Predicción del peso corporal de pollos a partir de genotipos: Comparación del rendimiento de redes neuronales convolucionales profundas, redes neuronales artificiales, modelos de conjunto y RR-BLUP

La predicción genómica es una piedra angular de la crianza avícola, permitiendo la mejora acelerada de rasgos complejos. Este estudio evaluó el rendimiento predictivo de modelos de aprendizaje automático, incluyendo una red neuronal convolucional profunda (DeepGS), una red neuronal artificial (ANN) y un modelo de conjunto que combina DeepGS con la mejor predicción lineal no sesgada por regresión ridge (RR-BLUP), así como un modelo estadístico convencional RR-BLUP para la predicción de fenotipo a partir de genotipo del peso corporal en pollos usando datos de marcadores genómicos. La precisión predictiva evaluada mediante el coeficiente de correlación de Pearson (PCC) entre fenotipos observados y predichos fue igualmente alta para DeepGS, RR-BLUP y el modelo de conjunto (PCC = 0.89), mientras que ANN mostró una correlación ligeramente menor (PCC = 0.84). El análisis de errores de predicción absolutos reveló que las desviaciones medianas eran comparables entre DeepGS, RR-BLUP y el modelo de conjunto, con ANN exhibiendo mayor variabilidad y errores ocasionales. El examen de los individuos mejor clasificados mostró que el modelo ANN preservaba mejor el orden fenotípico entre las aves élite (PCC = 0.52) en comparación con RR-BLUP (0.47), el modelo de conjunto (0.34) y DeepGS (0.32). La fuerte concordancia entre las predicciones de DeepGS, RR-BLUP y el modelo de conjunto (PCCs 0.94–1.00) indica que los efectos genéticos aditivos dominan la variación en el peso corporal. Los resultados demuestran que ningún modelo único supera uniformemente a los demás en todas las métricas, enfatizando la necesidad de equilibrar la precisión predictiva, la estabilidad y el rendimiento de clasificación basado en los objetivos de crianza.