Árboles de decisión para clasificación de vacas lecheras usando información genética

Autores/as

DOI:

https://doi.org/10.36790/epistemus.v16i33.220

Palabras clave:

Clasificación, producción lechera, árboles de decisión

Resumen

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

Los datos de descargas todavía no están disponibles.

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

Mexico

Publicado

2022-08-24

Cómo citar

RODRIGUEZ ALCANTAR, E. (2022). Árboles de decisión para clasificación de vacas lecheras usando información genética. EPISTEMUS, 16(33), 69–74. https://doi.org/10.36790/epistemus.v16i33.220

Número

Sección

Ciencia, Tecnología y Sociedad

Métrica

Artículos similares

<< < 3 4 5 6 7 > >> 

También puede Iniciar una búsqueda de similitud avanzada para este artículo.