Estimación de la genética de las dimensiones corporales y los niveles de actividad en cerdos mediante la estimación automatizada de poses

Scientific Reports volumen 12, Número de artículo: 15384 (2022) Citar este artículo

2325 Accesos

2 citas

11 Altmetric

Detalles de métricas

La cría de cerdos está cambiando rápidamente debido al progreso tecnológico y a factores socioecológicos. Las nuevas tecnologías de ganadería de precisión, como los sistemas de visión por computadora, son cruciales para el fenotipado automatizado a gran escala para nuevos rasgos, ya que la robustez y el comportamiento de los cerdos están ganando importancia en los objetivos de reproducción. Sin embargo, la identificación individual, el procesamiento de datos y la disponibilidad de software adecuado (de código abierto) actualmente plantean los principales obstáculos. El objetivo general de este estudio fue ampliar el pesaje de cerdos con mediciones automatizadas de las dimensiones corporales y los niveles de actividad utilizando un sistema de análisis de video automatizado: DeepLabCut. Además, estos datos se combinaron con información genealógica para estimar los parámetros genéticos para los programas de reproducción. Analizamos 7428 registros durante el período de engorde de 1556 cerdos de finalización (Piétrain padre x madre mestiza) con intervalos de dos semanas entre registros en el mismo cerdo. Pudimos estimar con precisión las partes relevantes del cuerpo con un error de seguimiento promedio de 3,3 cm. Las métricas corporales extraídas de las imágenes de video fueron altamente heredables (61–74 %) y significativamente correlacionadas genéticamente con la ganancia diaria promedio (rg = 0.81–0.92). Los rasgos de actividad fueron de baja a moderadamente heredables (22-35%) y mostraron bajas correlaciones genéticas con los rasgos de producción y anomalías físicas. Demostramos un método simple y rentable para extraer parámetros de dimensión corporal y rasgos de actividad. Se estimó que estos rasgos son hereditarios y, por lo tanto, se pueden seleccionar. Estos hallazgos son valiosos para las organizaciones de cría (de cerdos), ya que ofrecen un método para fenotipar automáticamente nuevos rasgos de producción y comportamiento a nivel individual.

La carne de cerdo ya representa casi el 40 % de la producción de carne en todo el mundo, pero se espera que su demanda global crezca aún más1. Cada vez más, la cría de cerdos se enfrenta a desafíos como la sostenibilidad medioambiental, el bienestar animal, la eficiencia ganadera y la competencia mundial. Las innovaciones en genética se consideran cruciales para resolver estos problemas2,3. Los rasgos relacionados con la robustez y la resiliencia son ahora tan relevantes para los programas de cría de animales como los relacionados con la (re)producción2. Obviamente, existe la necesidad de tecnologías de ganadería de precisión para optimizar el fenotipado de cerdos de alto rendimiento, que hasta el día de hoy sigue siendo difícil, laborioso y costoso4.

Los sistemas de visión por computadora (CVS) podrían permitir el fenotipado no invasivo de la composición corporal, el comportamiento y las anomalías físicas en los cerdos, pero ha habido pocas aplicaciones prácticas de puntuación automatizada de rasgos morfológicos y/o de comportamiento. Fernandes et al.5 utilizaron cámaras 3D de vista superior para predecir el peso corporal, la profundidad muscular y la grasa dorsal en cerdos de finalización. Otros estudios utilizaron CVS para evaluar las posiciones corporales y la postura6, la agresión7, el comportamiento de las cerdas8 y la alimentación9,10. Solo unos pocos estudios analizaron la genética de estos fenotipos4. En el ganado vacuno, la heredabilidad y las correlaciones genéticas se estimaron mediante el análisis de imágenes para los rasgos de la canal11. Además, los parámetros genéticos para el color del pelaje y los rasgos conformacionales se han estimado en ganado lechero utilizando imágenes de catálogos web12.

Se informa que los rasgos morfológicos de los cerdos, como la longitud, el ancho y la altura del cuerpo, son de moderada a altamente heredables, con estimaciones de heredabilidad (h2) que oscilan entre el 20 y el 60 %13,14,15. Se ha demostrado que los rasgos de comportamiento también son hereditarios, pero las estimaciones de h2 difieren considerablemente3. Estas estimaciones se basaron con mayor frecuencia en la puntuación manual de los rasgos de comportamiento que son susceptibles al sesgo del observador16. Por ejemplo, se estimó que las puntuaciones de actividad durante el pesaje eran bajas o moderadamente hereditarias (h2 = 10–23 %), aunque existen factores de confusión ambientales que influyeron en estas estimaciones3,17,18,19. En particular, Ott et al.16 demostraron que las puntuaciones de actividad de CVS estaban altamente correlacionadas con las observaciones en humanos (r = 0,92). Otros estudios relacionaron cambios en las puntuaciones de actividad en el corral con mordeduras de cola, infecciones16,20,21,22 o ingesta de alimento residual23. Por cierto, la relación entre la actividad durante el pesaje y la agresión al corral fue de baja a moderada (r = 0,15–0,60)3,24.

La identificación automática de animales sigue siendo un desafío principal para las aplicaciones de CVS en el análisis de fenotipo-genotipo4,25,26. Además, el procesamiento de datos y la disponibilidad de software adecuado son problemas2,4,25. Los avances recientes en herramientas de captura de movimiento y aprendizaje profundo ahora permiten a los investigadores extraer variables de comportamiento detalladas de videos grabados sin hardware o configuraciones de grabación excesivas y especializadas27. Estas herramientas alcanzan una precisión similar a la humana e incluso superan la puntuación manual28,29.

El estudio actual describe un método que utiliza el software de código abierto DeepLabCut (DLC)27, una interfaz gráfica de usuario basada en Python30 para la tecnología basada en la red neuronal convolucional (CNN) de estimación de postura sin marcadores. DLC permite crear modelos de seguimiento confiables y transferibles29 para cuantificar varios rasgos (comportamentales) con una influencia limitada del observador. Combinamos el pesaje clásico de cerdos con análisis de video para estimar nuevos fenotipos. Obtenemos medidas de longitud corporal, anchura de cadera y hombros y área de superficie, así como puntuaciones de actividad de los cerdos durante el pesaje. Sobre la base de estos rasgos de composición corporal y actividad, estimamos parámetros genéticos como la heredabilidad y las correlaciones genéticas en una población de cerdos de sacrificio con pedigrí conocido. Todos los videos anotados y modelos de seguimiento están disponibles en: https://doi.org/10.17605/OSF.IO/QKW5Y.

Todos los procedimientos experimentales fueron aprobados por el Comité de Ética Animal de KU Leuven (P004/2020), de acuerdo con la Directiva del Consejo de la Comunidad Europea 86/609/EEC, las pautas ARRIVE y la Guía ILAR para el cuidado y uso de animales de experimentación. Los investigadores obtuvieron el consentimiento informado para la publicación de todas las personas identificables para mostrar y reutilizar videos.

