Árboles de decisión para clasificación de vacas lecheras usando información genética
DOI:
https://doi.org/10.36790/epistemus.v16i33.220Palabras clave:
Clasificación, producción lechera, árboles de decisiónResumen
En este trabajo se presenta a los árboles de decisión como una técnica de aprendizaje automático para la clasificación de vacas como buenas productoras de leche a partir del uso de marcadores genéticos. La finalidad es realizar una selección de animales genéticamente superiores en menor tiempo y hacer más eficiente el proceso de reproducción asistida logrando con ello disminuir costos y aumentar ganancias en el sector lechero.
Los resultados de los experimentos realizados muestran hasta un 94.5% de precisión. Además, el algoritmo permitió la identificación del SNP más dominante para la clasificación, y el cromosoma que más influye en la predicción.
Descargas
Citas
Cámara Nacional de Industriales de la Leche (CANILEC), “Estadísticas del sector lácteo 2010-2020,” 2021.
G. R. Wiggans, J. B. Cole, S. M. Hubbard, and T. S. Sonstegard, “Genomic Selection in Dairy Cattle: The USDA Experience∗,” Annu. Rev. Anim. Biosci., vol. 5, pp. 309–327, 2017. DOI: https://doi.org/10.1146/annurev-animal-021815-111422
C. E. Rabier, P. Barre, T. Asp, G. Charmet, and B. Mangin, “On the accuracy of genomic selection,” PLoS One, vol. 11, no. 6, pp. 1–23, 2016. DOI: https://doi.org/10.1371/journal.pone.0156086
B. Hayes and M. Goddard, “Genome-wide association and genomic selection in animal breeding,” Genome, vol. 53, no. 11, pp. 876–883, 2010. DOI: https://doi.org/10.1139/G10-076
M. E. Goddard and B. J. Hayes, “Genomic selection,” J. Anim. Breed. Genet., no. 124, pp. 323–330, 2007. DOI: https://doi.org/10.1111/j.1439-0388.2007.00702.x
B. Li, N. Zhang, Y. G. Wang, A. W. George, A. Reverter, and Y. Li, “Genomic prediction of breeding values using a subset of SNPs identified by three machine learning methods,” Front. Genet., vol. 9, no. JUL, pp. 1–20, 2018. DOI: https://doi.org/10.3389/fgene.2018.00237
M. I. Jordan and T. M. Mitchell, “Machine learning: Trends, perspectives, and prospects,” vol. 349, no. 6245, 2015. DOI: https://doi.org/10.1126/science.aaa8415
S. B. Kotsiantis, “Supervised Machine Learning: A Review of Classification Techniques,” Informatica, vol. 31, pp. 249–268, 2007.
T. Hastie, R. Tibshirani, and J. Friedman, “Unsupervised Learning,” in The Elements of Statistical Learning, 2009, pp. 486–585. DOI: https://doi.org/10.1007/978-0-387-84858-7_14
Z. Chen, Y. Yao, P. Ma, Q. Wang, and Y. Pan, “Haplotype-based genome-wide association study identifies loci and candidate genes for milk yield in Holsteins,” PLoS One, vol. 13, no. 2, pp. 1–13, 2018. DOI: https://doi.org/10.1371/journal.pone.0192695
M. A. Cleveland, J. M. Hickey, and S. Forni, “A common dataset for genomic analysis of livestock populations,” G3 Genes, Genomes, Genet., vol. 2, no. 4, pp. 429–435, 2012. DOI: https://doi.org/10.1534/g3.111.001453
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 EPISTEMUS
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La revista adquiere los derechos patrimoniales de los artículos sólo para difusión sin ningún fin de lucro, sin menoscabo de los propios derechos de autoría.
Los autores son los legítimos titulares de los derechos de propiedad intelectual de sus respectivos artículos, y en tal calidad, al enviar sus textos expresan su deseo de colaborar con la Revista Epistemus, editada semestralmente por la Universidad de Sonora.
Por lo anterior, de manera libre, voluntaria y a título gratuito, una vez aceptado el artículo para su publicación, ceden sus derechos a la Universidad de Sonora para que la Universidad de Sonora edite, publique, distribuya y ponga a disposición a través de intranets, internet o CD dicha obra, sin limitación alguna de forma o tiempo, siempre y cuando sea sin fines de lucro y con la obligación expresa de respetar y mencionar el crédito que corresponde a los autores en cualquier utilización que se haga del mismo.
Queda entendido que esta autorización no es una cesión o transmisión de alguno de sus derechos patrimoniales en favor de la mencionada institución. La UniSon le garantiza el derecho de reproducir la contribución por cualquier medio en el cual usted sea el autor, sujeto a que se otorgue el crédito correspondiente a la publicación original de la contribución en Epistemus.
Salvo indicación contraria, todos los contenidos de la edición electrónica se distribuyen bajo una licencia de uso y Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) Puede consultar desde aquí la versión informativa y el texto legal de la licencia. Esta circunstancia ha de hacerse constar expresamente de esta forma cuando sea necesario.
