, mientras que, en sistemas de fermentación húmeda con un lavado frecuente, se observa una menor acumulación de metabolitos (Yan et al. 2025).
A nivel cualitativo, los cambios observados se concentraron principalmente en metabolitos del metabolismo secundario, incluidos flavonoides, antocianinas y compuestos nitrogenados. La disminución de flavonoles y antocianinas en Honey, junto con la acumulación de compuestos como triptamina (Met1208) y piridoxamina (Met655), sugiere una reconfiguración de rutas metabólicas relacionadas con el metabolismo del triptófano y la degradación de compuestos fenólicos. Estas transformaciones se han asociado a la actividad microbiana durante la fermentación, en la que las enzimas microbianas pueden degradar, modificar o transformar metabolitos vegetales preexistentes (Elhalis et al., 2021).
Finalmente, la presencia de metabolitos compartidos entre tratamientos, como el incremento de la quercetina caffeoyl-glucósido (Met641) en Dulce Hogar y Santuario, sugiere que, a pesar de las diferencias en la composición microbiana, existen rutas metabólicas comunes que pueden ser activadas por distintos consorcios. Este patrón es consistente con el concepto de redundancia funcional, según el cual comunidades microbianas diferentes pueden generar efectos metabólicos similares (Wolfe & Dutton, 2015).
10.3.3 Correlaciones microbioma–metaboloma en la fermentación de
café
Se identificaron asociaciones específicas entre determinados taxones y metabolitos diferenciales, sin embargo, no se observó una congruencia entre la composición microbiana y la matriz metabolómica completa. Este resultado sugiere que la relación microbioma–metaboloma en la fermentación del café no conduce a una reconfiguración sistémica total, sino a una modulación selectiva de subconjuntos metabólicos. Esto sugiere que en la fermentación del café existe un modelo de modulación selectiva en el que algunas rutas metabólicas responden a la actividad de ciertos microorganismos dominantes, mientras que otras vías metabólicas permanecen relativamente estables (Moreno et al. 2022).
La ausencia de un acoplamiento estructural completo, detectada en el análisis comparativo de dendrogramas, indica que la variación global del metaboloma no se determina exclusivamente por la presencia de microorganismos. Este patrón es coherente con estudios multi-ómicos en sistemas fermentativos y en microbiomas vegetales, donde se ha observado que las comunidades microbianas influyen principalmente en rutas metabólicas específicas, mientras que una proporción considerable del metaboloma refleja procesos intrínsecos del hospedero o transformaciones químicas independientes de la composición microbiana (Zhalnina et al., 2018). En el contexto anterior, las 36 correlaciones significativas identificadas entre 9 OTUs y 27 metabolitos representan puntos de interacción potenciales, más que una reorganización completa del sistema químico. La concentración de asociaciones con compuestos fenólicos y flavonoides sugiere que estas rutas metabólicas podrían constituir módulos particularmente sensibles a la actividad microbiana. Los compuestos fenólicos del café, derivados principalmente de los ácidos clorogénicos y los flavonoides del fruto, son susceptibles a la oxidación, la hidrólisis y las transformaciones enzimáticas mediadas por bacterias acéticas y levaduras no-Saccharomyces (Farah, 2012; Elhalis et al., 2021).
La alta conectividad observada en taxones como Gluconobacter frateurii y Kurtzmaniella quercitrusa indica que ciertos microorganismos pueden actuar como “hubs” ecológicos dentro de la red de interacciones, estableciendo múltiples asociaciones con metabolitos diferenciales. Sin embargo, la coexistencia de correlaciones positivas y negativas en un mismo taxón sugiere que estas relaciones no obedecen a un único mecanismo metabólico, sino a una interacción compleja entre la producción,
la transformación y el consumo de compuestos. Este patrón es similar al encontrado en una investigación donde se encontró que unas pocas especies de microorganismos con alta conectividad metabólica generan altas correlaciones entre microorganismos y metabolitos (López-Mondéjar et al.,
2022).
Desde una perspectiva de biología de sistemas, los resultados respaldan un modelo de modularidad metabólica, en el que la fermentación del café se organiza en subsistemas funcionales parcialmente independientes. Bajo este modelo, el microbioma influye de manera significativa en ciertos módulos —particularmente aquellos relacionados con compuestos fenólicos y derivados nitrogenados— mientras que otros componentes del metaboloma permanecen relativamente estables o regulados por procesos no microbianos. Esto sugiere que en la fermentación del café opera un patrón de control parcial, donde cada módulo tiene respuesta a un propio conjunto de reguladores biológicos y ambientales. Se ha observado que ciertos ejes metabólicos como fenilpropanoide o el aminoácidonitrogenado tienen mayor sensibilidad a la actividad microbiana (Revelo, 2024). El enfoque modular anterior también explica por qué la señal de asociación se vuelve más evidente cuando el análisis se restringe a los metabolitos acumulados de manera diferencial. Es probable que la señal microbiana se diluya al considerar todos los metabolitos detectados, ya que muchos de ellos pueden no estar directamente involucrados en procesos sensibles a la actividad fermentativa. No obstante, es importante subrayar que la mayoría de las correlaciones identificadas mantienen significancia en un contexto exploratorio y pierden robustez tras la corrección estricta por FDR. Este fenómeno es común en estudios multi-ómicos con tamaños muestrales limitados y alta dimensionalidad, donde la potencia estadística para detectar asociaciones verdaderamente causales es restringida (Bokulich et al., 2016). En consecuencia, las asociaciones descritas deben interpretarse como hipótesis funcionales plausibles, más que como evidencia definitiva de una interacción metabólica directa.
En conjunto, los resultados sugieren que la fermentación de Coffea arabica constituye un sistema ecológico modular en el que la composición microbiana no determina el metaboloma de manera global, pero sí modula rutas metabólicas específicas con potencial relevancia para la calidad química del grano. Este modelo integrativo amplía la comprensión del papel del microbioma en las fermentaciones vegetales y aporta evidencia empírica al concepto de modulación selectiva del metaboloma por parte de comunidades microbianas complejas.
11
CONCLUSIONES
Se caracterizó la diversidad taxonómica de las comunidades bacterianas y fúngicas asociadas a raíces, rizosferas y fermentaciones de semillas de tomate, albahaca y café. Los resultados evidencian que la inoculación con microbiomas de suelos, conocidos como contrastantes, produce cambios en la estructura microbiana. En albaca y tomate, dichos cambios fueron más evidentes en los tejidos radiculares y rizosféricos, mientras que en el café se encontró una selección de comunidades microbianas adaptadas al proceso de fermentación; en este sistema se encontró un microbioma compartido entre los tratamientos.
Se analizaron los perfiles metabolómicos de hojas de albahaca, frutos de tomate y semillas fermentadas de café mediante LC-MS no dirigida, identificándose modificaciones diferenciales en la abundancia de metabolitos según el sistema y el tratamiento. En albahaca se observaron cambios metabolómicos asociados a la inoculación del suelo; en tomate, la respuesta fue más limitada y
dependió del tratamiento; en contraste, en el café se detectaron diferencias más marcadas entre los métodos de fermentación, especialmente en Honey y en el tratamiento con Yarrowia.
Se determinaron asociaciones estadísticas entre la composición de las comunidades microbianas y los perfiles metabolómicos, identificándose correlaciones específicas entre taxones bacterianos y fúngicos y metabolitos diferenciales. Sin embargo, estas asociaciones deben interpretarse como relaciones estadísticamente probables y no como evidencia causal. Esto se considera principalmente porque no se evaluaron experimentalmente los mecanismos bioquímicos directos ni se validaron funcionalmente las interacciones detectadas.
En general, los resultados muestran que la influencia del microbioma sobre el metaboloma depende del sistema biológico, del compartimento vegetal y del tipo de proceso evaluado. En albahaca se observó una correspondencia más clara entre rizosfera y metaboloma foliar; en tomate, la relación microbioma-metaboloma fue más restringida y de menor magnitud; y en café, aunque hubo una marcada reestructuración microbiana, el acoplamiento con el metaboloma de las semillas fue parcial o ausente en varias condiciones.
En café, los hallazgos indican que la fermentación bajo condiciones controladas seleccionó comunidades microbianas dominadas por grupos fermentativos recurrentes, pero la traducción de esa estructura al perfil químico de la semilla fue limitada por factores del propio procesamiento, particularmente el lavado y el secado posteriores. Por tanto, el estudio sugiere una relación modular entre microbioma y metaboloma en este sistema, sin sustentar una reorganización global completa de la bioquímica de la semilla.
La investigación aporta evidencia preliminar de que los microbiomas derivados de suelos contrastantes pueden modular, en distintos grados, la composición microbiana y algunos rasgos metabolómicos en sistemas agrícolas y agroindustriales. Sin embargo, los datos no permiten afirmar una relación directa entre taxones específicos y la acumulación de metabolitos, sino más bien una asociación ecológica y estadística que debe evaluarse en futuras investigaciones.
Entre las principales limitaciones del estudio se encuentra que las asociaciones inferidas provienen de análisis observacionales y multivariados, por lo que no es posible establecer causalidad. Además, el procesamiento poscosecha, la complejidad de los metabolomas y la posible influencia de factores ambientales no controlados pueden haber atenuado o modulado algunas respuestas, especialmente en el sistema del café.
Se recomienda aislar y caracterizar las cepas microbianas asociadas a las correlaciones más relevantes, realizar inoculaciones de mono- o co-cultivo bajo condiciones controladas y complementar el análisis con enfoques funcionales como transcriptómica, metabolómica dirigida o ensayos bioquímicos, con el fin de validar los mecanismos implicados en la modulación del metaboloma. Además, es importante realizar estudios funcionales que permitan identificar los mecanismos biológicos responsables de las asociaciones observadas entre el microbioma y el metaboloma.
12
REFERENCIAS
Afridi MS, Javed MA, Ali S, De Medeiros FHV, Ali B, Salam A, Sumaira, Marc RA, Alkhalifah DHM, Selim S and Santoyo G (2022) New opportunities in plant microbiome engineering for increasing agricultural sustainability under stressful conditions. Front. Plant Sci. 13:899464. doi:
10.3389/fpls.2022.899464 Bahram, Mohammad, Falk Hildebrand, Sofia K. Forslund, Jennifer L. Anderson, Nadejda A. Soudzilovskaia, Peter M. Bodegom, Johan Bengtsson-Palme et al. "Structure and function of the global topsoil microorganismome." Nature 560, no. 7717 (2018): 233-237. Badri, D. V., Zolla, G., Bakker, M. G., Manter, D. K., & Vivanco, J. M. (2013). Potential impact of soil microorganismomes on the leaf metabolome and on herbivore feeding behavior. New Phytologist, 198(1), 264-273.
Baimakhanova, B. B., Sadanov, A. K., Ratnikova, I. A., Baimakhanova, G. B., Orasymbet, S. E., Amitova, A. A., Aitkaliyeva, G. S., & Kakimova, A. B. (2025). In Silico Modeling of Metabolic Pathways in Probiotic Microorganisms for Functional Food Biotechnology. Fermentation, 11(8),
458. https://doi.org/10.3390/fermentation11080458
Benhamou, Nicole, Gaëtan Le Floch, Jessica Vallance, Jonathan Gerbore, Damien Grizard, and Patrice Rey. "Pythium oligandrum: an example of opportunistic success." Microorganisms 158, no. 11 (2012): 2679-2694.
Beltrán-Noboa, A., Proaño-Ojeda, J., Guevara, M., Gallo, B., Berrueta, L., Giampieri, F., & Tejera, E. (2022). Metabolomic profile and computational analysis for the identification of the potential antiinflammatory mechanisms of action of the traditional medicinal plants Ocimum basilicum and Ocimum tenuiflorum. Food and Chemical Toxicology, 164, 113039.
Berendsen, R. L., Pieterse, C. M., & Bakker, P. A. (2012). The rhizosphere microorganism and plant health. Trends in plant science, 17(8), 478-486.
Berg, G., & Smalla, K. (2009). Plant species and soil type cooperatively shape the structure and function of microbial communities in the rhizosphere. FEMS Microorganisms Ecology, 68(1), 1–
13.
Bhattacharyya, P., & Jha, D. (2012). Plant growth-promoting rhizobacteria (PGPR): emergence in agriculture. World Journal of Microorganisms and Biotechnology, 28, 327–1350. Bijlsma, S. et al. (2006). Large-scale human metabolomics studies. Analytical Chemistry. Blaženović, I., Kind, T., Ji, J., & Fiehn, O. (2018). Software tools and approaches for compound identification of LC-MS/MS data in metabolomics. Metabolites, 8(2), 31. Bokulich, N., Collins, T., Masarweh, C., Allen, G., Heymann, H., Ebeler, S., & Mills, D. (2016). Associations among wine grape microbiome, metabolome, and fermentation behavior suggest microbial contribution to regional wine characteristics. MBio, 7(3), e00631-16. Bolivar, C., Paez-Velez, C., & Dussán, J. (2021). Glyphosate concentration decreases in the soil cultivated with Alnus acuminata var. acuminata when inoculating Lysinibacillus sphaericus. 1–
42.
Bowles, T., Barrios-Masias, F., Carlisle, E., Cavagnaro, T., & Jackson, L. (2016). Effects of arbuscular mycorrhizae on tomato yield, nutrient uptake, water relations, and soil carbon dynamics under deficit irrigation in field conditions. Cience of the Total Environment, 566, 1223–1234. Broeckling, C. D., Beger, R. D., Cheng, L. L., Cumeras, R., Cuthbertson, D. J., Dasari, S., Davis, W. C., Dunn, W. B., Evans, A. M., Fernández-Ochoa, A., Gika, H., Goodacre, R., Goodman, K. D., Gouveia, G. J., Hsu, P. C., Kirwan, J. A., Kodra, D., Kuligowski, J., Lan, R. S., Monge, M. E., … Mosley, J. D. (2023). Current Practices in LC-MS Untargeted Metabolomics: A Scoping Review on the Use of Pooled Quality Control Samples. Analytical chemistry, 95(51), 18645–18654. https://doi.org/10.1021/acs.analchem.3c02924 Bulgarelli, D., Rott, M., Schlaeppi, K., Ver Loren van Themaat, E., Ahmadinejad, N., Assenza, F., &
Schulze-Lefert, P. (2012). Revealing structure and assembly cues for Arabidopsis rootinhabiting bacterial microorganismal. Nature, 488(7409), 91–95.
Bulgarelli, D., Schlaeppi, K., Spaepen, S., Van Themaat, E., & Schulze-Lefert, P. (2013). Structure and functions of the bacterial microorganisms of plants. Annual Review of Plant Biology, 64, 807–838.
Carrari, F., & Fernie, A. R. (2006). Metabolic regulation underlying tomato fruit development. Journal of experimental botany, 57(9), 1883-1897.
Carrau, F., Boido, E., & Ramey, D. (2020). Yeasts for low input winemaking: microbial terruño and flavor differentiation. Advances in Applied Microorganism 111, 89–121. Chae, L., Lee, I., Shin, J., & Rhee, S. Y. (2012). Towards understanding how molecular networks evolve in plants. Current opinion in plant biology, 15(2), 177-184. Chagas Junior, G., Ferreira, N., Andrade, E., Nascimento, L., Siqueira, F., & Lopes, A. (2021). Profile of volatile compounds of on-farm fermented and dried cocoa beans inoculated with Saccharomyces cerevisiae KY794742 and Pichia kudriavzevii KY794725. Molecules, 26(2),
344.