El estudio se llevó a cabo en 794 hembras y 746 machos castrados Piétrain x PIC Camborough (Vlaamse Piétrain Fokkerij, Bélgica; crías de 73 sementales diferentes y 204 madres), que tenían una edad media de 83,4 (± 2,2) días y un peso medio de 30,6 (± 5,1) kg al inicio del experimento. Las observaciones se realizaron durante el período de engorde que podía extenderse hasta 120 días y finalizaba cuando los cerdos alcanzaban un peso corporal de aproximadamente 115 kg. Por toro, una mediana de 26 lechones mestizos (hermanos y medios hermanos del mismo toro Piétrain) fueron asignados en números iguales a dos corrales idénticos en grupos mixtos. El edificio porcino (granja experimental, ubicada en Bélgica) constaba de diecisiete compartimentos idénticos con ocho corrales de semirejas (2,5 m × 4,0 m) por compartimento y una media de trece cerdos por corral (0,77 m2 por cerdo). Se proporcionó comida y agua ad libitum en cada corral en todo momento, de un comedero y un bebedero de tetina.

Los cerdos se pesaron individualmente durante su período de engorde cada dos semanas desde enero hasta julio de 2021. Corral por corral, todos los individuos fueron conducidos al pasillo central del establo, después de lo cual se pesaron los cerdos secuencialmente. El pesaje se realizó entre las 08:00 am y las 16:00 pm y fue grabado en video. Todos los lechones fueron pesados ​​por primera vez a los trece días de su llegada a la granja de engorde. Por limitaciones prácticas, solo se seleccionó uno de cada dos corrales por toro para el seguimiento posterior. Los 1556 cerdos se pesaron hasta ocho veces, lo que dio como resultado un total de 7428 registros.

Además, cada cerdo se puntuó manualmente durante el pesaje en las siguientes anomalías físicas: hinchazón o hematomas en las orejas (0 = ninguna, 1 = una oreja, 2 = ambas orejas); la presencia y el tamaño de la hernia umbilical (0 = no presente, 1 = presente); heridas por mordedura de oreja (0 = ninguna, 1 = una oreja, 2 = ambas orejas) y heridas por mordedura de cola (0 = ninguna, 1 = pequeños rasguños, 3 = cola ensangrentada y/o infectada; archivo adicional 1). Todas las grabaciones fueron recopiladas por el mismo profesional capacitado. El porcentaje de carne magra se registró individualmente en el matadero del grupo porcino belga en Meer (Bélgica) utilizando AutoFom III™ (Frontmatec, Smoerum A/S, Dinamarca)31. El consumo de alimento se midió al nivel del corral.

La configuración de pesaje de cerdos de recorrido consistió en una plataforma de pesaje de escala en el suelo, un lector de identificación por radiofrecuencia (RFID), una cámara de video y una computadora (Fig. 1). La plataforma de escala de suelo (3,4 m × 1,8 m) tenía una precisión de ± 0,5 kg (TELL EAG80, Vreden, Alemania) y estaba situada en el pasillo central del edificio porcino. Un pasillo de madera ayudó a los cerdos a caminar individualmente y avanzar sobre la balanza (2,5 m × 0,6 m; Fig. 1a; Archivo adicional 2Video S1). Los pesos corporales se registraron electrónicamente y se acoplaron a la identificación del cerdo mediante un lector RFID y un software personalizado. La cámara (Dahua IPC-HDW4831EMP-ASE, Dahua Technology Co., Ltd, Hangzhou, China) se montó a 2,5 m sobre el suelo en el centro de la balanza. Los cerdos se grabaron desde la perspectiva de una cámara superior con una velocidad de fotogramas de 15 fotogramas por segundo y una resolución de 3840 × 2160. En la Fig. 1b se proporciona un ejemplo de nuestra recopilación de datos y una grabación de video.

Configuración experimental (creada con BioRender.com). (a) Diagrama esquemático de vista superior de la configuración experimental utilizada en este estudio en el pasillo central del edificio de cerdos. El área azul indica la plataforma a escala del suelo con un pasillo de madera (en rojo). Las líneas discontinuas rojas indican puertas para regular el paso individual de los cerdos. ( b ) Diagrama esquemático de vista lateral de la configuración experimental.

DeepLabCut 2.2b.827 se instaló en un entorno Anaconda con Python 3.7.7.30 en una computadora personalizada que ejecuta un sistema operativo Windows 10 de 64 bits con procesador de CPU Intel Core i5-vPro (2,60 GHz) y 8 GB de memoria RAM. El entrenamiento, evaluación y análisis de la red neuronal se realizó utilizando DeepLabCut en Google Colaboratory (COLAB) (https://colab.research.google.com/).

Para detectar partes del cuerpo de un cerdo que está caminando a través de la configuración experimental, se entrenó una red neuronal usando DeepLabCut 2.2b27 como se describe en Nath et al.32. Fue necesaria una configuración minimalista de ocho partes del cuerpo (Fig. 2a; Tabla 1) para estimar el ancho de la cadera, el ancho de los hombros y la longitud del cuerpo. Las definiciones operativas se pueden encontrar en la Tabla 1. Las partes del cuerpo de la cabeza (nariz, oreja izquierda y oreja derecha) también se etiquetaron, pero no se incluyeron en nuestro modelo estructural final, ya que estas partes del cuerpo se ocluían con frecuencia en marcos consecutivos.

(a) Resumen esquemático de las ocho posiciones del cuerpo anotadas para la configuración de poses en DeepLabCut27 (creado con BioRender.com). 1 = Columna1; 2 = hombro izquierdo; 3 = hombro derecho; 4 = Centro; 5 = Columna2; 6 = Cadera izquierda; 7 = Cadera derecha; 8 = base de la cola. (b) Ejemplo de un cerdo etiquetado durante el pesaje con el software DeepLabCut.

Se seleccionaron siete videos de aproximadamente una hora grabados en dos días diferentes para incluir tamaños variables de cerdos (20–120 kg) y cada video contenía varios pesajes de cerdos. De estos siete videos, se extrajeron varios fotogramas para la anotación utilizando el agrupamiento k-means en DeepLabCut. Primero anotamos 457 fotogramas (~ 1 fotograma por cerdo) que se dividieron en un conjunto de datos de entrenamiento (95 %; 434 fotogramas) y un conjunto de datos de prueba (5 %; 23 fotogramas). La red se entrenó en Google Colaboratory utilizando la arquitectura ResNet-50 con un tamaño de lote de 2. Entrenamos nuestro algoritmo hasta que la función de pérdida alcanzó un valor óptimo, lo que indicó una pérdida mínima con un número mínimo de iteraciones en este estudio. A continuación, comparamos los errores medios de píxel de varios modelos dentro de esta región óptima. Los modelos con errores medios de píxel más bajos se revisaron visualmente para determinar el rendimiento del seguimiento de partes del cuerpo en videos completos. A continuación, se probó la flexibilidad del modelo que se desempeñó de manera óptima utilizando videos de cerdos individuales no vistos con cerdos de tamaño variable (20 frente a 120 kg) pesados ​​en diferentes días. Dado que el rendimiento del modelo no era óptimo al principio, se extrajeron fotogramas atípicos mal rastreados utilizando el algoritmo de "salto" de DeepLabCut32. Este algoritmo identifica fotogramas en los que una o más partes del cuerpo saltan más de un valor de criterio (en píxeles) desde el último fotograma32. Estos marcos atípicos se refinaron manualmente y luego se agregaron al conjunto de datos de entrenamiento para volver a entrenar. En total, se extrajeron 150 cuadros atípicos de seis videos nuevos que contenían un solo cerdo para mejorar el rendimiento del seguimiento (± 25 cuadros por cerdo). El conjunto de datos de entrenamiento final constaba de 577 (95 %) fotogramas y un conjunto de datos de prueba de 30 fotogramas (5 %). Luego, la red se volvió a entrenar con las mismas funciones que en el primer entrenamiento. Archivo adicional 3Video S2 muestra un ejemplo de un cerdo con seguimiento de partes del cuerpo.

