Los ensayos de crecimiento microbiano mediante lectores de placas de microtitulación se utilizan habitualmente en la industria biofarmacéutica para evaluar los componentes de los medios de cultivo. Estos ensayos generan grandes cantidades de datos con mucha rapidez; por lo tanto, es fundamental implementar métodos automatizados para optimizar el análisis de datos y agilizar la toma de decisiones. En Kerry, la recuperación, limpieza y formateo de los datos de los ensayos de crecimiento es un proceso manual que consume mucho tiempo y es propenso a errores.
En este trabajo, se creó una serie de scripts para mejorar el análisis de datos mediante la automatización del formato, la limpieza y la visualización de los mismos. Se utilizaron el generador de flujos de trabajo y el generador de complementos de JMP para capturar los scripts y crear un enfoque intuitivo e intuitivo que reduce el tiempo de análisis de datos y automatiza los análisis redundantes en ensayos de crecimiento microbiano de alto rendimiento. Los complementos redujeron el tiempo de análisis de datos en un 80 %, de 20 a 4 minutos por archivo de datos sin procesar. Estos complementos estarán disponibles públicamente para otros usuarios de JMP que necesiten optimizar la recuperación, la limpieza y el análisis de datos en ensayos de placas de microtitulación de alto rendimiento.
Muy bien. Hola. Mi nombre es Kyle Probst. Soy científico sénior en Kerry, con sede en Beloit, Wisconsin, que es nuestra sede central en Norteamérica. Hoy, mi presentación tratará sobre el uso de JMP Add-in Builder para automatizar la caracterización del crecimiento microbiano. Tengo unos ocho años de experiencia trabajando con JMP y estoy muy emocionado de presentar hoy, ya que es la primera vez que participo en Discovery Summit.
Aquí les presento un breve resumen para que tengan una mejor idea de lo que hablaremos hoy. Introducción: explicaremos por qué realizamos este trabajo, su importancia, el objetivo, lo que buscábamos específicamente. Luego, les daré información general sobre Kerry, la nutrición celular farmacéutica, qué son los ensayos de crecimiento microbiano, nuestro enfoque para realizarlos y, finalmente, hablaré un poco sobre nuestro método actual de análisis de datos. Después, avanzaremos rápidamente y haré una demostración del complemento para que comprendan claramente lo que hicimos. Finalmente, llegaremos a las conclusiones.
Muy bien. La selección de materias primas y nutrientes para medios de cultivo es un paso fundamental en el desarrollo de bioprocesos. Los ensayos de cribado de alto rendimiento (HTS, por sus siglas en inglés) que utilizan lectores de placas de microtitulación se emplean habitualmente en la industria farmacéutica. Estos ensayos generan grandes cantidades de datos con mucha rapidez, por lo que el procesamiento y análisis de datos se convierte en un cuello de botella.
La automatización del análisis de datos, que suele ser el cuello de botella, es fundamental para agilizar la toma de decisiones. Sabemos que el tiempo es dinero, sobre todo en la industria. En Kerry, la recuperación, limpieza y formateo de los datos de los ensayos HTS es un proceso manual que consume mucho tiempo y es propenso a errores. En este trabajo, utilizamos JMP para optimizar el análisis de datos HTS y, de esta forma, agilizar la toma de decisiones.
Voy a ir directo al grano. Estos son los datos brutos iniciales con los que estamos trabajando. Se reciben en una hoja de cálculo de Excel. Lo que buscamos convertir en esto, el producto final, los datos procesados, son estas dos figuras. Tenemos una figura que representa la cinética de crecimiento o las curvas de crecimiento. Luego tenemos el área bajo la curva, que es una métrica que se utiliza para representar el rendimiento del crecimiento. Eso es lo que buscamos obtener. Este es el producto final. Esto es lo que vamos a intentar lograr hoy.
El objetivo era desarrollar una serie de complementos para permitir un formato y una limpieza de datos flexibles, con el fin de reducir el tiempo de análisis y automatizar el análisis redundante en los ensayos de crecimiento microbiano HTS. Las funciones de JMP que utilizamos fueron el Creador de complementos, el Creador de flujos de trabajo, la Herramienta de recodificación, el Creador de gráficos y el Panel de control.
