- INSTRUMENTO Fondo María Viñas
- BENEFICIARIO Maria Ines Fariello Rico : Facultad de Ingeniería
- DEPARTAMENTO Montevideo
- SUBSIDIO UYU 1300000
- FECHA DE INICIO 01.05.2025
- DURACIÓN 24 meses
- AÑO CONVOCATORIA 2024
- CÓDIGO FMV_3_2024_1_180525
- FASE SEGUIMIENTO
- ESTADO Seguimiento
La selección genómica es una metodología predictiva que en lugar de evaluar todos los genotipos en campo, entrena un modelo predictivo con una muestra de referencia la cual contiene datos genotípicos y fenotípicos y en algunos casos puede incluir datos ambientales. Posteriormente con este modelo entrenado se hacen predicciones para genotipos candidatos para los cuales únicamente se cuenta con información genotípica y eventualmente ambiental. Esta metodología ha revolucionado el mejoramiento genético ya que incrementa la ganancia genética por unidad de tiempo y ahorra recursos significativos en el fenotipado. Sin embargo, su implementación práctica es todavía compleja ya que requiere alta precisión en las predicciones para que su implementación sea exitosa. Se han explorado varios algoritmos de Aprendizaje Automático para mejorar estas capacidades predictivas, sin embargo, los resultados obtenidos no son aún suficientes para su implementación exitosa en forma rutinaria, sobre todo en granos. Esta propuesta de investigación explorará el estado del arte en métodos de Aprendizaje Profundo, en particular diferentes arquitecturas de redes neuronales que sean capaces de integrar datos genómicos y ambientales. Existen diferentes maneras de integrar estos datos, ya sea, con redes totalmente conectadas o convoluciones, pero sin diferenciar demasiado el tipo de datos a redes que poseen mecanismos de atención cruzada. Es decir, redes que sean capaces de incorporar las interacciones genotipo ambiente en su arquitectura. Si bien los algoritmos basados en redes neuronales, generalmente requieren muchos datos para poder ser entrenados, una vez puestos a punto, se pueden aplicar a nuevas bases de datos, que posean las mismas características fácilmente, sin necesidad de potencia de cálculo. Por lo tanto, se buscarán modelos que luego se puedan implementar en forma rutinaria en diferentes programas de mejoramiento genético en la región, incrementando la ganancia genética de cultivos de la región.