Después de las extracciones de postura de partes del cuerpo usando DeepLabCut, se estimaron los parámetros de dimensión corporal. El conjunto de datos sin procesar contenía posiciones de partes del cuerpo y probabilidades de seguimiento de 5 102 260 fotogramas. Las identificaciones de cerdos individuales se combinaron primero con grabaciones de video basadas en el tiempo de medición del conjunto de datos de peso. Los siguientes pasos y análisis se realizaron en R33. Se eliminaron los fotogramas con una probabilidad de seguimiento media < 0,1 en las ocho partes del cuerpo (quedaban 2.792.252 fotogramas). Esta gran reducción en el número de fotogramas (± 50 % eliminados) se debió principalmente a fotogramas de vídeo sin cerdos, por ejemplo, entre pesajes de diferentes corrales o entre pesajes de cerdos.

A continuación, para cada evento de pesaje, se determinaron los puntos de inicio y finalización para estimar las dimensiones corporales y los rasgos de actividad. Para un evento de pesaje específico, primero se creó un subconjunto que contenía todos los marcos entre el evento de pesaje anterior y el siguiente. La hora de entrada y salida del cerdo en la báscula se estimó utilizando la posición x (en píxeles) de la base de la cola, ya que el movimiento de los cerdos era predominantemente a lo largo del eje x (de derecha a izquierda; Fig. 2b ). El cuadro de entrada se definió como el primer cuadro de un subconjunto en el que la mediana móvil (por 10 cuadros) de la posición x de la base de la cola excedía los 1100 píxeles (Fig. 3). Asimismo, se utilizó el primer cuadro después de un evento de pesaje de cerdos con una posición x de la base de la cola media móvil < 250 píxeles para determinar la hora de salida. Si no se cumplían estos criterios, se utilizaba para la hora de entrada/salida el primer cuadro y/o el cuadro en el que se realizó el registro de peso.

Determinación de la ventana de tiempo para un registro de peso. (a) Primero, se crea un subconjunto como todas las posiciones x de la base de la cola entre el tiempo de registro del registro de peso siguiente (naranja) y anterior (rojo). La hora de inicio de la ventana de tiempo se determina como el primer valor antes del registro del peso propio (verde) por encima del umbral de 1100 píxeles (línea púrpura discontinua; cerdo entrando en la balanza). El tiempo de finalización de la ventana de tiempo se determina como el primer valor después del registro del peso propio (verde) por debajo del umbral de 250 píxeles (línea púrpura discontinua; balanza de salida del cerdo). (b) La ventana de tiempo extraída en la que se estimarán las dimensiones de las partes del cuerpo y se realizará el análisis de trayectoria.

El ancho de la cadera, el ancho de los hombros y la longitud del cuerpo de un cerdo se estimaron utilizando el valor medio de la distancia entre ciertas partes del cuerpo en todos los marcos para un registro de peso específico (Tabla 1, Fig. 2). Estas dimensiones del cuerpo en píxeles se transformaron en métricas, ya que se calculó que 1 cm equivalía a 29,1 píxeles. La relación de conversión de píxeles a centímetros se basó en la distancia entre los mosaicos de la balanza, que se sabía que era exactamente de 50 cm. El área de superficie total se estimó utilizando el valor medio del área calculado con la función st_area en R del paquete R sf34 utilizando todas las ubicaciones de partes del cuerpo externo. También se calcularon las desviaciones estándar de las posiciones de las partes del cuerpo para todos los cuadros entre la entrada y la salida después del control de calidad (como se describe anteriormente), para evaluar la estabilidad de las estimaciones.

El análisis de trayectoria se realizó utilizando el paquete R 'trajr'35 para el hombro izquierdo y derecho, la cadera izquierda y derecha y la base de la cola. Para cada parte del cuerpo, se extrajeron las coordenadas de píxeles, las trayectorias se cambiaron de escala de píxeles a cm y se creó una trayectoria suavizada utilizando la función TrajSmoothSG. A partir de estas trayectorias suavizadas, se derivaron las siguientes características relacionadas con la actividad: desviación media y estándar de velocidad y aceleración ('TrajDerivatives'), un índice de rectitud ('TrajStraightness') y sinuosidad ('TrajSinuosity2').

El índice de rectitud y la sinuosidad están relacionados con el concepto de tortuosidad y asociados con la orientación y el comportamiento de búsqueda de los animales35,36. El índice de rectitud se calcula como la distancia euclidiana entre el inicio y el final dividida por la longitud total del movimiento36. El índice de rectitud es una indicación de qué tan cerca estaba el camino del animal de una línea recta que conecta el punto inicial y el final y varía de 0 a 1. Por lo tanto, cuantifica la eficiencia del camino, mientras que cuanto más cerca de 1, mayor es la eficiencia. En nuestro experimento, la eficiencia de esta trayectoria será máxima cuando un cerdo camine en línea recta durante el pesaje (índice de rectitud = 1). Cualquier desviación de esta línea recta, debido a una mayor actividad del cerdo durante el pesaje, reducirá el índice de rectitud hacia cero. Sinuosity intenta estimar la tortuosidad de una ruta de investigación aleatoria combinando la longitud del paso y el coseno medio de los ángulos de giro de un animal35,36,37. La sinuosidad de una trayectoria varía entre 0 (movimiento aleatorio) y 1 (movimiento dirigido).

En este estudio planteamos la hipótesis de que la velocidad media, el índice de rectitud y la sinuosidad están relacionados con la actividad de los cerdos durante el pesaje. En un caso extremo, un cerdo caminará en línea recta hacia el lector RFID, permanecerá inmóvil hasta que se registre el peso y continuará su caminata en línea recta después de que se abra la puerta. Esto daría como resultado una velocidad media baja (m/s), una sinuosidad > 0 y un índice de rectitud de 1. Nuestra hipótesis es que los cerdos más activos presentarán más movimientos laterales, aumentando la velocidad media y disminuyendo el índice de rectitud y la sinuosidad. Por lo general, los cerdos más tranquilos durante el pesaje mostrarán una velocidad media más baja, aunque es posible que hayan corrido a alta velocidad hacia el lector RFID.

Las estimaciones de las dimensiones corporales utilizando grabaciones de video analizadas con DeepLabCut fueron validadas por un conjunto independiente de 60 cerdos después del experimento inicial. Estos cerdos procedían de cinco corrales de diferentes edades (92 a 166 días) y se les midió manualmente la longitud del cuello de la cola y el ancho de la cadera con una cinta métrica simple. El área de superficie de los cerdos se estimó para los registros manuales como la multiplicación de la longitud del cuello de la cola y el ancho de la cadera. Las estimaciones manuales para la longitud del cuello de la cola, el ancho de la cadera y el área de la superficie del cerdo se compararon luego con las estimaciones del análisis de video mediante el cálculo de las correlaciones de Pearson y el error cuadrático medio (RMSE).