Un poco de información sobre Kerry. Kerry es la empresa donde trabajo. Es una compañía irlandesa de ingredientes alimentarios y somos líderes mundiales en sabor, conservación, salud e ingredientes biofarmacéuticos. En Kerry, nos centramos en nuestros clientes, suministrándoles ingredientes para que puedan crear alimentos y bebidas más sabrosos y nutritivos, además de suplementos que promueven la salud y medicamentos que salvan vidas.
Trabajo en el área farmacéutica de la empresa, que lleva más de 100 años en el mercado. Se compone de tres pilares: excipientes, acetatos y nutrición celular. Mi trabajo se centra en la nutrición celular. Esto incluye productos como nuestros hidrolizados de proteínas y extractos de levadura, que comercializamos como ingredientes para la nutrición celular en la industria biofarmacéutica y biotecnológica.
En Kerry, ofrecemos suplementos complejos para medios de cultivo. Estos incluyen hidrolizados de proteínas, también conocidos como peptonas (para quienes hayan cursado microbiología), y extractos de levadura. Se trata de materias primas parcialmente digestibles, ricas en nitrógeno. Suelen utilizarse como fuente principal de nitrógeno en formulaciones de medios de cultivo, ya que aportan numerosos nutrientes esenciales a las células, como péptidos, aminoácidos libres, vitaminas, minerales, etc.
Cuando hablamos de nutrición celular, nos referimos a los nutrientes necesarios para el sustento de las células de mamíferos, insectos y microorganismos que se utilizan en la industria biotecnológica. Estos son nuestros ingredientes. A continuación, presentamos algunos ejemplos de tipos de células, así como de los productos que se elaboran para mejorar nuestra calidad de vida, como la insulina, los anticuerpos, las vacunas, los probióticos e incluso los antibióticos. Estos son solo algunos ejemplos.
En Kerry, disponemos de más de 100 hidrolizados de proteínas y extractos de levadura diferentes para crear formulaciones. Podemos analizar y optimizar estos ingredientes utilizando nuestras cepas y células propias, y crear prototipos de formulaciones según las necesidades de nuestros clientes. Espero que esto les dé una mejor idea de mi trabajo en Kerry y de qué se trata la nutrición celular.
Muy bien. En Kerry, realizamos ensayos de crecimiento microbiano de forma muy rutinaria, y estos se utilizan para evaluar algunos de nuestros ingredientes de nutrición celular para aplicaciones microbianas. Como mencioné, tenemos muchos ingredientes disponibles. La evaluación nos permite probar muchos productos rápidamente y seleccionar solo algunos de los mejores candidatos para la optimización de la formulación. Los ensayos de crecimiento utilizan lectores de placas de microtitulación, que son herramientas fundamentales para nuestra etapa de evaluación.
Con nuestro protocolo, podemos analizar hasta 40 ingredientes diferentes en un solo ensayo. También podemos evaluar múltiples cepas microbianas y aplicar enfoques basados en el diseño de experimentos (DOE), como diseños de cribado definitivos e incluso diseños de cribado de dos niveles, como el de Plackett-Burman o el diseño factorial fraccionado.
Por ejemplo, podríamos tener un cliente que busca un hidrolizado de proteína vegetal que favorezca el crecimiento de Lactobacillus acidophilus, una cepa probiótica importante. En ese caso, comenzaríamos analizando varios hidrolizados de proteína vegetal para encontrar uno o varios que favorezcan el crecimiento óptimo de este microorganismo.
Este es un ejemplo del flujo de trabajo del ensayo de crecimiento. Nuestros productos se formulan en un medio de cultivo líquido. La mayoría son polvos secos, por lo que deben hidratarse. También podemos añadir otros nutrientes si es necesario, específicos para el microorganismo que se cultiva. A continuación, tenemos un inóculo, que son células vivas y activas. Solemos prepararlo con antelación para asegurar que las células estén en pleno crecimiento y sanas antes de utilizarlas.
Luego, el caldo y el inóculo se pipetean en la placa de pocillos. Esta es la placa de pocillos. En este caso, la placa contiene 100 pocillos individuales donde añadimos entre 100 y 200 microlitros. Solemos hacerlo con una pipeta multicanal, como la que se muestra aquí arriba.
Estamos trabajando con cantidades de microplacas. Para nuestro ensayo de biocribado, el biocribado C, que es el instrumento que utilizamos, podemos procesar dos de estas placas simultáneamente. Normalmente, también realizamos cinco réplicas técnicas o cinco pocillos por tratamiento. Podemos procesar hasta 40 placas a la vez. Cuando la placa se coloca en un lector de placas, este funciona como un biocribado y permite controlar la temperatura y la agitación. La mayoría de las bacterias se cultivan a 37 °C durante 24 a 48 horas, por poner un ejemplo.
