Inteligencia Artificial

Redes neuronales al servicio de la acuicultura: esta herramienta promete mejorar la resistencia a enfermedades

Suecia 25/11/2024 | Las redes neuronales permiten predicciones ultra precisas para seleccionar los mejores ejemplares en programas de mejora genética

Redes neuronales

El uso de redes neuronales, una herramienta basada en Inteligencia Aritifical, en la mejora genética de la acuicultura está todavía en una fase de exploración y desarrollo. Aunque es una herramienta que promete mayor precisión que los métodos tradicionales como rrBLUP, especialmente en estudios de simulación y algunos conjuntos de datos reales, su aplicación generalizada en la industria acuícola aún no es común debido a varios factores como la necesidad de grandes volúmenes de datos genéticos y fenotípicos para entrenar los modelos de manera efectiva.

Además, los costos asociados con la infraestructura computacional y la contratación de personal especializado pueden ser elevados, lo que limita su adopción generalizada. Sin embargo, con la disminución en los costos de secuenciación genómica y la disponibilidad de servicios en la nube para entrenar modelos, se espera que la tecnología sea más accesible en el futuro.

Los expertos destacan que, aunque las redes neuronales no reemplazarán completamente a los métodos tradicionales en el corto plazo, su capacidad para manejar datos complejos y no lineales las convierte en una adición valiosa al arsenal tecnológico de la acuicultura moderna.

Un ejemplo reciente de investigación genética de mejora en acuicultura expone cómo pueden ser utilizadas las redes neuronales para predecir la resistencia a herpesvirus koi (KHV) en carpas.

En este estudio llevado a cabo por Christos Palaiokostas de la Universidad Sueca de Ciencias Agrícolas, se utilizaron varias arquitecturas de redes neuronales, como perceptrones multicapa (MLP), redes convolucionales (CNN) y redes convolucionales locales (LCNN). Los resultados mostraron que, en datasets simulados, los modelos perceptrones multicapa superaron ligeramente a los métodos tradicionales, aunque con un mayor sesgo en las predicciones. Sin embargo, al aplicar estos modelos a un dataset real de carpas infectadas con KHV, los métodos tradicionales como GBLUP superaron a las redes neuronales en precisión por un margen del 2 %.

En definitiva, aunque es una tecnología cara en sus fases iniciales, la inversión puede justificarse por las mejoras sustanciales en eficiencia y resultados a largo plazo, especialmente en grandes operaciones acuícolas.

Reference:

Palaiokostas, C. (2024). Breeding evaluations in aquaculture using neural networks. Aquaculture Reports, 39, 102468. https://doi.org/10.1016/j.aqrep.2024.102468

Te puede interesar

Por Alejandro Güelfo 28/10/2024 | A pesar de que la integración puede suponer una alta inversión inicial y desafíos técnicos, el retorno vendrá por la vía de la optimización del índice de conversión de alimento y la predicción de las cosechas