Uso de Machine Learning e dados genômicos para melhoria de características econômicas em bovinos de leite

Autor(es)

Lucas Tassoni Andrietta

• Tipo de documento: Dissertação de Mestrado
• Imprenta: Pirassununga.
• Instituição: Universidade de São Paulo (USP). Faculdade de Medicina Veterinária e Zootecnia (FMVZ/SBD)
• Data de defesa: 2022-07-22

Membros da banca

Ricardo Vieira Ventura; Anderson Antonio Carvalho Alves; Rafael Espigolan

• Orientador: Ricardo Vieira Ventura

Resumo

Estratégias de acasalamento dirigido são consideradas ferramentas essenciais em programas de melhoramento animal. Com o advento da Seleção Genômica na última década, em associação aos avanços nas técnicas reprodutivas, nota-se diminuição no intervalo de gerações, aumentos na acurácia de predição e na intensidade de seleção, proporcionando expressivo ganho genético para os animais das cadeias produtivas. A fim de se compreender atributos das informações genotípicas e otimizar acasalamentos, objetivou-se neste estudo, por meio da simulação de uma população de bovinos leiteiros, a exploração de diferentes abordagens de extração de atributos de informações genotípicas de indivíduos do rebanho, tendo como objetivo a avaliação do desempenho preditivo ao se empregar tais dados por meio de dois algoritmos de Machine Learning (Random Forests e K-Nearest Neighbours) em 11 cenários propostos referentes ao coeficiente de endogamia (Froh), valor genético, além da proposta de um método de acasalamento. O uso das abordagens propostas de extração de atributos contribuiu para a diminuição dos dados a serem empregados nos modelos em até 98%, implicando na maioria dos cenários, em resultados mais representativos quando consideradas as informações reduzidas em dimensão quando comparadas a utilização de dados íntegros. Destacou-se o uso do algoritmo Random Forests para os cenários de regressão propostos, em especial na predição dos valores de Froh utilizando os genótipos dos pais em comparação a informação do próprio indivíduo, sendo o resultado de r2 do primeiro superior em 29%, quando utilizado o método de distância euclidiana proposto. Destaca-se também a abordagem visual proposta, favorecendo o desenvolvimento de estudos em busca de indivíduos a serem acasalados de acordo com os interesses relacionados a uniformidade de rebanho e a potenciais expoentes no quesito reprodução. (AU)

• Processo FAPESP: 20/04461-6 - Uso de machine learning e dados genômicos para melhoria de características econômicas em bovinos de leite
• Beneficiário: Lucas Tassoni Andrietta
• Modalidade de apoio: Bolsas no Brasil - Mestrado