![\"\"](\"https:\/\/i0.wp.com\/pic.com\/wp-content\/uploads\/sites\/3\/2022\/01\/New_Technologies_Genetic_Progress_ES_1.png?resize=410%2C375&ssl=1\")
por la implementaci\u00f3n de innovaciones tecnol\u00f3gicas<\/figcaption><\/figure><\/div>\n\n\n\n
A pesar de las altas tasas de mejora conseguidas, somos conscientes que todav\u00eda no tenemos el cerdo perfecto. Por esa raz\u00f3n y siguiendo el lema de \u201cNunca dejar de Mejorar\u201d PIC est\u00e1 invirtiendo en las tecnolog\u00edas m\u00e1s innovadoras, buscando sus aplicaciones pr\u00e1cticas en mejora gen\u00e9tica animal. Entre las tecnolog\u00edas disponibles destacan aquellas directamente relacionadas con tecnolog\u00eda gen\u00e9tica, como es el caso de la edici\u00f3n gen\u00e9tica y secuenciaci\u00f3n total de genoma que muy probablemente marcar\u00e1n un antes y un despu\u00e9s en la mejora porcina de los pr\u00f3ximos a\u00f1os. Por otro lado, y paralelamente a la anterior, la inversi\u00f3n en recogida de datos se ha incrementado exponencialmente en los \u00faltimos a\u00f1os hasta el punto en que la aplicaci\u00f3n de nuevos avances en inteligencia artificial y su rama conocida como machine learning son ya una realidad. En este art\u00edculo est\u00e1 centrado en las tecnolog\u00edas de fenotipado o recogida de datos, mostrando ejemplos concretos de c\u00f3mo la inteligencia artificial aplicada a la producci\u00f3n porcina generar\u00e1 una revoluci\u00f3n en la forma en la que medimos fenotipos y seleccionamos nuestros reproductores.<\/p>\n\n\n\n
Tecnolog\u00eda aplicada en la mejora gen\u00e9tica<\/h4>\n\n\n\n
En los programas de selecci\u00f3n actuales, los objetivos de selecci\u00f3n en l\u00edneas de macho finalizador se centran en:<\/p>\n\n\n\n
- Mejorar la eficiencia y velocidad de crecimiento<\/li>
- Rusticidad<\/li>
- Calidad de canal y carne<\/li><\/ul>\n\n\n\n
De todos ellos, tradicionalmente los caracteres relacionados con la rusticidad han sido los m\u00e1s dif\u00edciles de abordar gen\u00e9ticamente.<\/p>\n\n\n\n
Las razones son varias: Una mayor dificultad para identificar el car\u00e1cter concreto a seleccionar y\/o para medir el car\u00e1cter de forma objetiva, con vol\u00famenes suficientes, y\/o por la baja heredabilidad de este.
