Vol. 13/ Núm. 1 2026 pág. 1
https://doi.org/10.69639/arandu.v13i1.2009
Algoritmo de Forrajeo de Bacterias para el Alineamiento
Múltiple de Secuencias Relacionadas con Alzheimer
Bacterial Foraging Algorithm for Multiple Alignment of Alzheimer's-Related Sequences
Erik Iván Toledo Galeana
toledo.e@uadec.edu.mx
Universidad Autónoma de Coahuila, Facultad de Sistemas
Saltillo Coahuila, México
María Magdalena Delabra-Salinas
https://orcid.org/0000-0002-4467-191X
magdalena-delabra-salinas@uadec.edu.mx
Universidad Autónoma de Coahuila, Facultad de Enfermería
Saltillo Coahuila, México
Ernesto Rios Willars
riose@uadec.edu.mx
https://orcid.org/0000-0002-7157-8884
Universidad Autónoma de Coahuila, Facultad de Sistemas
Saltillo Coahuila, México
Artículo recibido: 18 enero2026-Aceptado para publicación: 20 febrero 2026
Conflictos de intereses: Ninguno que declarar.
RESUMEN
Se desarrollaron dos algoritmos de forrajeo de bacterias para el alineamiento múltiple de
secuencias relacionadas con el Alzheimer en humanos. Los resultados muestran que el segundo
algoritmo es más eficiente en el número de funciones evaluadas y el valor de fitness para las
bacterias en la población del algoritmo. Se pone a disposición el proyecto gitHub y las secuencias
genéticas.
Palabras clave: BFOA, Alzheimer, Algoritmo, MSA
ABSTRACT
Two bacterial foraging algorithms were developed for the multiple alignment of sequences related
to Alzheimer's disease in humans. The results show that the second algorithm is more efficient in
terms of the number of features evaluated and the fitness value for bacteria in the algorithm's
population. The project and the genetic sequences are available on GitHub.
Keywords: BFOA, Alzheimer, Algorithm, MSA
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 13/ Núm. 1 2026 pág. 2
INTRODUCCIÓN
El alineamiento de secuencias genéticas es un concepto fundamental en bioinformática que
implica comparar secuencias de ADN, ARN o proteínas para identificar regiones relacionadas
desde una perspectiva funcional, estructural o evolutiva. Los alineamientos múltiples son una
base crucial para análisis posteriores, como la evolución molecular, la predicción de genes y la
identificación de variantes genéticas (Amorim et al., 2021). Los algoritmos de optimización
metaheurística desempeñan un papel importante en la mejora de la alineación de secuencias. El
algoritmo tradicional de programación dinámica (Lipman et al., 1989) para dos secuencias es
demasiado lento cuando se usa con más de tres secuencias. Por esto los algoritmos metaheurísticos
han llegado a ser fundamentales para resolver múltiples problemas de alineación en
bioinformática (Zambrano-Vega et al., 2017).
Algoritmo de Forrajeo de Bacterias (BFOA)
Es un enfoque bioinspirado basado en el comportamiento de forrajeo de la bacteria
Escherichia coli. Este algoritmo optimiza funciones simulando el movimiento de las bacterias en
busca de nutrientes (Guo et al., 2021). El movimiento de la E. coli tiene dos características
principales: nado y tumbo. Estos movimientos son posibles gracias a los flagelos de la bacteria.
Los pasos básicos del algoritmo se describen a continuación.
El nado: En el algoritmo BFOA, el nado se replica haciendo que las bacterias (es decir, las
posibles soluciones) se muevan hacia los nutrientes (soluciones cada vez mejores) y evaluando si
mejora en cada movimiento (Hernández-Ocaña et al., 2016).
El tumbo: Cuando E. coli detecta un ambiente desfavorable o busca cambiar de dirección,
los flagelos giran, haciendo que la bacteria gire, cambiando su trayectoria. En BFOA, este
comportamiento se simula con cambios aleatorios en la solución (Pang et al., 2018).
Quimiotaxis: La simulación del proceso de quimiotaxis del BFOA es una parte. Cada ciclo
representa una iteración del algoritmo, en el que las bacterias se mueven a través del espacio de
búsqueda para encontrar mejores soluciones (Xu & Chen, 2014).
Evaluación: En la naturaleza, la supervivencia del más apto define las características
genéticas dignas de ser transmitidas a las nuevas generaciones. Esto se simula en el BFOA
sometiendo las posibles soluciones a una evaluación en la que se ve la calificación (fitness) (Chen
et al., 2017).
La función de interacción se calcula de acuerdo con la expresión g().
