Estudo da frequência de consumo de água e demais atividades de bovinos de corte criados à pasto

• Ano de defesa: 2022
• Autor(a) principal: Watanabe, Rafael Nakamura [UNESP]
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Expressão gênica; Bovinos de corte; Animais comportamento; Zebu; Inteligência Artificial
• Link de acesso: http://hdl.handle.net/11449/235446

A aplicação da tecnologia na agropecuária auxilia a seleção de animais geneticamente superiores. A utilização de acelerômetros na predição do comportamento animal tem se mostrado como ferramenta com potencial para substituição de mão-de-obra humana, auxiliando na redução de custos para o produtor. Além disso, metodologias de sequência de RNA (RNAseq) para o conhecimento dos genes que são expressos em animais mais adaptados ao meio ambiente são fundamentais para o progresso genético de uma população. Portanto, os objetivos desse trabalho foram: (1) Estudar o diferencial de expressão e dispersão de genes em animais da raça Nelore e F1 (Nelore x Angus) com perfis extremos de frequência de consumo de água individual diário e demais atividades durante o período diurno mantidos em pastagens com diferentes níveis de adubação e com diferentes suplementações; (2) estudar diferentes estratégias na predição do comportamento de animais Nelore criados a pasto, especialmente para atividades de menor frequência, a partir de registros de acelerômetros. Foram observados os comportamentos de pastejo, ruminação, ócio em pé e em decúbito, frequência de consumo de água (WCF), frequência do animal no cocho e andar, de 36 animais Nelore e 33 animais F1, criados à pasto. A WCF foi anotada toda vez que o animal compareceu no bebedouro e as demais atividades a cada 10 minutos. Dez animais extremos (cinco extremos superiores e cinco extremos inferiores, para ambas as composições genéticas) foram selecionados para frequência relativa de WCF (razão entre WCF divido e a soma de todos os comportamentos) e frequência relativa da atividade geral (GA) (razão entre a soma de todos os comportamentos, exceto ócio e soma de todos os comportamentos). Estes animais extremos tiveram seu sangue coletado para subsequente sequenciamento de RNA. Nas análises de predição do comportamento animal, foram considerados nove animais da raça Nelore criados à pasto, acoplados com acelerômetros. Três metodologias de “Machine Learning” (“Random Forest” (RF), “Support Vector Machine” (SVM) e “Naive Bayes Classifier” (NBC)) foram comparadas para predição dos comportamentos de ruminação, pastejo, ócio, WCF, frequência do animal no cocho e andar. A fim de se verificar estratégias para melhor predição dos comportamentos devido ao desbalanceamento dos dados colhidos, foram utilizadas as metodologias de reamostragem “under” e “over-sampling”. As análises funcionais e de enriquecimento mostraram para a análise de diferencial de expressão gênica, um total de 13 e 3 genes distintos relacionados a processos biológicos, componentes celulares e vias de Kegg, para os grupos Nelore para frequência de consumo de água (NWCF) e Nelore para atividade geral (NGA), respectivamente. Para a análise de diferencial de dispersão, três e dois genes distintos foram enriquecidos, relacionados aos componentes celulares para NWCF e NGA, respectivamente. Nos grupos WCF e GA para F1 foram encontrados cinco genes distintos, relacionados a processos biológicos, componentes celulares e vias de Kegg. Os genes encontrados neste estudo foram associados a várias características importantes para a capacidade adaptativa dos animais. Nas predições iv do comportamento animal, a acurácia geral foi maior para modelos de RF, sendo a maior para o modelo de RF treinado com dados “over-sampled”. Portanto, em geral, a melhor estratégia para classificar e predizer comportamentos mais frequentes foi com o algoritmo de RF e, quando comportamentos menos frequentes são o principal interesse, a estratégia mais adequada foi utilizar técnica de “over-sampling” para treinamento dos dados.