Chen, S., Zhang, Y., Ma, J., Bai, M., Chen, Y., Guo, J., & Chen, L. (2025). Environmental Effects on Bacterial Community Assembly in Arid and Semi-Arid Grasslands. Microorganisms, 13(8),
1934. https://doi.org/10.3390/microorganisms13081934
Chialva, M., Salvioli di Fossalunga, A., Daghino, S., Ghignone, S., Bagnaresi, P., Chiapello, M., ... & Bonfante, P. (2018). Native soils with their microorganisms elicit a state of alert in tomato plants. New Phytologist, 220(4), 1296-1308.
Chaparro, J. M., Badri, D. V., & Vivanco, J. M. (2014). Rhizosphere microorganism assemblage is affected by plant development. The ISME journal, 8(4), 790-803.
Comite, E., El-Nakhel, C., Rouphael, Y., Ventorino, V., Pepe, O., Borzacchiello, A., & Woo, S. (2021). Bioformulations with beneficial microbial consortia, a bioactive compound and plant biopolymers modulate sweet basil productivity, photosynthetic activity and metabolites. Pathogens, 10(7),
870.
De Bruyn, F., Zhang, S. J., Pothakos, V., Torres, J., Lambot, C., Moroni, A. V., Callanan, M., Sybesma, W., Weckx, S., & De Vuyst, L. (2017). Exploring the impacts of postharvest processing on the microbiota and metabolite profiles during green coffee bean production. Applied and Environmental Microbiology,
83(1),
e02398-16.
https://doi.org/10.1128/AEM.02398-16 da Silva Vale, A., de Melo Pereira, G., de Carvalho Neto, D., Sorto, R. D., Goés‐Neto, A., Kato, R., & Soccol, C. (2021). Facility‐specific ‘house’ microorganism ensures the maintenance of functional microbial communities into coffee beans fermentation: implications for source tracking. Environmental Microorganism Reports2, 13(4), 470–481.
de Oliveira Junqueira, A., de Melo Pereira, G., Coral Medina, J., Alvear, M., Rosero, R., de Carvalho Neto, D., & Soccol, C. (2019). First description of bacterial and fungal communities in Colombian coffee beans fermentation analysed using Illumina-based amplicon sequencing. Scientific Reports, 9(1), 1–10.
Delgado-Baquerizo, M., Oliverio, A., Brewer, T., Benavent-González, A., Eldridge, D., Bardgett, R., & Fierer, N. (2018). A global atlas of the dominant bacteria found in soil. Science, 359(6373), 320–325.
De Bruyn, F. et al. (2017). Exploring the impacts of postharvest processing on coffee microorganisms.
Applied and Environmental Microorganism.
de Melo Pereira, G. V., da Silva Vale, A., de Carvalho Neto, D. P., Muynarsk, E. S., Soccol, V. T., & Soccol, C. R. (2020). Lactic acid bacteria: what coffee industry should know?. Current Opinion in Food Science, 31, 1-8.
Dini, I., d’Errico, G., Troiano, E., Gigliotti, C., Vassetti, A., Lotito, D., Staropoli, A., Parrella, G., d’Errico, F. P., Lorito, M., & Vinale, F. (2025). Combined Metagenomic and Metabolomic Analysis to Evaluate the Comprehensive Effects of Trichoderma and 6PP on Vineyard Ecosystems. Agriculture, 15(13), 1441. https://doi.org/10.3390/agriculture15131441 Du, P., Yuan, H., Chen, Y., Zhou, H., Zhang, Y., Huang, M., & Luo, J. (2023). Identification of Key Aromatic Compounds in Basil (Ocimum L.) Using Sensory Evaluation, Metabolomics and Volatilomics Analysis. Metabolites, 13(1), 85.
Duret, M., Wallner, A., Buée, M., & Aziz, A. (2024). Rhizosphere microbiome assembly, drivers and functions in perennial ligneous plant health. Microbiological research, 287, 127860. https://doi.org/10.1016/j.micres.2024.127860 Edgar, R. C. (2010). Search and clustering orders of magnitude faster than BLAST. Bioinformatics,
26(19), 2460-2461.
Edwards, J., Johnson, C., Santos-Medellín, C., Lurie, E., Podishetty, N. K., Bhatnagar, S., ... & Sundaresan, V. (2015). Structure, variation, and assembly of the root-associated microbiomes of rice. Proceedings of the National Academy of Sciences, 112(8), E911-E920. Elhalis, H., Cox, J., Frank, D., & Zhao, J. (2020). The crucial role of yeasts in the wet fermentation of coffee beans and quality. International Journal of Food Microorganism 333, 108796. Elhalis, H., Cox, J., Frank, D., & Zhao, J. (2021). The role of wet fermentation in enhancing coffee flavor, aroma and sensory quality. European Food Research and Technology, 247, 485–498. Escobar-Rodríguez, C., Novak, J., Buchholz, F., Uetz, P., Bragagna, L., Gumze, M., & Mitter, B. (2021). The bacterial microbiome of the tomato fruit is highly dependent on the cultivation approach and correlates with flavor chemistry. Frontiers in Plant Science, 12, 775722. c A. E., Adeniji, A., Lanrewaju, A. A., Adedayo, A. A., Chukwuneme, C. F., Nwachukwu, B. C., Aderibigbe, J., & Omomowo, I. O. (2025). Key Challenges in Plant Microbiome Research in the Next Decade. Microorganisms, 13(11), 2546. https://doi.org/10.3390/microorganisms13112546 FAOSTAT. (2019). Disponible en: http://www.fao.org/faostat/en/#home [Consultado: Junio 05, 2023]. Farah, A. (2012). Coffee constituents. Coffee, 21-58.
Fernie, A., & Schauer, N. (2009). Metabolomics-assisted breeding: a viable option for crop improvement? Trends in Genetics, 25(1), 39–48.
Fierer, N. (2017). Embracing the unknown: disentangling the complexities of the soil microbiome. Nature Reviews Microorganism, 15(10), 579–590.
Filip, S. (2017). Basil (Ocimum basilicum L.) a source of valuable phytonutrients. Int. J. Clin. Nutr. Diet, 3, 118.
Franco, G. C., Leiva, J., Nand, S., Lee, D. M., Hajkowski, M., Dick, K., Withers, B., Soto, L., Mingoa, B.-R., Acholonu, M., Hutchins, A., Neely, L., & Anand, A. (2024). Soil Microbial Communities and Wine Terroir:
Research Gaps and Data Needs. Foods, 13(16),
2475.
https://doi.org/10.3390/foods13162475 Fu, R., Feng, H., Dini-Andreote, F., Wang, Z., Bo, C., Cao, W., Yang, K., Liu, M., Yang, T., Shen, Q.,
Xu, Y., & Wei, Z. (2021). Modulation of the Tomato Rhizosphere Microbiome via Changes in Root Exudation Mediated by the Ethylene Receptor NR. Microorganisms, 9(12), 2456. https://doi.org/10.3390/microorganisms9122456 Gabriele Berg, C.D., Dilfuza Egamberdieva, J. E., Choong-Min R., Birgit W. (2024). Shared governance in the plant holobiont and implications for one health, FEMS Microbiology Ecology,
100 (3): fiae004, https://doi.org/10.1093/femsec/fiae004
Galili, T. (2015). dendextend: an R package for visualizing, adjusting and comparing trees of hierarchical clustering. Bioinformatics, 31(22), 3718-3720.
Galloway-Peña, J., & Hanson, B. (2020). Tools for Analysis of the Microbiome. Digestive diseases and sciences, 65(3), 674–685. https://doi.org/10.1007/s10620-020-06091-y Gilbert, J., van der Lelie, D., & Zarraonaindia, I. (2014). Microbial terruño for wine grapes. Proceedings of the National Academy of Sciences, 111(1), 5–6.
Gilbert, G. S., Diaz, A., & Bregoff, H. A. (2023). Seed disinfestation practices to control seed-borne fungi and bacteria in home production of sprouts. Foods, 12(4), 747. Gil-de-la-Fuente, A., Godzien, J., Saugar, S., Garcia-Carmona, R., Badran, H., Wishart, D. S. & Otero, A. (2018). CEU mass mediator 3.0: a metabolite annotation tool. Journal of proteome research, 18(2), 797-802.
Girma, B., & Sualeh, A. (2022). A Review of Coffee Processing Methods and Their Influence on Aroma. Int. J. Food Eng. Technol, 6(7), 7–16.
Golpayegani, A., & Tilebeni, H. (2011). Effect of biological fertilizers on biochemical and physiological parameters of basil (Ocimum basilicum L.) medicine plant. Am J Agric Environ Sci, 11(3), 445–
450.
Gonzalez, C., Ré, M., Sossi, M., Valle, E., & Boggio, S. B. (2015). Tomato cv.‘Micro-Tom’as a model system to study postharvest chilling tolerance. Scientia Horticulturae, 184, 63–69. Grzyb, T., & Szulc, J. (2024). Deciphering Molecular Mechanisms and Diversity of Plant Holobiont Bacteria: Microhabitats, Community Ecology, and Nutrient Acquisition. International journal of molecular sciences, 25(24), 13601. https://doi.org/10.3390/ijms252413601 Groenewald, M., Boekhout, T., Neuvéglise, C., Gaillardin, C., van Dijck, P. W., & Wyss, M. (2014). Yarrowia lipolytica: safety assessment of an oleaginous yeast with a great industrial potential. Critical reviews in microorganismology, 40(3), 187-206.
Guzmán-Guzmán, P., Etesami, H., & Santoyo, G. (2025). Trichoderma: a multifunctional agent in plant health and microbiome interactions. BMC microbiology, 25(1),
434.
https://doi.org/10.1186/s12866-025-04158-2 Habib, M., Singh, S., Jan, S., Jan, K., & Bashir, K. (2025). The future of the future foods: understandings from the past towards
SDG-2. NPJ
science of food, 9(1),
138.
https://doi.org/10.1038/s41538-025-00484-x Haile, M., & Kang, W. (2019). The role of microbes in coffee fermentation and their impact on coffee quality. Journal of Food Quality, 2019, 1–6.
Hardoim, P., van Overbeek, L., & van Elsas, J. (2008). Properties of bacterial endophytes and their proposed role in plant growth. Trends in Microorganism, 16(10), 463–471. Hibbett, D. S., Gilbert, L. B., & Donoghue, M. J. (2000). Evolutionary instability of ectomycorrhizal symbioses in basidiomycetes. Nature, 407(6803), 506-508.
Hibbing, M. E., Fuqua, C., Parsek, M. R., & Peterson, S. B. (2010). Bacterial competition: surviving and thriving in the microbial jungle. Nature Reviews Microbiology, 8(1), 15-25. Hsieh, Y. P., Hung, Y. M., Tsai, M. H., Lai, L. C., & Chuang, E. Y. (2022). 16S-ITGDB: an integrated database for improving species classification of prokaryotic 16S ribosomal RNA sequences. Frontiers in bioinformatics, 2, 905489.
Hudson, A., Mullens, A., Hind, S., Jamann, T. & Balint-Kurti, P. (2024) Natural variation in the patterntriggered immunity response in plants: Investigations, implications and applications. Molecular Plant Pathology, 25, e13445.
Johnston-Monje, D., Loewen, S., & Lazarovits, G. (2017). Mycobiomes of tomato plants with vine decline. Canadian Journal of Plant Pathology, 39(2), 184–200.
Johnston-Monje, D., Arévalo, A., & Bolaños, A. (2021). Friends in low places: Soil derived microbial inoculants for biostimulation and biocontrol in crop production. Microorganism Stimulants for Crops, 15–31.
Johnston-Monje, D., Gutiérrez, J., & Lopez-Lavalle, L. (2021). Seed-transmitted bacteria and fungi dominate juvenile plant microorganismomes. Frontiers in Microbiology, 12, 737616. Johnston-Monje, D., Vergara, L., Mejia, J., & White, J. (2023). Plant microorganisms as contributors to agricultural terruño. Frontiers in Agronomy, 5, 1216520.
Karlen, D., Mausbach, M., Doran, J., Cline, R., Harris, R., & Schuman, G. (1997). Soil quality: a concept, definition, and framework for evaluation. Soil Science Society of America Journal, 61(1), 4–10.
Katam, R., Lin, C., Grant, K., Katam, C. S., & Chen, S. (2022). Advances in Plant Metabolomics and Its Applications in Stress and Single-Cell Biology. International journal of molecular sciences, 23(13), 6985. https://doi.org/10.3390/ijms23136985 Katsenios, N., Andreou, V., Sparangis, P., Djordjevic, N., Giannoglou, M., Chanioti, S., & Efthimiadou, A. (2021). Evaluation of plant growth promoting bacteria strains on growth, yield and quality of industrial tomato. Microorganisms, 9(10), 2099.
Klee, H. J., & Giovannoni, J. J. (2011). Genetics and control of tomato fruit ripening and quality attributes. Annual review of genetics, 45(1), 41-59.
Klee, H. J., & Tieman, D. M. (2018). The genetics of fruit flavour preferences. Nature Reviews Genetics, 19(6), 347-356.
Korenblum, E., Dong, Y., Szymanski, J., Panda, S., Jozwiak, A., Massalha, H., Meir, S., Rogachev, I., & Aharoni, A. (2020). Rhizosphere microbiome mediates systemic root metabolite exudation by root-to-root signaling. Proceedings of the National Academy of Sciences of the United States of America, 117(7), 3874–3883. https://doi.org/10.1073/pnas.1912130117 Lai, X., Duan, W., Zhang, W., Peng, Z., Wang, X., Wang, H., Qi, X., Pi, H., Chen, K., & Yan, L. (2024). Integrative analysis of microbiome and metabolome revealed the effect of microbial inoculant on microbial community diversity and function in rhizospheric soil under tobacco monoculture. Microbiology spectrum, 12(8), e0404623.
https://doi.org/10.1128/spectrum.04046-23 Larsen, B., Miller, E., Rhodes, M., & Wiens, J. (2017). Inordinate fondness multiplied and redistributed: the number of species on earth and the new pie of life. The Quarterly Review of Biology, 92(3), 229–265.
Lee, J. H., Kim, M. S., Park, S. Y., & Kang, B. R. (2023). Insights into the biocontrol function of a Burkholderia gladioli strain KRS027 against Botrytis cinerea. Microbiology Spectrum.
https://doi.org/10.1128/spectrum.04805-2 Li, J., Aslam, M., Gao, Y., Dai, L., Hao, G., Wei, Z., & Dini-Andreote, F. (2023). Microorganismmediated signal transduction within the plant holobiont. Trends in Microorganismology, 22, S0966-842X.