𝑔(𝑐𝑒𝑙𝑙𝑘) = ∑ [−𝑑𝑎𝑡𝑡𝑟 ∗ 𝑒(−𝑤𝑎𝑡𝑡𝑟∗ ∑ (𝑐𝑒𝑙𝑙𝑚
𝑘 −𝑜𝑡ℎ𝑒𝑟𝑚
𝑖 )2𝑃
𝑚=1 )]
𝑆
𝑖=1
+ ∑ [ℎ𝑟𝑒𝑝𝑒𝑙 ∗ 𝑒(−𝑤𝑟𝑒𝑝𝑒𝑙∗ ∑ (𝑐𝑒𝑙𝑙𝑚
𝑘 −𝑜𝑡ℎ𝑒𝑟𝑚
𝑖𝑃
𝑚=1 )2
]
𝑆
𝑖=1
La primera célula representa una bacteria, mientras que la segunda célula representa una
célula vecina. "dattr" y "wattr" son coeficientes de atracción, y "hrepel" y "wrepel" son
INTRODUCCIÓN
El alineamiento de secuencias genéticas es un concepto fundamental en bioinformática que
implica comparar secuencias de ADN, ARN o proteínas para identificar regiones relacionadas
desde una perspectiva funcional, estructural o evolutiva. Los alineamientos múltiples son una
base crucial para análisis posteriores, como la evolución molecular, la predicción de genes y la
identificación de variantes genéticas (Amorim et al., 2021). Los algoritmos de optimización
metaheurística desempeñan un papel importante en la mejora de la alineación de secuencias. El
algoritmo tradicional de programación dinámica (Lipman et al., 1989) para dos secuencias es
demasiado lento cuando se usa con más de tres secuencias. Por esto los algoritmos metaheurísticos
han llegado a ser fundamentales para resolver múltiples problemas de alineación en
bioinformática (Zambrano-Vega et al., 2017).
Algoritmo de Forrajeo de Bacterias (BFOA)
Es un enfoque bioinspirado basado en el comportamiento de forrajeo de la bacteria
Escherichia coli. Este algoritmo optimiza funciones simulando el movimiento de las bacterias en
busca de nutrientes (Guo et al., 2021). El movimiento de la E. coli tiene dos características
principales: nado y tumbo. Estos movimientos son posibles gracias a los flagelos de la bacteria.
Los pasos básicos del algoritmo se describen a continuación.
El nado: En el algoritmo BFOA, el nado se replica haciendo que las bacterias (es decir, las
posibles soluciones) se muevan hacia los nutrientes (soluciones cada vez mejores) y evaluando si
mejora en cada movimiento (Hernández-Ocaña et al., 2016).
El tumbo: Cuando E. coli detecta un ambiente desfavorable o busca cambiar de dirección,
los flagelos giran, haciendo que la bacteria gire, cambiando su trayectoria. En BFOA, este
comportamiento se simula con cambios aleatorios en la solución (Pang et al., 2018).
Quimiotaxis: La simulación del proceso de quimiotaxis del BFOA es una parte. Cada ciclo
representa una iteración del algoritmo, en el que las bacterias se mueven a través del espacio de
búsqueda para encontrar mejores soluciones (Xu & Chen, 2014).
Evaluación: En la naturaleza, la supervivencia del más apto define las características
genéticas dignas de ser transmitidas a las nuevas generaciones. Esto se simula en el BFOA
sometiendo las posibles soluciones a una evaluación en la que se ve la calificación (fitness) (Chen
et al., 2017).
La función de interacción se calcula de acuerdo con la expresión g().
𝑔(𝑐𝑒𝑙𝑙𝑘) = ∑ [−𝑑𝑎𝑡𝑡𝑟 ∗ 𝑒(−𝑤𝑎𝑡𝑡𝑟∗ ∑ (𝑐𝑒𝑙𝑙𝑚
𝑘 −𝑜𝑡ℎ𝑒𝑟𝑚
𝑖 )2𝑃
𝑚=1 )]
𝑆
𝑖=1
+ ∑ [ℎ𝑟𝑒𝑝𝑒𝑙 ∗ 𝑒(−𝑤𝑟𝑒𝑝𝑒𝑙∗ ∑ (𝑐𝑒𝑙𝑙𝑚
𝑘 −𝑜𝑡ℎ𝑒𝑟𝑚
𝑖𝑃
𝑚=1 )2
]
𝑆
𝑖=1
La primera célula representa una bacteria, mientras que la segunda célula representa una
célula vecina. "dattr" y "wattr" son coeficientes de atracción, y "hrepel" y "wrepel" son
Vol. 13/ Núm. 1 2026 pág. 3
coeficientes de repulsión. "S" representa el número de bacterias en la población, y "P" significa
el número de dimensiones en el problema de optimización.
Reproducción: En BFOA, las soluciones mejor evaluadas se clonan, las soluciones
menos efectivas se eliminan de la memoria y se repite el proceso de búsqueda (Biswas et al.,
2010).
Eliminación y dispersión: Este proceso elimina resultados poco prometedores que, en
lugar de converger en un resultado deseado, se alejan de él.
MATERIALES Y MÉTODOS
Para la conformación de los conjuntos de secuencias de prueba, se consideraron aquellos
genes relacionados con la enfermedad de Alzheimer.
Variantes raras de TREM2 están asociadas con un mayor riesgo de desarrollar Alzheimer,
afectando la respuesta de la microglía a las placas de amiloide-β y la senescencia microglial. Para
integrar el set A, se obtuvieron secuencias de la base de datos NCBI correspondientes a este gen
de los organismos Homo Sapiens, Mus musculus, Rattus norvegicus y Mandrillus leucophaeus.
