Incorporación de efectos genómicos y transcriptómicos en modelos estructurales lineales y no lineales conjuntos para...

Área de la Ciencia:

• La genómica animal y la cría.
• Transcriptómica y análisis de la expresión génica.
• Genética cuantitativa y predicción de rasgos.

Sus antecedentes:

• Los fenotipos del ganado son el resultado de interacciones complejas entre la variación genética y los mecanismos reguladores.
• Predecir rasgos complejos es crucial para la cría eficiente de animales, pero sigue siendo un desafío.
• Los datos transcriptómicos ofrecen información sobre las señales reguladoras que unen genotipos y fenotipos.

Objetivo del estudio:

• Evaluar el valor predictivo de los datos transcriptómicos de la sangre para seis rasgos inmunológicos, de estrés y de producción en cerdos Duroc.
• Para comparar el rendimiento de los datos transcriptómicos solos versus combinados con información genómica.
• Evaluar diferentes modelos estadísticos y métodos de selección de características para la predicción de rasgos.

Principales métodos:

• Se utilizaron datos transcriptómicos y genómicos (SNP) de sangre de 255 cerdos Duroc.
• Empleó regresión bayesiana (BayesC, RKHS) y modelos mixtos lineales de redes neuronales.
• Aplicados mínimos cuadrados parciales (PLS) para la selección de características transcriptómicas.

Principales resultados:

• Se lograron altas precisiones de predicción para rasgos relacionados con la inmunidad (por ejemplo, células gamma delta T, recuentos de leucocitos) utilizando datos transcriptómicos (r=0.74, r=0.67).
• Mejora moderada para la predicción del cortisol (r = 0,39); Los modelos basados en SNP sobresalieron para el peso de la carcasa (r = 0,45).
• La selección de características PLS identificó genes clave (MAF, SOX13, DDIT4, FOS) y mejoró la eficiencia de la predicción.

Conclusiones:

• La transcriptómica sanguínea mejora sustancialmente la predicción de los rasgos relevantes para el tejido muestreado.
• Los modelos basados en SNP son superiores para los rasgos menos biológicamente relacionados con la sangre.
• La selección de características es fundamental para optimizar el rendimiento de la predicción, la eficiencia computacional y el descubrimiento de genes.