Li, B., Yang, Y., Cai, J., Liu, X., Shi, T., Li, C., Chen, Y., Xu, P., & Huang, G. (2021). Genomic Characteristics and Comparative Genomics Analysis of Two Chinese Corynespora cassiicola Strains Causing Corynespora Leaf Fall (CLF) Disease. Journal of Fungi, 7(6), 485. https://doi.org/10.3390/jof7060485 Li, Y., Wang, H., Zhang, Y., & Martin, C. (2018). Can the world’s favorite fruit, tomato, provide an effective biosynthetic chassis for high-value metabolites? Plant Cell, 37, 1443–1450. Liu, D., Zhang, P., Chen, D., & Howell, K. (2019). From the vineyard to the winery: how microbial ecology drives regional distinctiveness of wine. Frontiers in Microbiology, 10, 2679. Liu, W., Liu, K., Chen, D., Zhang, Z., Li, B., El-Mogy, M. M., Tian, S., & Chen, T. (2022). Solanum lycopersicum, a Model Plant for the Studies in Developmental Biology, Stress Biology and Food Science. Foods (Basel, Switzerland), 11(16), 2402. https://doi.org/10.3390/foods11162402 Lyu, D., Zajonc, J., Pagé, A., Tanney, C. A. S., Shah, A., Monjezi, N., Msimbira, L. A., Antar, M., Nazari, M., Backer, R., & Smith, D. L. (2021). Plant Holobiont Theory: The Phytomicrobiome Plays a Central Role in Evolution and Success. Microorganisms, 9(4),
675.
https://doi.org/10.3390/microorganisms9040675 López-Mondéjar, R., Vilanova, C., & Sánchez-García, Y. (2022). Microbial-metabolite interaction networks in food fermentations: The role of hub microorganisms. Food Microbiology, 103,
103967. https://doi.org/10.1016/j.fm.2021.103967
Lv, J., Yang, S., Zhou, W., Liu, Z., Tan, J., & Wei, M. (2024). Microbial regulation of plant secondary metabolites: Impact, mechanisms and prospects. Microbiological research, 283, 127688. https://doi.org/10.1016/j.micres.2024.127688 Ma, Y. (2019). Seed coating with beneficial microorganisms for precision agriculture. Biotechnology Advances, 37(7), 107423.
Marco, M. (2021). Defining how microorganisms benefit human health. Microbial Biotechnology, 14(1), 35–40.
Marcone, M. (2004). Composition and properties of Indonesian palm civet coffee (Kopi Luwak) and Ethiopian civet coffee. Food Research International, 37(9), 901–912. Marks, Bettina Berquó, Marco Antonio Nogueira, and Mariangela Hungria. 2025. "Microbial Secondary Metabolites and Their Use in Achieving Sustainable Agriculture: Present Achievements and Future Challenges" Agronomy 15, no.
6:
1350.
https://doi.org/10.3390/agronomy15061350 Martí, R., Roselló, S., & Cebolla-Cornejo, J. (2016). Tomato as a source of carotenoids and polyphenols targeted to cancer prevention. Cancers (Basel), 8, 58. Mena Beltrán, D. E., Navas Zambrano, J. C.., De La Cruz Díaz, D.J., & Granda Morocho, O. A.. (2025). Revisión bibliográfica sobre las bacterias lácticas productoras de ácido láctico: Características y aplicaciones biotecnológicas. Innovarium International Journal, 3(2), 1-26. https://revinde.org/index.php/innovarium/article/view/46 Mendes, R., Kruijt, M., De Bruijn, I., Dekkers, E., Van Der Voort, M., Schneider, J. H., ... & Raaijmakers, J. M. (2011). Deciphering the rhizosphere microbiome for disease-suppressive bacteria. Science, 332(6033), 1097-1100.
Miura, T., Sánchez, R., Castañeda, L., Godoy, K., & Barbosa, O. (2017). Is microbial terruño related to geographic distance between vineyards? Environmental Microbiology Reports, 9(6), 742–
749.
Morata, A., Escott, C., Bañuelos, M., Loira, I., Del Fresno, J., González, C., & Suárez-Lepe, J. (2019). Contribution of non-Saccharomyces yeasts to wine freshness. A review. Biomolecules, 1, 34. Moreno, F. L., Murillo, J., & Gutiérrez, M. A. (2022). Integrated microbiome-metabolome analysis of washed and honey-processed Colombian coffees. Journal of Agricultural and Food Chemistry, 70(38), 12005–12017. https://doi.org/10.1021/acs.jafc.2c03456 Naumova, N., Baturina, O., Nechaeva, T., & Kabilov, M. (2022). Root and Rhizosphere Microbiome of Tomato Plants Grown in the Open Field in the South of West Siberia under Mineral Fertilization. Horticulturae, 8(11), 1051. https://doi.org/10.3390/horticulturae8111051 Nemergut, D.R. et al. (2013). Patterns and processes of microbial community assembly. Microbiology and Molecular Biology Reviews.
Neu, A., Allen, E., & Roy, K. (2021). Defining and quantifying the core microorganism: challenges and prospects. Proceedings of the National Academy of Sciences, 118(51), e2104429118. Odo, S., Nwaubani, D., Ebe, G., Idume, J., & Okengwu, O. (2021). Determination of Microbial Pathogens and its Abundance in Fresh Kunun-Zaki Drinks: Huge Threat to Public Health. Journal of Advances in Microorganismology, 21(10), 38–42.
Olanrewaju, O. S., Glick, B. R., & Babalola, O. O. (2024). Metabolomics-guided utilization of beneficial microbes for climate-resilient crops. Current opinion in chemical biology, 79, 102427. https://doi.org/10.1016/j.cbpa.2024.102427 Ospina, J. A., Lopez-Alvarez, D., Gimode, W., Wenzl, P., & Carvajal-Yepes, M. (2024). Genome-wide association study of cassava brown streak disease resistance in cassava germplasm conserved in South America. Scientific Reports, 14(1), 23141 Pang, Z., Chong, J., Zhou, G., de Lima Morais, D. A., Chang, L., Barrette, M., ... & Xia, J. (2021). MetaboAnalyst 5.0: narrowing the gap between raw spectra and functional insights. Nucleic acids research, 49(W1), W388-W396.
Pasolli, E., Asnicar, F., Manara, S., Zolfo, M., Karcher, N., Armanini, F., & Segata, N. (2019). Extensive unexplored human microbiome diversity revealed by over 150,000 genomes from metagenomes spanning age, geography, and lifestyle. Cell, 176(3), 649–662. Pastelin-Solano, M. C., Castañeda-Castro, O., Bulbarela-Marini, J. E., Márquez-López, M. E., Solano-Rodríguez, L. A., Vian-Pérez, J. G., Castillo-Morales, M., Uzárraga-Salazar, R., Sánchez-Bazán, L. A., Galicia-Beltrán, C., & Marín-Garza, T. (2026). Chemical Composition of Coffea arabica Beans and Grafts at Different Roasting Levels. Beverages, 12(4), 40. https://doi.org/10.3390/beverages12040040 Pinto, L., Baruzzi, F., Cocolin, L., & Malfeito-Ferreira, M. (2020). Emerging technologies to control Brettanomyces spp. in wine: Recent advances and future trends. Trends in Food Science & Technology, 99, 88–100.
Pieterse, C. M., Zamioudis, C., Berendsen, R. L., Weller, D. M., Van Wees, S. C., & Bakker, P. A. (2014). Induced systemic resistance by beneficial microbes. Annual review of phytopathology,
52(1), 347-375.
Pluskal, T., Castillo, S., Villar-Briones, A., & Orešič, M. (2010). MZmine 2: modular framework for processing, visualizing, and analyzing mass spectrometry-based molecular profile data. BMC bioinformatics, 11(1), 395.
Pregolini, V., de Melo Pereira, G., da Silva Vale, A., de Carvalho Neto, D., & Soccol, C. (2021). Influence of Environmental Microorganism on the Activity and Metabolism of Starter Cultures Used in Coffee Beans Fermentation. Fermentation, 7(4), 278.
Quinet, M., Angosto, T., Yuste-Lisbona, F., Blanchard-Gros, R., Bigot, S., Martinez, J., & Lutts, S. (2019). Tomato fruit development and metabolism. Frontiers in Plant Science, 10, 1554. Raveendran, A., & Murthy, P. (2022). New trends in specialty coffees-“the digested coffees.” Critical Reviews in Food Science and Nutrition, 62(17), 4622–4628.
Ravi, R., Walton, K., & Khosroheidari, M. (2018). MiSeq: a next generation sequencing platform for genomic analysis. Disease Gene Identification: Methods and Protocols, 1706, 223–232. Revelo, D. (2024). Diversidad microbiana y metabólica asociada a la fermentación en seco de granos de café [Trabajo de grado]. Universidad de Nariño, Pasto, Colombia. Recuperado de https://cica.udenar.edu.co/wp-content/uploads/2024/01/Resumen-Dolly-Revelo.pdf Romano, R., De Luca, L., Aiello, A., Pagano, R., Di Pierro, P., Pizzolongo, F., & Masi, P. (2022). Basil (Ocimum basilicum L.) Leaves as a Source of Bioactive Compounds. Foods (Basel, Switzerland), 11(20), 3212. https://doi.org/10.3390/foods11203212 Roume, H., Heintz-Buschart, A., Muller, E. E., May, P., Satagopam, V. P., Laczny, C. C., ... & Wilmes, P. (2015). Comparative integrated omics: identification of key functionalities in microbial community-wide metabolic networks. npj Biofilms and Microorganisms, 1(1), 15007. Saia, S., Corrado, G., Vitaglione, P., Colla, G., Bonini, P., Giordano, M., & Rouphael, Y. (2021). An endophytic fungi-based biostimulant modulates volatile and non-volatile secondary metabolites and yield of greenhouse basil (Ocimum basilicum L.) through variable mechanisms dependent on salinity stress level. Pathogens, 10(7), 797.
Santamaria, M., Fosso, B., Licciulli, F., Balech, B., Larini, I., Grillo, G., ... & Pesole, G. (2018). ITSoneDB: a comprehensive collection of eukaryotic ribosomal RNA Internal Transcribed Spacer 1 (ITS1) sequences. Nucleic Acids Research, 46(D1), D127-D132. Sarkar, J., Singh, R., & Chandel, S. (2025). Understanding LC/MS-Based Metabolomics: A Detailed Reference for Natural Product Analysis. Proteomics. Clinical applications, 19(1), e202400048. https://doi.org/10.1002/prca.202400048 Schneider, N., Guyot, S., Poirier, M., et al. (2025). Metagenomic, metabolomic, and sensorial characteristics of spontaneous versus inoculated wet fermentation processes in coffee. Food Microbiology, 120, 104234. https://doi.org/10.1016/j.fm.2025.104234 Seninde, D., & Chambers, I. (2020). Coffee flavor: A review. Beverages, 6(3), 44. Shabbir, R., Javed, T., Wenzhi, W., Yating, C., Benpeng, Y., Linbo, S., Tingting, S., Shuzhen, Z., & Chen, P. (2025). Insights into recent advances in secondary metabolites (SMs)-mediated defense responses in plants. Critical reviews in biotechnology, 45(7), 1399–1413.
https://doi.org/10.1080/07388551.2025.2484598 Silva, T. D., Ferrarezi, R. S., Selari, P. J. R. G., da Silva, J. L. B., da Silva, M. V., Mesquita, M., & de Oliveira, H. F. E. (2025). Microbial Inoculation Strategies for Optimal Cherry Tomato Production. Physiologia plantarum, 177(6), e70655. https://doi.org/10.1111/ppl.70655 Stringlis, I. A., et al. (2018). Root exudates and plant–microbe interactions. New Phytologist, 220, 805–809.
Soumare, A., Diédhiou, A., Arora, N., Tawfeeq Al-Ani, L., Ngom, M., Fall, S., & Sy, M. (2021). Potential role and utilization of plant growth-promoting microbes in plant tissue culture. Frontiers in Microbiology, 12, 649878.
Spooren, J., van Bentum, S., Thomashow, L. S., Pieterse, C. M. J., Weller, D. M., & Berendsen, R. L. (2024). Plant-Driven Assembly of Disease-Suppressive Soil Microbiomes. Annual review of phytopathology, 62(1), 1–30. https://doi.org/10.1146/annurev-phyto-021622-100127 Stapleton, J. J. (2000). Soil solarization in various agricultural production systems. Crop protection, 19(8-10), 837-841.
Sudiro, C., Guglielmi, F., Hochart, M., Senizza, B., Zhang, L., Lucini, L., & Altissimo, A. (2022). A Phenomics and Metabolomics Investigation on the Modulation of Drought Stress by a Biostimulant Plant Extract in Tomato (Solanum lycopersicum). Agronomy, 12(4), 764. https://doi.org/10.3390/agronomy12040764 Sumner, L. W., et al. (2007). Proposed minimum reporting standards for chemical analysis in metabolomics. Metabolomics, 3, 211–221.
Tanambell, H., Bishop, K., & Quek, S. (2021). Tangerine Tomatoes: Origin, Biochemistry, Potential Health Benefits, and Future Prospects. Reseñas Críticas En Cienc Los Aliment y Nutr, 61(13), 2237–2248.
Tangpao, T., Chung, H., & Sommano, S. (2018). Aromatic profiles of essential oils from five commonly used Thai basils. Foods, 7(11), 175.
Thokchom, S. D., Gupta, S., Mewar, S. K., Kumar, P., Kalra, C., & Kapoor, R. (2023). Metabolome profiling of arbuscular mycorrhizal fungus treated Ocimum tenuiflorum L. provides insights into deviation in allocation of carbon compounds to secondary metabolism. Plant Physiology and Biochemistry, 203, 108039.
Tikunov, Y., Lommen, A., De Vos, C. R., Verhoeven, H. A., Bino, R. J., Hall, R. D., & Bovy, A. G. (2005). A novel approach for nontargeted data analysis for metabolomics. Large-scale profiling of tomato fruit volatiles. Plant physiology, 139(3), 1125-1137.
Toju, H., Suzuki, K., Sánchez-Pinillos, M., Shima, G., Kageyama, T., Hayashi, I., Noguchi, M., Fujita, H., Goto, Y., Nakaoka, S., Ushio, M., Ichihashi, Y., Fricke, W. F., Mizumoto, K., Takayasu, L., Suda, W., Takayasu, M., Yamamichi, M., & Weckwerth, W. (2026). Microbiome assembly statistics toward ecosystem-scale insights, forecasting, and management. The ISME Journal, 20(1), wrag085. https://doi.org/10.1093/ismejo/wrag085 Toju, H., Peay, K. G., Yamamichi, M., Narisawa, K., Hiruma, K., Naito, K.,& Kiers, E. T. (2018). Core microorganismomes for sustainable agroecosystems. Nature plants, 4(5), 247-257. Trivedi, P., Leach, J., Tringe, S., Sa, T., & Singh, B. (2020). Plant–microorganism interactions: from community assembly to plant health. Nature Reviews Microbiology, 18(11), 607–621. Valle, J. A., López-Castillo, M., & García-García, H. (2026). Evaluación de mucílago fermentado como sustrato en el remojo de café y su impacto en el microbioma y calidad de taza. [Trabajo de grado].
Universidad Zamorano, Honduras.
Recuperado de https://bdigital.zamorano.edu/items/49dd954d-6aa2-4772-86d5-777ab99d4c5f Velásquez, S., & Banchón, C. (2022). Influence of pre-and post-harvest factors on the organoleptic and physicochemical quality of coffee: a short review. Journal of Food Science and Technology, 1–13.
Verzeaux, J., Hirel, B., Dubois, F., Lea, P., & Tétu, T. (2017). Agricultural practices to improve nitrogen use efficiency through the use of arbuscular mycorrhizae: Basic and agronomic aspects. Plant Science, 264, 48–56.
Vickery ZA, Castro HF, Dearth SP, Tague ED, Classen AT, Moore JA, Strickland MS, Campagna SR. Untargeted Metabolomics Reveals Distinct Soil Metabolic Profiles Across Land Management
Practices. Metabolites. 2025; 15(12):783. https://doi.org/10.3390/metabo15120783 Vorholt, J. A. (2012). Microbial life in the phyllosphere. Nature reviews microbiology, 10(12), 828-840. Wang, C., & Li, J. (2015). Pathogenic microorganisms and pancreatic cancer. Gastrointestinal Tumors, 2(1), 41–47.
Wang, G., Li, X., Xi, X., & Cong, W. (2022). Crop diversification reinforces soil microorganism functions and soil health. Plant and Soil, 476(1–2), 375–383.