Así mismo, el gen EPHA1, que codifica el receptor tipo A de la familia de las efrinas, ha
sido objeto de diversos estudios debido a su implicación en esta enfermedad. Con secuencias de
este gen correspondientes a organismos Homo sapiens, Mus musculs, Pan troglodytes se integró
el conjunto B de secuencias. Finalmente, se integró el conjunto C, considerando el gen ABCA7,
identificado como un factor de riesgo significativo para la enfermedad de Alzheimer. Los
organismos que componen este conjunto son Homo sapiens, Mustela putorius furo, Pongo abelii
y Cervus elaphus. En la tabla 1 se describen los conjuntos de A a C en este trabajo.
Tabla 1
Secuencias genéticas integradas en el conjunto A al C
Set Sequence 1 Sequence 2 Sequence 3 Sequence 4
A AAH32362.1 Q99NH8.1 NP_001418899.1 XP_011842060.1
B EAL23789.1 NP_076069.2 XP_009452691.2
C NP_061985.2 XP_044943937.1 XP_063575886.1 OWK12339.1
Las secuencias genéticas y los algoritmos desarrollados en este trabajo están disponibles en el proyecto gitHub:
https://github.com/Frederick161021/BFOA_Repository
Se han desarrollado dos algoritmos que a continuación se describen.
Algoritmo BactFo
Se inicializa el número de bacterias y parámetros de operación. Así como la matriz que
contienen las secuencias, y los parámetros del puntuaje: blsumscore, fitness y NFE. Se rellenan
con gaps las secuencias más cortas, se hace una copia de la matriz, se define aleatoriamente el
numero (entero) de gaps que se insertarán, que pueden ir de 0 a el numero definido al inicio que
limita el número máximo de gaps agregados por ciclo. La bacteria es evaluada en autoEvalua()
en el que se asigna una calificación, para primero contar el número de gaps en la columna y luego
coeficientes de repulsión. "S" representa el número de bacterias en la población, y "P" significa
el número de dimensiones en el problema de optimización.
Reproducción: En BFOA, las soluciones mejor evaluadas se clonan, las soluciones
menos efectivas se eliminan de la memoria y se repite el proceso de búsqueda (Biswas et al.,
2010).
Eliminación y dispersión: Este proceso elimina resultados poco prometedores que, en
lugar de converger en un resultado deseado, se alejan de él.
MATERIALES Y MÉTODOS
Para la conformación de los conjuntos de secuencias de prueba, se consideraron aquellos
genes relacionados con la enfermedad de Alzheimer.
Variantes raras de TREM2 están asociadas con un mayor riesgo de desarrollar Alzheimer,
afectando la respuesta de la microglía a las placas de amiloide-β y la senescencia microglial. Para
integrar el set A, se obtuvieron secuencias de la base de datos NCBI correspondientes a este gen
de los organismos Homo Sapiens, Mus musculus, Rattus norvegicus y Mandrillus leucophaeus.
Así mismo, el gen EPHA1, que codifica el receptor tipo A de la familia de las efrinas, ha
sido objeto de diversos estudios debido a su implicación en esta enfermedad. Con secuencias de
este gen correspondientes a organismos Homo sapiens, Mus musculs, Pan troglodytes se integró
el conjunto B de secuencias. Finalmente, se integró el conjunto C, considerando el gen ABCA7,
identificado como un factor de riesgo significativo para la enfermedad de Alzheimer. Los
organismos que componen este conjunto son Homo sapiens, Mustela putorius furo, Pongo abelii
y Cervus elaphus. En la tabla 1 se describen los conjuntos de A a C en este trabajo.
Tabla 1
Secuencias genéticas integradas en el conjunto A al C
Set Sequence 1 Sequence 2 Sequence 3 Sequence 4
A AAH32362.1 Q99NH8.1 NP_001418899.1 XP_011842060.1
B EAL23789.1 NP_076069.2 XP_009452691.2
C NP_061985.2 XP_044943937.1 XP_063575886.1 OWK12339.1
Las secuencias genéticas y los algoritmos desarrollados en este trabajo están disponibles en el proyecto gitHub:
https://github.com/Frederick161021/BFOA_Repository
Se han desarrollado dos algoritmos que a continuación se describen.
Algoritmo BactFo
Se inicializa el número de bacterias y parámetros de operación. Así como la matriz que
contienen las secuencias, y los parámetros del puntuaje: blsumscore, fitness y NFE. Se rellenan
con gaps las secuencias más cortas, se hace una copia de la matriz, se define aleatoriamente el
numero (entero) de gaps que se insertarán, que pueden ir de 0 a el numero definido al inicio que
limita el número máximo de gaps agregados por ciclo. La bacteria es evaluada en autoEvalua()
en el que se asigna una calificación, para primero contar el número de gaps en la columna y luego
Vol. 13/ Núm. 1 2026 pág. 4
quitarlos y checar el número de pares, los pares al evaluador que crea la matriz BLOSUM62. Al
finalizar el ciclo, aumenta en 1 el número de funciones evaluadas. Se agregan entre todas las
bacterias la que mejor calificación obtuvo y se imprimen las características de la bacteria, su
interacción, fitness y su NFE, después se eliminan la mitad de la población de bacterias con la
menor calificación y se duplica el número de bacterias con mayor fitness, a su vez insertando una
nueva bacteria completamente aleatoria.
