Un estudio sugiere que los modelos de aprendizaje autom\u00e1tico pueden ser herramientas valiosas en los programas de crianza selectiva para la resistencia a las enfermedades.<\/p>\n\n\n\n
El investigador Christos Palaiokostas de la Swedish University of Agricultural Sciences evalu\u00f3 la eficiencia de varios modelos de aprendizaje autom\u00e1tico para predecir la resistencia a las enfermedades usando bases de datos reales y simuladas.<\/p>\n\n\n\n
M\u00e1s espec\u00edficamente, el investigador determin\u00f3 la eficiencia de predicci\u00f3n de los \u00e1rboles de decisi\u00f3n (DT), las m\u00e1quinas de vectores de soporte (SVM), los bosques aleatorios (RF) y los enfoques basados en impulso como AdaBoost y Extreme Gradient Boosting (XGB) se compar\u00f3 con GBLUP-MCMC.<\/p>\n\n\n\n
Los avances en las tecnolog\u00edas de secuenciamiento durante la \u00faltima d\u00e9cada han transformado el campo de la acuacultura y la gen\u00f3mica.<\/p>\n\n\n\n
El conocimiento actual sugiere que la informaci\u00f3n gen\u00f3mica es particularmente valiosa para estudiar rasgos relacionados a la resistencia a las enfermedades.<\/p>\n\n\n\n
Predecir la resistencia a las enfermedades es una de las aplicaciones m\u00e1s prominentes de la crianza selectiva en la acuicultura.<\/p>\n\n\n\n
Pr\u00e1cticas de selecci\u00f3n gen\u00f3mica<\/strong><\/p>\n\n\n\n Las reducciones en los costos de genotipado han permitido la implementaci\u00f3n de la selecci\u00f3n gen\u00f3mica en las especies acu\u00edcolas.<\/p>\n\n\n\n La mayor\u00eda de las aplicaciones de selecci\u00f3n gen\u00f3mica incluyen el uso de algoritmos que se basan en el mejor predictor lineal imparcial gen\u00f3mico (GBLUP) o sus variantes como enfoques de un solo paso y en regresiones lineales bayesianas.<\/p>\n\n\n\n Igualmente importante, la disponibilidad de software como BLUPF90 o R\/BGLR, de acceso libre, permiten la implementaci\u00f3n de la selecci\u00f3n gen\u00f3mica en varias especies acu\u00edcolas.<\/p>\n\n\n\n Diversos estudios han evaluado la eficiencia de predicci\u00f3n de los modelos de selecci\u00f3n gen\u00f3mica para la resistencia a las enfermedades basados en datos de una sola generaci\u00f3n. Esto se debe principalmente a dos razones:<\/p>\n\n\n\n 1. Los experimentos de desaf\u00edos de enfermedades tiene altos costos, y<\/p>\n\n\n\n 2. Los programas de crianza selectiva son relativamente nuevos, y en la mayor\u00eda de los casos solo se dispone informaci\u00f3n gen\u00f3mica de una sola generaci\u00f3n.<\/p>\n\n\n\n Aun cuando los rasgos de resistencia de enfermedades pueden ser interpretados y tratados en un amplio rango de v\u00edas usando enfoques bien documentados del campo de la epidemiolog\u00eda, un enfoque m\u00e1s com\u00fan es donde la resistencia a las enfermedades se considera un rasgo binario.<\/p>\n\n\n\n En cada situaci\u00f3n, el objetivo del modelo probado es clasificar eficientemente los animales en cada categor\u00eda (resistentes y no resistentes) basados en la informaci\u00f3n gen\u00f3mica disponible.<\/p>\n\n\n\n Herramientas de aprendizaje autom\u00e1tico<\/strong><\/p>\n\n\n\n Las herramientas de aprendizaje autom\u00e1tico tienen numerosas aplicaciones en la vida real. Los algoritmos se aplican de forma rutinaria, entre otros, en una amplia gama de problemas de regresi\u00f3n y clasificaci\u00f3n en todo tipo de disciplinas cient\u00edficas, siendo una de sus aplicaciones m\u00e1s destacadas el estudio-predicci\u00f3n de enfermedades humanas.