Otimização da resistência a nematódeos gastrointestinais em ovinos Santa Inês: uma abordagem de seleção genômica, machine learning e análise de imagens

Autor(es)

Luara Afonso de Freitas Januário

• Tipo de documento: Tese de Doutorado
• Imprenta: Ribeirão Preto.
• Instituição: Universidade de São Paulo (USP). Faculdade de Medicina de Ribeirão Preto (PCARP/BC)
• Data de defesa: 2023-03-27

Membros da banca

Claudia Cristina Paro de Paz; Ricardo Vieira Ventura

• Orientador: Claudia Cristina Paro de Paz; Rodrigo Pelicioni Savegnago

Resumo

A infecção por nematoides gastrointestinais representa uma grande ameaça à saúde e produtividade das populações de ovinos, sendo o Haemonchus contortus a espécie mais patogênica. Este estudo analisou uma população de ovinos Santa Inês e foi composto por cinco capítulos com os seguintes objetivos: Capítulo 1) Revisão da literatura; Capítulo 2) Avaliar a viabilidade de usar características fenotípicas facilmente mensuráveis, a fim de predizer ovinos susceptíveis a nematoides gastrointestinais por meio do uso de métodos de \"Machine Learning\"; Capítulo 3) Analisar imagens da conjuntiva ocular para classificar os níveis de anemia com base nos escores de Famacha© (FAM); Capítulo 4) Examinar o padrão genético aditivo de valores genéticos estimados (EBVs) para características indicadoras de resistência a nematoides gastrointestinais; Capítulo 5) Avaliar a acurácia de modelos paramétricos (GBLUP, BayesA, BayesB e Lasso Bayesiano - BLASSO) e redes neurais artificiais (BRANN) na predição genômica de características indicadoras de resistência a nematoides gastrointestinais. No Capítulo 2, os animais foram classificados em resistentes, resilientes e suscetíveis de acordo com a contagem de ovos nas fezes (OPG) e volume globular (VG), e os métodos de classificação foram ajustados usando as informações de classe de idade, mês de registro, fazenda, sexo, FAM, peso corporal e escore de condição corporal como preditores. No Capítulo 3, um modelo \"Random Forest\" (RF) foi usado para segmentar as imagens. Após a segmentação, os quantis de intensidade de cor (1, 10, 20, 30, 40, 50, 60, 70, 80, 90 e 99%) em cada canal de imagem (vermelho, azul e verde) foram determinados e usados como variáveis explanatórias nos modelos de classificação, sendo o FAM 1 a 5 as classes a serem previstas. No Capítulo 4, os EBVs para FAM, VG e OPG foram estimados por inferência bayesiana em um modelo animal uni-característico. Em seguida, análises de agrupamento foram realizadas usando os EBVs para FAM, VG e OPG para identificar animais resistentes, resilientes e suscetíveis a nematoides gastrointestinais. No Capítulo 5, a acurácia e o erro de predição foram obtidos para VG, OPG e FAM usando modelos paramétricos e redes neurais artificiais. Os resultados sugerem que o uso de características facilmente mensuráveis pode fornecer informações úteis para apoiar decisões de manejo a nível de fazenda. Os resultados das análises de imagem indicam que é possível prever com sucesso o FAM, especialmente para escores 2 a 4, em ovinos por meio de análise de imagem e modelo de RF usando imagens da conjuntiva ocular coletadas em condições de fazenda. O agrupamento dos animais resistente apresentou EBVs positivos para VG e negativos para FAM e OPG, sendo os animais mais desejáveis para serem usados como candidatos a seleção para melhorar geneticamente a resistência à nematoides gastrointestinais. Em resumo, os modelos paramétricos são adequados para a predição de valores genéticos genômicos de VG, OPG e FAM em ovinos, devido à similaridade da acurácia encontradas entre eles. Apesar disso, o uso do modelo GBLUP é recomendado devido ao seu menor custo computacional e à possibilidade de incorporar animais não genotipados na análise usando procedimentos \"Single-step\". (AU)

• Processo FAPESP: 18/01540-2 - Predição dos valores genômicos utilizando modelos Bayesianos e de redes neurais para características de resistência a endoparasitas em ovinos Santa Inês
• Beneficiário: Luara Afonso de Freitas Januário
• Modalidade de apoio: Bolsas no Brasil - Doutorado