Este instrumento mide automáticamente la densidad óptica a lo largo del tiempo. Utilizamos una densidad óptica de 600 nanómetros, también conocida como DO 600. Esta es una métrica estándar en la industria para cuantificar el crecimiento microbiano. A medida que las células se replican y crecen, el caldo se vuelve turbio, lo cual es proporcional a la DO 600. Con el crecimiento celular, la DO 600 aumenta, y este valor se representa gráficamente en función del tiempo para obtener una curva de crecimiento en la parte superior. En el eje Y se muestra la densidad celular o DO 600, y en el eje X, el tiempo. Los diferentes nutrientes dan lugar a distintos niveles de crecimiento, que medimos y podemos visualizar en la curva de crecimiento.
Si te preguntas qué es una curva de crecimiento, se trata de la cinética microbiana que describe el crecimiento de nuestras poblaciones de microorganismos, como bacterias o levaduras, a lo largo del tiempo. Cuando las condiciones son las adecuadas, como tener suficiente alimento, la temperatura correcta o el entorno apropiado, estas células pueden dividirse y multiplicarse rápidamente. Aquí observamos varias fases diferentes.
La primera es la fase de latencia. Cuando los microbios se introducen por primera vez en un nuevo entorno, no comienzan a multiplicarse de inmediato. Necesitan un tiempo para adaptarse a su entorno y prepararse para el crecimiento. Esa es la fase de latencia. Luego, una vez que los microbios están listos, comienzan a multiplicarse rápidamente. Cada célula se divide en dos, cuatro, luego ocho, y así sucesivamente, lo que conlleva un rápido aumento de la población. Esa es la fase exponencial o logarítmica de la curva de crecimiento.
Con el tiempo, el alimento y el espacio comenzarán a escasear o los desechos se acumularán, lo que ralentizará el crecimiento. Esto nos lleva a la fase estacionaria. El número de células nuevas que se crean se equilibra con el número de células que mueren, por lo que la población se mantiene constante. La curva de crecimiento nos permite visualizar el rendimiento del crecimiento. De esta manera, podemos comparar y seleccionar rápidamente aquellos que cumplan con estos criterios.
Además, otra métrica que medimos es el área bajo la curva. Esta se utiliza para resumir la curva en un solo número, basado en la región que se encuentra debajo de ella. En las mismas condiciones y durante el mismo período de tiempo, cuanto mayor sea el área bajo la curva, mayor será el crecimiento general. Espero que esto quede bastante claro.
Esto me lleva a nuestro método actual de procesamiento de datos, que requería tanto Excel como JMP. Excel se usaba para editar y calcular manualmente los puntos de tiempo, el área bajo la curva y para poner a cero los datos de OD 600, lo cual les mostraré más adelante. Luego, hacíamos un salto y lo usábamos para recodificar manualmente y editar las figuras. Todo esto se hacía desde cero cada vez, lo que resultaba un poco engorroso.
En el día a día, este proceso se realizaba de forma ligeramente diferente, ya que lo hacíamos desde cero cada vez, por lo que no era consistente. Debido a esto, a menudo encontrábamos errores sutiles o diferencias entre los conjuntos de datos, lo que lo hacía propenso a errores. Además, consumía bastante tiempo. Procesar un conjunto de datos sin procesar podía llevar unos 20 minutos. El enfoque mejorado, que es el que implementamos en este artículo y que les mostraré en breve, aprovechó las ventajas del Generador de Flujos de Trabajo de JMP para capturar scripts de análisis redundantes y crear una serie de complementos.
Una de las cosas que más me gustó del Generador de Flujos de Trabajo es que tengo muy poca experiencia en programación. El Generador de Flujos de Trabajo me permitió copiar y pegar el código del flujo de trabajo ya establecido y, a partir de ahí, crear complementos. ¡Súper fácil! Cabe mencionar que no todo el código se obtuvo del Generador de Flujos de Trabajo. Debo admitir que conté con la ayuda de nuestro amigo Jerry Fish, nuestro ingeniero de sistemas JMP, para la parte más avanzada de la programación. En general, este enfoque mejorado redujo el tiempo de análisis a cuatro minutos, lo que representa una reducción del 80% en el tiempo total, algo realmente excelente para nosotros.
