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...
保存先:
| 第一著者: | |
|---|---|
| その他の著者: | , , , , , , , , , , |
| フォーマット: | report |
| 言語: | スペイン語 |
| 出版事項: |
2026
|
| 主題: | |
| オンライン･アクセス: | https://hdl.handle.net/20.500.12381/5531 |
| タグ: |
タグなし, このレコードへの初めてのタグを付けませんか!
|
| _version_ | 1868890243106603008 |
|---|---|
| author | Fariello Rico, María Ines |
| author2 | Lecumberry Ruvertoni, Federico Fernández Muñiz, María Ximena Rosas Caissiols, Juan Eduardo Pardo Piccone, Alvaro Daniel Montesinos López, Osval Antonio Montesinos López, Abelardo Crossa, Jose Long Grosso, Micaela Castro Olmedo, Graciana María Belzarena, Diego Musitelli, Mateo |
| author2_role | author author author author author author author author author author author |
| author_browse | Belzarena, Diego Castro Olmedo, Graciana María Crossa, Jose Fariello Rico, María Ines Fernández Muñiz, María Ximena Lecumberry Ruvertoni, Federico Long Grosso, Micaela Montesinos López, Abelardo Montesinos López, Osval Antonio Musitelli, Mateo Pardo Piccone, Alvaro Daniel Rosas Caissiols, Juan Eduardo |
| author_facet | Fariello Rico, María Ines Lecumberry Ruvertoni, Federico Fernández Muñiz, María Ximena Rosas Caissiols, Juan Eduardo Pardo Piccone, Alvaro Daniel Montesinos López, Osval Antonio Montesinos López, Abelardo Crossa, Jose Long Grosso, Micaela Castro Olmedo, Graciana María Belzarena, Diego Musitelli, Mateo |
| author_role | author |
| collection | REDI |
| dc.creator.none.fl_str_mv | Fariello Rico, María Ines Lecumberry Ruvertoni, Federico Fernández Muñiz, María Ximena Rosas Caissiols, Juan Eduardo Pardo Piccone, Alvaro Daniel Montesinos López, Osval Antonio Montesinos López, Abelardo Crossa, Jose Long Grosso, Micaela Castro Olmedo, Graciana María Belzarena, Diego Musitelli, Mateo |
| dc.date.none.fl_str_mv | 2026-05-06T18:02:08Z 2026-05-06T18:02:08Z 2026-03-03 |
| dc.identifier.none.fl_str_mv | https://hdl.handle.net/20.500.12381/5531 IA_1_2022_1_173411 |
| dc.language.none.fl_str_mv | spa |
| dc.publisher.none.fl_str_mv | Agencia Nacional de Investigación e Innovación |
| dc.relation.none.fl_str_mv | https://hdl.handle.net/20.500.12008/48451 https://hdl.handle.net/20.500.12008/46936 https://hdl.handle.net/20.500.12008/49923 https://hdl.handle.net/20.500.12008/51573 https://hdl.handle.net/20.500.12008/51574 https://hdl.handle.net/20.500.12008/51571 https://hdl.handle.net/20.500.12381/5222 |
| dc.rights.none.fl_str_mv | Acceso abierto info:eu-repo/semantics/openAccess Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional. (CC BY-NC-SA) |
| dc.source.none.fl_str_mv | reponame:REDI instname:Agencia Nacional de Investigación e Innovación instacron:Agencia Nacional de Investigación e Innovación |
| dc.subject.none.fl_str_mv | Aprendizaje profundo Selección genómica Transformers Ciencias Naturales y Exactas Matemáticas Matemática Aplicada |
| dc.title.none.fl_str_mv | Informe final del proyecto: Integración de datos genómicos y ambientales mediante aprendizaje profundo para selección genómica |
| dc.type.none.fl_str_mv | Reporte técnico info:eu-repo/semantics/report Aceptado info:eu-repo/semantics/acceptedVersion |
| description | 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. |
| eu_rights_str_mv | openAccess |
| format | report |
| id | anni_fa2e4390894ddcc0b8159116f5ca5dc3 |
| identifier_str_mv | IA_1_2022_1_173411 |
| instacron_str | Agencia Nacional de Investigación e Innovación |
| institution | Agencia Nacional de Investigación e Innovación |