Algoritmo BactAtp
Después de haber analizado el algoritmo de BactFo, se logró visualizar un punto de mejora
con la modificación del método "cuadra()". Se observó que, al momento de cuadrar las longitudes
de las secuencias genéticas se genera una gran acumulación de gaps al final de las secuencias que
podrían ser aprovechados en otros lugares de la secuencia, en una posición aleatoria. Esto puede
ofrecer las siguientes ventajas: Diversidad genética, al distribuir los gaps de manera aleatoria.
Evitar Patrones, la acumulación de gaps al final podría inducir patrones no deseados en la matriz
de secuencias. Mejora en la optimización, la modificación puede contribuir a una mejor
exploración del espacio de búsqueda.
Uno de los principales problemas es que los gaps son elementos que afectan negativamente
al puntaje (fitness). Al distribuir los gaps aleatoriamente dentro de las secuencias, haciéndolas
menos representativas de soluciones de alta calidad. Esto provoca que las secuencias con muchos
gaps tengan un impacto negativo en la evaluación de su fitness. Para abordar este problema se
hicieron dos versiones del método cuadra: cuadra1 (el método original que coloca los gaps al
final de las secuencias) y cuadra2 (el método que coloca los gaps de forma aleatoria). A
continuación, se detalla cómo funciona esta solución y por qué es efectiva: En primer lugar, se
utiliza cuadra1 para cuadrar la matriz de secuencias, lo que implica que los gaps se añaden al
final de las secuencias más cortas. Esto permite que la matriz mantenga la mayor cantidad posible
de información relevante en las posiciones iniciales de las secuencias.
La combinación de cuadra1 y cuadra2 en el método de "tumbo nado" permite que el BFOA
elimine rápidamente las columnas de gaps al tiempo que mantiene la diversidad necesaria para
una exploración efectiva del espacio de soluciones. Con base en las observaciones, se realizan
nuevos cambios en el algoritmo, como son el aumento de la población de bacterias (de 6 a 15):
Incrementa la diversidad, permitiendo una mejor exploración del espacio de soluciones y
reduciendo el riesgo de quedarse en mínimos locales. Más bacterias aleatorias (de 1 a 2): Mantiene
la diversidad y ayuda a escapar de mínimos locales. Parámetros de atracción (dAttr = 0.1, wAttr
= 0.2): Fomentan que las bacterias se agrupen en torno a buenas soluciones sin aglomerarse
demasiado rápido. Mayor repulsión (hRep = 0.2, wRep = 13): Evita que las bacterias se
concentren en un solo lugar, asegurando una mejor exploración del espacio. En el método
Cuadra2, primero, se implementó un control de posiciones de gaps para asegurar que no se
inserten consecutivamente, y evitar que empeore la calidad del alineamiento.
quitarlos y checar el número de pares, los pares al evaluador que crea la matriz BLOSUM62. Al
finalizar el ciclo, aumenta en 1 el número de funciones evaluadas. Se agregan entre todas las
bacterias la que mejor calificación obtuvo y se imprimen las características de la bacteria, su
interacción, fitness y su NFE, después se eliminan la mitad de la población de bacterias con la
menor calificación y se duplica el número de bacterias con mayor fitness, a su vez insertando una
nueva bacteria completamente aleatoria.
Algoritmo BactAtp
Después de haber analizado el algoritmo de BactFo, se logró visualizar un punto de mejora
con la modificación del método "cuadra()". Se observó que, al momento de cuadrar las longitudes
de las secuencias genéticas se genera una gran acumulación de gaps al final de las secuencias que
podrían ser aprovechados en otros lugares de la secuencia, en una posición aleatoria. Esto puede
ofrecer las siguientes ventajas: Diversidad genética, al distribuir los gaps de manera aleatoria.
Evitar Patrones, la acumulación de gaps al final podría inducir patrones no deseados en la matriz
de secuencias. Mejora en la optimización, la modificación puede contribuir a una mejor
exploración del espacio de búsqueda.
Uno de los principales problemas es que los gaps son elementos que afectan negativamente
al puntaje (fitness). Al distribuir los gaps aleatoriamente dentro de las secuencias, haciéndolas
menos representativas de soluciones de alta calidad. Esto provoca que las secuencias con muchos
gaps tengan un impacto negativo en la evaluación de su fitness. Para abordar este problema se
hicieron dos versiones del método cuadra: cuadra1 (el método original que coloca los gaps al
final de las secuencias) y cuadra2 (el método que coloca los gaps de forma aleatoria). A
continuación, se detalla cómo funciona esta solución y por qué es efectiva: En primer lugar, se
utiliza cuadra1 para cuadrar la matriz de secuencias, lo que implica que los gaps se añaden al
final de las secuencias más cortas. Esto permite que la matriz mantenga la mayor cantidad posible
de información relevante en las posiciones iniciales de las secuencias.
La combinación de cuadra1 y cuadra2 en el método de "tumbo nado" permite que el BFOA
elimine rápidamente las columnas de gaps al tiempo que mantiene la diversidad necesaria para
una exploración efectiva del espacio de soluciones. Con base en las observaciones, se realizan
nuevos cambios en el algoritmo, como son el aumento de la población de bacterias (de 6 a 15):
Incrementa la diversidad, permitiendo una mejor exploración del espacio de soluciones y
reduciendo el riesgo de quedarse en mínimos locales. Más bacterias aleatorias (de 1 a 2): Mantiene
la diversidad y ayuda a escapar de mínimos locales. Parámetros de atracción (dAttr = 0.1, wAttr
= 0.2): Fomentan que las bacterias se agrupen en torno a buenas soluciones sin aglomerarse
demasiado rápido. Mayor repulsión (hRep = 0.2, wRep = 13): Evita que las bacterias se
concentren en un solo lugar, asegurando una mejor exploración del espacio. En el método
Cuadra2, primero, se implementó un control de posiciones de gaps para asegurar que no se
inserten consecutivamente, y evitar que empeore la calidad del alineamiento.
