---

Luis Varona
Facultad de Veterinaria. Universidad de Zaragoza
Instituto Agroalimentario de Aragón (IA2)
Email: lvarona@unizar.es

Artículo publicado en la revista Suis nº 137. Entra en nuestra tienda online y escoge la modalidad de suscripción a Suis que más te guste.

La producción porcina se organiza habitualmente en función de una estructura de cruzamiento en tres o cuatro vías a partir de individuos procedentes de líneas élite altamente seleccionadas. El proceso de selección en estas líneas se ha realizado tradicionalmente en función de criterios relacionados con caracteres de crecimiento, de calidad de la canal y reproductivos, en el caso de las líneas maternas. Más recientemente, las empresas de genética porcina han incorporado caracteres adicionales como eficiencia alimentaria, calidad de la carne, longevidad, resistencia a enfermedades, comportamiento, resiliencia o sensibilidad ambiental.

En estas líneas élite, el procedimiento de elección para la valoración genética de reproductores ha sido desde los años 80 el Mejor Predictor Lineal Insesgado, BLUP (Henderson, 1984). Sin embargo, a lo largo de la década pasada se introdujeron los procedimientos de selección genómica (Meuwissen et al., 2001). La selección genómica utiliza la información procedente de chips de genotipado que proporcionan información genotípica individual de un gran número de marcadores SNP (Single Nucleotide Polymorphism). El argumento en que se basa su aplicación es el siguiente: (I) se dispone de marcadores SNP que cubren prácticamente todo el genoma; (II) alguno de estos marcadores estará en desequilibrio de ligamiento con los polimorfismos que causan la variabilidad genética en los caracteres de interés; (y III) un estudio de asociación con un número grande de individuos fenotipados en una población de testaje para los caracteres de interés permitirá reconstruir el valor mejorante de los candidatos a la reproducción a partir de la suma de los efectos estimados de los SNP. A partir de su definición teórica se han realizado diversos estudios de simulación (Meuwissen et al., 2001) y de validación cruzada (Legarra et al., 2008), que han mostrado que con un número suficiente de individuos fenotipados se puede obtener una precisión mayor que la obtenida mediante BLUP (Daetwyler et al., 2010), sobre todo en caracteres:

• Difíciles de medir (resistencia a enfermedades).
• Registrados a edad avanzada (longevidad).
• Registrados en un solo sexo (caracteres reproductivos).
• Registrados después del sacrificio (calidad de la canal o de la carne).
• Con heredabilidad baja (caracteres reproductivos).

Este planteamiento de la selección genómica tuvo una repercusión inmediata en los esquemas de mejora de vacuno de leche (Hayes et al., 2009), ya que permite evitar o reducir el impacto de la prueba de descendencia y reducir de manera muy importante el intervalo generacional. Sin embargo, la industria porcina fue más reticente al abandono de sus procedimientos de valoración mediante BLUP, ya que suponía desperdiciar un esfuerzo histórico en la generación de grandes bases de datos fenotípicas y genealógicas. No obstante, en la segunda mitad de la década pasada, se pudo demostrar la equivalencia de algunos de los procedimientos de selección genómica con la valoración de reproductores mediante BLUP (Van Raden, 2007), pero con una modificación transcendental: la sustitución de la matriz de parentesco genealógica (A) por una matriz de parentesco genómica (G), que se construye a partir de la información de los marcadores SNP y que además puede integrase con la información histórica del esquema de mejora, a partir una matriz combinada (H). Esta matriz de parentesco utiliza las relaciones genómicas cuando se dispone de ellas y de las relaciones de parentesco genealógicas en ausencia de genotipados (Aguilar et al., 2010). Para comprender con mayor detalle las implicaciones de la utilización de la selección genómica es necesario profundizar en las diferencias entre estas dos matrices de parentesco. En este sentido, la matriz A representa el parentesco esperado entre los individuos, que se calcula a partir de la información genealógica, mientras que la matriz G corresponde a una estimación de parentesco realizado, calculado a partir de la información de los marcadores SNP. La diferencia entre estas matrices de parentesco se ilustra en la figura 1, donde se presenta una familia de cinco individuos con un genoma simplificado consistente en tres pares de cromosomas y sin recombinación. En ella se puede observar que los parentescos genealógicos y genómicos entre padres e hijos, salvo que existan relaciones adicionales, son idénticos (0,5). Por el contrario, entre colaterales el parentesco realizado o genómico y el parentesco esperado o genealógico pueden diferir de manera muy relevante. De este modo, usando la matriz G, la información fenotípica del animal 5 no se utilizará para predecir el valor mejorante del animal 3 ya que, pese a ser hermanos completos, no comparten ningún segmento de su genoma por descendencia y su parentesco genómico es 0. Por el contrario, la información del animal 4 ponderará para la valoración del animal 3 con un peso superior (0,67) al que lo haría si se usase la matriz A (0,5). En porcino, la diferencia entre ambos procedimientos presenta una ventaja crucial, ya que permite discriminar entre familias de hermanos completos sin información fenotípica propia, que era imposible mediante BLUP, ya que el valor mejorante predicho era idéntico para todos los hermanos completos.

