Modelos de predicción de emisiones de metano en vacuno de carne con datos de microbiota y métodos de aprendizaje automático

Abstract

[ES] La industria cárnica tiene un interés urgente en desarrollar estrategias para mejorar la eficiencia de la producción de carne y al mismo tiempo minimizar las emisiones de metano. La selección de animales para reducir sus emisiones requiere una recopilación de datos a gran escala con una precisión aceptable a costos asequibles. Los datos metagenómicos podrían servir como indicador para la predicción indirecta de las emisiones de metano, pero para que los modelos sean de aplicación general, deben validarse externamente en diferentes bases de datos. En este estudio se propone un modelo de predicción de la producción de metano utilizando datos de la microbiota ruminal de 283 animales utilizando diferentes algoritmos de machine learning: Random Forest, XGBoost y PLS. Los animales fueron alimentados con diferentes dietas, por lo que hubo que corregir este efecto tanto en el microbioma como en los fenotipos de metano. Nuestros resultados preliminares mostraron que la precisión de las predicciones fue muy buena en los sets de entrenamiento, pero en las externas fue en general muy baja. Aumentar la cantidad de datos y optimizar aún más el procedimiento para evitar el sobreajuste, explorar patrones ocultos dentro de los animales o probar otros algoritmos de aprendizaje automático podrían ser posibles estrategias para mejorar las relaciones entre la microbiota y el metano producido.

[EN] The meat industry has an urgent interest in developing strategies to improve the efficiency of meat production while minimizing methane emissions. Selecting animals to reduce their emissions requires large-scale data collection with acceptable accuracy at affordable costs. Metagenomic data could serve as an indicator for indirect prediction of methane emissions, but for the models to be generally applicable, they must be externally validated in different databases. In this study, a methane production prediction model is proposed using data from the ruminal microbiota of 283 animals using different machine learning algorithms: Random Forest, XGBoost and PLS. The animals were fed different diets, so this effect on both the microbiome and methane phenotypes had to be corrected. Our preliminary results showed that the prediction accuracy was very good in the training sets, but in the external ones it was generally very low. Increasing the amount of data and further optimizing the procedure to avoid overfitting, exploring hidden patterns within the animals or testing other machine learning algorithms could be possible strategies to improve the relationships between the microbiota and the methane produced.