Vol. 13/ Núm. 1 2026 pág. 5
Experimento
Ambos algoritmos alinean los conjuntos de secuencias, y cada proceso de alineación se
repite 30 veces para calcular el valor promedio. La primera métrica de rendimiento que estamos
analizando es NFE, que es el número de evaluaciones de funciones. El objetivo es que el algoritmo
disminuya el valor de NFE para mejorar su eficiencia computacional. Un presupuesto de
evaluación más extenso tiene un impacto significativo en la comparación de las metaheurísticas,
lo que afecta el rendimiento, la convergencia promedio y la diversidad de la población. La
segunda métrica de rendimiento que nos interesa es el valor de aptitud de las mejores bacterias en
las iteraciones del algoritmo. El factor de peso determina el valor de aptitud y se utiliza para
resolver problemas complejos de optimización. Por otro lado, los parámetros con los que los
algoritmos trabajaron son los indicados en la tabla 2.
Tabla 2
Parámetros de operación para ambos algoritmos en la comparativa de desempeño con los sets
de prueba
Algoritmo
dattr
wattr
hrepel
wrepel
Número
de
Bacteria
s
Iteracione
s
Bacterias
eliminada
s
Número de gaps
a insertar por
tumbo
BactOf 0.1 0.2 0.2 10 16 30 1 1
BactAtp 0.1 0.2 1 15 16 30 1 1
RESULTADOS Y DISCUSIÓN
En la figura 1 se observan los valores de fitness promedio para los algoritmos bactOf y
bactAtp a lo largo de 30 iteraciones. Los resultados muestran que bactAtp tiene un valor inicial
de fitness más alto que bactOf y se mantiene consistentemente superior en todas las iteraciones.
El promedio de fitness para bactOf comienza en 1097.86 y aumenta gradualmente hasta alcanzar
1431.87 en la iteración 30, mientras que bactAtp inicia en 1570.53 y sube lentamente hasta
estabilizarse en 1596.10 a partir de la iteración 20.
A lo largo de las iteraciones, el algoritmo bactAtp presenta valores de fitness que varían
ligeramente y tienden a estabilizarse antes que bactOf. Esta estabilización y la menor variación
en las iteraciones finales sugiere que bactAtp converge más rápido en términos de fitness en
comparación con bactOf.
Experimento
Ambos algoritmos alinean los conjuntos de secuencias, y cada proceso de alineación se
repite 30 veces para calcular el valor promedio. La primera métrica de rendimiento que estamos
analizando es NFE, que es el número de evaluaciones de funciones. El objetivo es que el algoritmo
disminuya el valor de NFE para mejorar su eficiencia computacional. Un presupuesto de
evaluación más extenso tiene un impacto significativo en la comparación de las metaheurísticas,
lo que afecta el rendimiento, la convergencia promedio y la diversidad de la población. La
segunda métrica de rendimiento que nos interesa es el valor de aptitud de las mejores bacterias en
las iteraciones del algoritmo. El factor de peso determina el valor de aptitud y se utiliza para
resolver problemas complejos de optimización. Por otro lado, los parámetros con los que los
algoritmos trabajaron son los indicados en la tabla 2.
Tabla 2
Parámetros de operación para ambos algoritmos en la comparativa de desempeño con los sets
de prueba
Algoritmo
dattr
wattr
hrepel
wrepel
Número
de
Bacteria
s
Iteracione
s
Bacterias
eliminada
s
Número de gaps
a insertar por
tumbo
BactOf 0.1 0.2 0.2 10 16 30 1 1
BactAtp 0.1 0.2 1 15 16 30 1 1
RESULTADOS Y DISCUSIÓN
En la figura 1 se observan los valores de fitness promedio para los algoritmos bactOf y
bactAtp a lo largo de 30 iteraciones. Los resultados muestran que bactAtp tiene un valor inicial
de fitness más alto que bactOf y se mantiene consistentemente superior en todas las iteraciones.
El promedio de fitness para bactOf comienza en 1097.86 y aumenta gradualmente hasta alcanzar
1431.87 en la iteración 30, mientras que bactAtp inicia en 1570.53 y sube lentamente hasta
estabilizarse en 1596.10 a partir de la iteración 20.
A lo largo de las iteraciones, el algoritmo bactAtp presenta valores de fitness que varían
ligeramente y tienden a estabilizarse antes que bactOf. Esta estabilización y la menor variación
en las iteraciones finales sugiere que bactAtp converge más rápido en términos de fitness en
comparación con bactOf.
