0
Los fenotipos en el ganado están determinados tanto por la variación genética como por los mecanismos reguladores posteriores, lo que convierte la predicción de características complejas en un desafío clave para la producción animal. Los datos transcriptómicos representan una capa biológica intermedia entre genotipos y fenotipos y pueden capturar señales reguladoras que la información genómica por sí sola no explica completamente.
Objetivo: Este estudio evaluó la contribución de los datos transcriptómicos sanguíneos, solos o combinados con información genómica, para predecir seis características inmunitarias, de estrés y de producción en 255 cerdos Duroc.
Métodos: Cuatro características estaban estrechamente relacionadas con el tejido y el momento del muestreo, mientras que otras dos eran menos relevantes biológicamente. Se compararon métodos de regresión bayesiana (BayesC y RKHS) y un modelo lineal mixto de red neuronal utilizando todos los transcritos o subconjuntos seleccionados mediante mínimos cuadrados parciales (PLS).
Resultados: Se obtuvo una alta precisión predictiva para características relacionadas con la inmunidad, como las células T gamma delta y el recuento de leucocitos, con correlaciones de 0,74 y 0,67, respectivamente, al utilizar datos transcriptómicos. Se observaron mejoras moderadas en la predicción del cortisol, mientras que los modelos basados en polimorfismos de un solo nucleótido (SNP) obtuvieron mejores resultados para el peso canal. La selección de características basada en PLS demostró que un pequeño subconjunto de características puede tener un rendimiento igual o superior al del conjunto completo de datos transcriptómicos e identificó genes candidatos biológicamente relevantes, como MAF, SOX13, DDIT4 y FOS.
Conclusión: Los datos transcriptómicos sanguíneos mejoraron sustancialmente el rendimiento predictivo de características biológicamente relacionadas con el tejido muestreado, mientras que los modelos basados en SNP obtuvieron mejores resultados para características menos relevantes, y la combinación de ómicas proporcionó solo mejoras modestas y no significativas. La selección de características fue esencial para mejorar el rendimiento predictivo, la eficiencia computacional y para facilitar la identificación de genes candidatos relacionados con el sistema inmunitario.
Vourlaki I-T, Piles M, Jové-Juncà T, Ramayo-Caldas Y, Quintanilla R, Ballester M. Incorporating genomic and transcriptomic effects in joint linear and non-linear structural models for predicting complex traits in pigs. Animal Volume 20, Issue 3, March 2026, 101765. https://doi.org/10.1016/j.animal.2026.101765
