Predicción de la Eficiencia Alimentaria y Rasgos Basados en el Rendimiento en Peces a través de la Integración de Múltiples Ómicas y Covariables Clínicas
Autores: Young, Tim; Laroche, Olivier; Walker, Seumas P.; Miller, Matthew R.; Casanovas, Paula; Steiner, Konstanze; Esmaeili, Noah; Zhao, Ruixiang; Bowman, John P.; Wilson, Richard; Bridle, Andrew; Carter, Chris G.; Nowak, Barbara F.; Alfaro, Andrea C.; Symonds, Jane E.
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Predicción de la Eficiencia Alimentaria y Rasgos Basados en el Rendimiento en Peces a través de la Integración de Múltiples Ómicas y Covariables Clínicas
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Biología
Palabras clave
Pescado
Acuicultura
Eficiencia alimentaria
Multi-ópticas
Bosque aleatorio
Proteómica
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 17
Citaciones: Sin citaciones
La acuicultura de peces es una industria global en rápida expansión, destinada a satisfacer la creciente demanda de fuentes de proteína marina. Mejorar la eficiencia alimentaria (EA) en los peces de cultivo es necesario para reducir los costos de producción y mejorar la sostenibilidad del sector. Reconociendo que los organismos son sistemas complejos cuyos fenotipos emergentes son el producto de múltiples procesos moleculares interactuantes, se espera que los enfoques basados en sistemas proporcionen nuevos conocimientos biológicos sobre la EA y el rendimiento de crecimiento. Aquí, establecemos 14 capas diversas de multi-ómicas y covariables clínicas para evaluar sus capacidades para predecir la EA y los rasgos de rendimiento asociados en un modelo de pez y descubrir las variables influyentes. La relación inter-ómica entre las diferentes capas reveló varias concordancias significativas, particularmente entre conjuntos de datos que provienen de material/tisú similar y entre indicadores sanguíneos y algunas de las capas proteómicas (hígado), metabolómicas (hígado) y microbiómicas. Los modelos de regresión de bosque aleatorio (RF) de capa única y multilayer mostraron que la integración de todas las capas de datos proporciona un mayor poder predictivo de la EA que cualquier modelo de capa única por sí solo. Aunque la EA fue uno de los rasgos más desafiantes que intentamos predecir, la precisión media de 40 modelos diferentes de EA en términos de errores cuadráticos medios normalizados al porcentaje fue del 30.4%, apoyando a RF como una herramienta de selección de características y enfoque para la predicción de rasgos complejos. Las principales contribuciones a los modelos integrados de EA se derivaron de capas de datos proteómicos y metabolómicos, con una influencia sustancial también proporcionada por la capa de composición lipídica. Una matriz de correlación de las 27 variables principales en los modelos destacó las asociaciones de rasgos de EA con bacterias fecales ( spp.), fracciones de ácido palmítico y nervónico en lípidos de cuerpo entero, niveles de glicerol libre en músculo y contenido de ácido N-acetilglutámico en el hígado. En resumen, identificamos subconjuntos de características moleculares para la evaluación de métricas de rendimiento comercialmente relevantes en el salmón Chinook cultivado.
Descripción
La acuicultura de peces es una industria global en rápida expansión, destinada a satisfacer la creciente demanda de fuentes de proteína marina. Mejorar la eficiencia alimentaria (EA) en los peces de cultivo es necesario para reducir los costos de producción y mejorar la sostenibilidad del sector. Reconociendo que los organismos son sistemas complejos cuyos fenotipos emergentes son el producto de múltiples procesos moleculares interactuantes, se espera que los enfoques basados en sistemas proporcionen nuevos conocimientos biológicos sobre la EA y el rendimiento de crecimiento. Aquí, establecemos 14 capas diversas de multi-ómicas y covariables clínicas para evaluar sus capacidades para predecir la EA y los rasgos de rendimiento asociados en un modelo de pez y descubrir las variables influyentes. La relación inter-ómica entre las diferentes capas reveló varias concordancias significativas, particularmente entre conjuntos de datos que provienen de material/tisú similar y entre indicadores sanguíneos y algunas de las capas proteómicas (hígado), metabolómicas (hígado) y microbiómicas. Los modelos de regresión de bosque aleatorio (RF) de capa única y multilayer mostraron que la integración de todas las capas de datos proporciona un mayor poder predictivo de la EA que cualquier modelo de capa única por sí solo. Aunque la EA fue uno de los rasgos más desafiantes que intentamos predecir, la precisión media de 40 modelos diferentes de EA en términos de errores cuadráticos medios normalizados al porcentaje fue del 30.4%, apoyando a RF como una herramienta de selección de características y enfoque para la predicción de rasgos complejos. Las principales contribuciones a los modelos integrados de EA se derivaron de capas de datos proteómicos y metabolómicos, con una influencia sustancial también proporcionada por la capa de composición lipídica. Una matriz de correlación de las 27 variables principales en los modelos destacó las asociaciones de rasgos de EA con bacterias fecales ( spp.), fracciones de ácido palmítico y nervónico en lípidos de cuerpo entero, niveles de glicerol libre en músculo y contenido de ácido N-acetilglutámico en el hígado. En resumen, identificamos subconjuntos de características moleculares para la evaluación de métricas de rendimiento comercialmente relevantes en el salmón Chinook cultivado.