Muy bien. Voy a salir de aquí rápidamente y voy a abrir el archivo de datos sin procesar. Así podrán ver lo que estamos viendo. Ya lo mostré en la pantalla antes. El archivo de datos sin procesar viene en formato Excel. La primera columna muestra el tiempo, y las columnas siguientes corresponden a cada pozo de la placa de registro.
También incluimos un mapa de placas de pocillos junto con los datos. Este mapa lo añadimos manualmente al archivo. Esto nos permite comprender qué se colocó en cada pocillo. Nos proporciona un mapa o una clave clara a la que podemos consultar. Por ejemplo, la cepa A y el medio 1 se añadieron a los pocillos 1, 21, 41, 61 y 81, y los números del uno al cinco representan réplicas. Usamos la primera fila, que corresponde a la cepa A y al medio 1, y así sucesivamente. Esperamos que esto les dé una mejor idea de cómo lo hacemos.
Muy bien, voy a terminar esto y luego pasaré a JMP, y revisaremos los complementos. Si no están familiarizados con los complementos, les recomiendo que les echen un vistazo. Son simplemente una forma de agregar funciones adicionales a su software JMP. Hay muchísimos disponibles creados por otros usuarios. Yo tengo varios aquí, pero me centraré en los datos de la prueba de bioanálisis. Vamos a empezar.
Lo primero que vamos a hacer es abrir un archivo general. Este es el archivo de Excel que les acabo de mostrar. Voy a hacer clic en Abrir aquí y asegurarme de que tengan todos los archivos seleccionados. De esa manera, puede detectar cosas como Excel. Hago clic en Abrir y luego se abre el Asistente para importar Excel. Voy a importar tanto el mapa de la placa de pocillos como los datos brutos, los datos de 600 nanómetros. Todo está configurado como quiero aquí. Voy a hacer clic en Importar. Eso me dará dos tablas de datos diferentes. Voy a centrarme primero en la cinética de los datos.
Lo primero que quiero hacer es añadir una columna de secuencia temporal. Debido al formato actual, no puedo graficar la hora a lo largo del tiempo. Quiero que esté en formato decimal, y eso es lo que hizo el complemento. Voy a eliminar esta columna porque no la necesito. Quiero la hora en formato decimal con horas.
Lo siguiente que vamos a hacer es restar filas para corregir la densidad óptica (DO). Vamos a borrar nuestros datos iniciales. Cuando usamos diferentes tipos de medios, estos pueden tener diferentes valores de DO iniciales. Aquí pueden ver que algunos son diferentes. Queremos que todos estén en el mismo plano. Queremos poner a cero la DO inicial. Simplemente tomaremos estos números de la primera fila y los restaremos de cada fila. Básicamente, estamos poniendo a cero el detector, poniendo todo en el mismo plano.
Voy a presionar restar fila, y eso lo hace. Muy bien. Luego, lo siguiente que vamos a hacer es apilar los datos. Voy a seleccionar las columnas aquí. Voy a presionar Shift, manteniendo presionada la tecla Shift, seleccionar todas las columnas excepto la columna de tiempo. Luego voy a apilarlas y eso crea una nueva tabla de datos. También recodifiqué el número de pozo. Eso se hizo en segundo plano.
Por ahora, esto está bien. Necesito volver a mi mapa de placas de pozo y darle un poco de formato para que JMP lo acepte. Necesito apilar todas estas réplicas en una sola columna. Aquí tengo una placa de pozo apilada. Eso me da este archivo de datos del mapa de pozo actualizado. Luego puedo usar esta tabla como herramienta, como un mapa, para recodificar mis datos apilados que contienen todos mis valores de datos OD. Eso es lo que voy a hacer ahora.
Tengo una recodificación por placa de pocillos. Tengo la cepa como uno de mis factores de recodificación. Tengo réplicas. Esos son casi siempre consistentes en nuestros experimentos. Además, tengo diferentes tratamientos en tu tratamiento: uno, dos, tres, cuatro. Para este ejemplo, solo tenemos un tratamiento, pero podría tener más de uno. Por eso lo incluyo, para brindar mayor flexibilidad.
Muy bien, esto está listo para el procesamiento adicional. Voy a volver a mi archivo de datos sin procesar y vamos a calcular el área bajo la curva a continuación. El área bajo la curva tiene su propio conjunto de complementos. Lo primero que voy a hacer es calcular una suma acumulativa de filas.
