New insights for enhancing feed efficiency

Abstract

[ES] La tesis abarca una serie de estudios destinados a mejorar los programas de selección genética para aumentar la eficiencia alimentaria en dos etapas de la vida productiva de los cerdos: lactación y crecimiento. En los capítulos 2 al 5 se exploraron diversas metodologías y fuentes de información (genética, genómica y fenómica) para lograr este objetivo. La eficiencia alimentaria durante la lactación es un sistema complejo de rasgos fenotípicos interrelacionados. En el Capítulo 2 se usaron modelos de ecuaciones estructurales para inferir las asociaciones causales entre la ingesta diaria de alimento, el balance de peso de la cerda, la ganancia de peso de la camada, el balance de espesor de grasa dorsal y el peso metabólico de la cerda. Se analizaron datos de 1.100 cerdas de un experimento de selección divergente para la eficiencia en cerdos en crecimiento. Se utilizó el algoritmo de causación inductiva para definir el modelo de ecuaciones estructurales. Los resultados indicaron que la ingesta diaria de alimento y la ganancia diaria de peso de la camada influenciaban el balance diario de peso de la cerda, con coeficientes estructurales medios de 0.12 y -0.03, respectivamente. Posteriormente, el balance diario de peso de la cerda impactó en el balance diario del grosor de la grasa dorsal y en el peso metabólico de la cerda, con coeficientes estructurales de 0,70 y -1,22, respectivamente. Se evaluaron diferentes estrategias de selección. Las estrategias de selección que no dependían de registros de ingesta alimentaria resultaron igualmente efectivas, aunque aumentar la ganancia de peso de la camada reduciendo o manteniendo constante la ingesta alimentaria sin deteriorar la condición corporal de la cerda parece difícil. En el Capítulo 3 se exploraron los beneficios de métodos de multi-output y stacking para mejorar la precisión de la predicción de la eficiencia alimentaria a partir del genotipo de cerdos en crecimiento. Se analizaron datos de 5.828 cerdos y 45.610 SNPs, implementando cuatro estrategias diferentes. Modelos de random forest y support vector regression fueron entrenados con diferentes subconjuntos de variables predictoras (de 200 a 3000 SNPs más informativos). La estrategia estándar, que utilizaba solo los genotipos como predictores, mostró el mejor rendimiento. Con el algoritmo random forest y los 1.000 SNPs más informativos, la correlación de Spearman promedio fue 0.23 (0.04). En cuanto a la fenotipado de alto rendimiento, se propuso el uso de los acelerómetros y las cámaras para obtener información sobre el comportamiento animal. En el Capítulo 4, 16 conejos fueron equipados con acelerómetros y grabados durante 2 semanas. Se segmentaron las series temporales en ventanas de tiempo de diferentes tamaños (1, 3, 5, 7 y 9 segundos) y se calcularon 41 características por ventana. Modelos de random forest, support vector machine y gradient boosting fueron entrenados para clasificar estados activos/inactivos. El modelo de random forest, con una ventana de 9 segundos y las 5 características más importantes, alcanzó una precisión mediana de 1 y una recall mediana de 0.93. Finalmente, en el Capítulo 5 se combinó un algoritmo de seguimiento por detección con un sistema de identificación por radiofrecuencia para rastrear doce cerdos de un corral de los cuales tres cerdos tenían marcas de pelaje únicas que facilitaban su distinción visual. Se implementaron el algoritmo You Only Look Once (v8) para detección y el algoritmo BoT-SORT para seguimiento. Los cerdos con pelajes similares se rastrearon durante un promedio de 49 minutos, mientras que los cerdos con marcas únicas se rastrearon 152 minutos, con una coincidencia del 90% o más con la verdad absoluta. Esta combinación de dispositivos representa un avance significativo en la identificación, seguimiento y trazabilidad de animales en grupo.