Un ejemplo t\u00edpico en el que se unen dichas dificultades ser\u00eda los intentos de selecci\u00f3n por aspectos del comportamiento animal. Es por ello que, si bien se espera que los avances tecnol\u00f3gicos en recogida de datos impactar\u00e1n en mayor o menor grado en todos los objetivos de selecci\u00f3n, el impacto inicial podr\u00eda ser mayor en los caracteres de rusticidad, al permitir describir nuevos caracteres y medirlos de forma objetiva, para as\u00ed poder valorar su uso en mejora gen\u00e9tica.<\/p>\n\n\n\nAplicaciones de la inteligencia artificial en la mejora porcina. Ejemplos reales<\/h4>\n\n\n\n
La inteligencia artificial se refiere al estudio, desarrollo y aplicaci\u00f3n de t\u00e9cnicas inform\u00e1ticas con el objetivo de que las m\u00e1quinas adquieran ciertas habilidades propias de la inteligencia humana. El concepto de machine learning consiste en un aprendizaje que adquiere la m\u00e1quina al exponer a la computadora a una enorme cantidad de datos para que pueda procesarlos, analizarlos y aprender de ellos. Con todo ello, nosotros podemos literalmente entrenar a las m\u00e1quinas para que nos ayuden a seleccionar cerdos.<\/p>\n\n\n\n
Una de las l\u00edneas de investigaci\u00f3n m\u00e1s utilizadas hoy en d\u00eda es la combinaci\u00f3n de c\u00e1maras que graben a los animales durante 24 horas\/siete d\u00edas por semana y machine learning. En efecto, el volumen de datos generados por las c\u00e1maras es tan grande que una persona, o incluso grupo de personas tendr\u00edan que destinar ingentes cantidades de tiempo en analizar ese material generado. Y, aunque fuera posible, sus mediciones tender\u00edan a tener un grado de subjetividad que har\u00eda menos eficiente el uso de esos datos para la mejora gen\u00e9tica. En cambio, combinando la recogida de grandes vol\u00famenes de datos con inteligencia artificial podemos generar informaci\u00f3n muy valiosa para la selecci\u00f3n de reproductores tal y como se muestra en los siguientes ejemplos.<\/p>\n\n\n\n
\nAutomatizaci\u00f3n de la valoraci\u00f3n de aplomos<\/h4>\n\n\n\n
\n\nDentro del grupo de caracteres de rusticidad, los problemas de aplomos representan una de las principales causas de baja forzosa, tanto para machos como para reproductoras. Tradicionalmente la valoraci\u00f3n de aplomos se realiza por profesionales especializados que generan una valoraci\u00f3n \u00fatil para la selecci\u00f3n fenot\u00edpica y para la mejora gen\u00e9tica. Sin embargo, sus valoraciones est\u00e1n inevitablemente vinculadas al ojo humano que realiza la valoraci\u00f3n. La tecnolog\u00eda de an\u00e1lisis de im\u00e1genes y machine learning que estamos desarrollando nos permite generar valoraciones de aplomos automatizadas para as\u00ed obtener un volumen much\u00edsimo mayor de valoraciones altamente objetivas de aplomos en granjas \u00e9lite, con las ventajas a\u00f1adidas de facilitar el trabajo en granja y aumentar la precisi\u00f3n de los datos. (Imagen 2)<\/p>\n<\/div>\n\n\n\n
\n![\"\"](\"https:\/\/i0.wp.com\/pic.com\/wp-content\/uploads\/sites\/3\/2022\/01\/New_Technologies_Genetic_Progress_2.png?ssl=1\")
Imagen 2: Registro y valoraci\u00f3n automatizados de estructura corporal y aplomos<\/figcaption><\/figure>\n<\/div>\n<\/div>\n<\/div>\n\n\n\n \nEstudios de comportamiento.<\/h4>\n\n\n\n
\n\nMucho m\u00e1s compleja es la recogida de datos de comportamiento de los animales. La grabaci\u00f3n durante 24 horas al d\u00eda de cerdos criados en condiciones comerciales supone una oportunidad \u00fanica para generar datos que permitan analizar el comportamiento de nuestros cerdos. En las unidades experimentales de PIC (imagen 3) estamos ense\u00f1ando a una m\u00e1quina, a analizar esas grabaciones. El resultado hace posible registrar individualmente aspectos como tiempos de reposo y actividad, acceso y tiempos en comederos y bebederos, estudiar su comportamiento e interacci\u00f3n social en diferentes condiciones ambientales, etc. Mediante el desarrollo de algoritmos espec\u00edficos, esta tecnolog\u00eda est\u00e1 permitiendo describir nuevos caracteres susceptibles de ser mejorados gen\u00e9ticamente. Adem\u00e1s, la informaci\u00f3n generada proporciona un conocimiento t\u00e9cnico muy valioso a la hora de dar soporte t\u00e9cnico a los productores porcinos. Piensen por ejemplo en el an\u00e1lisis de cambios de comportamiento asociados a diferentes condiciones ambientales tales como piensos, densidades o ventilaci\u00f3n.<\/p>\n<\/div>\n\n\n\n
\n![\"\"](\"https:\/\/i0.wp.com\/pic.com\/wp-content\/uploads\/sites\/3\/2022\/01\/New_Technologies_Genetic_Progress_3.png?ssl=1\")
Imagen 3: Registro de actividad automatizado en granja experimental PIC<\/figcaption><\/figure>\n<\/div>\n<\/div>\n<\/div>\n\n\n\n \nFertiBoar<\/h4>\n\n\n\n
\n\nSi bien los ejemplos anteriores est\u00e1n todav\u00eda en un proceso de desarrollo previo a su aplicaci\u00f3n comercial, la tecnolog\u00eda FertiBoar ya es una realidad y por tanto un ejemplo que vale la pena describir con m\u00e1s detalle.