Otra de la ventajas que ha proporcionado la selección genómica es que la inclusión de componentes de varianza no aditivos (dominancia o epistasia) es mucho más sencilla y, por lo tanto, es posible su utilización para el diseño de apareamientos (Toro y Varona, 2010) y para la selección para la aptitud por cruce (Kinghorn et al. 2010).

Pese a la relevancia de la aplicación de la selección genómica, las aportaciones “-ómicas” a la mejora genética de porcino no han hecho sino comenzar, ya que pueden aportar información adicional muy valiosa. En la figura 2 se presenta un esquema del proceso biológico de generación de las observaciones fenotípicas de los caracteres de interés. Se puede observar cómo interviene el genoma de los individuos en la generación de los fenotipos de los caracteres asociados a la rentabilidad de la producción porcina. Pero el proceso de dependencia entre el fenotípico y el genoma no es directo, ya que se pueden definir diversos estratos en el flujo de la información. En primer lugar, el genoma se encuentra modificado por marca epigenéticas (epigenoma), que intervienen en el nivel de transcripción de la secuencia genética en ARN (transcriptoma), y que como consecuencia dan lugar a una serie de metabolitos (metaboloma) que determinan los registros fenotípicos finales. Además, todo este proceso se ve afectado por las influencias ambientales y de la microbiota presente en el organismo, que a su vez interaccionan entre ellos y pueden intervenir en los fenotipos. Hasta ahora, los procedimientos de valoración genética han utilizado exclusivamente información fenotípica y genealógica (o genómica). Sin embargo, a día de hoy es posible disponer de información adicional en prácticamente todos los estratos intermedios. En este sentido, son destacables las posibles aportaciones de la información que se describe a continuación.

Secuenciación completa del genoma

La secuencia del genoma de cerdo se publicó hace aproximadamente cinco años (Groenen et al., 2012), y a partir de ese momento el coste de la secuencia completa de un individuo ha disminuido de manera drástica debido al desarrollo y evolución de los procedimientos de secuenciación (van Dijk et al., 2014). La información de la secuencia completa permite implementar los procedimientos de selección genómica de manera más precisa, al tener acceso a todos los polimorfismos causales, aunque se desconozca su función. Pese a todo, estudios de simulación muestran que la ventaja de la utilización de la secuencia completa con respecto a un chip de SNP es moderada. No obstante, su interés principal reside en la posible identificación de manera más eficiente de genes mayores asociados con caracteres de interés o patologías de origen genético. Hasta el momento, la base de datos OMIA (omia.angis.org.au) describe 248 genes mendelianos, de los cuales únicamente se conoce la mutación causal de 31. Se espera que la utilización de la secuencia completa incremente de manera drástica estas cifras, y que este conocimiento permita identificar y eliminar de los núcleos de selección a los individuos portadores.

Epigenómica

La secuencia genética de los individuos es constante a lo largo de toda su vida, pero sus niveles de expresión están afectados por modificaciones debidas, entre otras causas, a la metilación del ADN o la modificación postraducción de las histonas. Además, parte de estas marcas epigenéticas pueden transmitirse a la descendencia, por ejemplo a través de la impronta o desactivación de los genes recibidos por la vía paterna o materna. Hoy en día, las técnicas de secuenciación masiva han desarrollado procedimientos que permiten obtener información sobre el estado de metilación del ADN de manera individual (Pellegrini y Ferrari, 2012). La aplicación de esta información en mejora genética (González-Recio et al., 2015) puede pasar por:

• La incorporación de la información epigenética en los procedimientos de valoración genética, con el objetivo de predecir con mayor precisión el valor mejorante de los candidatos a la reproducción.
• La compresión de la interacción entre el epigenoma y el ambiente.
• El diseño de cruzamientos para la utilización de la variabilidad generada por las marcas epigenéticas o de impronta (Goddard y Withelaw, 2014).
• La utilización de las propias marcas epigenéticas como carácter de interés (Goddard y Withelaw, 2014).