| instname_str | Agencia Nacional de Investigación e Innovación |
| language | spa |
| network_acronym_str | anni |
| network_name_str | oai-lr-anni |
| oai_identifier_str | oai:redi.anii.org.uy:20.500.12381/5531 |
| publishDate | 2026 |
| publishDateSort | 2026 |
| publisher.none.fl_str_mv | Agencia Nacional de Investigación e Innovación |
| reponame_str | REDI |
| repository.mail.fl_str_mv | |
| repository.name.fl_str_mv | |
| repository_id_str | |
| rights_invalid_str_mv | Acceso abierto Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional. (CC BY-NC-SA) |
| spelling | Informe final del proyecto: Integración de datos genómicos y ambientales mediante aprendizaje profundo para selección genómicaFariello Rico, María InesLecumberry Ruvertoni, FedericoFernández Muñiz, María XimenaRosas Caissiols, Juan EduardoPardo Piccone, Alvaro DanielMontesinos López, Osval AntonioMontesinos López, AbelardoCrossa, JoseLong Grosso, MicaelaCastro Olmedo, Graciana MaríaBelzarena, DiegoMusitelli, MateoAprendizaje profundoSelección genómicaTransformersCiencias Naturales y ExactasMatemáticasMatemática AplicadaLa 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.Agencia Nacional de Investigación e InnovaciónAgencia Nacional de Investigación e Innovación2026-05-06T18:02:08Z2026-05-06T18:02:08Z2026-03-03Reporte técnicoinfo:eu-repo/semantics/reportAceptadoinfo:eu-repo/semantics/acceptedVersionhttps://hdl.handle.net/20.500.12381/5531IA_1_2022_1_173411reponame:REDIinstname:Agencia Nacional de Investigación e Innovacióninstacron:Agencia Nacional de Investigación e Innovaciónspahttps://hdl.handle.net/20.500.12008/48451https://hdl.handle.net/20.500.12008/46936https://hdl.handle.net/20.500.12008/49923https://hdl.handle.net/20.500.12008/51573https://hdl.handle.net/20.500.12008/51574https://hdl.handle.net/20.500.12008/51571https://hdl.handle.net/20.500.12381/5222Acceso abiertoinfo:eu-repo/semantics/openAccessReconocimiento-NoComercial-CompartirIgual 4.0 Internacional. (CC BY-NC-SA)oai:redi.anii.org.uy:20.500.12381/55312026-06-16T05:03:44Z |
| spellingShingle | Informe final del proyecto: Integración de datos genómicos y ambientales mediante aprendizaje profundo para selección genómica Fariello Rico, María Ines Aprendizaje profundo Selección genómica Transformers Ciencias Naturales y Exactas Matemáticas Matemática Aplicada |
| status_str | acceptedVersion |
| title | Informe final del proyecto: Integración de datos genómicos y ambientales mediante aprendizaje profundo para selección genómica |
| title_full | Informe final del proyecto: Integración de datos genómicos y ambientales mediante aprendizaje profundo para selección genómica |
| title_fullStr | Informe final del proyecto: Integración de datos genómicos y ambientales mediante aprendizaje profundo para selección genómica |
| title_full_unstemmed | Informe final del proyecto: Integración de datos genómicos y ambientales mediante aprendizaje profundo para selección genómica |
| title_short | Informe final del proyecto: Integración de datos genómicos y ambientales mediante aprendizaje profundo para selección genómica |
| title_sort | Informe final del proyecto: Integración de datos genómicos y ambientales mediante aprendizaje profundo para selección genómica |
| topic | Aprendizaje profundo Selección genómica Transformers Ciencias Naturales y Exactas Matemáticas Matemática Aplicada |
| url | https://hdl.handle.net/20.500.12381/5531 |