Cuando calculamos el área bajo la curva, lo hacemos sumando cada fila, haciendo una suma acumulativa de cada fila, luego tomamos el valor final, y ese será nuestra área bajo la curva. Esto generó 200 columnas adicionales. Voy a resaltarlas y luego seleccionaré la última fila porque es la que me interesa. Quiero usar estos datos. El 14.145 es el área bajo la curva para el pozo uno.
Tengo un complemento aquí. Me permitirá subconjuntar esto y también reformatear. Voy a cerrar esto aquí. Tengo el número de pozo y el área bajo la curva. Lo último que necesito hacer aquí para este conjunto de datos es que tengo que recodificar esto también por el mapa de pozos, lo mismo que hicimos antes. Cepa, luego tenemos nuestra réplica. Luego lo último que tenemos que hacer es el tratamiento uno.
Esta tabla ya está lista. Ambas tablas están listas. El siguiente paso es combinar la tabla del área bajo la curva con la tabla de datos de la pila. Quiero combinar estas dos tablas. De hecho, también tengo un complemento para eso. ¡Empecemos!
La razón por la que quería combinar estos dos elementos es porque voy a crear algunas figuras y quiero que estén vinculadas dinámicamente entre sí cuando las coloque en un panel de control. Para ello, necesito tener ambos elementos en la misma tabla de datos.
Voy a crear dos figuras diferentes ahora. Una de ellas son curvas de crecimiento, y tengo un complemento para eso. Voy a ejecutarlo. Esto es algo que creé en Graph Builder, donde tenemos nuestra OD 600 en el eje Y, el tiempo en el eje X, y luego puedes ver las curvas de crecimiento para cada cepa. Voy a minimizar esto. También voy a crear un área bajo la curva, Graph Builder aquí. Se ve así, donde tenemos el área bajo la curva aquí en el eje Y y luego los diferentes componentes del medio en el eje X. Este es un gráfico de barras con una desviación estándar. Esa es la barra de error está aquí en todas las réplicas técnicas.
Por último, vamos a crear un panel de control. El panel está configurado para mostrar la curva de crecimiento, el área bajo la curva y un filtro de datos que me permite interactuar con ellos. Voy a analizar la cepa 1. Una de las ventajas de este panel es que ahora puedo interactuar con los datos. Por ejemplo, si quisiera ver la curva de crecimiento del medio 14, se resaltaría automáticamente, lo cual es muy práctico.
Además, podría sentarme aquí, ordenar el área bajo la curva de menor a mayor, e incluso seleccionar los tres candidatos principales, que son estos de aquí, con los que podríamos realizar un trabajo de optimización adicional. Como pueden ver, pasamos rápidamente de los datos brutos a la visualización de los mismos y, finalmente, a la toma de decisiones.
Una última cosa. Me queda un poco de tiempo y quería mostrarles un ejemplo de cómo usar el Generador de flujos de trabajo para crear un complemento. Voy a hacerlo con mi conjunto de datos. Voy a cerrar un par de estas figuras. Voy a usar esta tabla. Voy a abrir un nuevo flujo de trabajo aquí. Se va a Archivo, Nuevo, Flujo de trabajo. Para poder usar el Generador de flujos de trabajo, que captura el script de lo que estás trabajando en JMP, registra tu script. De esa manera, puedes tomar ese script y usarlo para lo que quieras. En este caso, vamos a configurar un complemento.
Voy a presionar grabar, voy a minimizar esto. Lo que voy a hacer es simplemente crear otro gráfico aquí. Voy a trazar OD en mi eje Y, tiempo en mi eje X. Voy a hacer que estos sean curvas. Voy a poner mis tratamientos como mi superposición, y luego simplemente voy a cambiarle el nombre a esto "curvas de crecimiento". Vamos a cambiar la fuente aquí rápidamente. Hagámosla grande para que se pueda leer. Voy a cambiar la fuente aquí y ponerla en negrita, un poco más grande. Lo mismo con el tiempo. Vamos a ponerlo en negrita, un poco más grande. Luego vamos a cambiar la leyenda aquí. Simplemente la llamaré "Medios". Bien, eso se ve bien.
Para que el Generador de flujos de trabajo capture este script mientras trabajas en el Generador de gráficos, me di cuenta de que tienes que cerrar el gráfico. Voy a hacerlo. Voy a volver al Generador de flujos de trabajo y verás que ha capturado mi script. Muy práctico, sobre todo para alguien como yo que no tiene muchos conocimientos de programación.
