Aprendizado de máquina para classificação de variáveis multivariadas em raças bovinas criadas em pântanos do Paraguai

RESUMO

Este estudo foca no desempenho de vacas para produção de carne, criadas nos pântanos do Paraguai, examinando cinco genótipos bovinos; Brahman, Brangus, Nelore, bem como duas raças locais em risco de extinção. O principal objetivo é identificar e classificar variáveis fenotípicas que incluem variáveis sanguíneas, clínicas, de pelagem e saúde, demonstrando ligação causal com o peso vivo das vacas analisadas. Inicialmente, foram identificadas correlações elevadas entre diferentes variáveis incluídas neste estudo, e, então, utilizando técnicas avançadas de aprendizado de máquina e a aplicação de explicações aditivas de Shapley (SHAP), foi proporcionado um entendimento mais profundo dos fatores fortemente associados à adaptabilidade nestes ambientes, e, portanto, o respectivo desempenho zootécnico. A associação entre o componente genotípico bovino ligado à estação do ano mostrou ser o fator influente mais predominante sobre o peso vivo bovino. Variáveis como comprimento do pelo, hematócrito, fosfatase, fósforo, creatina phosphokinase, creatinina, proteína, cortisol, cálcio e a presença de endoparasitas foram destacadas, demonstrando sua importância hierárquica para a seleção animal. Os modelos de ML são ferramentas eficazes para estabelecer hierarquias de relevância em multivariáveis fenotípicas complexas, o que é crucial em programas de melhoramento genético em diferentes espécies zootécnicas, bem como em ambientes especiais e específicos, como os pântanos.

Palavras-chave:
adaptabilidade bovina em pântanos; SHAP; variáveis fenotípicas; variáveis sanguíneas