Los rasgos de actividad automatizados se validaron comparando estos valores con las puntuaciones de actividad manual proporcionadas por cinco observadores capacitados. Las secuencias de video de 1748 pesajes de cerdos fueron calificadas manualmente para la actividad de los cerdos por al menos dos observadores por cerdo en una escala de 1 (calma) a 5 (muy activo). Esta escala de actividad ordinal se construyó con base en D'Eath et al. y Holl et al.17,24. A continuación, se comparó la puntuación de actividad media por cerdo con las puntuaciones de actividad automatizadas mediante el cálculo de las correlaciones de Pearson.

Después de la estimación de la dimensión corporal y los rasgos de actividad, se realizó un control de calidad adicional. Primero, las estimaciones del ancho de la cadera y del hombro, la longitud del cuello de la cola y el área de la superficie del cerdo se establecieron como faltantes para los registros con estimaciones de desviación estándar cuadro por cuadro superiores a la media + 3 × desviaciones estándar para todos los registros. Los umbrales fueron 10,2 cm para la distancia entre las caderas (132 registros), 11,8 cm para la distancia entre los hombros (135 registros), 20,6 cm para la longitud del cuello de la cola (121 registros) y 0,058 m2 para la superficie del cerdo (96 registros). Si la desviación estándar de los anchos de cadera estimados en marcos dentro de un evento de pesaje de un cerdo era > 8,9 cm, el registro se establecía como perdido.

En segundo lugar, para cada individuo con al menos cuatro registros (941 cerdos, 6807 registros), se determinaron valores atípicos mediante una regresión polinomial de segundo orden sobre la variable de interés en función de la edad en días. En función de la distribución de la diferencia entre los fenotipos observados y predichos para todos los animales, se estableció un umbral de exclusión (registro que falta) como tres veces la desviación estándar de las diferencias. Los umbrales fueron 2,1 cm para la distancia de la cadera (61 registros), 2,2 cm para la distancia de los hombros (58 registros), 6,4 cm para la longitud del cuello de la cola (75 registros), 0,021 m2 para la superficie del cerdo (85 registros) y 3,7 kg para el peso. (86 registros).

El conjunto de datos final después de la limpieza de datos incluyó 7428 registros de 1556 cerdos de finalización descendientes de 73 toros Piétrain y 204 madres cruzadas. El pedigrí comprendió 4089 animales, donde la mediana de la profundidad del pedigrí de los toros Piétrain fue de 15 generaciones (mín. 10; máx. 17) y 3 (mín. 0; máx. 6) para madres cruzadas.

Estimamos parámetros genéticos (heredabilidad y correlaciones genéticas) usando el paquete de programas blupf9038. Las variaciones genéticas y las heredabilidades se estimaron con información promedio REML, implementada en airemlf90 e invocada con el R-package breedR39 con las opciones "EM-REML 20", "use_yams" y "se_covar_function". Los parámetros genéticos se estimaron primero en el conjunto de datos completo y luego en subconjuntos por registro de peso de los cerdos (1 a 8). El primer registro de peso, por ejemplo, corresponde a un conjunto de datos de 1176 cerdos entre 78 y 89 días de edad (Tabla 2). Estimamos h2 como la proporción de la varianza genética aditiva dividida por la varianza total, mientras que el efecto ambiental común (c2) se estimó como la proporción de la varianza explicada por los efectos ambientales aleatorios (c), dividida por la varianza total.

Las correlaciones genéticas (rg) entre rasgos se estimaron utilizando modelos animales bivariados (airemlf90). Primero se calcularon las correlaciones genéticas entre todas las combinaciones de rasgos posibles utilizando el conjunto de datos completo. De aquí en adelante, se estimaron las correlaciones genéticas dentro de los rasgos para todos los eventos de pesaje por pares (por lo que dos registros del mismo rasgo se trataron como dos rasgos diferentes). Al hacer esto, podemos evaluar si un rasgo cambia genéticamente con el tiempo.

Los modelos animales estimados fueron de la forma:

donde y es el vector con fenotipos para el(los) rasgo(s) estudiado(s); b es el vector que contiene los efectos fijos (sexo, 2 niveles; parto de madre, 4 niveles) y covariables (edad); a es el vector de efectos genéticos aditivos (4089 niveles); c es el vector de efectos ambientales aleatorios (65 niveles); e es el vector de efectos residuales; X, Z y W son matrices de incidencia para efectos fijos, efectos animales aleatorios y efectos ambientales permanentes aleatorios, respectivamente. El efecto ambiental aleatorio c es una combinación de fecha de entrada a la granja de engorde y fecha de pesaje. Cada dos semanas llegaba un nuevo lote de cerdos a la granja de engorde. La paridad de las presas constaba de cuatro clases ('1', '2-3', '4-5', '6 +')'.

El rendimiento de la red se evaluó calculando tanto los errores de tren como los de prueba. Estos errores se miden por la diferencia euclidiana promedio entre las coordenadas de píxeles de las anotaciones manuales y las estimaciones de DeepLabCut en el conjunto de datos de entrenamiento y el conjunto de datos de prueba. El error de píxel medio en el conjunto de datos de entrenamiento sin corte de probabilidad (corte p) fue de 99,2 píxeles o 3,4 cm y 95,9 píxeles o 3,3 cm para el conjunto de datos de prueba (Tabla 2) para la red final (Archivo adicional 3Video S2) . La aplicación de un valor de corte p (p = 0,10) mejoró el error medio de píxeles en el conjunto de datos de entrenamiento hasta 81,1 píxeles o 2,8 cm y 76,1 píxeles o 2,6 cm para el conjunto de datos de prueba. Después del corte p, los errores medios de píxel de partes individuales del cuerpo oscilaron entre 14,0 y 136,0 píxeles, equivalentes a 0,5 y 4,7 cm.

Para validar el rendimiento del algoritmo automatizado de estimación de pose, se compararon la longitud estimada del cuello de la cola, el ancho de la cadera y el área de superficie del cerdo con grabaciones manuales. Las correlaciones de Pearson entre las grabaciones manuales y el análisis de video fueron altas para la longitud del cuello de la cola (r = 0,94; RMSE = 3,2 cm), el ancho de la cadera (r = 0,80; RMSE = 1,8 cm) y el área de superficie del cerdo (r = 0,91; RMSE = 0,019). m2). Sin embargo, las estimaciones que utilizaron el análisis de video fueron en promedio 7,4 cm más altas para la longitud del cuello de la cola y 2,3 cm para el ancho de la cadera. Además, los puntajes de actividad automatizados se validaron comparándolos con puntajes de actividad obtenidos manualmente proporcionados por observadores capacitados. Las correlaciones de Pearson entre las grabaciones manuales y el análisis de video fueron de moderadas a altas para la velocidad media (r = 0,49), el índice de rectitud (r = -0,57) y el índice de sinuosidad (r = -0,32). Después de combinar estos tres rasgos de actividad automatizados en un "índice de actividad" (1/3 de peso por rasgo después de cambiar la escala), la correlación de Pearson con las puntuaciones de actividad manual aumentó a r = 0,62. La correlación de Pearson entre observadores para la puntuación de actividad también fue de moderada a alta, con un rango de r = 0,55–0,84. Los gráficos de correlación por pares para todas las validaciones se proporcionan en el archivo adicional 4, figura S1.

