- INSTRUMENTO Fondo Sectorial de Investigación a Partir de Datos
- BENEFICIARIO Federico Lecumberry Ruvertoni : Facultad de Ingeniería
- DEPARTAMENTO Montevideo
- SUBSIDIO UYU 2000000
- FECHA DE INICIO 01.07.2020
- DURACIÓN 32 meses
- AÑO CONVOCATORIA 2018
- CÓDIGO FSDA_1_2018_1_154364
- FASE CERRADO
- ESTADO Terminado
El mejoramiento genético en razas cárnicas se ha incrementado espectacularmente en la cantidad de carne de bovinos y su rentabilidad económica. Una característica de alto costo y dificultad de medida es la calidad de carne producida, medida a partir de varias características, por ejemplo, del porcentaje de grasa intramuscular (IMF). El impacto esperado de la selección genómica es mayor en las características de difícil y costosa medición, cuyo progreso genético se incrementa por una mayor precisión de estimación del mérito genético a edades más tempranas. Las características relacionadas a la calidad de carne, están codificadas por la interacción de varios loci en el genoma, que cada uno contribuye una pequeña proporción al fenotipo. Por lo tanto, las predicciones hechas a partir de genes resultantes de estudios de asociación genómica en general contienen un gran error. Una de las razones, es que para acumular los efectos de las distintas mutaciones, se asume que los efectos de las mismas son aditivos. Por otro lado, los tests utilizados para encontrar asociación entre cada locus del genoma y el fenotipo captan solamente las variantes con mayor asociación, ya que lo hacen para cada locus por separado. En este proyecto se explorarán modelos de predicción clásicos: regresiones clásicas y con penalizaciones, modelos bayesianos, y modelos modernos como redes neuronales. Se espera que los últimos posean un menor error de predicción, ya que pueden modelar relaciones no lineales entre variables y a su vez, que ayuden a encontrar los loci responsables de los fenotipos. La precisión en la estimación del IMF repercutirá en la identificación de los animales para terminación a corral, favoreciendo el alcance de las especificaciones de los mercados y, al conocer las capacidades de cada animal de alcanzar la calidad de carne deseada, una mayor eficiencia en el uso del alimento.
Los valores fenotípicos son los rasgos medibles de un individuo, por ejemplo, la altura de una persona, el promedio diario de litros de leche que produce una vaca, la calidad de la carne, la resistencia a plagas o falta de agua de un cultivo. Estos valores dependen tanto de la genética de los individuos como de los factores ambientales y la interacción entre ambos. El mejoramiento genético permite hacer un mejor uso de los recursos, repercutiendo en ganancias económicas y también en bienestar animal. El uso de métodos de predicción genómica en producción agropecuaria, permite reducir los tiempos requeridos para el mejoramiento genético y la mejora en fenotipos que son de difícil o costosa medición. Con este proyecto buscamos estudiar, evaluar y adaptar métodos de aprendizaje profundo para la predicción de valores fenotípicos a partir de información genómica. Se evaluaron métodos basados en redes neuronales (NN) que se aplican a variados tipos de datos: aplicaciones de lenguaje natural, generación de textos, visión artificial, entre otros. Específicamente se evaluó el desempeño de métodos tradicionales del área, NN convolucionales, NN residuales, NN sobre grafos, y transformers. El desempeño de los métodos se evaluó en datos de levadura, maíz, bovinos de leche, y bovinos de carne. Típicamente, el desempeño de los métodos es dispar, todavía no se ha encontrado en la literatura un método que tenga el mejor desempeño en todos los casos, incluso cuando se utiliza el mismo genotipo para predecir diferentes fenotipos. De todas maneras se destacan las NN residuales relativamente menos complejas que los transformers o las NN en grafos.