Vol. 13/ Núm. 1 2026 pág. 6
Figura 1
Promedios de fitness para ambos algoritmos en el set A
La figura 2 ilustra el promedio Fitness Set B, bactAtp comienza con un promedio de
fitness de 5636.59, mientras que bactOf inicia en 3626.53, mostrando nuevamente que bactAtp
tiene un valor de fitness inicial significativamente superior.A lo largo de las iteraciones, ambos
algoritmos incrementan sus valores de fitness, pero bactAtp mantiene una ventaja constante sobre
bactOf. En la iteración final, bactAtp alcanza un promedio de 6604.24 mientras que bactOf llega
a 4398.12. Los incrementos de fitness en bactAtp son notoriamente más altos, estabilizándose
alrededor de la iteración 18, donde los valores de fitness empiezan a oscilar levemente alrededor
de 6573-6604. BactOf, aunque también presenta una tendencia de crecimiento, muestra una
estabilización más lenta y en niveles inferiores comparado con bactAtp.
Figura 2
Promedio del fitness alcanzado por ambos algoritmos en el set B.
En la figura 3 se muestra el promedio Fitness par el Set C, bactAtp comienza con un valor
de fitness mucho más alto (3239.54) en comparación con bactOf (492.07). Esta tendencia de
mayor fitness en bactAtp se mantiene constante a lo largo de las iteraciones.
Figura 1
Promedios de fitness para ambos algoritmos en el set A
La figura 2 ilustra el promedio Fitness Set B, bactAtp comienza con un promedio de
fitness de 5636.59, mientras que bactOf inicia en 3626.53, mostrando nuevamente que bactAtp
tiene un valor de fitness inicial significativamente superior.A lo largo de las iteraciones, ambos
algoritmos incrementan sus valores de fitness, pero bactAtp mantiene una ventaja constante sobre
bactOf. En la iteración final, bactAtp alcanza un promedio de 6604.24 mientras que bactOf llega
a 4398.12. Los incrementos de fitness en bactAtp son notoriamente más altos, estabilizándose
alrededor de la iteración 18, donde los valores de fitness empiezan a oscilar levemente alrededor
de 6573-6604. BactOf, aunque también presenta una tendencia de crecimiento, muestra una
estabilización más lenta y en niveles inferiores comparado con bactAtp.
Figura 2
Promedio del fitness alcanzado por ambos algoritmos en el set B.
En la figura 3 se muestra el promedio Fitness par el Set C, bactAtp comienza con un valor
de fitness mucho más alto (3239.54) en comparación con bactOf (492.07). Esta tendencia de
mayor fitness en bactAtp se mantiene constante a lo largo de las iteraciones.
Vol. 13/ Núm. 1 2026 pág. 7
Ambos algoritmos muestran un crecimiento sostenido en sus valores de fitness. Sin
embargo, bactAtp mantiene una ventaja notable y consistente en cada iteración, alcanzando un
valor final de 5901.30, mientras que bactOf llega a 4027.77. La brecha entre ambos algoritmos se
amplía de forma gradual, lo cual indica que nuevamente bactAtp converge a valores de fitness
significativamente superiores y con más rapidez.
Figura 3
Promedio del fitness de ambos algoritmos para el set C
En la figura 4,” se presentan los promedios finales de las calificaciones de fitness, esto con
el objetivo de comparar los resultados obtenidos en los algoritmos BactOF y BactAtp evaluados
en los tres sets (A, B y C). Los valores muestran que BactAtp supera a BactOF en todos los sets.
Para el Set A, BactAtp alcanzó un promedio de fitness ligeramente superior al de BactOF.
Esto indica que, en este set, ambos algoritmos convergen a valores de fitness más cercanos,
sugiriendo un rendimiento relativamente similar. En el Set B, la diferencia se hace mucho más
notable pues BactAtp alcanzó una diferencia destacable a los resultados obtenidos de BactOF en
los tres sets de prueba realizados. Esta amplia diferencia sugiere que BactAtp es
significativamente más efectivo debido a las características de las secuencias genéticas del
archivo FASTA correspondiente, las cuales parecen favorecer la estrategia de BactAtp.
Finalmente, en el Set C, BactAtp nuevamente supera a BactOF. Aunque BactAtp sigue
demostrando superioridad, esta diferencia es intermedia entre las observadas en los sets A y B.
Podríamos concluir con esto que BactAtp muestra consistentemente un mejor desempeño en
términos de fitness en los tres sets, siendo especialmente notable en el Set B, lo cual puede sugerir
que BactAtp es más eficiente para ciertos tipos de estructuras genéticas.
Ambos algoritmos muestran un crecimiento sostenido en sus valores de fitness. Sin
embargo, bactAtp mantiene una ventaja notable y consistente en cada iteración, alcanzando un
valor final de 5901.30, mientras que bactOf llega a 4027.77. La brecha entre ambos algoritmos se
amplía de forma gradual, lo cual indica que nuevamente bactAtp converge a valores de fitness
significativamente superiores y con más rapidez.
Figura 3
Promedio del fitness de ambos algoritmos para el set C
En la figura 4,” se presentan los promedios finales de las calificaciones de fitness, esto con
el objetivo de comparar los resultados obtenidos en los algoritmos BactOF y BactAtp evaluados
en los tres sets (A, B y C). Los valores muestran que BactAtp supera a BactOF en todos los sets.
Para el Set A, BactAtp alcanzó un promedio de fitness ligeramente superior al de BactOF.