Wang, C., Yu, X., Lin, H., Wang, G., Liu, J., Gao, C., Qi, M., Wang, D., & Wang, F. (2023). Integrating microbiome and metabolome revealed microbe-metabolism interactions in the stomach of patients with different severity of peptic ulcer disease. Frontiers in immunology, 14, 1134369. https://doi.org/10.3389/fimmu.2023.1134369 Westerhuis, J.A. et al. (2008). Assessment of PLSDA cross validation. Metabolomics. Windisch, Saskia, Anja Walter, Narges Moradtalab, Frank Walker, Birgit Höglinger, Abbas El-Hasan, Uwe Ludewig, Günter Neumann, and Rita Grosch. "Role of benzoic acid and lettucenin A in the defense response of lettuce against soil-borne pathogens." Plants 10, no. 11 (2021): 2336. Wolfe, B. E., & Dutton, R. J. (2015). Fermented foods as experimentally tractable microbial ecosystems. Cell, 161(1), 49-55.
Yan, S., & Xue, X. (2025). Volatile metabolomic analysis reveals terpenoid differences between naturally matured and artificially heated acacia honey. Food chemistry: X, 31, 103167. https://doi.org/10.1016/j.fochx.2025.103167 Yadav, A., Kour, D., Kaur, T., Devi, R., Yadav, A., Dikilitas, M., & Saxena, A. (2021). Biodiversity, and biotechnological contribution of beneficial soil microorganisms for nutrient cycling, plant growth improvement, and nutrient uptake. Biocatalysis and Agricultural Biotechnology, 33, 102009. Yourstone, S. M., Lundberg, D. S., Dangl, J. L., & Jones, C. D. (2014). MT-Toolbox: improved amplicon sequencing using molecule tags. BMC bioinformatics, 15(1), 284. Zarraonaindia, I., Owens, S., Weisenhorn, P., West, K., Hampton-Marcell, J., Lax, S., & Gilbert, J. (2015). The soil microbiome influences grapevine-associated microbiota. MBio, 6(2), e02527-
14.
Zelaya-Molina, L. X., Sanchez-Lima, A. D., Arteaga-Garibay, R. I., Bustamante-Brito, R., Vásquez- Murrieta, M. S., Martínez-Romero, E., & Ramos-Garza, J. (2021). Functional characterization of culturable fungi from microbiomes of the "conical cobs" Mexican maize (Zea mays L.) landrace. Archives of microbiology, 204(1), 57. https://doi.org/10.1007/s00203-021-02680-1 Zhang, H., Xiong, X., Wu, J., Zhao, J., Zhao, M., Chu, G., & Zhang, D. (2019). Changes in soil microbial biomass, community composition, and enzyme activities after half-century forest restoration in degraded tropical lands. Forests, 10(12), 1124.
Zhalnina, K., Louie, K. B., Hao, Z., Mansoori, N., Da Rocha, U. N., Shi, S., ... & Brodie, E. L. (2018). Dynamic root exudate chemistry and microbial substrate preferences drive patterns in rhizosphere microbial community assembly. Nature Microbiology, 3(4), 470-480. Zhou, J. & Ning, D. (2017). Stochastic community assembly: does it matter in microbial ecology? Microbiology and Molecular Biology Reviews.
13. ANEXOS
Anexo 1. Metabolitos diferencialmente abundantes e identificados tentativamente en hojas de albahaca tratados con consorcios microbianos.
Tratamiento Metabolito ID Metabolito tentativo Log2F C p-valor VI P Categoria quimica Villa-Laura Met1045 3,4,5-trihydroxy-6-{2-methoxy-4-[(5-oxooxolan-2yl)methyl]phenoxy}oxane-2-carboxylic acid
1.18
0.0282
1.7
Ácido fenolico glicosilado Armando Met494 Floribundine
-2.49
0.0295
2.3
Alcaloide aromatico Cauca Met494 Floribundine
-2.57
0.0182
1.4
Alcaloide aromatico Dulce- Hogar Met494 Floribundine
3.2
0.0078
2.8
Alcaloide aromatico Villa-Laura Met494 Floribundine
1.38
0.0378
1.7
Alcaloide aromatico Armando Met1202 Valerianine
-1.21
0.0137
2.9
Alcaloide terpenoide Dulce- Hogar Met1202 Valerianine
1.86
0.0005
1.6
Alcaloide terpenoide Armando Met571 (6S)-Hydroxyhyoscyamine
-2.72
0.022
2.5
Alcaloide trop‡nico Dulce- Hogar Met571 (6S)-Hydroxyhyoscyamine
1.63
0.0187
2
Alcaloide trop‡nico Cauca Met222 1-Fluorocyclohexadiene-cis,cis-1,2-diol
-2.38
0.0358
1.7
Alcohol cáclico fluorinado Cauca Met1023 Benzaldehyde
-5.34
0.0035
3.6
Aldehado aromatico Cauca Met1118 Benzaldehyde
-5.59
0.036
2.3
Aldehado aromatico Armando Met1112 3-Methylsalicylaldehyde
-1.19
0.028
1.7
Aldehado fenalico
Tratamiento Metabolito ID Metabolito tentativo Log2F C p-valor VI P Categoria quimica Cauca Met1112 3-Methylsalicylaldehyde
-1.29
0.0082
1.3
Aldehado fenalico Dulce- Hogar Met1112 3-Methylsalicylaldehyde
1.12
0.0067
1.5
Aldehado fenalico Villa-Laura Met1112 3-Methylsalicylaldehyde
1.21
0.0009
1.7
Aldehado fenalico Cauca Met532 Adenine
1.28
0.0035
1.3
Base paoerica Armando Met794 Acetone cyanohydrin
-2.23
0.0399
2.1
Cianohidrina Cauca Met310 Panchovillin
-3.52
0.0052
1.6
Compuesto fenalico policaclico (polifenol) Villa-Laura Met270 8-hydroxy-2H-chromen-2-one
3.59
0.0454
2.1
Cumarina Cauca Met1233 5-Nitro-2-(3-phenylpropylamino)benzoic acid
-1.16
0.0249
1.3
Derivado de Ácido benzoico nitro (aromatico) Cauca Met291 2-Oxoarginine
-5.1
0.0136
2.3
Derivado de Ácido benzoico nitro (aromatico) Cauca Met474 4-([2,2'-bithiophen]-5-yl)but-3-yne-1,2-diol
-4.29
0.0267
1.5
Derivado tiofaznico (heteroaromatic o) Cauca Met1342 Arene oxide
-1.39
0.0048
1.7
Epaxido aromatico Armando Met515 o-Cresol
-1.16
0.0312
2.2
Fenol metilado Cauca Met515 o-Cresol
-1.3
0.0011
2
Fenol metilado Dulce- Hogar Met515 o-Cresol
1.01
0.0112
1.7
Fenol metilado Cauca Met62 PS(17:2(9Z,12Z)/20:5(5Z,8Z,11Z,14Z,17Z))
-1.1
0.0099
1.3
Fosfolapido (fosfatidilserina) Dulce- Hogar Met62 PS(17:2(9Z,12Z)/20:5(5Z,8Z,11Z,14Z,17Z))
1.18
0.0321
1.5
Fosfolapido (fosfatidilserina)
Tratamiento Metabolito ID Metabolito tentativo Log2F C p-valor VI P Categoria quimica Villa-Laura Met62 PS(17:2(9Z,12Z)/20:5(5Z,8Z,11Z,14Z,17Z))
1.46
0.004
2.9
Fosfolapido (fosfatidilserina) Villa-Laura Met639 PS(17:2(9Z,12Z)/20:5(5Z,8Z,11Z,14Z,17Z))
1.34
0.0188
1.6
Fosfolapido (fosfatidilserina) Cauca Met448 10-Hydroxycarbazepine
-1.16
0.0338
1.3
Heterociclo aromatico (derivado carbazol) Cauca Met1122 Toluene
-1.3
0.0057
4.4
Hidrocarburo aromatico Cauca Met754 Vinyl toluene
-1.35
0.0482
1.4
Hidrocarburo aromatico vinÂ’lico Dulce- Hogar Met754 Vinyl toluene
1.71
0.0139
3.4
Hidrocarburo aromatico vinÂ’lico Cauca Met836 Tephrocarpin
-2.73
0.0125
1.2
Isoflavonoide (compuesto feanlico) Dulce- Hogar Met836 Tephrocarpin
1.48
0.0316
1.7
Isoflavonoide (compuesto feanlico) Villa-Laura Met836 Tephrocarpin
1.97
0.0204
1.9
Isoflavonoide (compuesto feanlico) Armando Met1056 14-O-acetylinsulicolide A
-2.21
0.037
2.4
Lactona sesquiterpaznic a (metabolito faoengico) Dulce- Hogar Met1056 14-O-acetylinsulicolide A
2.03
0.0435
1.7
Lactona sesquiterpaznic a (metabolito faoengico) Villa-Laura Met1056 14-O-acetylinsulicolide A
3.21
0.0043
1.5
Lactona sesquiterpaznic a (metabolito faoengico)
Tratamiento Metabolito ID Metabolito tentativo Log2F C p-valor VI P Categoria quimica Armando Met850 Theophylline
-1.87
0.0379
2
Metilxantina (alcaloide puranico) Cauca Met850 Theophylline
-2.86
0.0039
3.3
Metilxantina (alcaloide puranico) Dulce- Hogar Met850 Theophylline
1.8
0.048
2
Metilxantina (alcaloide puranico) Villa-Laura Met850 Theophylline
2.69
0.0039
1.8
Metilxantina (alcaloide puranico) Armando Met111 No match
-2.26
0.0207
2.2
No identificado Armando Met338 No match
-2.34
0.0173
2.4
No identificado Armando Met569 No match
-1.82
0.021
2
No identificado Armando Met871 No match
-1.49
0.0026
2.7
No identificado Cauca Met111 No match
-3.75
0.0092
1.4
No identificado Cauca Met181 No match
-1.45
0.0092
1.5
No identificado Cauca Met239 No match
-3.65
0.0347
2.1
No identificado Cauca Met255 No match
1.36
0.0228
1.4
No identificado Cauca Met338 No match
-3.01
0.0012
1.3
No identificado Cauca Met386 No match
-1.05
0.002
1.3
No identificado Cauca Met419 No match
-1.39
0.0198
2.1
No identificado Cauca Met527 No match
-1.11
0.0236
2
No identificado Cauca Met56 No match
-2.01
0.004
1.7
no identificado Cauca Met569 No match
-2.41
0.0034
1.4
no identificado Cauca Met768 No match
-1.35
0.0078
2.2
No identificado Cauca Met773 No match
-2.74
0.0053
1.5
No identificado Cauca Met858 No match
-1.33
0.0244
4.4
No identificado Cauca Met871 No match
-1.71
0.0054
1.3
No identificado Cauca Met915 No match
-1.91
0.0265
1.3
No identificado Cauca Met994 No match
1.03
0.0024
1.3
No identificado Dulce- Hogar Met1095 No match
2.09
0.0042
2.4
No identificado Dulce- Hogar Met111 No match
2.1
0.01
1.6
No identificado Dulce- Hogar Met386 No match
1.19
0.0062
2.2
No identificado Dulce- Hogar Met419 No match
1.59
0.0003
2.1
No identificado Dulce- Hogar Met871 No match
1.9
0.0002
3.2
No identificado Villa-Laura Met111 No match
3.05
0.0024
1.7
No identificado Villa-Laura Met386 No match
1.08
0.0359
1.6
No identificado Armando Met313 Trp Arg Met
-1.12
0.0152
3
Peptido Armando Met647 Pro Tyr His
-1.86
0.029
6
Peptido
Tratamiento Metabolito ID Metabolito tentativo Log2F C p-valor VI P Categoria quimica Armando Met917 Pro Tyr His
-2
0.0183
2.4
Peptido Cauca Met313 Trp Arg Met
-1.61
0.0121
1.3
Peptido Cauca Met647 Pro Tyr His
-3.81
0.002
2.1
Peptido Cauca Met917 Pro Tyr His
-3.02
0.0036
1.9
Peptido Dulce- Hogar Met313 Trp Arg Met
1.77
0.0014
2.1
Peptido Dulce- Hogar Met647 Pro Tyr His
4.61
0.0019
1.9
Peptido Dulce- Hogar Met917 Pro Tyr His
4.12
0.0023
1.6
Peptido Cauca Met261 Lys-Trp-OH
-1.82
0.0134
1.6
Peptido (dipeptido aromatico) Dulce- Hogar Met261 Lys-Trp-OH
3.22
0.0044
2.1
Peptido (dipeptido aromatico) Armando Met1007 Lys Cys Ile
-1.68
0.0066
2.3
Peptido (triPeptido) Dulce- Hogar Met1007 Lys Cys Ile
1.43
0.0157
1.6
Peptido (triPeptido) Cauca Met1206 Aspergiolide B
-2.74
0.0353
1.4
Poliquétido fúngico / lactona aromática Armando Met1082 p-Mentha-1,3,5,8-tetraene
-1.83
0.0134
1.9
Monoterpeno Armando Met1151 Val Pro Ala
-1.63
0.047
2.8
Peptido (tripeptido) Armando Met1310 No match
-1.46
0.0364
2.7
Armando Met1326 Piperidolate
-2.51
0.0036
2.8
Herbicida (compuesto sintético) Armando Met1400 Hydroxy-gamma-sanshool
-3.26
0.0039
1.8
Alcamida (amida lipadica) Armando Met175 3-(3,4-dihydroxyphenyl)-6,7-dihydroxy-4H-chromen-4one
-2.72
0.0201
1.9
Flavonoide (flavona) Armando Met1032 No match
-2.14
0.0312
2.4
Armando Met1061 Termitomycamide B
-1.03
0.0425
1.7
Amida lipidica (metabolito fungico)
Tratamiento Metabolito ID Metabolito tentativo Log2F C p-valor VI P Categoria quimica Armando Met1079 3-Aminopropylphosphonic acid
-1.08
0.0271
1.8
Fosfonato Armando Met1110 Cyanidin 3-O-arabinoside
-1.39
0.0141
2
Antocianina Armando Met1115 Asacoumarin A
12.28
0.0055
6.2
Cumarina Armando Met1169 Thesinine 4'-O-glucoside
11.03
0.0052
6
Alcaloide (glucosilado) Armando Met1288 2-amino-4-({1-[(carboxymethyl)-Chydroxycarbonimidoyl]-2-[(2-hydroxy-3-oxo-1phenylpropyl)sulfanyl]ethyl}-Chydroxycarbonimidoyl)butanoic acid