En la Tabla 3 se muestra una descripción general de las estadísticas descriptivas de los rasgos más importantes. Los rasgos se distribuyeron de manera aproximadamente normal según la inspección visual de los histogramas. La figura 4 muestra la evolución de las dimensiones corporales y el peso en función de la edad de los cerdos. La inclinación del crecimiento en la longitud del cuello de la cola, el ancho de la cadera y el ancho de los hombros disminuye con el tiempo, en contraste con el peso y el área de superficie de los cerdos, que muestran un aumento aproximadamente lineal.

Evolución de las dimensiones corporales en función de la edad (en días) y coloreadas por el peso (en kg). Una línea de regresión suavizada se muestra en rojo. Por cerdo, se realizó un máximo de ocho registros cada catorce días, explicando los ocho "bloques" de datos separados con espacios en blanco en el medio. ( a ) Evolución de la distancia cola-cuello. (b) Evolución del ancho de cadera. (c) Evolución de la superficie porcina. (d) Evolución del peso. No se muestra el gráfico del ancho de los hombros, ya que era equivalente al ancho de la cadera.

La repetibilidad de los rasgos se evaluó observando la matriz de correlación fenotípica de Pearson dentro de un rasgo a lo largo del tiempo para los mismos cerdos (Archivo adicional 5, Fig. S2). Para las dimensiones corporales y la ganancia diaria promedio, la repetibilidad fue generalmente muy alta y significativamente (p < 0,001) mayor que cero (r = 0,41–0,98). Las correlaciones más bajas se encontraron entre la primera y la última grabación. La repetibilidad fue baja para la velocidad media, la rectitud y la sinuosidad de los rasgos de actividad (r = 0,05–0,39), aunque consistentemente positiva y significativamente diferente de cero para la mayoría de las comparaciones (p < 0,001; indicado con *** en el Archivo Adicional 5, Fig. S2) . Además, los registros sucesivos (intervalos de dos semanas) para los rasgos de actividad mostraron una correlación de Pearson consistente y significativa (p < 0,001) en el orden de magnitud de r = 0,3. Además, las correlaciones internas del orden en que se pesaron los cerdos aumentaron constantemente con el tiempo desde alrededor de r = 0,10 a r = 0,40.

Las estimaciones de h2 y c2 para el conjunto de datos completo se muestran en la Tabla 4, mientras que estas estimaciones para subconjuntos por registro de peso se proporcionan en el Archivo Adicional 6, Fig. S3. Las estimaciones de heredabilidad fueron altas para los parámetros de dimensión corporal estimados ancho de la cadera (64,1 %), ancho de los hombros (66,4 %), longitud del cuello de la cola (71,9 %) y área de superficie del cerdo (74,8 %). Para los parámetros de comportamiento, h2 fue muy bajo para la duración del pesaje (2,9 %), la desviación estándar de la velocidad de la base de la cola (6,3 %) y la desviación estándar y media de la aceleración de la base de la cola (8,7 % y 5,5 % respectivamente). Sin embargo, las estimaciones de h2 fueron de bajas a moderadas para la velocidad media (24,5 %), el índice de rectitud (25,9 %) y la sinuosidad (23,8 %) de la base de la cola y las estimaciones fueron aún más altas para estos rasgos calculados a partir de las trayectorias de la cadera y el hombro izquierdo y derecho (22 –35%; Archivo Adicional 7 Tabla S1).

En la Fig. 5 se muestra una selección de las estimaciones de rg más relevantes para el conjunto de datos completo, en el archivo adicional 8, tabla S2, se proporciona una lista con todas las correlaciones genéticas bivariadas para todas las posibles combinaciones de rasgos. Se observaron correlaciones genéticas altas (rg = 0,81–0,92) entre los parámetros de dimensión corporal y ADG, y se encontraron correlaciones negativas de bajas a moderadas (rg = −0,46 a −0,34) entre los parámetros de dimensión corporal y el porcentaje de carne. La velocidad media se correlacionó muy negativamente con el índice de rectitud (rg = −0,93) y la sinuosidad (rg = −0,84). Se observaron correlaciones genéticas bajas (rg = − 0,34–0,19) entre los parámetros de dimensión corporal y los parámetros de comportamiento. Se estimaron correlaciones genéticas muy bajas entre los parámetros de comportamiento y la mordedura de cola, mordedura de orejas e hinchazón de orejas (archivo adicional 8, tabla S2).

Mapa de calor de estimaciones de correlación genética (rg) entre un conjunto de rasgos seleccionados para el conjunto de datos completo. Todas las correlaciones genéticas estimadas (con errores estándar) se pueden encontrar en el archivo adicional 8, tabla S2.

El análisis del comportamiento se está volviendo central en la evaluación del bienestar animal, una piedra angular de la cría de cerdos moderna y sostenible. El objetivo general de este estudio fue expandir los procedimientos rutinarios de pesaje de cerdos para incluir mediciones automatizadas de la composición corporal y los niveles de actividad. Utilizando el software DeepLabCut (DLC), desarrollamos un modelo para la estimación de la postura de cerdos de engorde individuales. Pudimos estimar con precisión las partes relevantes del cuerpo con un error de seguimiento promedio de 3,3 cm. Usando el resultado del seguimiento, pudimos estimar las dimensiones corporales y los rasgos de actividad conductual. Las estimaciones de DLC se validaron utilizando las dimensiones corporales recopiladas manualmente como estándar de oro. Las correlaciones de Pearson entre las estimaciones automatizadas y las observaciones manuales fueron altas, oscilando entre 0,80 y 0,94. Además, las puntuaciones de actividad automatizadas tenían correlaciones de moderadas a altas con los rasgos de actividad puntuados manualmente (r = 0,32–0,62). Esta validación indica que nuestra metodología es adecuada para cuantificar la actividad general de los cerdos, sin duda porque las correlaciones entre observadores para la actividad fueron similares (r = 0,55–0,84).

Centrarse únicamente en aumentar la producción tiene el costo de una mayor cantidad de enfermedades y trastornos relacionados con la producción, como problemas en las patas de los cerdos de engorde40. La combinación de la genética con el análisis de la conformación corporal y el comportamiento animal puede ayudar a diseñar una cría más sostenible y robusta en el futuro40. Sin embargo, sigue siendo problemático definir y puntuar lecturas de comportamiento en cerdos a gran escala para su aplicación en programas de cría. Además, se requieren grandes conjuntos de datos con una estructura genealógica suficiente para estimar las heredabilidades y las correlaciones genéticas con precisión41. Aquí, pudimos combinar información genética con lecturas conductuales directas. Las heredabilidades de los parámetros de dimensiones corporales fueron altas (h2 = 61–74 %) e incluso algo más altas que las estimaciones encontradas en la literatura (h2 = 30–60 %)14,15. Esto podría atribuirse a la alta estandarización y la baja variabilidad ambiental en nuestro estudio: todas las mediciones se realizaron en la misma granja de engorde experimental dentro de la misma temporada (enero-julio de 2021). Esto también se refleja en las bajas estimaciones de los efectos ambientales permanentes (c2 = 7,7–17,6 %) para estos rasgos. Las estimaciones de heredabilidad fueron de bajas a moderadas para los rasgos de actividad velocidad media, índice de rectitud y sinuosidad (h2 = 22–35 %). Estas estimaciones son similares a las de la actividad y los rasgos de manejo puntuados manualmente en cerdos durante el pesaje (h2 = 10–23 %)3,17,18,19,24.