[CA] La tesi comprén una sèrie d'estudis destinats a millorar els programes de selecció genètica per a augmentar l'eficiència alimentària en dos etapes de la vida productiva dels porcs: lactació i creixement. En els capítols 2 al 5 es van explorar diverses metodologies i fonts d'informació (genètica, genòmica i fenómica) per a aconseguir este objectiu. L'eficiència alimentària durant la lactació és un sistema complex de trets fenotípics interrelacionats. En el Capítol 2 es van usar models d'equacions estructurals per a inferir les associacions causals entre la ingesta diària d'aliment, el balanç de pes de la truja, l'augment de pes de la ventrada, el balanç del gruix del greix dorsal i el pes metabòlic de la truja. Es van analitzar dades de 1.100 truges d'un experiment de selecció divergent per a l'eficiència en porcs en creixement. Es va utilitzar l'algorisme de causación inductiva per a definir el model d'equacions estructurals. Els resultats van indicar que la ingesta diària d'aliment i l'augment diari de pes de la ventrada van influir en el balanç diari de pes de la truja, amb coeficients estructurals mitjans posteriors de 0,12 i -0.03, respectivament. Posteriorment, el balanç diari de pes de la truja va impactar en el balanç diari del gruix del greix dorsal i en el pes metabòlic de la truja, amb coeficients estructurals de 0,70 i -1,22, respectivament. Es van avaluar diferents estratègies de selecció. Les estratègies de selecció que no depenien de registres d'ingesta alimentària van resultar igualment efectives, encara que augmentar el pes de la ventrada reduint o mantenint constant la ingesta alimentària sense deteriorar la condició corporal de la truja sembla difícil. En el Capítol 3 es van explorar els beneficis de mètodes de multi-output i stacking per a millorar la precisió de la predicció de l'eficiència alimentària a partir del genotip de porcs en creixement. Es van analitzar dades de 5.828 porcs i 45.610 SNPs, implementant quatre estratègies diferents. Models de random forest i support vector regression van ser entrenats amb diferents subconjunts de variables predictores (de 200 a 3000 SNPs més informatius). L'estratègia estàndard, que utilitzava només els genotips com a predictors, va mostrar el millor rendiment. Amb l'algorisme random forest i els 1.000 SNPs més informatius, la correlació de Spearman mitjana va ser 0.23 (0.04). Quant a la fenotipat d'alt rendiment, es va proposar l'ús dels acceleròmetres i càmeres per a obtindre informació sobre el comportament animal. En el Capítol 4, 16 conills van ser equipats amb acceleròmetres i gravats durant 2 setmanes. Es van segmentar les sèries temporals en finestres de temps de diferents grandàries (1, 3, 5, 7 i 9 segons) i es van calcular 41 característiques per finestra. Models de random forest, support vector machine i gradient boosting van ser entrenats per a classificar estats actius/inactius. El model de random forest, amb una finestra de 9 segons i les 5 característiques més importants, va aconseguir una precisió mitjana d'1 i una recall mitjana de 0.93. Finalment, en el Capítol 5 es va combinar un algorisme de seguiment per detecció amb un sistema d'identificació per radiofreqüència per a rastrejar dotze porcs d'un corral dels quals tres tenien marques de pelatge úniques que facilitaven la seua distinció visual. Es van implementar l'algorisme You Only Look Onze (v8) per a detecció i l'algorisme Bot-SORT per a seguiment. Els porcs amb pelatges similars es van rastrejar durant una mitjana de 49 minuts, mentres que els porcs amb marques úniques es van rastrejar 152 minuts, amb una coincidència del 90% o més amb la veritat absoluta. Esta combinació de dispositius representa un avanç significatiu en la identificació, seguiment i traçabilitat d'animals en grup.

[EN] The thesis comprises a series of studies aimed at improving genetic selection programs to increase feed efficiency at two stages of the productive life of pigs: lactation and growth. In Chapters 2 to 5, various methodologies and sources of information (genetics, genomics, and phenomics) were explored to achieve this goal. Feed efficiency during lactation is a complex system of interrelated phenotypic traits. In Chapter 2, structural equation models were used to infer the causal associations between daily feed intake, sow weight balance, litter weight gain, backfat thickness balance, and sow metabolic body weight. Data from 1,100 sows from a divergent selection experiment for efficiency in growing pigs were analysed. The inductive causation algorithm was used to define the structural equation model. Results indicated that daily feed intake and daily litter weight gain influenced daily sow weight balance, with average structural coefficients of 0.12 and -0.03, respectively. Subsequently, daily sow weight balance impacted daily backfat thickness balance and sow metabolic body weight, with structural coefficients of 0.70 and -1.22, respectively. Different selection strategies were evaluated. Selection strategies that did not rely on feed intake records proved equally effective, although increasing litter weight gain while reducing or maintaining constant feed intake without deteriorating the sow's body condition seems challenging. In Chapter 3, the benefits of multi-output and stacking methods to improve the accuracy of predicting feed efficiency from the genotype of growing pigs were explored. Data from 5,828 pigs and 45,610 SNPs were analysed, implementing four different strategies. Random forest and support vector regression models were trained with different subsets of predictor variables (from 200 to 3,000 of the most informative SNPs). The standard strategy, which used only genotypes as predictors, showed the best performance. With the random forest algorithm and the top 1,000 SNPs, the average Spearman correlation was 0.23 (0.04). Regarding high-throughput phenotyping, the use of accelerometers and cameras to obtain information on animal behaviour was proposed. In Chapter 4, 16 rabbits were equipped with accelerometers and filmed for 2 weeks. The time series were segmented into time windows of different sizes (1, 3, 5, 7, and 9 seconds), and 41 features were calculated per window. Random forest, support vector machine, and gradient boosting models were trained to classify active/inactive states. The random forest model, with a 9-second window and the 5 most important features, achieved a median precision of 1 and a median recall of 0.93. Finally, in Chapter 5, a tracking-by-detection algorithm was combined with a radio frequency identification system to track twelve pigs in a pen, three of which had unique coat markings that facilitated visual distinction. The You Only Look Once (v8) algorithm was implemented for detection and the BoT-SORT algorithm for tracking. Pigs with similar coat markings were tracked for an average of 49 minutes, while pigs with unique markings were tracked for 152 minutes, with a 90% or higher match with the ground truth. This combination of devices represents a significant advancement in the identification, tracking, and traceability of animals in groups.