-1.52
0.0101
2.2
Armando Met294 PKODiA-PE
-1.21
0.0387
1.9
Fosfolidipo Armando Met506 {4-[2-Acetylamino-2-(1-biphenyl-4-ylmethyl-2-oxoazepan-3-ylcarbamoyl)-ethyl]-2-phosphono-phenoxy}acetic acid
-1.81
0.0378
2.1
Armando Met645 (x)-2-Heptanol glucoside
-1.24
0.0255
1.9
Armando Met675 3,4-dimethyl-5-carboxyethyl-2-furanpentanoic acid
-1.29
0.0143
2
Armando Met728 Arginyl-Phenylalanine
-2.74
0.028
2.7
Dipeptido Armando Met82 [(1r)-1-Aminoethyl]phosphonic acid
1.23
0.0389
1.8
Armando Met873 Bilirubin beta-diglucuronide
-1.84
0.012
2.4
Tetrapirrol conjugado Cauca Met1082 p-Mentha-1,3,5,8-tetraene
-3.03
0.0005
2.8
Monoterpeno
Tratamiento Metabolito ID Metabolito tentativo Log2F C p-valor VI P Categoria quimica Cauca Met1310 No match
-3.05
0.0005
1.4
Cauca Met1326 Piperidolate
-1.89
0.0486
1.4
Herbicida (compuesto sintético) Cauca Met175 3-(3,4-dihydroxyphenyl)-6,7-dihydroxy-4H-chromen-4one
-3.24
0.0274
2.3
Flavonoide (flavona) Cauca Met1008 Xanthotoxol arabinoside
-1.58
0.0413
1.5
Furanocumarina Cauca Met1024 Lignosulfonic acid
-5.41
0.0341
3.6
Polifenol (lignina) Cauca Met1032 No match
-2.48
0.0211
1.9
Cauca Met107 3-O-Feruloylquinic acid
-6.69
0.0279
3.4
Acido fenilico Cauca Met1079 3-Aminopropylphosphonic acid
-1.16
0.0065
1.4
Fosfonato Cauca Met108 1-(3-(Naphth-2-ylmethoxy)phenyl)-1-(thiazol-2yl)propyl methyl ether
-4.35
2.015e-
05
3.6
Cauca Met1094 Mono(glucosyluronic acid)bilirubin
-1.7
0.0057
1.6
Tetrapirrol conjugado Cauca Met1115 Asacoumarin A
7.07
0.0018
3.9
Cumarina Cauca Met1154 3,4-Methylenedioxybenzoic acid
1.22
0.0003
1.4
Acido fenilico Cauca Met1172 No match
-1.05
0.0172
1.3
Cauca Met1179 Lys Trp Trp
-1.35
0.0106
1.4
Peptido Cauca Met1203 Pelargonidin 3-(2G-xylosylrutinoside)
-9.37
0.0005
4.4
Antocianina Cauca Met1207 [3-(3-hydroxy-3phenylpropanoyl)phenyl]oxidanesulfonic acid
-3.73
0.0499
2.5
Tratamiento Metabolito ID Metabolito tentativo Log2F C p-valor VI P Categoria quimica Cauca Met1208 2,2'-(4,4'-(4,4'-Methylenebis(2-chloro-4,1phenylene))bis(azanediyl)bis(oxomethylene)bis(azane diyl)bis(4,1-phenylene))bis(oxy)bis(2-Methylpropanoic acid)
-5.98
0.0367
3.5
Cauca Met121 beta-D-Galactosyl-beta-1,4-N-acetyl-Dglucosaminylglycopeptide
-1.63
0.0377
1.6
Cauca Met1213 No match
-1.13
0.0433
1.3
Cauca Met1225 2-{6-[2,4-dihydroxy-3-(3-methylbut-2-en-1-yl)benzoyl]- 5-(2,4-dihydroxyphenyl)-3-methylcyclohex-2-en-1-yl}- 5-[(E)-2-(2,4-dihydroxyphenyl)ethenyl]-4methoxybenzene-1,3-diol
1.05
0.0111
1.3
Cauca Met1237 Aspochalasin W
1.1
0.0169
1.3
Alcaloide (micotoxina fungica) Cauca Met1240 Haloaromatic compound
-1.23
0.0053
1.4
Compuesto aromático halogenado Cauca Met1264 Isolobinine
-1.24
0.0103
1.4
Alcaloide
Tratamiento Metabolito ID Metabolito tentativo Log2F C p-valor VI P Categoria quimica Cauca Met1288 2-amino-4-({1-[(carboxymethyl)-Chydroxycarbonimidoyl]-2-[(2-hydroxy-3-oxo-1phenylpropyl)sulfanyl]ethyl}-Chydroxycarbonimidoyl)butanoic acid
-1.47
0.0462
1.5
Cauca Met1333 Deoxyaminopteroic acid
1.18
0.0021
1.4
Derivado pteroico Cauca Met1357 1H-Phosphole
-1.16
0.0062
1.4
Heterociclo fosforado Cauca Met138 Kaempferol 3-[6''-(3-hydroxy-3methylglutaryl)glucoside]-7-glucoside
-5.64
0.0121
2.9
Cauca Met142 Tricin 7-rutinoside-4'-glucoside
2.39
0.0075
1.9
Flavonoide Cauca Met1429 No match
-1.14
0.0405
1.3
Cauca Met1434 1-(2-Chloroethyl)aziridine
-1.13
0.0041
1.3
Cauca Met174 Ochrazepine A
-1.96
0.0031
1.8
Alcaloide Cauca Met217 No match
-5.27
0.0418
3.2
Cauca Met219 p-coumaroyltriacetic acid lactone
-5.7
0.0324
3.5
Policétido Cauca Met234 Rifamycin Z
1.52
0.0017
1.6
Antibiotico (polipeptido) Cauca Met27 Formoterol glucuronide
1.04
0.0036
1.3
Metabolito conjugado Cauca Met315 No match
1.24
0.0401
1.3
Cauca Met326 PA(20:3(8Z,11Z,14Z)-2OH(5,6)/12:0)
-1.07
0.0067
1.3
Cauca Met344 Kaempferol 3-[6''-(3-hydroxy-3methylglutaryl)glucoside]-7-glucoside
-5.76
0.0437
3.7
Cauca Met355 Threoninyl-Phenylalanine
1.2
0.046
1.2
Dipeptido
Tratamiento Metabolito ID Metabolito tentativo Log2F C p-valor VI P Categoria quimica Cauca Met383 3-iodo-octadecanoic acid
1.24
0.0372
1.3
Acido graso halogenado Cauca Met4 3,4,5-trihydroxy-6-{2-[(3-methylbut-2-enoyl)oxy]-2-{9- [(3-methylbut-2-enoyl)oxy]-2-oxo-2H,8H,9H-furo[2,3h]chromen-8-yl}propoxy}oxane-2-carboxylic acid
1.12
0.0096
1.3
Cauca Met413 2,5-Dimethyl-1H-pyrrole
-2.79
0.0151
2
Heterociclo nitrogenado Cauca Met481 7-[(1R,2R,3R)-3-hydroxy-2-[(3S)-3-hydroxyoctyl]-5oxocyclopentyl]heptanoyl-CoA
-2.01
0.0355
1.7
Cauca Met497 (2E)-1-(2,3-dihydroxy-4-methoxyphenyl)-3-phenylprop- 2-en-1-one
1.02
0.0024
1.3
Cauca Met505 Genipinic acid
1.56
0.0255
1.5
Iridoide Cauca Met552 2-Ethylsuberic acid
-1.25
0.0003
1.4
Cauca Met563 Taurocholic acid 3-sulfate
1.06
0.0174
1.3
Acido biliar Cauca Met564 Allyl chloride
-1.11
0.0032
1.3
Cauca Met609 Propafenone glucuronide
1.08
0.014
1.3
Metabolito conjugado Cauca Met629 No match
1.45
0.0263
1.5
Cauca Met651 7-Hydroxy-6,8-di-C-methylflavanone 7-O-arabinoside
1.26
0.0164
1.4
Cauca Met660 5'-Benzoylphosphoadenosine
-5.63
0.0344
3.6
Nucleotido modificado Cauca Met688 2-Biphenyl-4-yl-1-(1H-tetrazol-5-yl)ethylaminoethyl phosphonic acid
1.47
0.0448
1.5
Tratamiento Metabolito ID Metabolito tentativo Log2F C p-valor VI P Categoria quimica Cauca Met719 Kaempferol 7-methyl ether 3-apiosyl-(1->5)-apiosyl-(1- >2)-[rhamnosyl-(1->6)-glucoside]
1.26
0.027
1.3
Cauca Met72 Kaempferol 3-[6''-(3-hydroxy-3methylglutaryl)glucoside]-7-glucoside
-7.32
0.0004
4.1
Cauca Met725 5,4'-Dihydroxy-6-C-prenylflavanone 4'-xylosyl-(1->2)rhamnoside
1.03
0.0193
1.2
Cauca Met760 3-Phenylpropyl cinnamate
1.03
0.0316
1.2
Fenilpropanoide Cauca Met763 Bromelain
-2.03
0.0021
1.8
Proteina / enzima Cauca Met766 p-coumaroyltriacetic acid lactone
-5.74
0.0429
3.3
Policéptidos Cauca Met804 Carbomycin
-5.12
0.0242
3.4
Antibiótico macrólido Cauca Met826 (2S)-3-[[2-[(5R)-3-(4-Carbamimidoylphenyl)-4,5dihydro-1,2-oxazol-5-yl]acetyl]amino]-2-[(3methylphenyl)sulfonylamino]propanoic acid
1
0.0475
1.2
Cauca Met827 (-)-trans-Carveol glucoside
-8.55
2.0579e
-05
4.4
Cauca Met830 Succinyldisalicylic acid
-1.76
0.0364
1.5
Acido Fenolico Cauca Met845 7-Acetyloxy-2-methylisoflavone
-1.05
0.0019
1.3
Cauca Met853 (+)-Lysergic acid
-1.11
0.0176
1.3
Alcaloide
Tratamiento Metabolito ID Metabolito tentativo Log2F C p-valor VI P Categoria quimica Cauca Met854 6-{[3,14-dihydroxy-4-(3-methylbut-2-en-1-yl)-8,17dioxatetracyclo[8.7.0.0?,?.0??,??]heptadeca- 1(10),2(7),3,5,11(16),12,14-heptaen-5-yl]oxy}-3,4,5trihydroxyoxane-2-carboxylic acid
-7.37
0.0009
4
Cauca Met863 Myxochelin B
1.02
0.0082
1.3
Sideroforo Cauca Met873 Bilirubin beta-diglucuronide
-2.27
0.0018
1.9
Tetrapirrol conjugado Cauca Met889 7,7'-Dihydroxy-6,8'-bicoumarin
-3.81
0.0378
2.3
Cumarina Cauca Met96 2-(3,4-Dicarboxy-3-hydroxybutanoyl)oxypropane- 1,2,3-tricarboxylic acid
-2.19
0.0088
1.9
Cauca Met976 2',4'-Dihydroxy-6'-methoxy-3'-(2-hydroxybenzyl)-5'-(3 x 2-hydroxybenzyl)dihydrochalcone
-2.17
0.0021
1.9
Cauca Met983 3,7-Dihydroxy-8-methylflavone 7-rhamnosyl-(1->4)rhamnosyl-(1->6)-glucoside
-1.34
0.0249
1.4
Cauca Met985
PGP(18:1(12Z)-2OH(9,10)/22:5(4Z,7Z,10Z,13Z,16Z))
-1
0.0131
1.3
Dulce- Hogar Met1082 p-Mentha-1,3,5,8-tetraene
3.39
0.0002
1.8
Monoterpeno Dulce- Hogar Met1151 Val Pro Ala
1.79
0.0037
2.1
Peptido (tripeptido) Dulce- Hogar Met1310 No match
3.2
0.004
2.1
Tratamiento Metabolito ID Metabolito tentativo Log2F C p-valor VI P Categoria quimica Dulce- Hogar Met1326 Piperidolate
2.11
0.0081
2.9
Herbicida (compuesto sintetico) Dulce- Hogar Met1400 Hydroxy-gamma-sanshool
2.08
0.0093
2.2
Alcamida (amida lipidica) Dulce- Hogar Met1216 Linolenic Acid ethyl ester
-1.12
0.0191
1.6
Acido graso Dulce- Hogar Met140 Calcium stearoyl 2-lactylate
1.38
0.0328
1.7
Lipido Dulce- Hogar Met26 3-Phenylpropyl cinnamate
-1.44
0.0059
1.8
Fenilpropanoide Dulce- Hogar Met321 Chlorphenacil
-2.48
0.0075
2.4
Dulce- Hogar Met470 (+)-Lyoniresinol 9-glucoside
1.16
0.0459
1.6
Dulce- Hogar Met500 13-Desoxyterpendole I
1.08
0.0175
1.5
Dulce- Hogar Met616 Nosantine
1.99
0.0085
2.1
Alcaloide Dulce- Hogar Met651 7-Hydroxy-6,8-di-C-methylflavanone 7-O-arabinoside
-1.13
0.032
1.6
Dulce- Hogar Met728 Arginyl-Phenylalanine
2.57
0.0188
2.3
Dipeptido Dulce- Hogar Met782 5-((2-hydroxy-2-methylpropoxy)carbonyl)-2- (hydroxymethyl)-6-methyl-4-(2-nitrophenyl)-1,4dihydropyridine-3-carboxylic acid
-1.4
0.0103
1.8
Dulce- Hogar Met864 1-Phenyl-1-cyclohexene
-1.11
0.0272
1.5
Dulce- Hogar Met89 Gallopamil
1.16
0.0345
1.6
Dulce- Hogar Met997 b-D-Glucopyranosiduronic acid, 3-(6-methoxy-2naphthalenyl)-1-methylpropyl
1.18
0.0106
1.6
Tratamiento Metabolito ID Metabolito tentativo Log2F C p-valor VI P Categoria quimica Villa-Laura Met1326 Piperidolate
1.98
0.0087
1.6
Herbicida (compuesto sintetico) Villa-Laura Met1400 Hydroxy-gamma-sanshool
1.8
0.0455
1.5
Alcamida (amida lipidica) Villa-Laura Met175 3-(3,4-dihydroxyphenyl)-6,7-dihydroxy-4H-chromen-4one
2.84
0.013
1.7
Flavonoide (flavona) Villa-Laura Met1003 Physalin M
-1.14
0.0288
1.6
Esteroide Villa-Laura Met1053 pelargonidin-3,5-diglucoside
1.33
0.0139
1.7
Villa-Laura Met1079 3-Aminopropylphosphonic acid
1.04
0.0037
1.6
Fosfonato Villa-Laura Met1246 Crosatoside B
-1.03
0.0184
1.5
Villa-Laura Met141 Ganoderic acid K
-1.11
0.014
1.6
Triterpeno Villa-Laura Met316 2a-Hydroxygypsogenin 3-O-b-D-glucoside
-1.21
0.0449
1.7
Saponina Villa-Laura Met373 8-8'-Dehydrodiferulic acid
-1.28
0.0156
1.7
Villa-Laura Met398 Phenylphosphonic acid
3.23
0.0274
2.5
Fosfonato Villa-Laura Met433 dihydroxyphaseic acid
-1.21
0.0489
1.6
Derivado de l ipidos abscicico Villa-Laura Met449 PGP(22:6(4Z,7Z,11E,13Z,15E,19Z)-2OH(10S,17)/i- 12:0)
-1.06
0.032
1.5
Villa-Laura Met557 Hedamycin
-1.55
0.0076
1.9
Antibiotico Villa-Laura Met6 3-Pyridinemethanol
-1.18
0.0261
1.7
Villa-Laura Met616 Nosantine
1.9
0.0389
2.1
Alcaloide Villa-Laura Met800 6-Hydroxydelphinidin 3-glucoside
-1.04
0.029
1.5
Villa-Laura Met827 (-)-trans-Carveol glucoside
2.73
0.0111
2.5
Tratamiento Metabolito ID Metabolito tentativo Log2F C p-valor VI P Categoria quimica Villa-Laura Met830 Succinyldisalicylic acid
1.86
0.0364
1.9
Acido fenolilico Villa-Laura Met888 No match
-3.51
0.0409
2.5
Villa-Laura Met889 7,7'-Dihydroxy-6,8'-bicoumarin
3.48
0.0461
2.8
Cumarina Villa-Laura Met985
PGP(18:1(12Z)-2OH(9,10)/22:5(4Z,7Z,10Z,13Z,16Z))
1.09
0.0082
1.6
Anexo 2. Metabolitos diferencialmente abundantes e identificados tentativamente en frutos de tomate tratados con consorcios microbianos.
