Investigadores usan aprendizaje automático en mejora genética de dorada frente a fotobacteriosis

Padua (Italia) 22/03/2021 – Descifrar los genes que mejoran la resistencia a las enfermedades en los peces y mariscos de acuicultura representa uno de los rasgos más buscados en los programas de producción acuícola por sus beneficios en la supervivencia, menor uso de terapias farmacológicas y rendimiento productivo.

Esta selección se puede hacer siguiendo métodos de análisis estadísticos convencionales, o cómo han hecho recientemente investigadores italiano de la Universidad de Padua, aplicando aprendizaje automático o machine learning que permite.

Según el estudio recientemente publicado por estos investigadores en Aquaculture Reports, el aprendizaje automático permite mejorar el análisis de asociación y predicción genómica de la resistencia de la dorada (Sparus aurata) a la fotobacteriosis producida por Photobacterium damsealae piscicida, una de las enfermedades más temidas en esta especie por provocar mortalidades masivas en la fase juvenil.

Para llevar a cabo su estudio y comprobar si el aprendizaje automático permite mejorar la precisión de la predicción, los investigadores utilizaron datos de dos estudios genómicos recientes en los que se empleó secuenciación de 2bRAD. A menudo, como señalan los investigadores, el genotipado por secuenciación presentan datos incompletos distribuidos aleatoriamente entre loci e individuos, por lo que esta tecnología podría beneficiar la imputación de éstos.

En el estudio ha sido importante poder contar con el primer ensamblaje del genoma de dorada para poder hacer una mejor imputación de datos y guiar los procesos.

Los investigadores llevaron a cabo variantes e imputación de datos con Beagle para obtener un importante conjunto de variantes genéticas (SNP) del orden de 80.744. Esto permitió a los científicos la identificación de 8 nuevos locus de rasgo cuantitativo (QTL) que identificaorn correlaciones del fenotipo a la resistencia a la fotobacteriosis en diferentes cromosomas y reveló una arquitectura genética altamente poligénica.

Se compararon los enfoques de regresión bayesiana y los métodos de aprendizaje automático (máquinas de vectores de soporte y ensacado lineal) para evaluar el rendimiento relativo para clasificar a los individuos susceptibles resistentes. Ambos conjuntos de datos mostraron un coeficiente de correlación de Matthew (MCC) y valores de precisión más altos para los métodos de aprendizaje automático, en particular el ensacado lineal, con un aumento del 20% al 70% en el rendimiento de la predicción.

En general, como señalan los investigadores, los métodos de aprendizaje automático deben explorarse en paralelo con los enfoques de regresión paramétrica para aumentar las posibilidades de una predicción genómica altamente efectiva.

Este tipo de tecnología de aprendizaje automático se está usando cada vez de manera más profusa en agricultura y ganadería terrestre. Sin embargo, en acuicultura se trata de una tecnología aún poco desarrollada.

Referencia:
Luca Bargelloni, Oronzo Tassiello, Massimiliano Babbucci, Serena Ferraresso, Rafaella Franch, Ludovica Montanucci, Paolo Carnier. Data imputation and machine learning improve association analysis and genomic prediction for resistance to fish photobacteriosis in the gilthead sea bream. Aquaculture Reports, Volume 20, 2021, 100661, ISSN 2352-5134. https://doi.org/10.1016/j.aqrep.2021.100661