No se encontraron correlaciones adversas entre los rasgos de actividad y los parámetros de dimensión corporal (rg = − 0,34–0,19), lo que indica que los cerdos pueden seleccionarse para ambos tipos de rasgos simultáneamente. Estos hallazgos concuerdan con los de Holl et al.17, que informaron una baja correlación genética entre la puntuación de actividad y el grosor de la grasa dorsal (rg = -0,11 a -0,16), así como una asociación moderada entre la puntuación de actividad y el crecimiento (rg = -0,38). Al igual que Ohnishi y Satoh42, las correlaciones genéticas fueron altas entre los parámetros de dimensión corporal y la ganancia diaria promedio (rg = 0,81–0,92). A pesar de estas altas correlaciones genéticas, la combinación de parámetros de dimensiones corporales con registros de peso sigue siendo relevante en la cría (de cerdos). La longitud corporal, por ejemplo, se correlaciona con el número de vértebras, pezones y tamaño de la camada43,44. Los rasgos de actividad, la velocidad media, el índice de rectitud y la sinuosidad estaban altamente correlacionados, presumiblemente porque estos rasgos se remontan al nivel de actividad de los cerdos durante el pesaje.

Se encontraron correlaciones bajas entre las puntuaciones de mordedura de cola o de oreja, la dimensión corporal y los parámetros de actividad. Por lo tanto, no parece factible reducir la mordedura de cola como una respuesta correlacionada a partir de la selección de cerdos en función de estos rasgos de actividad. Ursinus et al.45 también informaron que la mordedura de cola es difícil de predecir por el comportamiento individual. Hay indicios, sin embargo, de una relación de baja a moderada entre la actividad durante el pesaje y la agresión en el corral3,24. Por lo tanto, la cría de cerdos con actividad reducida durante el pesaje podría reducir la agresión y las lesiones. La cría selectiva contra comportamientos no deseados, como la agresión, ya ha demostrado ser eficaz en cerdos46.

Desafortunadamente, no pudimos comparar nuestros rasgos de actividad durante el pesaje con la actividad en el corral. Sin embargo, estudios han encontrado una relación entre la actividad durante el pesaje y la agresión en el corral3,24, mientras que otros vincularon cambios en las puntuaciones de actividad en el corral con mordeduras de cola e infecciones16,20,21,22 o consumo residual de alimento23. Sin embargo, actualmente falta evidencia sobre la relación entre la actividad durante el pesaje y la actividad en el corral. Esta relación entre la actividad de pesaje y la actividad de la pluma necesita más investigación. Cabe señalar que, en nuestro entorno, primero se llevó un solo corral (típicamente 13 cerdos) a un pasillo central, después de lo cual se pesaron los cerdos uno tras otro. Por lo general, los cerdos llegaban al lector de RFID en unos pocos segundos, después de lo cual se necesitaban entre 10 y 20 segundos para pesarlos. Por lo tanto, la velocidad media que estimamos indica principalmente en qué medida un cerdo se movió hacia adelante y hacia atrás mientras se pesaba. Además, los índices de sinuosidad y rectitud se utilizan principalmente en estudios ecológicos bajo el supuesto de que los animales pueden moverse libremente35,36. En nuestra configuración, los cerdos estaban restringidos a un área limitada de aproximadamente 2,5 m × 0,6 m (Fig. 1). Aunque la interpretación es diferente, argumentamos que estos rasgos siguen siendo muy relevantes para caracterizar el comportamiento de los cerdos, ya que proporcionan una buena indicación de la actividad durante el pesaje.

Aunque nuestra red neuronal se desarrolló para características y entornos específicos (es decir, cerdos blancos de finalización, pesados ​​individualmente en una balanza grande), la red puede generalizarse o expandirse con relativa facilidad, como explican Winters et al.47. Una limitación práctica de nuestro procedimiento fue que los videos se analizaron después de la grabación y tuvieron que almacenarse, y luego acoplarse con el conjunto de datos de peso (que contiene ID). Esta limitación podría abordarse mediante el uso de una versión en tiempo real de DeepLabCut en combinación con un lector RFID48 o mejoras en la identificación de animales mediante sistemas de visión por computadora, lo que actualmente es un gran desafío. El modelo desarrollado también podría ampliarse para detectar comportamientos de cerdos muy específicos durante el pesaje, como saltar o dar la vuelta (giros en U), utilizando el software SimBA (Simple Behavioral Analysis) (https://github.com/sgoldenlab/simba)49 . Durante nuestro experimento, varios cerdos intentaron escapar de la báscula intentando saltar, lo que podría ser un indicio de animales volubles3. Además, nuestro modelo podría expandirse para identificar marcas de mordeduras de cola y orejas y/o lesiones en la piel, como lo demostraron Blömke et al.50. Agregar una cámara de vista lateral y/o una cámara 3D posiblemente nos permitiría refinar nuestros análisis, aunque aumentaría la complejidad y, por lo tanto, limitaría su uso en la granja en programas a gran escala. Esto nos permitiría estimar la altura del cerdo, la profundidad muscular y la grasa dorsal5, o realizar un análisis de la marcha relacionado con cojera u otros problemas locomotores51.

En el presente estudio, estimamos la dimensión corporal y los rasgos de actividad de los cerdos mediante la estimación automatizada de poses en videos grabados. Nuestra metodología amplía la rutina estándar de pesaje de cerdos con un sistema de visión por computadora, que puede fenotipar con precisión tanto las dimensiones corporales como los rasgos de actividad de los cerdos. Además, validamos nuestros resultados y demostramos que estos rasgos son hereditarios y no muestran una correlación genética adversa con los rasgos de producción. Estos métodos son valiosos para las organizaciones de cría (de cerdos) para fenotipar nuevos rasgos de producción y comportamiento automáticamente.

El conjunto de datos se hará accesible a petición motivada. Todas nuestras imágenes anotadas y modelos de seguimiento están disponibles en: https://doi.org/10.17605/OSF.IO/QKW5Y. Para más consultas, póngase en contacto con el autor correspondiente.

Ganancia diaria promedio

Efectos ambientales comunes

Sistemas de visión por computadora

corte de laboratorio profundo

Relación de conversión de alimentos

Heredabilidad en sentido estricto

Correlación de Pearson

Identificación de frecuencia de radio

correlación genética

FAO. Alimentación y agricultura mundiales: Anuario estadístico 2020 (FAO, 2020).

Google Académico

Knap, PW El desarrollo científico que necesitamos en la industria de la cría de animales. J. Anim. Criar. Gineta. 137(4), 343–344 (2020).