Tratamiento Metabolito ID Metabolito tentativo log₂FC p-valor
VIP
Categoría química Armando Met322 5-Hydroxycapsanthin (xantófila tipo capsantina)
-1.08
0.0107
2.4
Carotenoides Dulce-Hogar Met352 Crosatoside B
1.26
0.0049
1.8
Glucósido fenólico Dulce-Hogar Met29 Lappaol-tipo (Lappaol B / Lappaol D)
3.00
0.0092
1.7
Lignanos fenólicos Dulce-Hogar Met552 piridina/aminofenol
-1.63
0.0093
1.7
Compuesto nitrogenado Dulce-Hogar Met62 Sibiricoside A
-1.03
0.0108
1.7
Glucósido fenólico Dulce-Hogar Met268 PA/PG con tromboxano o 6-keto-PGF??
-1.10
0.0156
1.7
Lípido Dulce-Hogar Met323
CDP-DG(22:6/20:5)
-1.03
0.0158
1.7
Lípido Dulce-Hogar Met494 Esteroidal saponina
-1.11
0.0159
1.7
Saponina Dulce-Hogar Met118 Cardiolipina CL(10:0/11:0/i-13:0/18:2(9Z,11Z))
-1.47
0.0222
1.7
Lípido Dulce-Hogar Met350 Kukoamina B
-1.25
0.0259
1.7
Alcaloide Dulce-Hogar Met247 Fosfatidilglicerol/ácido fosfatídico tipo PG/PA(20:4/15:0) con grupo prostaglandina
-1.57
0.0300
1.6
Lípido Dulce-Hogar Met20 Melongoside L
-1.05
0.0334
1.6
Saponina Dulce-Hogar Met433 Polygalacin D
-1.40
0.0432
1.6
Saponina Dulce-Hogar Met71 No identificado
-1.05
0.0479
1.5
Cauca Met386 1-palmitoylglycerone 3-phosphate
1.09
0.0228
2.0
Lípido Cauca Met459 Indol-dímero tipo 3,3'-diindolylmethane (p.ej. 3,3'diindolylmethane / 2-(indol-2-ilmetil)-indol)
-1.35
0.0345
1.0
Alcaloide Cauca Met218 Tyramine
-1.32
0.0365
2.1240
Aminas biógenas
Anexo 3. Metabolitos diferencialmente abundantes e identificados tentativamente en fermentación de semillas de café tratados con consorcios microbianos. Tratamiento Met ID Metabolito tentativo log?FC p-valor
VIP
Categoría Química Burkholderia Met1005 No identificado
-1
0.026
1.5
No identificado Burkholderia Met1023 Trans-urocanic acid
-1.1
0.03
1.5
Derivado de histidina (imidazol carboxilato) Burkholderia Met1029 No identificado
-1.1
0.005
1.6
No identificado Burkholderia Met1034 No identificado
-2
0.031
2.1
No identificado Burkholderia Met1059 No identificado
-1.1
0.029
1.5
No identificado Burkholderia Met1159 No identificado
-1.3
0.017
1.7
No identificado Burkholderia Met12 Isorhamnetin 3-O-[4-Hydroxy-Ecinnamoyl-(É)]
1.2
0.015
1.6
Flavonoide glicosilado Burkholderia Met1266 5,7-Dimethoxy-6-C-methylflavanone
-1.4
0.006
1.8
Flavanona C-metilada Burkholderia Met1275 No identificado
-1
0.02
1.5
No identificado Burkholderia Met1349 N-trans-Feruloyloctopamine
-1
0.006
1.6
Fenilamida (derivadoácido fenolico) Burkholderia Met1360 No identificado
-1
0.007
1.5
No identificado Burkholderia Met1421 No identificado
-1
0.026
1.5
No identificado Burkholderia Met174 No identificado
1.8
0.037
2.1
No identificado Burkholderia Met18 No identificado
1.7
0.008
2
No identificado Burkholderia Met219 No identificado
1.3
0.037
1.7
No identificado Burkholderia Met229 Clovamida
2
0.03
2.1
Fenilamida (ácido cafeico-L-
DOPA)
Burkholderia Met356 N-Feruloylglicil-L-fenilalanina
1.1
0.009
1.6
Peptido/feruloil derivado Burkholderia Met457 N-trans-Feruloyloctopamine
-1.1
0.009
1.6
Fenilamida Burkholderia Met487 N-Methyltyramine
-1
0.034
1.5
Amina fen—lica Burkholderia Met49 No identificado
-1.5
0
1.9
No identificado Burkholderia Met500 No identificado
1.2
0.012
1.6
No identificado Burkholderia Met575 No identificado
-1.1
0.008
1.6
No identificado Burkholderia Met672 1(3H)-Isobenzofuranone derivado fosforilado
-1.8
0.049
1.9
Lactona aromática fosforilada Burkholderia Met726 No identificado
-1.2
0.019
1.6
No identificado Burkholderia Met777 No identificado
-1
0.002
1.6
No identificado Burkholderia Met874 Val-Met-Pro (tripeptido)
-1.5
0.043
1.7
TriPeptido Burkholderia Met908 D-Pantotenil-Cys
-1
0.016
1.5
Derivado de vitamina B5 (Peptido) Burkholderia Met996 No identificado
-1
0.035
1.4
No identificado Burkholderia Met998 No identificado
-1
0.035
1.4
No identificado Dulce_Hogar Met1 Quercetin 3-(sinapoylsophorotrioside)
2.3
0.015
3
Flavonoide glicosilado Dulce_Hogar Met1023 Trans-urocanic acid
1.4
0.04
2.2
Derivado de histidina (imidazol carboxilato) Dulce_Hogar Met576 Flavanona metoxi-hidroxilada
1.3
0.025
2.2
Flavanona (flavonoide) Dulce_Hogar Met676 D-1-Aminopropan-2-ol O-phosphate
2.3
0.015
2.9
D-1-Aminopropan-2-ol Ophosphate Dulce_Hogar Met996 No identificado
1.4
0.04
2.2
No identificado Dulce_Hogar Met998 No identificado
1.4
0.041
2.2
No identificado Honey Met101 Kaempferol 3-rhamnosyl- (coumarylrobinobioside)
-7.2
2.8667e
-06
4.2
Flavonol glicosilado Honey Met1015 CinnamoylÐtrixyloside
3.3
0.011
2.3
ƒster/cinnamato glicosilado Honey Met1092 Tripeptido Met-Pro-Pro
-1.9
0.024
1.7
TriPeptido Honey Met1140 Flavonoide prenilado/metoxilado (Garcinone - / Averantin)
3.1
0.01
2.2
Flavonoide prenilado
Tratamiento Met ID Metabolito tentativo log?FC p-valor
VIP
Categoría Química Honey Met1160 5?-O-?-D-glucosilpiridoxina
1.3
0.023
1.5
Vitamina B6 glucosilada Honey Met1208 Tryptamine
2.4
0.008
1.9
Amina biogŽnica (derivado de triptofano) Honey Met1243 Hydroxytriamterene sulfate
1.5
0.018
1.6
Derivado de fármaco (diurŽtico) Honey Met1245 Phenacyl
2.1
0.046
1.7
Cetona aromática Honey Met126 p-Fluorohippuric acid
1.2
0.001
1.4
Amida de ácido benzoico Honey Met1299 No identificado
7.1
0
4.1
No identificado Honey Met1301 Prolyl-Hydroxyproline
4
0
2.6
DiPeptido Honey Met1430 (Z)-N-Feruloyl-5-hydroxyanthranilic acid
1.3
0.023
1.4
Fenilamida Honey Met1440 Diisoditirosina
1.4
0.015
1.5
DiPeptido de tirosina (reticulado) Honey Met155 3-metoxipiridina - 3-hidroxi-2metilpiridina
-8
3.9908e
-07
4.3
Derivados pirid’nicos Honey Met159 Delphinidina 3-arabinosido - 3-xilosido
2.5
0.001
2
Antocianina Honey Met172 No identificado
1.7
0.002
1.6
No identificado Honey Met192 No identificado
-7.5
9.2599e
-06
4.2
No identificado Honey Met228 No identificado
-1.9
0.021
1.8
No identificado Honey Met23 No identificado
4.7
0.001
2.7
No identificado Honey Met29 No identificado
2.2
0.003
1.9
No identificado Honey Met304 No identificado
-1.8
0.022
1.7
No identificado Honey Met327 Conjunto de kaempferol
-1.3
0.022
1.4
Flavonol glicosilado Honey Met33 No identificado
-5.9
3.4786e
-06
3.9
No identificado Honey Met375 Fosfatidilserina oxidada (OHODiA-PS)
1.1
0.035
1.3
Fosfolipido(fosfatidilserina) Honey Met388 betaína Aldehido
1.5
0.009
1.5
Aldehido cuaternario (betaína) Honey Met389 Dihidroconiferina - gluc—sido de coniferil
1.4
0.017
1.4
Lignano - glucósido Honey Met396 Isopenteniladenosina-5?-difosfato
-1.9
0.006
1.7
Citoquinina (nucleotido) Honey Met464 No identificado
1.5
0.01
1.5
No identificado Honey Met480 No identificado
2.7
0
2.1
No identificado Honey Met496 No identificado
1.6
0.028
1.6
No identificado Honey Met510 No identificado
-6.6
1.976e-
05
4
No identificado Honey Met533 No identificado
2.1
0.004
1.8
No identificado Honey Met569 No identificado
2.1
0.009
1.8
No identificado Honey Met606 Kaempferol 3-rutinoside-7-rhamnoside
-4.2
0.001
2.6
Flavonol glicosilado Honey Met655 Pyridoxamine
3.6
0.004
2.4
Vitamina B6 (forma amina) Honey Met676 D-1-Aminopropan-2-ol O-phosphate
1.9
0.013
1.7
D-1-Aminopropan-2-ol Ophosphate Honey Met735 Valyl-Glutamate
1.7
0
1.7
DiPeptido Honey Met744 Avenanthramide-C methyl ester
-1
0.047
1.2
Avenantramida metilada Honey Met827 Capsaicin
-2
0.013
1.8
Capsaicinoide (amida fenolica) Honey Met841 Chalcona 4,2?-dihidroxidimetoxilada glicosilada
-4.1
0.001
2.6
Chalcona glicosilada Honey Met846 No identificado
2.9
0.005
2.1
No identificado Honey Met897 Dipeptido ArgÐAla - AlaÐArg
3.6
0.001
2.5
DiPeptido Honey Met920 N-Jasmonoyl-Ile
-1.6
0.007
1.6
Conjugadojasmonato– aminoácido Honey Met978 Proantocianidina tipo arecatannin/cinnamtannin
1.3
0.039
1.4
Proantocianidina (tanino condensado)
Tratamiento Met ID Metabolito tentativo log?FC p-valor
VIP
Categoría Química Santuario Met1023 Trans-urocanic acid
2
0.007
2.7
Derivado de histidina (imidazol carboxilato) Santuario Met1030 No identificado
1.4
0.046
2.5
No identificado Santuario Met1034 No identificado
2.6
0.038
3.7
No identificado Santuario Met37 Cianidina 3-(acetilhex—sido)
1.2
0.039
2.3
Antocianina acilada Santuario Met385 No identificado
1.8
0.018
3
No identificado Santuario Met516 No identificado
1
0.044
2.1
No identificado Santuario Met576 Flavanona metoxi-hidroxilada
1.7
0.018
3
Flavanona (flavonoide) Santuario Met672 1(3H)-Isobenzofuranone derivado fosforilado
3.1
0.02
4
Lactona aromática fosforilada Santuario Met878 2-keto-3-deoxy-L-rhamnonate
1.3
0.009
2.6
Azœcar ácido Santuario Met996 No identificado
2
0.007
3.3
No identificado Santuario Met998 No identificado
2
0.007
3.3
No identificado Yarrowia Met1093 No identificado
1.1
0.049
1.4
No identificado Yarrowia Met1094 trans-Zeatin riboside diphosphate
-1.3
0.036
1.8
Citoquinina nucleotidica Yarrowia Met1140 Flavonoide prenilado/metoxilado (Garcinone - / Averantin)
-1.1
0.05
1.6
Flavonoide prenilado Yarrowia Met1160 5?-O-?-D-glucosilpiridoxina
-1
0.038
1.4
Vitamina B6 glucosilada Yarrowia Met12 Isorhamnetin 3-O-[4-Hydroxy-Ecinnamoyl-(É)]
-1.5
0.01
1.9
Flavonoide glicosilado Yarrowia Met1281 Flavonoide polic’clico prenilado (estructura extendida)
-1
0.034
1.5
Polifenol complejo Yarrowia Met159 Delphinidina 3-arabinosido - 3-xilosido
-1.1
0.006
1.7
Antocianina Yarrowia Met18 No identificado
-2.6
0.008
2.4
No identificado Yarrowia Met185 X-Trp
1.2
0.013
1.6
Derivado de triptofano Yarrowia Met186 No identificado
1.2
0.023
1.6
No identificado Yarrowia Met219 No identificado
-1.8
0.013
2.1
No identificado Yarrowia Met229 Clovamida
-2.6
0.013
2.6
Fenilamida (ácido cafeico-L-
DOPA)
Yarrowia Met23 No identificado
1.6
0.042
1.8
No identificado Yarrowia Met259 No identificado
-1.2
0.013
1.6
No identificado Yarrowia Met32 Syringetin 3-(6'''-acetylglucosyl)(1->3)galactoside
-1.5
0.033
1.8
Flavonol glicosilado Yarrowia Met393 Antocianina di-gluc—sido acilada
-1.3
0.03
1.8
Antocianina acilada Yarrowia Met493 No identificado
-1.2
0.016
1.7
No identificado Yarrowia Met495 Avenanthramide A2
-1.8
0.042
2.2
Avenantramida (fenilamida) Yarrowia Met500 No identificado
-1.4
0.009
1.8
No identificado Yarrowia Met535 No identificado
1.3
0.028
1.7
No identificado Yarrowia Met615 No identificado
1.3
0.036
1.6
No identificado Yarrowia Met617 S-Methyl-L-methionine
1.2
0.032
1.6
Derivado metilado de aminoácido (betaína) Yarrowia Met646 No identificado
1.3
0.034
1.6
No identificado Yarrowia Met663 Oligómero de flavonoide glicosilado
-2.5
0.037
2.5
Oligómero de flavonoide Yarrowia Met715 No identificado
1.3
0.037
1.6
No identificado Yarrowia Met744 Avenanthramide-C methyl ester
-1.3
0.034
1.8
Avenantramida metilada Yarrowia Met846 No identificado
-1.3
0.02
1.8
No identificado Yarrowia Met894 No identificado
1.3
0.04
1.6
No identificado Yarrowia Met911 No identificado
1.1
0.039
1.5
No identificado Yarrowia Met1021 No identificado
1.6
0.021
1.9
No identificado
Tratamiento Met ID Metabolito tentativo log?FC p-valor
VIP
Categoría Química Honey Met1032 No identificado
-1.5
0.016
1.5
No identificado Yarrowia Met1033 No identificado
1.4
0.038
1.7
No identificado Dulce_Hogar Met1050 No identificado
1
0.038
1.8
No identificado Burkholderia Met1053 No identificado
-1.4
0.026
1.7
No identificado Dulce_Hogar Met1079 No identificado
-1
0.021