Transcriptómica

Según el dogma central de la biología molecular (Crick, 1970), la secuencia de ADN que contiene la información de los genes se transcribe a ARN mensajero (ARNm) que después de un proceso de edición se traduce en una proteína. Pese a que su universalidad está claramente cuestionada, el planteamiento general permite razonar que los niveles de ARN en un determinado tejido se relacionan con el nivel de actividad del gen (o secuencia de ADN) que lo codifica. Hoy en día, la técnica de ARN-seq (Wickramasinghe et al., 2014), basada también en procedimiento de secuenciación masiva, permite una cuantificación precisa de todo el ARN presente, que incluye el ARN mensajero y los ARN de transferencia, ribosómico y no codificante. La potencial aplicación de esta información en mejora genética está relacionada con la detección de genes o mutaciones que provoquen una alteración importante en los niveles de expresión. En este sentido, es previsible que su interés sea más importante en el análisis de caracteres complicados como la capacidad inmunitaria del individuo y la resistencia a enfermedades. Además, los niveles de expresión de determinadas secuencias de ARN pueden ser considerados como caracteres en sí mismos y usados en la valoración genética gracias a su posible correlación genética con los objetivos de selección.

Metabolómica

La metabolómica identifica, estudia y cuantifica los metabolitos presentes en muestras biológicas (sangre, semen, etc.) a partir de técnicas como la cromatografía en fase líquida de alto rendimiento, la espectrometría de masas o la resonancia magnética nuclear (Fontanesi, 2016). Entre sus aplicaciones potenciales en mejora genética porcina se pueden destacar las siguientes:

• Puede proporcionar un número importante de nuevos caracteres correlacionados con los objetivos de selección, disponibles de manera sencilla y rápida, susceptibles de ser incluidos en los criterios de selección, e incrementar considerablemente la precisión de la predicción de los valores mejorantes de los candidatos a la selección.
• Aporta información acerca de las circunstancias ambientales que afectan conjuntamente a los caracteres de interés y a un rango amplio de metabolitos. Una identificación más precisa de estos condicionantes ambientales en los que se ha obtenido un registro fenotípico permitirá reducir la incertidumbre y aumentar la capacidad predictiva de rendimientos futuros o de los valores mejorantes de los candidatos a la reproducción.

Microbiómica

La microbiómica se dedica al estudio del microbioma o genoma de la microbiota presente en los individuos. La expresión fenotípica de los caracteres de interés depende por lo tanto de dos conjuntos de genes, el del individuo y el de su microbiota. Las técnicas de análisis en microbiómica oscilan entre la pirosecuenciación del gen ribosómico 16S (Soergel et al., 2012), que permite identificar taxonómicamente a la población bacteriana, y un análisis genómico o transcriptómico utilizando técnicas de secuenciación masiva (Di Bella et al., 2013). Entre las potenciales aplicaciones de la microbiómica en mejora genética animal se puede destacar que:

• Puede permitir explicar parte de la variabilidad fenotípica entre los individuos a partir de la variabilidad en el microbioma, bien a nivel de la distribución en especies y géneros bacterianos, bien a partir de la información genómica, transcriptómica o metabolómica de estos. En este sentido, es razonable pensar que la influencia de la microbiota será muy determinante en la eficiencia alimentaria, la emisión de metano o la resistencia a enfermedades, entre otros caracteres. Por lo tanto, una modelización de los datos fenotípicos que corrija los efectos del microbioma y su posible interacción con el genoma, incrementará la precisión de los valores mejorantes de los candidatos a la reproducción.
• La microbiota es un ecosistema en sí mismo, que contiene sus propios genomas y se transmite parcialmente entre progenitores y descendientes. Por lo tanto, es susceptible de ser mejorado genéticamente y adaptado mediante selección o transferencia a la configuración genética de los individuos.

Ganadería de precisión

La evolución de las técnicas “-ómicas” es paralela al desarrollo de dispositivos electrónicos y sensores que pueden generar nueva información fenotípica de manera masiva que junto con toda la información mencionada hasta ahora, abre la puerta a un nuevo campo que algunos autores se han atrevido a denominar como “fenómica” (Houle et al., 2010). De este modo es ya posible monitorizar el crecimiento individualizado, el consumo de agua o alimento, las condiciones ambientales, la aparición de patologías respiratorias e incluso el comportamiento de los individuos con una gran precisión. Toda esta información es susceptible de ser utilizada en los esquemas de mejora genética desde al menos dos puntos de vista:

• Permite disponer de fenotipos más específicos y medidos con mucha mayor fiabilidad, que pueden acercar los criterios a los objetivos tradicionales de selección y además permiten ampliar la lista de objetivos con nuevos caracteres de interés económico.
• Genera una información valiosa para una corrección más adecuada de los efectos ambientales, que debe incrementar la precisión de la predicción de los valores mejorantes.