Artículo MathSciNet PubMed Google Académico

Rydhmer, L. & Canario, L. Genética del comportamiento en cerdos y relaciones con el bienestar. Genética y comportamiento de los animales domésticos 397–434 (Elsevier Inc., 2014).

Libro Google Académico

Fernandes, AFA, Dórea, JRR & Rosa, GJM Análisis de imágenes y aplicaciones de visión por computadora en ciencias animales: una visión general. Frente. Veterinario. ciencia 7, 1269 (2020).

Artículo Google Académico

Fernández, AFA et al. Comparación de estrategias de análisis de datos en sistemas de visión por computadora para predecir rasgos de composición corporal de cerdos a partir de imágenes 3D. J. Anim. ciencia 98, 8 (2020).

Artículo Google Académico

Riekert, M., Klein, A., Adrion, F., Hoffmann, C. y Gallmann, E. Detección automática de la posición y la postura del cerdo mediante imágenes de cámara 2D y aprendizaje profundo. computar Electrón. agricola 174, 105391 (2020).

Artículo Google Académico

Chen, C. et al. Reconocimiento de episodios agresivos de cerdos basado en redes neuronales convolucionales y memoria a corto plazo. computar Electrón. agricola 169, 105166 (2020).

Artículo Google Académico

Leonard, SM, Xin, H., Brown-Brandl, TM & Ramirez, BC Desarrollo y aplicación de un sistema de adquisición de imágenes para caracterizar los comportamientos de las cerdas en los establos de parto. computar Electrón. agricola 163, 104866 (2019).

Artículo Google Académico

Yang, Q., Xiao, D. y Lin, S. Reconocimiento del comportamiento de alimentación para cerdos alojados en grupo con Faster R-CNN. computar Electrón. agricola 155, 453–460 (2018).

Artículo Google Académico

Chen, C. et al. Reconocimiento del comportamiento de alimentación de los cerdos y determinación del tiempo de alimentación de cada cerdo mediante un método de aprendizaje profundo basado en video. computar Electrón. agricola 176, 105642 (2020).

Artículo Google Académico

Moore, KL, Mrode, R. & Coffey, MP Parámetros genéticos del análisis de imagen visual de los rasgos de la canal de corte primario de animales comerciales de matadero de carne de primera calidad. Animal 11 (10), 1653–1659 (2017).

Artículo CAS PubMed Google Académico

Nye, J., Zingaretti, LM & Pérez-Enciso, M. Estimación de rasgos conformacionales en ganado lechero con DeepAPS: un enfoque de segmentación y fenotipado automatizado de aprendizaje profundo en dos pasos. Frente. Gineta. 11, 513 (2020).

Artículo PubMed PubMed Central Google Académico

Johnson, ZB & Nugent, RA Heredabilidad de la longitud corporal y medidas de densidad corporal y su relación con el grosor de la grasa dorsal y el área del músculo del lomo en cerdos. J. Anim. ciencia 81(8), 1943–1949 (2003).

Artículo CAS PubMed Google Académico

Rothschild, MF & Ruvinsky, A. La genética del cerdo 2ª ed. (Primavera, 2022).

Google Académico

Song, H., Zhang, J., Zhang, Q. & Ding, X. Uso de diferentes estrategias de un solo paso para mejorar la eficiencia de la predicción genómica en los rasgos de medición corporal en cerdos. Frente. Gineta. 10, 1–10 (2019).

CAS Google Académico

Ott, S. et al. El análisis de video automatizado de la actividad de los cerdos a nivel del corral se correlaciona altamente con las observaciones humanas de las actividades de comportamiento. Ciencia viva. 160(1), 132–137 (2014).

Artículo Google Académico

Holl, JW, Rohrer, GA & Brown-Brandl, TM Estimaciones de parámetros genéticos entre puntajes de actividad a escala, crecimiento y gordura en cerdos. J. Anim. ciencia 88(2), 455–459 (2010).

Artículo CAS PubMed Google Académico

Jones, RM, Hermesch, S. & Crump, RE Evaluación del tiempo de vuelo, la ganancia diaria promedio y la grasa dorsal del cerdo utilizando modelos de efectos aleatorios que incluyen el grupo de crecimiento. proc. Asoc. Adv. Animación Criar. Gineta. 18, 199–202 (2009).

Google Académico

Schneider, JF, Rempel, LA, Rohrer, GA & Brown-Brandl, TM Estimaciones de parámetros genéticos entre la puntuación de actividad de la escala y la disposición al parto con rasgos reproductivos en cerdos. J. Anim. ciencia 89(11), 3514–3521 (2011).

Artículo CAS PubMed Google Académico

Escobar, J., Van Alstine, WG, Baker, DH & Johnson, RW Comportamiento de cerdos con neumonía viral y bacteriana. aplicación Animación Comportamiento ciencia 105(1–3), 42–50 (2007).

Artículo Google Académico

Reiner, G., Hübner, K. & Hepp, S. Sufrimiento en cerdos enfermos expresado por rasgos conductuales, clínicos y clínico-químicos, en un modelo de parásito bien definido. aplicación Animación Comportamiento ciencia 118(3–4), 222–231 (2009).

Artículo Google Académico

Statham, P., Green, L., Bichard, M. y Mendl, M. Predicción de la mordedura de cola a partir del comportamiento de los cerdos antes de los brotes. aplicación Animación Comportamiento ciencia 121(3–4), 157–164 (2009).

Artículo Google Académico

Sadler, LJ, Johnson, AK, Lonergan, SM, Nettleton, D. & Dekkers, JCM El efecto de la selección para el consumo de alimento residual en la actividad conductual general y la aparición de lesiones en cerdas jóvenes de Yorkshire. J. Anim. ciencia 89(1), 258–266 (2011).

Artículo CAS PubMed Google Académico

D'Eath, RB et al. Genética del temperamento animal: El comportamiento agresivo en la mezcla está genéticamente asociado con la respuesta al manejo en los cerdos. Animal 3 (11), 1544–1554 (2009).

Artículo PubMed Google Académico

Psota, ET, Mittek, M., Pérez, LC, Schmidt, T. & Mote, B. Detección de piezas de varios cerdos y asociación con una red totalmente convolucional. Sensores 19, 4 (2019).

Artículo Google Académico

Pérez-Enciso, M. & Steibel, JP Fenómenos: La frontera actual en la crianza animal. Gineta. sel. Evol. 53, 1 (2021).

Artículo CAS Google Académico

Mathis, A. et al. DeepLabCut: estimación de pose sin marcadores de partes del cuerpo definidas por el usuario con aprendizaje profundo. Nat. Neurosci. 21(9), 1281–1289 (2018).

Artículo CAS PubMed Google Académico

Sturman, O. et al. El análisis de comportamiento basado en el aprendizaje profundo alcanza la precisión humana y es capaz de superar las soluciones comerciales. Neuropsicofarmacología 45(11), 1942–1952 (2020).

Artículo PubMed PubMed Central Google Académico

von Ziegler, L., Sturman, O. & Bohacek, J. Gran comportamiento: desafíos y oportunidades en una nueva era de perfiles profundos de comportamiento. Neuropsicofarmacología 46, 33–44 (2021).

Artículo Google Académico

Van Rossum, G. y Drake, FL Jr. Manual de referencia de Python (Centro de Matemáticas e Informática de Ámsterdam, 1995).

