La gestión de la grasa abdominal en los pollos de engorde es un desafío constante en la avicultura moderna. Un exceso de grasa no solo reduce la calidad de la canal y el rendimiento de la carne, sino que también representa un desperdicio significativo de pienso, impactando directamente en la eficiencia y la rentabilidad de las explotaciones. Tradicionalmente, la selección de aves con menos grasa abdominal ha sido un proceso lento y costoso, ya que a menudo requiere el sacrificio de los animales para poder realizar mediciones precisas.
Sin embargo, en septiembre 2025, se ha presentado este paper científico «Optimization of Genomic Breeding Value Estimation Model for Abdominal Fat Traits Based on Machine Learning» que plantea una solución innovadora que combina la genómica con el aprendizaje automático (machine learning) para predecir con una precisión sin precedentes la predisposición genética de un ave a acumular grasa abdominal, abriendo nuevas y eficientes vías para la mejora genética.
Superando las limitaciones del pasado
Los métodos de cría tradicionales se basan en registros de pedigrí y mediciones fenotípicas (características observables), lo cual es poco práctico para rasgos como la grasa abdominal. La llegada de la selección genómica (GS) supuso un gran avance, permitiendo predecir el valor genético de un individuo a partir de marcadores en su ADN. Aun así, la enorme cantidad de datos genéticos disponibles ha hecho necesario el desarrollo de métodos más sofisticados para identificar qué marcadores son realmente importantes.
Una estrategia de selección genética en dos fases
El equipo de investigación ha desarrollado un marco de trabajo que optimiza la selección de marcadores genéticos (conocidos como SNP) para después alimentar con ellos un modelo de predicción avanzado.
- Identificación inicial de los genes clave: Primero, se utilizó un análisis de asociación del genoma completo (GWAS) combinado con un análisis de ligamiento (LD). Esta técnica funciona como un primer gran filtro que permite identificar las regiones del genoma más fuertemente asociadas con la acumulación de grasa abdominal, descartando miles de marcadores irrelevantes.
- Refinamiento con machine learning: A continuación, se aplicó una estrategia de dos etapas para afinar aún más la selección:
- Reducción con Lasso: Un modelo de machine learning llamado Lasso redujo drásticamente el número de marcadores genéticos candidatos, quedándose solo con aquellos con una influencia más significativa.
- Optimización con RFE: Posteriormente, otro algoritmo llamado Eliminación Recursiva de Características (RFE) revisó esta selección para obtener un conjunto final de marcadores genéticos con el máximo poder predictivo.
Este proceso de doble filtrado permitió identificar un conjunto de 177 marcadores genéticos clave que resultaron ser altamente predictivos de la grasa abdominal en la población de referencia.
DAWSELF: un modelo de predicción inteligente y dinámico
Con los marcadores genéticos más informativos ya seleccionados, los investigadores desarrollaron un novedoso sistema de aprendizaje automático al que llamaron DAWSELF (Dynamic Adaptive Weighted Stacking Ensemble Learning Framework).
En lugar de depender de un único modelo, DAWSELF combina varios modelos de predicción distintos, tanto lineales como no lineales. Su principal innovación es que asigna dinámicamente un «peso» o importancia a cada modelo en función de su rendimiento. Es como tener un comité de expertos donde las opiniones de los más acertados tienen más valor. Este enfoque de «apilamiento» en varias capas permite al sistema aprender de los datos de una forma mucho más robusta y precisa que cualquier modelo por sí solo.
El marco DAWSELF puede adaptarse para predecir otras características económicamente importantes como:
Resistencia a enfermedades (coccidiosis, salmonelosis)
Calidad de huevo (peso, color de cáscara, altura de albúmina)
Bienestar animal (salud esquelética, viabilidad)
Adaptación ambiental (resistencia al estrés térmico)
Integración con tecnologías emergentes
La combinación de DAWSELF con otras tecnologías puede potenciar aún más su utilidad:
Sensores IoT para fenotipificación automática
Inteligencia artificial para análisis de imágenes
Blockchain para trazabilidad genética
Edición genética para validación funcional de genes candidatos
Aunque DAWSELF mostró excelente desempeño en las poblaciones estudiadas, los genetistas aviares deben considerar la validación específica para sus líneas genéticas particulares. Las diferencias en estructura poblacional, historia de selección y ambiente pueden afectar la transferibilidad de los modelos predictivos.
Resultados: una precisión excepcional validada en campo
Los resultados son contundentes. El marco DAWSELF, utilizando el conjunto refinado de 177 marcadores genéticos , alcanzó una precisión predictiva del 99,65% en la población de referencia.
Más importante aún para su aplicación práctica es que el sistema fue validado con éxito en tres poblaciones independientes, incluyendo la línea comercial AA. En estas poblaciones, DAWSELF mantuvo una precisión extraordinariamente alta, superando consistentemente el 97,9% y demostrando su robustez y generalización.
Aplicaciones prácticas en avicultura
Este avance tecnológico tiene implicaciones directas y muy valiosas para la producción avícola:
- Selección temprana y precisa: Permite a las empresas de genética aviar y a las empresas de cría seleccionar a los mejores reproductores en una etapa muy temprana, sin necesidad de realizar mediciones post-mortem. Esto acelera enormemente el progreso genético hacia líneas más magras.
- Mejora de la eficiencia alimentaria: Al seleccionar aves genéticamente predispuestas a una menor deposición de grasa abdominal, se reduce la cantidad de alimento que se «desperdicia» en producir grasa no deseada. Esto se traduce en una mejora del índice de conversión, uno de los pilares de la rentabilidad avícola.
- Aumento del rendimiento económico: Una menor cantidad de grasa depositada y una mayor proporción de carne magra en la canal mejoran la calidad del producto final y el retorno económico para el productor.
- Asesoramiento genético avanzado: Los genetistas y veterinarios de producción deben tener un feedback continuo, y trabajar junto a expertos en inteligencia artificial (IA) , para la implementación de programas de selección genómica basados en estas nuevas herramientas de machine learning, ayudándo a la industria avícola a ser todavía más competitiva y eficiente.
La aplicación de la Inteligencia artificial a la genética aviar hará que cada vez tengamos estirpes de aves de producción mejores.
La integración de la genómica y la inteligencia artificial, como demuestra el marco DAWSELF, representa un salto cualitativo en la cría de aves. Proporciona una herramienta de una precisión excepcional para abordar un rasgo complejo y económicamente importante como la grasa abdominal. Para el sector avícola, esto significa la posibilidad de producir pollos de mayor calidad, de forma más sostenible y rentable, consolidando el papel de la tecnología como un pilar fundamental en la producción animal del futuro.
Fuente:
-. Optimization of Genomic Breeding Value Estimation Model for Abdominal Fat Traits Based on Machine Learning. Chen, H.; Dou, D.; Lu, M.; Liu, X.; Chang, C.; Zhang, F.; Yang, S.; Cao, Z.; Luan, P.; Li, Y.; et al. . Animals 2025, 15, 2843. https://doi.org/10.3390/ani15192843