Lo que voy a hacer es resaltar y copiar esto, luego voy a detener esto y luego voy a abrir... Disculpen, voy a abrir esto en una pantalla diferente. Voy a abrir mi complemento aquí rápidamente. De esa manera podemos poner este ejemplo aquí. Para abrir el Creador de complementos, tienen que seleccionar este pequeño triángulo hacia abajo.
Este es el creador de complementos con el que he estado trabajando. Voy a ir a los elementos de mi menú. Estaba practicando esto antes. Olvidé borrarlo. Voy a crear un nuevo ejemplo ahora. Voy a agregarlo al final, aquí debajo de Dashboard, y puedes hacer clic en Comando. Voy a pegar esto. Solo como una simple demostración, ¿de acuerdo? Voy a hacer clic en Guardar.
Cuando vuelva a JMP, usaré esta tabla combinada de cinética y AUC. Si hago clic en mis complementos, datos de biopantalla, parece que no le puse nombre, pero no importa. Simplemente ejecuta el elemento de menú uno. Esto debería generar la figura que acabo de crear. Veamos si lo hace. Sí, lo hace. Ahí está. Perfecto. Este es solo un ejemplo de cómo usar el Generador de flujos de trabajo y capturar scripts. De esa manera, puedes agregarlo a un complemento. Muy útil para tareas rutinarias que se vuelven redundantes, como crear figuras.
Bien. Voy a terminar aquí. Tengo un par de diapositivas más. Pudieron comprender bien para qué usamos JMP aquí, el Creador de complementos. Logramos simplificar y reducir el tiempo de procesamiento de los datos de nuestro ensayo de biocribado. Tuvimos una reducción del 80 % en el tiempo. ¿Qué significa esto? Si pudieran realizar 120 ensayos de biocribado, el tiempo de análisis de datos se reduciría de una semana o 40 horas a un día u ocho horas. Bastante significativo.
No todos los ensayos que realizamos son iguales. La serie de scripts basados en clics nos brinda la flexibilidad necesaria para procesar datos de los diversos diseños experimentales que utilizamos. El Generador de Flujos de Trabajo realmente marca la diferencia. Lo que les mostré hoy no me llevó mucho tiempo crearlo. Creo que menos de 10 horas en total para desarrollar todos esos complementos. Como ya mencioné, mis conocimientos de programación son limitados. Esto lo hizo muy fácil y accesible para personas como yo, que somos principiantes en el mundo de la programación.
Para el futuro, aún nos queda mucho por hacer. Creo que sin duda hay oportunidad de mejorar nuestros complementos y nuestro enfoque de análisis. Sería genial implementar un enfoque totalmente automatizado para algunos de los análisis más rutinarios que realizamos, con el fin de lograr un procesamiento de datos aún más rápido. De hecho, ya lo estamos haciendo. Estoy desarrollando otros complementos para otros análisis de datos rutinarios, más allá de los ensayos de crecimiento que les mostré. Aprovechar al máximo estas herramientas me ahorra muchísimo tiempo en mi trabajo de laboratorio y en el procesamiento de datos. Es realmente muy práctico.
También planeo combinar los complementos de este trabajo con una presentación de mi colega Jerry Fish, que consiste en utilizar el Explorador de Datos Funcionales de JMP Pro para cuantificar diferentes parámetros de las curvas de crecimiento. Parámetros como la tasa de crecimiento, el tiempo de latencia, el tiempo hasta la fase estacionaria y la densidad óptica (DO) o densidad celular en la fase estacionaria son muy importantes para nosotros a la hora de tomar decisiones con nuestros datos.
Estoy muy emocionado de colaborar con Jerry para combinar el trabajo que hemos realizado aquí con algunos de los proyectos interesantes en los que él también está trabajando. Les contaré más sobre eso más adelante. Incluí un enlace y el título de su presentación, que también presentará en la cumbre JMP. ¡Es genial! Sin duda, échenle un vistazo si tienen la oportunidad.
Bien. Con esto concluyo. Quería compartir con ustedes mi información de contacto por si tienen alguna pregunta sobre el trabajo que hemos realizado aquí, o si simplemente desean comunicarse conmigo para hablar sobre microbiología o nutrición. Me encanta hablar de estos temas. Es un verdadero placer poder presentarles esto hoy. Gracias por su atención y espero poder comunicarme con algunos de ustedes pronto. Muy bien. Gracias.
