Simulação de dados longitudinais para estudo de características indicadoras de bem-estar em programas de melhoramento genético animal

Abstract

Com o crescimento da população mundial, surgem diversos problemas que atingem muitos países, inclusive o Brasil, que produz alimentos em larga escala, para abastecer a necessidade interna e outros países. A preocupação com o meio ambiente e o bem-estar animal vem sendo um assunto muito abordado, nos últimos anos, com a conscientização da população. Os cuidados com os animais, na cadeia produtiva, influenciam os negócios, principalmente, quando se trata de exportação. Este trabalho visou o estudo de indicadores de bem-estar animal e buscou uma implementação, para simuladores de melhoramento genético animal. Esses indicadores devem ser longitudinais, ou seja, os dados se alteram ao longo do tempo, de acordo com a situação em que o animal se encontra e devem ser correlacionados. Foram implementados algoritmos para simular tais características e aplicada a decomposição de Cholesky, que permitiu a correlação de uma matriz, simétrica e positiva definida, gerada aleatoriamente forçando que a correlação fosse diminuindo no tempo, conforme seu distanciamento. Embora essa simulação permita a utilização de apenas uma característica e a complexidade dos algoritmos não sejam lineares, os resultados se mostraram muito promissores com relação aos efeitos longitudinais esperados para cada indivíduo.

With the growth of the world population, various problems arise that affect many countries, including Brazil, which produces food on a large scale to supply internal needs and other countries. Concerns for the environment and animal welfare have been widely discussed topics in recent years, with the public becoming increasingly aware. Care for animals in the production chain influences business, especially when it comes to exportation. This work aimed to study animal welfare indicators and sought to implement them in animal genetic improvement simulators. These indicators must be longitudinal, meaning that data changes over time according to the animal's situation and must be correlated. Algorithms were implemented to simulate such characteristics, and the Cholesky decomposition was applied, which allowed the correlation of a randomly generated symmetric and positive definite matrix, forcing the correlation to decrease over time as it gets more distant. Although this simulation allows for the use of only one characteristic, and the algorithm complexity is not linear, the results were very promising concerning the expected longitudinal effects for each individual.