Informe final del proyecto: Integración de datos genómicos y ambientales mediante aprendizaje profundo para selección genómica
La Selección Genómica (SG) es un método para predecir las características de interés de un cultivo o un animal de producción a partir de su genotipo (el ADN) y otras fuentes de información, como, tipo de suelo, lluvia y temperatura, tipo de alimentación, etc. Estas características, conocidas como fe...
Saved in:
| Main Author: | |
|---|---|
| Other Authors: | , , , , , , , , , , |
| Format: | report |
| Language: | Spanish |
| Published: |
2026
|
| Subjects: | |
| Online Access: | https://hdl.handle.net/20.500.12381/5531 |
| Tags: |
No Tags, Be the first to tag this record!
|
| Summary: | La Selección Genómica (SG) es un método para predecir las características de interés de un cultivo o un animal de producción a partir de su genotipo (el ADN) y otras fuentes de información, como, tipo de suelo, lluvia y temperatura, tipo de alimentación, etc. Estas características, conocidas como fenotipos, pueden ser la cantidad de leche que produce una vaca, el peso o calidad de la carne de una ternera, la resistencia a plagas o el peso de producción de un cultivo, entre otros. El procedimiento para hacerlo es, primero recolectar una muestra de referencia que contenga datos genotípicos, fenotípicos y ambientales y entrenar un modelo que a partir de los datos genotípicos y ambientales, prediga los fenotipos de manera satisfactoria. Posteriormente con este modelo entrenado se hacen predicciones para genotipos candidatos para los cuales únicamente se cuenta con información genotípica y 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 (AA) para mejorar estas capacidades predictivas, sin embargo, los resultados obtenidos no son aún suficientes para su implementación exitosa en forma rutinaria, sobre todo en cultivos de granos. Exploramos métodos de Aprendizaje Profundo, en particular el uso de Transformers, para evaluar la factibilidad de incrementar la capacidad predictiva. Se buscará que esta metodología se pueda implementar en forma rutinaria en programas de mejoramiento genético en la región, con lo cual se pueda coadyuvar a incrementar la ganancia genética de las especies productivas de la región. Durante este proyectose consolidó la colaboración entre grupos de investigación uruguayos y mexicanos, antecedentes en AA y SG. Se desarrollaron actividades de formación en base a seminarios interdisciplinarios, cursos, posgrados y visitas de profesores. |
|---|