Google Académico

Frontmatec. Clasificación ultrasónica de canales totalmente automática AutoFom IIITM. https://www.frontmatec.com/media/5125/frontmatec-instruments-autofom-iii-_web.pdf. (2019).

Nath, T. et al. Uso de DeepLabCut para la estimación de poses sin marcadores en 3D entre especies y comportamientos. Nat. Protocolo 14(7), 2152–2176 (2019).

Artículo CAS PubMed Google Académico

Equipo central R. R: un lenguaje y entorno para la computación estadística (R Foundation for Statistical Computing, 2020).

Google Académico

Pebesma, E. Características simples para R: soporte estandarizado para datos vectoriales espaciales. RJ. 10(1), 439–446 (2018).

Artículo Google Académico

McLean, DJ & Skowron Volponi, MA trajr: Un paquete R para caracterización de trayectorias animales. Etología 124(6), 440–448 (2018).

Artículo Google Académico

Benhamou, S. ¿Cómo estimar de forma fiable la tortuosidad del camino de un animal: rectitud, sinuosidad o dimensión fractal?. J. Teor. Biol. 229(2), 209–220 (2004).

Artículo ADS MathSciNet PubMed MATH Google Scholar

Bovet, P. & Benhamou, S. Análisis espacial de los movimientos de los animales utilizando un modelo de caminata aleatoria correlacionada. J. Teor. Biol. 131(4), 419–433 (1988).

Artículo ANUNCIOS Google Académico

Misztal, I. et al. Manual para la familia de programas BLUPF90 (Universidad de Atenas, Georgia, 2014).

Google Académico

Muñoz, F. & Sanchez, L. breedR: Métodos estadísticos para analistas de recursos genéticos forestales (Springer, 2019).

Google Académico

Jensen, P. & Andersson, L. La genómica se encuentra con la etología: una nueva ruta para comprender la domesticación, el comportamiento y la sostenibilidad en la cría de animales. Ambiente 2, 320–324 (2005).

Artículo Google Académico

Kanis, E., De Greef, KH, Hiemstra, A. & Van Arendonk, JAM Mejoramiento de rasgos socialmente importantes en cerdos. J. Anim. ciencia 83, 948–957 (2005).

Artículo CAS PubMed Google Académico

Ohnishi, C. & Satoh, M. Estimación de parámetros genéticos para rasgos de desempeño y medición corporal en cerdos Duroc seleccionados por ganancia diaria promedio, área muscular del lomo y espesor de grasa dorsal. Ciencia viva. 214, 161–166 (2018).

Artículo Google Académico

Duijvesteijn, N., Veltmaat, JM, Knol, EF y Harlizius, B. El mapeo de asociación de alta resolución del número de pezones en cerdos revela regiones que controlan el desarrollo vertebral. Genoma BMC. 15, 1 (2014).

Artículo Google Académico

Rohrer, GA & Nonneman, DJ El análisis genético del número de pezones en cerdos revela algunas vías de desarrollo independientes del número de vértebras y varios loci que solo afectan a un lado específico. Gineta. sel. Evol. 49, 1 (2017).

Artículo CAS Google Académico

Ursinus, WW, Van Reenen, CG, Kemp, B. & Bolhuis, JE Comportamiento de mordedura de cola y daño en la cola en cerdos y la relación con el comportamiento general: ¿Predecir lo inevitable?. aplicación Animación Comportamiento ciencia 156, 22–36 (2014).

Artículo Google Académico

Turner, SP Cría contra conductas sociales dañinas en cerdos y pollos: estado del arte y el camino a seguir. aplicación Animación Comportamiento ciencia 134, 1–9 (2011).

Artículo Google Académico

Inviernos, C. et al. Procedimiento automatizado para evaluar la recuperación de cachorros en ratones de laboratorio. ciencia Rep. 12(1), 1663 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Kane, GA, Lopes, G., Saunders, JL, Mathis, A. & Mathis, MW Retroalimentación de bucle cerrado de baja latencia y en tiempo real mediante seguimiento de postura sin marcadores. Elife 9, 1–29 (2020).

Artículo Google Académico

Nilsson, SRO y col. Análisis de comportamiento simple (SimBA): un conjunto de herramientas de código abierto para la clasificación informática de comportamientos sociales complejos en animales de experimentación. BioRxiv. https://doi.org/10.1101/2020.04.19.049452v2 (2020).

Artículo Google Académico

Blömke, L., Volkmann, N. & Kemper, N. Evaluación de un sistema de evaluación automatizado para lesiones de oreja y cola como indicadores de bienestar animal en cerdos en el matadero. Ciencia de la carne 159, 1–10 (2020).

Artículo Google Académico

Pluym, LM et al. Desarrollo de un sistema de medida automática de fuerza y ​​variables visuales de postura para la detección objetiva de cojeras en cerdas: SowSIS. biosist. Ing. 116(1), 64–74 (2013).

Artículo Google Académico

Descargar referencias

Nos gustaría agradecer a Steven Broekx por su ayuda en la construcción de la configuración experimental. Además, nos gustaría agradecer a Nathalie Cenens, Simon Cardinaels y Hannelore Vermoesen por su ayuda en el pesaje de los cerdos y a Kato Van Dyck, Witze de Wolf, Britt Clerens, Florence Sanders y Raf Mary por calificar manualmente la actividad de los cerdos. Nos gustaría agradecer a Vlaamse Piétrain Fokkerij vzw por proporcionar pedigríes y su ayuda en este estudio.

Este estudio fue parcialmente financiado por una beca de doctorado FR (1104320N; WG) y dos becas de doctorado SB (1S05818N (CW) y 1S37119N (RM)) de la Research Foundation Flanders (FWO). Los organismos de financiación no desempeñaron ningún papel en el diseño del estudio y la recopilación, el análisis y la interpretación de los datos y en la redacción del manuscrito.

Estos autores contribuyeron por igual: Wim Gorssen y Carmen Winters.

Centro de Genética y Cría Animal, Departamento de Biosistemas, KU Leuven, Kasteelpark Arenberg 30, Box 2472, 3001, Lovaina, Bélgica

Wim Gorssen, Roel Meyermans, Steven Janssens y Nadine Buys

Laboratorio de Psicología Biológica, KU Leuven, Tiensestraat 102, Box 3714, 3000, Lovaina, Bélgica

Carmen Winters y Rudi D'Hooge

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

WG y CW analizaron los datos y escribieron el manuscrito. WG, CW, RM y NB diseñaron y concibieron este estudio. RM, SJ, RD y NB revisaron críticamente los análisis y el manuscrito. Todos los autores leyeron y aprobaron el manuscrito final.

Correspondencia a Nadine Buys.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Vídeo complementario 1.

Vídeo complementario 2.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Gorssen, W., Winters, C., Meyermans, R. et al. Estimación de la genética de las dimensiones corporales y los niveles de actividad en cerdos mediante la estimación automatizada de poses. Informe científico 12, 15384 (2022). https://doi.org/10.1038/s41598-022-19721-4

Descargar cita

Recibido: 18 febrero 2022

Aceptado: 02 septiembre 2022

Publicado: 13 septiembre 2022

DOI: https://doi.org/10.1038/s41598-022-19721-4

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.