Esto indica que, en este set, ambos algoritmos convergen a valores de fitness más cercanos,
sugiriendo un rendimiento relativamente similar. En el Set B, la diferencia se hace mucho más
notable pues BactAtp alcanzó una diferencia destacable a los resultados obtenidos de BactOF en
los tres sets de prueba realizados. Esta amplia diferencia sugiere que BactAtp es
significativamente más efectivo debido a las características de las secuencias genéticas del
archivo FASTA correspondiente, las cuales parecen favorecer la estrategia de BactAtp.
Finalmente, en el Set C, BactAtp nuevamente supera a BactOF. Aunque BactAtp sigue
demostrando superioridad, esta diferencia es intermedia entre las observadas en los sets A y B.
Podríamos concluir con esto que BactAtp muestra consistentemente un mejor desempeño en
términos de fitness en los tres sets, siendo especialmente notable en el Set B, lo cual puede sugerir
que BactAtp es más eficiente para ciertos tipos de estructuras genéticas.
Vol. 13/ Núm. 1 2026 pág. 8
Figura 4
Comparativa de fitness entre algoritmos para cada set de secuencias.
Número de Funciones Evaluadas
La figura 5 muestra el NFE para los algoritmos BactOF y BactAtp, en los Sets A y B,
ambos algoritmos presentan un NFE idéntico de 653, lo que sugiere que, en estos conjuntos, tanto
BactOF como BactAtp realizaron la misma cantidad de evaluaciones para alcanzar sus soluciones
finales. Para el Set C, se observa una ligera diferencia en el NFE. Esta diferencia puede ser
relevante en contextos donde se busca minimizar el uso de recursos computacionales.
Figura 5
Comparativa de NFE para los algoritmos en cada conjunto de secuencias
Figura 4
Comparativa de fitness entre algoritmos para cada set de secuencias.
Número de Funciones Evaluadas
La figura 5 muestra el NFE para los algoritmos BactOF y BactAtp, en los Sets A y B,
ambos algoritmos presentan un NFE idéntico de 653, lo que sugiere que, en estos conjuntos, tanto
BactOF como BactAtp realizaron la misma cantidad de evaluaciones para alcanzar sus soluciones
finales. Para el Set C, se observa una ligera diferencia en el NFE. Esta diferencia puede ser
relevante en contextos donde se busca minimizar el uso de recursos computacionales.
Figura 5
Comparativa de NFE para los algoritmos en cada conjunto de secuencias
Vol. 13/ Núm. 1 2026 pág. 9
CONCLUSIONES
En conclusiones podemos observar que, aunque ambos algoritmos, BactOf y BactAtp,
son comparables en eficiencia de evaluación (NFE), BactAtp muestra un mejor desempeño en
términos de fitness y rapidez de convergencia, esto es más notorio en el Set B. Esto se debe a su
distribución aleatoria de gaps que optimizan la diversidad genética y evitan patrones no deseados,
lo que permite una mejor exploración y evita mínimos locales. También cabe mencionar que,
aunque la diferencia en NFE es mínima, BactAtp alcanza resultados ligeramente mejores con
menos evaluaciones en el Set C.
Es resaltable que el algoritmo aún puede mejorar con un control de inserción de gaps más
preciso para evitar acumulaciones indeseadas, una adaptación dinámica de parámetros para
mejorar la búsqueda en el espacio de soluciones, y un incremento gradual en la población de
bacterias para explorar sin sobrecargar los recursos computacionales. En conclusión, BactAtp
destaca como la opción más eficiente y adaptable para estudios genéticos complejos.
Agradecimientos
Los autores desean agradecer a la Facultad de Sistemas de la Uiversidad Autónoma de
Coahuila por el apoyo en este proyecto
CONCLUSIONES
En conclusiones podemos observar que, aunque ambos algoritmos, BactOf y BactAtp,
son comparables en eficiencia de evaluación (NFE), BactAtp muestra un mejor desempeño en
términos de fitness y rapidez de convergencia, esto es más notorio en el Set B. Esto se debe a su
distribución aleatoria de gaps que optimizan la diversidad genética y evitan patrones no deseados,
lo que permite una mejor exploración y evita mínimos locales. También cabe mencionar que,
aunque la diferencia en NFE es mínima, BactAtp alcanza resultados ligeramente mejores con
menos evaluaciones en el Set C.
Es resaltable que el algoritmo aún puede mejorar con un control de inserción de gaps más
preciso para evitar acumulaciones indeseadas, una adaptación dinámica de parámetros para
mejorar la búsqueda en el espacio de soluciones, y un incremento gradual en la población de
bacterias para explorar sin sobrecargar los recursos computacionales. En conclusión, BactAtp
destaca como la opción más eficiente y adaptable para estudios genéticos complejos.
Agradecimientos
Los autores desean agradecer a la Facultad de Sistemas de la Uiversidad Autónoma de
Coahuila por el apoyo en este proyecto
Vol. 13/ Núm. 1 2026 pág. 10
REFERENCIAS
Amorim, A. R., Zafalon, G. F. D., Contessoto, A. de G., Valêncio, C. R., & Sato, L. M. (2021).