<\/p>\n\n\n\n En el campo de cr\u00eda de animales, los algoritmos de aprendizaje autom\u00e1tico han ido ganando impulso en la b\u00fasqueda de aplicaciones en una amplia gama de tareas de predicci\u00f3n.<\/p>\n\n\n\n Los modelos de aprendizaje autom\u00e1tico son valiosos para realizar predicciones.<\/p>\n\n\n\n El investigador emple\u00f3 una base de datos de acceso publico para evaluar la eficiencia de los modelos de aprendizaje autom\u00e1tico en t\u00e9rminos de predecir la resistencia de la carpa a la enfermedad del herpes virus del koi (KHVD).<\/p>\n\n\n\n \u201cEn general, se obtuvieron resultados prometedores de los modelos de aprendizaje autom\u00e1tico de mejor rendimiento, que se encuentran muy cerca o incluso m\u00e1s que los equivalentes de GBLUP-MCMC\u201d reporta el investigador.<\/p>\n\n\n\n \u00c9l indica que los resultados del estudio, incluido las bases de datos simuladas y emp\u00edricas, demuestran que los modelos de aprendizaje autom\u00e1tico pueden ser aplicados con \u00e9xito en la clasificaci\u00f3n de problemas relacionados a la crianza.<\/p>\n\n\n\n \u201cEn todos los escenarios, XGB fue el modelo que ocup\u00f3 el primer lugar, aunque su ventaja en comparaci\u00f3n con GBLUP-MCMC fue solo leve, oscilando entre el 1 y 4%\u201d destaca.<\/p>\n\n\n\n Palaiokostas detalla que no se ha documentado ninguna aplicaci\u00f3n de XGB en la cr\u00eda selectiva en la acuicultura, pero que los resultados del estudio actual sugieren que podr\u00eda ser una herramienta valiosa en futuros estudios gen\u00e9ticos de resistencia a enfermedades de las especies acu\u00edcolas.<\/p>\n\n\n\n Fuente:<\/strong> aquahoy.com<\/p>\n","protected":false},"excerpt":{"rendered":" Un estudio sugiere que los modelos de aprendizaje autom\u00e1tico pueden ser herramientas valiosas en los programas de crianza selectiva para la resistencia a las enfermedades. El investigador Christos Palaiokostas de la Swedish University of Agricultural Sciences evalu\u00f3 la eficiencia de varios modelos de aprendizaje autom\u00e1tico para predecir la resistencia a las enfermedades usando bases de […]<\/p>\n","protected":false},"author":2,"featured_media":20612,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[63],"tags":[],"class_list":["post-20611","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-noticias"],"_links":{"self":[{"href":"http:\/\/www.perupesquero.org\/web\/wp-json\/wp\/v2\/posts\/20611","targetHints":{"allow":["GET"]}}],"collection":[{"href":"http:\/\/www.perupesquero.org\/web\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"http:\/\/www.perupesquero.org\/web\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"http:\/\/www.perupesquero.org\/web\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"http:\/\/www.perupesquero.org\/web\/wp-json\/wp\/v2\/comments?post=20611"}],"version-history":[{"count":2,"href":"http:\/\/www.perupesquero.org\/web\/wp-json\/wp\/v2\/posts\/20611\/revisions"}],"predecessor-version":[{"id":20614,"href":"http:\/\/www.perupesquero.org\/web\/wp-json\/wp\/v2\/posts\/20611\/revisions\/20614"}],"wp:featuredmedia":[{"embeddable":true,"href":"http:\/\/www.perupesquero.org\/web\/wp-json\/wp\/v2\/media\/20612"}],"wp:attachment":[{"href":"http:\/\/www.perupesquero.org\/web\/wp-json\/wp\/v2\/media?parent=20611"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"http:\/\/www.perupesquero.org\/web\/wp-json\/wp\/v2\/categories?post=20611"},{"taxonomy":"post_tag","embeddable":true,"href":"http:\/\/www.perupesquero.org\/web\/wp-json\/wp\/v2\/tags?post=20611"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}