La tecnolog\u00eda FertiBoar permite la selecci\u00f3n temprana de machos en relaci\u00f3n con su calidad seminal. Mediante la realizaci\u00f3n de ecograf\u00edas testiculares (Imagen 4) y un an\u00e1lisis automatizado de im\u00e1genes por inteligencia artificial (Imagen 5), hemos desarrollado un algoritmo espec\u00edfico que permite predecir de forma fiable la calidad seminal de verracos j\u00f3venes en la granja de origen, y por tanto previamente a su entrada en centros de inseminaci\u00f3n. Los beneficios son m\u00faltiples, tanto para el CIA al reducir en gran medida el coste de cuarentenas y aumentar la calidad y predictibilidad en la producci\u00f3n de dosis seminales, como para el ganadero gracias a una mayor calidad de las dosis usadas para inseminar las hembras y a la estabilidad en el suministro de dosis por el menor reemplazo de machos j\u00f3venes.<\/p>\n<\/div>\n\n\n\n\n![\"\"](\"https:\/\/i0.wp.com\/pic.com\/wp-content\/uploads\/sites\/3\/2022\/01\/FertiBoarPicture1_DEU.png?ssl=1\")
Imagen 4:
Ecograf\u00eda testicular y esquema de las mediciones<\/figcaption><\/figure>\n<\/div>\n<\/div>\n\n\n\n\n\n![\"\"](\"https:\/\/i0.wp.com\/pic.com\/wp-content\/uploads\/sites\/3\/2022\/01\/FertiBoarGraphic2.png?ssl=1\")
Imagen 5:
Ejemplo de an\u00e1lisis automatizado de im\u00e1genes digitales provenientes de tejido testicular<\/figcaption><\/figure>\n<\/div>\n\n\n\n\nEsta tecnolog\u00eda representa un caso de \u00e9xito fruto de la colaboraci\u00f3n entre instituciones acad\u00e9micas (IFN Sch\u00f6now) y empresas privadas (PIC). En el proyecto de investigaci\u00f3n conjunto (2017-2020) se analizaron im\u00e1genes ecogr\u00e1ficas y datos de calidad de semen de m\u00e1s de 1.000 animales. La alta calidad de esta investigaci\u00f3n ha dado lugar a publicaciones cient\u00edficas y al reconocimiento como innovaci\u00f3n en eventos del sector (Innov\u2019Space e Innovaci\u00f3n t\u00e9cnica en FIGAN), as\u00ed como su r\u00e1pida implementaci\u00f3n en la cadena de suministro de verracos PIC.<\/p>\n<\/div>\n<\/div>\n\n\n\n
Los primeros verracos PIC408 testados con esta tecnolog\u00eda ya se encuentran en el CIA de Riufred (Espa\u00f1a), significando un ejemplo de \u00e9xito en la aplicaci\u00f3n pr\u00e1ctica de tecnolog\u00edas de \u00faltima generaci\u00f3n. Gracias a la progresiva implementaci\u00f3n de FertiBoar en todas las granjas productoras de machos, en el corto plazo todos los clientes de PIC se beneficiar\u00e1n de esta innovaci\u00f3n.<\/p>\n<\/div>\n\n\n\n