1.9
No identificado Yarrowia Met1079 No identificado
-1.1
0.023
1.6
No identificado Yarrowia Met1082 No identificado
-1.3
0.019
1.8
No identificado Honey Met1089 Salvianolic acidÐlike
-1.9
0.035
1.8
Ácido fenolico Honey Met1090 No identificado
-1.3
0.029
1.4
No identificado Yarrowia Met1090 No identificado
-1.4
0.038
1.8
No identificado Yarrowia Met1091 No identificado
-1.1
0.036
1.6
No identificado Honey Met1098 No identificado
-1.8
0.026
1.6
No identificado Honey Met1103 Petunidin (putativo)
-1.8
0.027
1.6
Antocianidina Santuario Met1110 No identificado
1.9
0.008
3.1
No identificado Honey Met1130 No identificado
-1.2
0.049
1.3
No identificado Burkholderia Met1138 Procyanidin B2 3-gallate
1
0.04
1.5
Proantocianidina Yarrowia Met1138 Procyanidin B2 3-gallate
-1.2
0.029
1.7
Proantocianidina Dulce_Hogar Met1139 No identificado
1.8
0.036
2.4
No identificado Dulce_Hogar Met1143 No identificado
1.4
0.035
2.2
No identificado Honey Met1169 Spinosin CÐlike
-1.8
0.034
1.6
Flavonoide C-glicosilado Yarrowia Met1172 No identificado
1.4
0.043
1.7
No identificado Burkholderia Met1178 Hippuric acid
-1.8
0.041
1.9
Ácido aromático Honey Met118 Procyanidin B2 3-gallate
-1.8
0.033
1.7
Polifenol Honey Met1186 No identificado
-1.8
0.027
1.7
No identificado Dulce_Hogar Met1187 No identificado
-1.1
0.016
2.1
No identificado Yarrowia Met1187 No identificado
-1.3
0.017
1.8
No identificado Burkholderia Met1188 Salvianolic acid B
1
0.034
1.5
Ácidos fenolicoscondensados Honey Met1188 Salvianolic acid B
-1.7
0.008
1.6
Ácidos fenolicoscondensados Yarrowia Met1188 Salvianolic acid B
-1.4
0.014
1.8
Ácidos fenolicoscondensados Yarrowia Met119 Bikaverin
-1.3
0.047
1.7
Pigmentos fungicos polipeptidos Honey Met1215 No identificado
-1
0.012
1.3
No identificado Honey Met125 Cyanidin 3-(6''-acetylglucoside)
-1.3
0.022
1.3
Flavonoides - Antocianinas aciladas Yarrowia Met125 Cyanidin 3-(6''-acetylglucoside)
-1.3
0.005
1.8
Flavonoides - Antocianinas aciladas Yarrowia Met127 No identificado
-1.2
0.01
1.6
No identificado Burkholderia Met1283 No identificado
-1.4
0.011
1.8
No identificado Honey Met1292 No identificado
-1.4
0.016
1.5
No identificado Yarrowia Met1292 No identificado
-1.1
0.031
1.6
No identificado Dulce_Hogar Met1323 No identificado
-1.1
0.002
2
No identificado Yarrowia Met1323 No identificado
-1.1
0.005
1.7
No identificado Honey Met1335 No identificado
-1.7
0.024
1.6
No identificado Yarrowia Met1335 No identificado
-1.3
0.047
1.8
No identificado
Tratamiento Met ID Metabolito tentativo log?FC p-valor
VIP
Categoría Química Honey Met136 Heptacarboxylporphyrin III
-1.5
0.037
1.5
Tetrapirroles - Porfirinas Honey Met1379 No identificado
-1.6
0.036
1.6
No identificado Dulce_Hogar Met1386 No identificado
-1.1
0.011
2.1
No identificado Yarrowia Met1386 No identificado
-1.3
0.011
1.8
No identificado Honey Met1387 No identificado
-1.1
0.02
1.3
No identificado Honey Met1397 No identificado
-1.3
0.031
1.3
No identificado Honey Met1399 No identificado
-1.3
0.007
1.4
No identificado Honey Met1407 Apigeninidin (putativo)
-1.2
0.045
1.3
Antocianidina Burkholderia Met1416 No identificado
-1
0.044
1.5
No identificado Honey Met1424 No identificado
1.6
0.023
1.6
No identificado Burkholderia Met144 Peonidin
1
0.037
1.4
Flavonoides - Antocianidinas Yarrowia Met144 Peonidin
-1.2
0.01
1.7
Flavonoides - Antocianidinas Honey Met1447 No identificado
-1.5
0.042
1.5
No identificado Honey Met146 Neoglucobrassicin
-1.5
0.032
1.4
Glucosinolatos (N-derivados) Yarrowia Met157 Isovitexin feruloyl-glucoside
-1.2
0.013
1.6
Flavonoides - Flavonas aciladas Yarrowia Met160 No identificado
-1
0.005
1.6
No identificado Honey Met168 Pelargonidin malonyl-acetyl glucoside
-1.6
0.033
1.5
Antocianinas aciladas Yarrowia Met168 Pelargonidin malonyl-acetyl glucoside
-1.1
0.033
1.5
Antocianinas aciladas Honey Met171 Kaempferol p-coumaroyl rutinoside
-1.5
0.004
1.5
Flavonoles acilados Burkholderia Met182 Malvidin diglucoside
1.1
0.032
1.5
Antocianinas Honey Met182 Malvidin diglucoside
-1.6
0.008
1.6
Antocianinas Yarrowia Met182 Malvidin diglucoside
-1.4
0.011
1.8
Antocianinas Honey Met188 Avenanthramide D
-1.2
0.024
1.3
Fenilpropanoides Yarrowia Met188 Avenanthramide D
-1.1
0.018
1.5
Fenilpropanoides Honey Met199 Peonidin acetylglucoside
-1.1
0.005
1.3
Antocianinas aciladas Yarrowia Met199 Peonidin acetylglucoside
-1.2
0.003
1.7
Antocianinas aciladas Honey Met210 Cyclic ADP-ribose
-1.7
0.03
1.6
nucleotidos Acevedo Met226 Indicaxanthin
1.5
0.022
2.7
Betalaínas Honey Met226 Indicaxanthin
-1.8
0.029
1.6
Betalaínas Yarrowia Met226 Indicaxanthin
-1.8
0.012
2.1
Betalaínas Yarrowia Met230 Pelargonidin malonyl-acetyl glucoside
-1.1
0.03
1.6
Antocianinas aciladas Honey Met238 Avenanthramide D
-1.1
0.017
1.2
Fenilpropanoides (amidasfenolicas) Yarrowia Met243 Petunidin
-1
0.018
1.6
Antocianidinas Honey Met251 Pelargonidin malonylglucoside
-1.6
0.027
1.5
Antocianinas aciladas Honey Met252 Peonidin acetylglucoside
-1.1
0.003
1.3
Antocianinas aciladas Yarrowia Met252 Peonidin acetylglucoside
-1.2
0.002
1.7
Antocianinas aciladas Burkholderia Met274 Pelargonidin malonyl-acetyl glucoside
1
0.038
1.5
Antocianinas aciladas Yarrowia Met274 Pelargonidin malonyl-acetyl glucoside
-1.2
0.03
1.6
Antocianinas aciladas Yarrowia Met278 Pelargonidin malonylglucoside
-1.2
0.005
1.7
Antocianinas aciladas Yarrowia Met281 MetÐGluÐPhe
-1
0.042
1.5
Peptidos pequeños Honey Met282 Cyanidin acetylglucoside
-2.1
0.003
1.8
Antocianinas aciladas Yarrowia Met285 Cyanidin 3-xylosyl-rutinoside
-1
0.015
1.5
Flavonoides - Antocianinas
Tratamiento Met ID Metabolito tentativo log?FC p-valor
VIP
Categoría Química Yarrowia Met296 No identificado
-1
0.008
1.6
No identificado Yarrowia Met305 No identificado
-1.1
0.001
1.7
No identificado Honey Met308 Pelargonidin 3-(6''-malonylglucoside)- 5-(6'''-acetylglucoside)
-1.8
0.011
1.6
Flavonoides - Antocianinas aciladas Yarrowia Met318 Cyanidin 3-(acetylglucoside)
-1.1
0.032
1.6
Flavonoides - Antocianinas Honey Met322 Cyanidin 3-(2G-galloylrutinoside)
-1.3
0.045
1.4
Flavonoides - Antocianinas Yarrowia Met330 No identificado
-1.1
0.007
1.6
No identificado Honey Met335 Acyl-CoA
-2.4
0.032
1.8
Coenzimas Yarrowia Met335 Acyl-CoA
-1.1
0.05
1.6
Coenzimas Yarrowia Met34 Malvidin 3-glucoside-pyruvate
-1.2
0.026
1.7
Antocianina Honey Met340 Diosgenin glycoside (putativo)
2.2
0.009
1.8
Saponinas esteroidales Honey Met349 Malvidin 3-(6''-acetylglucoside)
-1.7
0.047
1.7
Flavonoides - Antocianinas Yarrowia Met357 Glicoesfingol’pido
1.6
0.045
1.8
Lipidos complejos Honey Met358 Cyanidin 3-(acetylglucoside)
-2
0.014
1.7
Flavonoides - Antocianinas Yarrowia Met364 Acyl-CoA
-1.2
0.03
1.6
Coenzimas Burkholderia Met383 Pelargonidin 3-(6''-malonylglucoside)- 5-(6'''-acetylglucoside)
1.2
0.032
1.6
Flavonoides - Antocianinas aciladas Honey Met383 Pelargonidin 3-(6''-malonylglucoside)- 5-(6'''-acetylglucoside)
-1.2
0.049
1.3
Flavonoides - Antocianinas aciladas Yarrowia Met383 Pelargonidin 3-(6''-malonylglucoside)- 5-(6'''-acetylglucoside)
-1.3
0.024
1.7
Flavonoides - Antocianinas aciladas Santuario Met384 Chlorophyllide Cu
1.6
0.004
2.9
Tetrapirroles Yarrowia Met399 No identificado
1.2
0.036
1.5
No identificado Yarrowia Met4 Cyanidin 3-arabinoside
-1.2
0.006
1.7
Antocianina Honey Met40 Procyanidin B2 3-gallate
-2
0.001
1.8
Polifenol Yarrowia Met40 Procyanidin B2 3-gallate
-1.3
0.029
1.7
Polifenol Yarrowia Met404 No identificado
1.5
0.039
1.8
No identificado Honey Met417 Alphazurine FG
-1.3
0.042
1.3
Flavonoide glicosilado Yarrowia Met417 Alphazurine FG
-1.2
0.031
1.7
Flavonoide glicosilado Yarrowia Met419 Niazimicin A
-1.3
0.046
1.7
Fenilpropanoides Honey Met421 Pelargonidin 3-(malonyl/acetyl) diglucoside
-1.4
0.039
1.4
Pelargonidin 3- (malonyl/acetyl) diglucoside Burkholderia Met429 Prenylated flavonoid glycoside (putativo)
-1
0.04
1.5
Flavonoides prenilados Honey Met43 Betaine aldehyde
1.5
0.026
1.4
Metabolito pequeño Yarrowia Met432 No identificado
-1.2
0.038
1.6
No identificado Burkholderia Met445 (E)-Avenanthramide D
1.1
0.041
1.5
Fenilpropanoides (amidasfenolicas) Yarrowia Met445 (E)-Avenanthramide D
-1.2
0.041
1.7
Fenilpropanoides (amidasfenolicas) Honey Met45 No identificado
-1.1
0.014
1.3
No identificado Burkholderia Met450 Heptacarboxylporphyrin III
1.1
0.033
1.6
Tetrapirroles Yarrowia Met450 Heptacarboxylporphyrin III
-1.2
0.034
1.7
Tetrapirroles Yarrowia Met470 N-caffeoyltyramine
-1.2
0.011
1.7
Fenilpropanoides Yarrowia Met502 Bikaverin (putativo vegetal)
-1.4
0.046
1.7
Poliquétidos Dulce_Hogar Met505 No identificado
2.1
0.033
2.6
No identificado Yarrowia Met515 Triglicérido
-1.6
0.029
1.9
Lipidos Yarrowia Met518 Octaarginine
1.4
0.048
1.7
Peptido Yarrowia Met525 No identificado
1.4
0.047
1.7
No identificado
Tratamiento Met ID Metabolito tentativo log?FC p-valor
VIP
Categoría Química Yarrowia Met531 No identificado
-1.2
0.017
1.7
No identificado Yarrowia Met532 No identificado
-1.7
0.012
2
No identificado Honey Met54 Pelargonidin glucoside derivado
-1.1
0.018
1.2
Antocianina Honey Met545 Epicatechin dimer gallate
-1.1
0.001
1.4
Proantocianidinas Yarrowia Met546 No identificado
-1.2
0.014
1.7
No identificado Dulce_Hogar Met557 No identificado
1.1
0.032
1.9
No identificado Yarrowia Met558 No identificado
1.6
0.029
1.8
No identificado Yarrowia Met571 Peonidin
-1.1
0.033
1.6
Flavonoides - Antocianinas Honey Met573 Queuine
1.4
0.024
1.5
Nucleósidos Honey Met59 Heptacarboxylporphyrin III
-1.6
0.029
1.6
Porfirina Yarrowia Met591 Afzelechin 3-O-rhamnoside
-1.6
0.025
2
Flavanoles Yarrowia Met600 No identificado
1.1
0.045
1.6
No identificado Honey Met605 Pelargonidin malonyl/acetyldiglucoside
-1.8
0.028
1.6
Antocianinas Honey Met608 Epicatechin cinnamoyl-glycoside
1.2
0.018
1.4
Flavanoles Yarrowia Met616 No identificado
1.1
0.036
1.5
No identificado Acevedo Met641 Quercetin caffeoyl-glycoside
-1.4
0.023
2.6
Flavonoles Burkholderia Met641 Quercetin caffeoyl-glycoside
-1.7
0.002
2
Flavonoles Dulce_Hogar Met641 Quercetin caffeoyl-glycoside
1.2
0.007
2.1
Flavonoles Honey Met641 Quercetin caffeoyl-glycoside
1.5
0.006
1.6
Flavonoles Santuario Met641 Quercetin caffeoyl-glycoside
1.4
0.034
2.7
Flavonoles Honey Met651 No identificado
-1.8
0.026
1.6
No identificado Dulce_Hogar Met679 No identificado
1.6
0.021
2.3
No identificado Yarrowia Met679 No identificado
1.3
0.046
1.6
No identificado Honey Met681 Petunidin
-1.8
0.033
1.6
Antocianidinas Dulce_Hogar Met7 TyrÐTrpÐCys
-1.3
0.003
2.3
Peptido Honey Met70 Apigeninidin
-1.1
0.012
1.3
Flavonoide Honey Met710 Peonidin malonyl-diglucoside
-1.1
0.021
1.3
Antocianinas Yarrowia Met710 Peonidin malonyl-diglucoside
-1
0.037
1.5
Antocianinas Yarrowia Met716 No identificado
1.4
0.046
1.7
No identificado Honey Met717 No identificado
-1.7
0.035
1.6
No identificado Dulce_Hogar Met725 No identificado
1.2
0.015
2.1
No identificado Yarrowia Met725 No identificado
1.2
0.021
1.6
No identificado Yarrowia Met727 Pinobanksin
-1.2
0.018
1.6
Flavanonas Dulce_Hogar Met748 No identificado
-1.3
0.01
2.2
No identificado Yarrowia Met748 No identificado
-1.4
0.011
1.9
No identificado Yarrowia Met749 No identificado
-1.2
0.033