El coste de la implementación de todos estos procedimientos es de momento muy elevado. Por este motivo, su incorporación a los esquemas habituales en mejora genética porcina será probablemente paulatino. Pese a todo, la mejora genética porcina es, junto con el vacuno de leche, la principal candidata a su aplicación, debido al elevado valor y repercusión económica de los individuos de las poblaciones élite y a la gran capacidad de inversión y desarrollo de las compañías multinacionales.

En resumen, el futuro de la mejora genética porcina se enmarca como un campo más del análisis de datos masivos o big data. En este marco, los modelos de evaluación habituales como el BLUP, o incluso el GBLUP o BLUP genómico, van a sufrir la competencia de procedimientos de machine learning o aprendizaje automático (Flach, 2012), que permiten una mayor flexibilidad al ser menos rígidos en cuanto a sus asunciones, pero posibilitan la captura de relaciones no lineales entre los caracteres. Aun así, estos procedimientos adolecen de la base teórica de la genética cuantitativa, gracias a la cual se han conseguido los excepcionales resultados que hoy en día proporcionan las poblaciones porcinas seleccionadas.

Referencias

Aguilar, I., Misztal, I., Johnson, D. L., Legarra, A., Tsuruta, S., Lawlor T. J. 2010. Hot topic: A unified approach to utilize phenotypic, full pedigrí and genomic information for genetic evaluation of Holstein final score. J. Dairy Sci. 93:743-752.
Crick, F. 1970. Central Dogma of Molecular Biology. Nature 227:561-563.
Daetwyler H. D., Pong-Wong R., Villanueva, B., Woolliams, J. A. 2010. The impact of genetic architecture on genome-wide evaluation methods. Genetics 185:1021-1031.
Di Bella, J. M., Bao Y., Gloor G. B., Burton, J. P., Reid, G. 2013. High throughput sequencing methods and analysis for microbiome research. J. Microbiol. Methods 95:401-414.
Flach, P. 2012. Machine Learning: the art and science of algorithms that make sense of data. Cambridge University Press.
Fontanesi, L. 2016. Metabolomics and livestock genomics: insights into a phenotyping frontier and its application in animal breeding. Animal Frontiers 1:73-79.
Goddard M. E., Whitelaw, E. 2014. The use of epigenetic phenomena for the improvement of sheep and cattle. Front. Genet. 2:247
Gonzalez-Recio, O., Toro, M. A., Bach A. 2015. Past, present and future of epigenetics applied to livestock breeding. Front. Genet. 6:305.
Groenen, M. A., Archibald, A. L., Uenishi H., Tuggle, C. K., Takeuchi, Y., Rothschild, M. F. et al., 2012. Analyses of pig genomes insight into porcine demography and evolution. Nature. 491:393-398.
Hayes, B. J., Bowman, P. J., Chamberlain, A. J., Goddard, M. E. 2009. Genomic selection in dairy cattle: Progress and challenges. Journal of Dairy Science 92:433-443.
Henderson, C. R. 1984. Applications of Linear Models in Animal Breding. Ed: University of Guelph.
Houle, D., Govindaraju, D. R., Omholt, S. 2010. Phenomics: the next challenge. Nature Review Genetics 11: 855-866.
Kinghorn, B. P., Hickey, J. M., Van der Werf, J. H. J. 2010. Reciprocal recurrent genomic selection for total genetic merit in crossbred individuals. In: Proceedings of the 9th world congress on genetics applied to livestock production.
Legarra, A., Robert-Graine C., Manfredi, E., Elsen, J. M. 2008. Performance of genomic selection in mice. Genetics 180: 611-618.
Meuwissen, T. H. E., Hayes, B. J., Goddard, M. E. 2001. Prediction of total genetic value using genome-wide dense marker maps. Genetics 157:1819-1829.
Pellegrini, M., Ferrari, R. 2012. Epigenetic analysis: ChiP-chip and ChiP-seq. Methods Mol Biol. 802:377-387.
Soergel, D.A.W., Dey, N., Knight, R., Brenner, S. E. 2012. Selection of primers for optimal taxonomic classification of enviromental 16S rRNA gene sequences. ISME J 6:1440-1444.
Toro M. A., Varona L. 2010. A note on mate allocation for dominance handling in genomic selection. Genetics Selection Evolution. 42:33.
Van Dijk, E. L., Auger, H., Jaszczyszyn, Y., Thermes C. 2014. Ten years of next-generation sequencing technology. Trends Genet. 30: 418-426.
Van Raden, P. M. 2008. Efficient methods to compute genomic predictions. J. Dairy Sci. 91:4414-4423.
Wickramasinghe, S., Cánovas, A., Rincón, G., Medrano, J. F. 2014. ARN-Sequencing: A tool to explore new frontiers in animal genetics. Livest. Sci. 166:206-216.