No siempre gana la inteligencia artificial: la genética en acuicultura demuestra que el contexto es clave

La incorporación de modelos de inteligencia artificial en la mejora genética acuícola ha generado grandes expectativas en los últimos años. Sin embargo, un nuevo estudio comparativo publicado en Fishes demuestra que los algoritmos más complejos no siempre ofrecen mejores resultados y que el rendimiento depende, en gran medida, del contexto biológico y productivo.

El trabajo evalúa de forma unificada diez modelos de predicción genómica —incluyendo GBLUP, enfoques bayesianos y técnicas de machine learning como Random Forest, Support Vector Regression (SVR) o XGBoost— en cuatro especies de relevancia productiva: salmón Atlántico, dorada, carpa común y trucha arcoíris.

Los resultados mostraron no existe un modelo universalmente óptimo. La precisión predictiva varía notablemente según la especie, el rasgo analizado y su heredabilidad. En trucha arcoíris, con una heredabilidad elevada (h² = 0,50), se alcanzaron valores de precisión entre 0,75 y 0,83. En dorada, donde la heredabilidad del rasgo de resistencia fue baja (h² = 0,12), la precisión descendió a rangos entre 0,49 y 0,66.

El estudio confirma así un principio clásico de la genética cuantitativa: la heredabilidad sigue siendo uno de los principales determinantes de la eficacia de la selección genómica. La complejidad algorítmica, por sí sola, no compensa una arquitectura genética desfavorable.

En términos comparativos, los modelos de machine learning lograron los mejores resultados en situaciones concretas —por ejemplo, SVR alcanzó una precisión de 0,853 en carpa—, pero su rendimiento fue altamente dependiente de la especie.

Por el contrario, GBLUP mostró un comportamiento más estable y con menor sesgo en todas las especies evaluadas, lo que refuerza su papel como modelo de referencia en programas de mejora.

Uno de los hallazgos más relevantes desde el punto de vista productivo es que la precisión no aumenta necesariamente con el número de marcadores. Mediante una estrategia de selección incremental basada en GWAS, los autores lograron mejorar la precisión utilizando solo una fracción de los SNP disponibles: el 9,64% en salmón, el 4,58% en carpa y apenas el 0,54% en trucha, con incrementos relativos de hasta el 4,2% respecto al uso del panel completo.

Este resultado tiene implicaciones directas para la industria: más precisión con menos marcadores abre la puerta a reducir costes de genotipado sin sacrificar eficiencia selectiva.

El mensaje que deja el estudio es contundente para los programas de mejora genética en acuicultura europea: la elección del modelo debe basarse en la arquitectura genética del rasgo, la estructura poblacional y la calidad fenotípica disponible. La inteligencia artificial puede aportar ventajas, pero no sustituye al conocimiento biológico ni a la evaluación estratégica del contexto productivo.

La genética en acuicultura entra así en una nueva fase, donde la optimización y el ajuste fino reemplazan la carrera por el algoritmo más complejo.