Metaheuristics for multiple sequence alignment: A systematic review. Computational
Biology and Chemistry, 94, 107563. https://doi.org/10.1016/j.compbiolchem.2021.107563
Biswas, A., Das, S., Abraham, A., & Dasgupta, S. (2010). Analysis of the reproduction operator
in an artificial bacterial foraging system. Applied Mathematics and Computation, 215(9),
3343–3355. https://doi.org/10.1016/j.amc.2009.10.023
Chen, Y.-P., Li, Y., Wang, G., Zheng, Y.-F., Xu, Q., Fan, J.-H., & Cui, X.-T. (2017). A novel
bacterial foraging optimization algorithm for feature selection. Expert Systems with
Applications, 83, 1–17. https://doi.org/10.1016/j.eswa.2017.04.019
Guo, C., Tang, H., Niu, B., & Boon Patrick Lee, C. (2021). A survey of bacterial foraging
optimization. Neurocomputing, 452, 728–746.
https://doi.org/10.1016/j.neucom.2020.06.142
Hernández-Ocaña, B., Pozos-Parra, Ma. D. P., Mezura-Montes, E., Portilla-Flores, E. A., Vega-
Alvarado, E., & Calva-Yáñez, M. B. (2016). Two-Swim Operators in the Modified
Bacterial Foraging Algorithm for the Optimal Synthesis of Four-Bar Mechanisms.
Computational Intelligence and Neuroscience, 2016, 1–18.
https://doi.org/10.1155/2016/4525294
Lipman, D. J., Altschul, S. F., & Kececioglu, J. D. (1989). A tool for multiple sequence alignment.
Proceedings of the National Academy of Sciences, 86(12), 4412–4415.
https://doi.org/10.1073/pnas.86.12.4412
Pang, B., Song, Y., Zhang, C., Wang, H., & Yang, R. (2018). An improved Bacterial Foraging
Optimization algorithm using novel chemotaxis and swarming strategy. 2018 IEEE
International Conference on Information and Automation (ICIA), 1107–1112.
https://doi.org/10.1109/ICInfA.2018.8812479
Xu, X., & Chen, H. (2014). Adaptive computational chemotaxis based on field in bacterial
foraging optimization. Soft Computing, 18(4), 797–807. https://doi.org/10.1007/s00500-
013-1089-4
Zambrano-Vega, C., Nebro, A. J., Durillo, J. J., García-Nieto, J., & Aldana-Montes, J. F. (2017).
Multiple Sequence Alignment with Multiobjective Metaheuristics. A Comparative Study.
International Journal of Intelligent Systems, 32(8), 843–861.
https://doi.org/10.1002/int.21892
REFERENCIAS
Amorim, A. R., Zafalon, G. F. D., Contessoto, A. de G., Valêncio, C. R., & Sato, L. M. (2021).
Metaheuristics for multiple sequence alignment: A systematic review. Computational
Biology and Chemistry, 94, 107563. https://doi.org/10.1016/j.compbiolchem.2021.107563
Biswas, A., Das, S., Abraham, A., & Dasgupta, S. (2010). Analysis of the reproduction operator
in an artificial bacterial foraging system. Applied Mathematics and Computation, 215(9),
3343–3355. https://doi.org/10.1016/j.amc.2009.10.023
Chen, Y.-P., Li, Y., Wang, G., Zheng, Y.-F., Xu, Q., Fan, J.-H., & Cui, X.-T. (2017). A novel
bacterial foraging optimization algorithm for feature selection. Expert Systems with
Applications, 83, 1–17. https://doi.org/10.1016/j.eswa.2017.04.019
Guo, C., Tang, H., Niu, B., & Boon Patrick Lee, C. (2021). A survey of bacterial foraging
optimization. Neurocomputing, 452, 728–746.
https://doi.org/10.1016/j.neucom.2020.06.142
Hernández-Ocaña, B., Pozos-Parra, Ma. D. P., Mezura-Montes, E., Portilla-Flores, E. A., Vega-
Alvarado, E., & Calva-Yáñez, M. B. (2016). Two-Swim Operators in the Modified
Bacterial Foraging Algorithm for the Optimal Synthesis of Four-Bar Mechanisms.
Computational Intelligence and Neuroscience, 2016, 1–18.
https://doi.org/10.1155/2016/4525294
Lipman, D. J., Altschul, S. F., & Kececioglu, J. D. (1989). A tool for multiple sequence alignment.
Proceedings of the National Academy of Sciences, 86(12), 4412–4415.
https://doi.org/10.1073/pnas.86.12.4412
Pang, B., Song, Y., Zhang, C., Wang, H., & Yang, R. (2018). An improved Bacterial Foraging
Optimization algorithm using novel chemotaxis and swarming strategy. 2018 IEEE
International Conference on Information and Automation (ICIA), 1107–1112.
https://doi.org/10.1109/ICInfA.2018.8812479
Xu, X., & Chen, H. (2014). Adaptive computational chemotaxis based on field in bacterial
foraging optimization. Soft Computing, 18(4), 797–807. https://doi.org/10.1007/s00500-
013-1089-4
Zambrano-Vega, C., Nebro, A. J., Durillo, J. J., García-Nieto, J., & Aldana-Montes, J. F. (2017).
Multiple Sequence Alignment with Multiobjective Metaheuristics. A Comparative Study.
International Journal of Intelligent Systems, 32(8), 843–861.
https://doi.org/10.1002/int.21892