1.7
No identificado Honey Met759 Cyanidin acetylglucoside
-1.8
0.036
1.6
Antocianinas Dulce_Hogar Met767 No identificado
1.6
0.034
2.3
No identificado Burkholderia Met779 Procyanidin B2 3-gallate
1.4
0.037
1.8
Proantocianidinas Honey Met779 Procyanidin B2 3-gallate
-1.6
0.022
1.6
Proantocianidinas Yarrowia Met779 Procyanidin B2 3-gallate
-1.6
0.024
2
Proantocianidinas Honey Met796 No identificado
-1.9
0.015
1.7
No identificado
Tratamiento Met ID Metabolito tentativo log?FC p-valor
VIP
Categoría Química Burkholderia Met802 Amentoflavone
1
0.021
1.5
Biflavonoide Yarrowia Met802 Amentoflavone
-1.2
0.02
1.7
Biflavonoide Honey Met817 No identificado
-1.8
0.035
1.6
No identificado Burkholderia Met821 No identificado
1.4
0.04
1.8
No identificado Dulce_Hogar Met834 No identificado
1
0.028
1.9
No identificado Honey Met836 No identificado
-1.2
0.021
1.3
No identificado Yarrowia Met836 No identificado
-1.1
0.014
1.6
No identificado Honey Met842 No identificado
6.3
5.493e-
06
4
No identificado Burkholderia Met845 No identificado
-1
0.015
1.5
No identificado Dulce_Hogar Met845 No identificado
1.1
0.032
1.9
No identificado Yarrowia Met845 No identificado
1.1
0.024
1.6
No identificado Honey Met850 No identificado
-1.1
0.005
1.3
No identificado Yarrowia Met850 No identificado
-1.2
0.021
1.6
No identificado Honey Met851 No identificado
-1.8
0.033
1.6
No identificado Honey Met862 No identificado
-1.1
0.019
1.3
No identificado Yarrowia Met862 No identificado
-1
0.019
1.6
No identificado Yarrowia Met873 No identificado
-1
0.041
1.5
No identificado Honey Met881 No identificado
-1.9
0.013
1.7
No identificado Yarrowia Met881 No identificado
-1.1
0.013
1.6
No identificado Yarrowia Met905 No identificado
1
0.021
1.5
No identificado Honey Met907 No identificado
-1.3
0.01
1.5
No identificado Yarrowia Met907 No identificado
-1.3
0.048
1.7
No identificado Dulce_Hogar Met910 No identificado
1.6
0.041
2.3
No identificado Yarrowia Met912 No identificado
-1.1
0.04
1.6
No identificado Honey Met914 Salvianolic acid B
-1.9
0.036
1.6
Ácido fenolico Yarrowia Met914 Salvianolic acid B
-1.1
0.021
1.6
Ácido fenolico Yarrowia Met934 No identificado
-1
0.016
1.6
No identificado Burkholderia Met937 Caffeoylshikimate
-1.2
0.042
1.5
Ácido fenolico Honey Met953 Sanggenon B
-1.3
0.044
1.4
Flavonoide prenilado Yarrowia Met970 No identificado
-1.1
0.032
1.6
No identificado Dulce_Hogar Met979 No identificado
1.9
0.045
2.4
No identificado Honey Met987 No identificado
-1.4
0.04
1.4
No identificado
Anexo 4. Criterios de identificación de los compuestos Metabolito Masa experimental (m/z) Aducto Error (ppm) Peso molecular Anotacion putativa Formula molecular Met727
294,0529
M+Na
9
271,0612
(2R,3R)-pinobanksina C15H11O5 Met238
322,0475
M+K
0
283,0845
(E)-Avenantramida D C16H13NO4 Met445
322,0475
M+K
0
283,0845
(E)-Avenantramida D C16H13NO4 Met188
322,0477
M+K
0
283,0845
(E)-Avenantramida D C16H13NO4 Met1089
733,1492
M+K
5
694,1898
Ácido 6-{2-[6-carboxi-5-(2,4dihidroxifenil)-3-metilciclohex- 2-en-1-il]-6-[(2E)-3-(2,4dihidroxifenil)prop-2-enoil]-3hidroxifenoxi}-3,4,5trihidroxioxano-2-carboxílico C35H34O15 Met1178
180,0646
M+H
5
179,0582
ácido hipúrico C9H9NO3 Met1188
736,1859
M+NH4
3
718,1534
Ácido salvianólico B C36H30O16 Met210
524,0586
M+H-H2O
1
541,0611
ADP-ribosa cíclica C15H21N5O13P2 Met591
443,1324
M+Na
3
420,142
Afzelequina 3-O-alfa-Lramnopiranósido C21H24O9 Met802
556,1216
M+NH4
4
538,09
Agathisflavona C30H18O10 Met43
85,0891
M+H-H2O
4
102,0919
Aldehído de betaína C5H12NO Met417
783,2215
M+H
4
782,2114
Alfazurina FG C37H34N2O9S3.2NH4 Met70
308,0683
M+NH4
0
290,0346
apigeninidina Met119
400,1003
M+NH4
6
382,0689
Bikaverin C20H14O8 Met502
400,1003
M+NH4
6
382,0689
Bikaverin C20H14O8 Met937
336,0813
M+H
10
335,0772
cafeoilshikimato C16H15O8 Met322
765,211
M+NH4
0
747,1773
Cianidina 3-(2Ggaloilrutinósido) C34H35O19 Met358
514,1105
M+Na
5
491,119
Cianidina 3-(6''-acetilgalactósido) C23H23O12 Met282
514,1108
M+Na
5
491,119
Cianidina 3-(6''-acetilgalactósido) C23H23O12 Met759
514,1108
M+Na
5
491,119
Cianidina 3-(6''-acetilgalactósido) C23H23O12 Met987
514,1108
M+Na
5
491,119
Cianidina 3-(6''-acetilgalactósido) C23H23O12 Met125
514,111
M+Na
6
491,119
Cianidina 3-(6''-acetilgalactósido) C23H23O12 Met318
514,1111
M+Na
6
491,119
Cianidina 3-(6''-acetilgalactósido) C23H23O12
Metabolito Masa experimental (m/z) Aducto Error (ppm) Peso molecular Anotacion putativa Formula molecular Met4
437,132
M+NH4
1
419,0978
Cianidina 3-arabinósido C20H19O10 Met285
750,1954
M+Na
3
727,2086
Cianidina 3-xilosil-rutinósido C32H39O19 Met384
658,1869
M+H
3
657,1774
Clorofilida Cu C34H34CuN4O6 Met545
510,1165
M+2H
2
1018,2168
Dímero de epicatequina galato Met340
678,3248
M+2H
4
1354,6405
Diosgenina 3-[glucosil-(1->4)- [glucopiranosil-(1->6)]glucopiranosil-(1->4)ramnosil-(1->4)-[ramnosil-(1- >2)]-glucósido] C63H102O31 Met608
600,2052
M+NH4
4
582,1737
Epicatequina 3-O-(2-transcinamoil-beta-Dalopiranósido) C30H30O12 Met1169
755,2257
M+H
10
754,2109
Espinosina 6'''-(E)-p-cumarato C37H38O17 Met450
769,2423
M+H-H2O
9
786,2384
Heptacarboxilporfirina III C39H38N4O14 Met59
769,2423
M+H-H2O
9
786,2384
Heptacarboxilporfirina III C39H38N4O14 Met136
769,2426
M+H-H2O
9
786,2384
Heptacarboxilporfirina III C39H38N4O14 Met226
347,0632
M+K
3
308,1008
Indicaxantina C14H16N2O6 Met157
496,1007
M+H
3
495,092
Isopenteniladenosina-5'difosfato C15H23N5O10P2 Met171
723,1994
M+H-H2O
10
740,1953
Kaempferol 3-(4''-(Z)-pcumarilrobinobiosido) C36H36O17 Met349
558,1371
M+Na
5
535,1452
Malvidina 3-(6''acetilglucósido) C25H27O13 Met182
720,1898
M+Na
4
697,198
Malvidina 3-(6''acetilglucósido)-5-glucósido C31H37O18 Met34
544,1205
M+H-H2O
1
561,1244
Malvidina 3-glucósido-piruvato C26H25O14 Met281
443,2001
M+NH4
10
425,1621
Met Glu Phe C19H27N3O6S Met470
338,079
M+K
0
299,1158
N-cis-cafeoiltiramina C17H17NO4 Met419
753,211
M+K
2
714,2492
Niazimicina A C32H46N2O12S2 Met278
542,106
M+Na
6
519,1139
Pelargonidina 3-(6''malonilglucósido) C24H23O13 Met308
706,1743
M+H-H2O
0
723,1773
Pelargonidina 3-(6''malonilglucósido)-5-(6'''acetilglucósido) C32H35O19
Metabolito Masa experimental (m/z) Aducto Error (ppm) Peso molecular Anotacion putativa Formula molecular Met605
706,1743
M+H-H2O
0
723,1773
Pelargonidina 3-(6''malonilglucósido)-5-(6'''acetilglucósido) C32H35O19 Met717
706,1743
M+H-H2O
0
723,1773
Pelargonidina 3-(6''malonilglucósido)-5-(6'''acetilglucósido) C32H35O19 Met383
706,1744
M+H-H2O
0
723,1773
Pelargonidina 3-(6''malonilglucósido)-5-(6'''acetilglucósido) C32H35O19 Met421
706,1744
M+H-H2O
0
723,1773
Pelargonidina 3-(6''malonilglucósido)-5-(6'''acetilglucósido) C32H35O19 Met168
706,1746
M+H-H2O
1
723,1773
Pelargonidina 3-(6''malonilglucósido)-5-(6'''acetilglucósido) C32H35O19 Met274
706,1743
M+H-H2O
0
723,1773
Pelargonidina 3-(6''malonilglucósido)-5-(6''acetilglucósido) C32H35O19 Met144
324,0633
M+Na
10
301,0712
Peonidina C16H13O6 Met571
324,0633
M+Na
10
301,0712
Peonidina C16H13O6 Met252
528,1268
M+Na
6
505,1346
Peonidina 3-(6''-acetilgalactósido) C24H25O12 Met199
528,1267
M+Na
6
505,1346
Peonidina 3-(6''acetilglucósido) C24H25O12 Met710
734,1696
M+Na
4
711,1773
Peonidina 3-(6'malonilglucósido)-5-glucósido C31H35O19 Met1103
340,0581
M+Na
9
317,0661
Petunidina C16H13O7 Met881
340,0581
M+Na
9
317,0661
Petunidina C16H13O7 Met243
340,0582
M+Na
9
317,0661
Petunidina C16H13O7 Met681
340,0582
M+Na
9
317,0661
Petunidina C16H13O7 Met230
706,1737
M+Na
3
683,1823
Petunidina 3-glucósido-5-(6''acetilglucósido) C30H35O18 Met54
706,1739
M+Na
3
683,1823
Petunidina 3-glucósido-5-(6''acetilglucósido) C30H35O18 Met817
706,1739
M+Na
3
683,1823
Petunidina 3-glucósido-5-(6''acetilglucósido) C30H35O18 Met779
748,1846
M+NH4
4
730,1534
Procianidina B2 3-galato C37H30O16 Met1138
748,1852
M+NH4
3
730,1534
Procianidina B2 3-galato C37H30O16
Metabolito Masa experimental (m/z) Aducto Error (ppm) Peso molecular Anotacion putativa Formula molecular Met40
748,186
M+NH4
3
730,1534
Procianidina B2 3-galato C37H30O16 Met118
748,1866
M+NH4
3
730,1534
Procianidina B2 3-galato C37H30O16 Met641
468,1237
M+2H
5
934,2379
Quercetina 3-(6''cafeoilsoforósido)-7ramnósido C42H46O24 Met573
278,1267
M+H
7
277,1175
Queuine Met953
571,1911
M+H
9
570,189
Sanggenona B C33H30O9 Met399
114,0469
Sin coincidencia Met1424
135,0684
Sin coincidencia Met45
145,0527
Sin coincidencia Met836
322,0476
Sin coincidencia Met1143
365,8316
Sin coincidencia Met557
388,8366
Sin coincidencia Met1090
404,074
Sin coincidencia Met725
421,7893
Sin coincidencia Met1110
422,0823
Sin coincidencia Met1050
423,8223
Sin coincidencia Met505
440,7597
Sin coincidencia Met1399
472,2055
Sin coincidencia Met845
495,7892
Sin coincidencia Met934
495,9006
Sin coincidencia Met330
497,9001
Sin coincidencia Met1292
500,1316
Sin coincidencia Met1098
514,1108
Sin coincidencia Met1032
514,1111
Sin coincidencia Met1186
514,1113
Sin coincidencia Met979
514,7595
Sin coincidencia Met862
528,1269
Sin coincidencia Met834
535,77
Sin coincidencia Met1139
554,7399
Sin coincidencia Met1416
559,2054
Sin coincidencia Met1323
609,8804
Sin coincidencia Met1079
611,8801
Sin coincidencia Met1187
639,8755
Sin coincidencia Met1386
641,874
Sin coincidencia Met842
664,3087
Sin coincidencia Met679
668,7205
Sin coincidencia Met1283
698,2937
Sin coincidencia Met851
706,1736
Sin coincidencia
Metabolito Masa experimental (m/z) Aducto Error (ppm) Peso molecular Anotacion putativa Formula molecular Met796
706,1741
Sin coincidencia Met1379
716,1222
Sin coincidencia Met1215
720,19
Sin coincidencia Met1447
723,2003
Sin coincidencia Met651
723,2005
Sin coincidencia Met1397
723,2008
Sin coincidencia Met305
725,8598
Sin coincidencia Met970
734,17
Sin coincidencia Met912
736,1847
Sin coincidencia Met1387
737,2161
Sin coincidencia Met1335
737,2165
Sin coincidencia Met905
739,7266
Sin coincidencia Met910
742,7208
Sin coincidencia Met1091
751,1956
Sin coincidencia Met1082
751,8562
Sin coincidencia Met160
753,208
Sin coincidencia Met907
753,2105
Sin coincidencia Met748
753,8549
Sin coincidencia Met546
755,8527
Sin coincidencia Met767
758,697
Sin coincidencia Met873
765,2103
Sin coincidencia Met1130
769,2423
Sin coincidencia Met821
781,2059
Sin coincidencia Met850
803,4427
Sin coincidencia Met531
840,2211
Sin coincidencia Met1053
842,3694
Sin coincidencia Met616
856,7031
Sin coincidencia Met532
867,8354
Sin coincidencia Met749
881,8132
Sin coincidencia Met432
885,8087
Sin coincidencia Met558
1032,675
Sin coincidencia Met525
1060,708
Sin coincidencia Met296
1072,2325
Sin coincidencia Met127
1072,2346
Sin coincidencia Met1021
1076,7023
Sin coincidencia Met716
1090,7162
Sin coincidencia Met404
1104,7333
Sin coincidencia Met1033
1120,7271
Sin coincidencia Met1172
1148,7597
Sin coincidencia
Metabolito Masa experimental (m/z) Aducto Error (ppm) Peso molecular Anotacion putativa Formula molecular Met600
1324,8664
Sin coincidencia Met7
453,1632
M+H-H2O
8
460,207
Trp Gln Gln C21H28N6O6
Cita: Vergara Lopez, Laura Isabella (2026), El microbioma de la planta y su impacto sobre el metaboloma de hojas, frutas y semillas fermentadas, Universidad del Valle, p. N. https://hdl.handle.net/10893/41377