Predição da fertilidade de reprodutores suínos através de parâmetros de cinética espermática e aprendizado de máquina

Abstract

O Brasil é o quarto maior produtor mundial de carne suína, tendo elevada participação no mercado de exportações. De forma a se elevar os níveis de produtividade, a biotécnica de inseminação artificial é amplamente utilizada, visto que possibilita um melhoramento genético da prole de reprodutores de alto potencial genético. Nesse viés, é de grande importância assegurar a qualidade dos sêmens utilizados para o programa de inseminação artificial. No mesmo sentido, é de grande interesse econômico a predição da fertilidade dos reprodutores, de forma a se garantir maiores índices de fertilidade e avanço genético. Este trabalho apresenta um estudo de técnicas de aprendizado de máquina e o desenvolvimento de um classificador da fertilidade de reprodutores suínos através de parâmetros de cinética espermática. O presente trabalho apresenta os desafios de lidar com um banco de dados reduzido e desbalanceado, obtendo resultados moderados (F1 = 0,66) de classificação de 12 machos em férteis ou subférteis. Como resultado, o trabalho se apresenta como um ponto de partida para exploração de técnicas de aprendizado de máquina para classificação de reprodutores suínos através de parâmetros de cinética espermática.

Brazil is the fourth largest producer of pork in the world, with a high share of the export market. In order to raise productivity levels, the biotechnique of artificial insemination is widely used, since it allows a genetic improvement of the offspring of high genetic potential boars. Therefore, it is of great importance to ensure the quality of the semen used for the artificial insemination program. Futhermore, it is of great economic interest to predict the fertility of boars, in order to guarantee higher rates of fertility and genetic improvement. This work presents a study of machine learning techniques and the development of fertility classifier of boars through sperm kinetics parameters. This work presents the challenges of dealing with a reduced and imbalanced dataset, obtaining moderate results (F1 = 0.66) of classifying 12 males as fertile or subfertile. As a result, the work presents itself as a starting point for exploring machine learning techniques for classifying boars through sperm kinetics parameters.