0
Los sistemas biológicos implican a menudo interacciones complejas entre un gran conjunto de factores, de tal manera que es difícil integrar todos estos procesos en la mente humana sin ayuda y poder penetrar en el sistema en sí mismo. Todavía más, si se quiere apreciar completamente las consecuencias de manipular ciertos aspectos de un sistema, entonces es critico que se entienda el sistema por sí mismo. La llave para poder entender tales sistemas es la ciencia de la simulación. Los sistemas complejos deben ser simulados mediante la construcción de modelos.
Un modelo es simplemente una tentativa para describir las partes de un sistema de la vida real y las interacciones entre las partes, para dar una comprensión del conjunto. El crecimiento del cerdo es un buen ejemplo de un sistema biológico complejo, y cuando se considera al crecimiento como parte de un sistema de producción más amplio incluyendo los costes y precios de mercado, es un obvio candidato para realizar modelos de simulación.
Es útil distinguir entre dos tipos extremos de modelos de crecimiento animal, los modelos de regresión y los biológicos. En los primeros, la relación empíricamente derivada entre las variables clave de entrada y salida del sistema, se usa para predecir los resultados a partir de una serie de datos de entrada. (Figura 1).
| Entradas → | → Salidas | |
| ↑ | ↑ | |
| Datos experimentales | ||
| Figura 1. Modelo de crecimiento de regresión | ||
Aunque los modelos de regresión pueden utilizarse para predecir el efecto sobre la producción, consiecuencia de la manipulación de las variables de entrada, siguen dando una descripción simple del sistema. Los modelos de regresión se han comparado a considerar al animal como una “caja-negra”, sin una descripción real de los componentes biológicos que dirigen el crecimiento. La predicción de la producción se obtiene a partir de la pura relación estadística con los datos de entrada, la cual suele tener poco significado biológico. Así tales modelos se limitan a aplicaciones prácticas, son simplistas y específicos para la situación bajo la cual fueron desarrollados.
En la búsqueda de una mayor flexibilidad en la predicción del crecimiento y para ayudar a la interpretación de los mecanismos causativos del crecimiento, se han desarrollado los modelos biológicos de simulación del crecimiento (figura 2).
| Funciones biológicas | ||
| Entradas → | → Salidas | |
| Figura 2. Modelos de crecimiento biológicos | ||
Los modelos biológicos intentan describir el crecimiento como resultado de la acción de una serie de procesos y controles fisiológicos y bioquímicos básicos. Por tanto, se levanta la tapa de la “caja negra” y se describen los componentes que comprenden el sistema del crecimiento.
Los modelos biológicos se pueden utilizar para predecir parámetros productivos comercialmente importantes, en respuesta a la variación de factores como el genotipo, sexo, niveles y calidad nutricionales, y del ambiente físico.
Aplicación práctica de los modelos de crecimiento porcino
Se han desarrollado, publicado y aplicado diferentes modelos válidos del crecimiento del cerdo. Uno de los primeros modelos del crecimiento se desarrolló en la universidad de Massey, Nueva Zelanda, y se utilizó muy satisfactoriamente a través del mundo. El trabajo inicial condujo a una colaboración científica a largo plazo entre la universidad de Massey y la universidad de Guelph, Canadá, que ha conducido al desarrollo de modelos biológicos más sofisticados relacionados con la producción porcina.
A lo largo de lo que han sido veinte años de viaje se ha aprendido mucho. Una de las lecciones más importantes ha sido que sólo en compañías grandes con nutricionistas altamente cualificados especialmente dedicados a la modelización, obtienen todos los beneficios de tener un modelo computerizado de crecimiento. Para hacer funcionar correctamente los modelos se requiere una comprensión cuidadosa del modelo en sí mismo y un alto nivel de conocimientos referentes al crecimiento y a la nutrición. Requiere especialización: de hecho, sin tales conocimientos el uso de modelos a veces puede ser peligroso, conduciendo a predicciones engañosas. Así mismo, puede ser costosos tener acceso a los modelos biológicos, y fuera de alcance económico de muchos productores, asesores y compañías de nutrición.
Recientemente, nuestro grupo de investigación ha desarrollado un nuevo modelo. La idea ha sido utilizar un modelo biológico original del crecimiento para predecir los resultados de miles de combinaciones de escenarios de entrada. Entonces, puede desarrollarse un modelo de hoja de cálculo que permita predecir las salidas en base a las entradas dell sistema de producción, no siendo nunca necesario llegar a las fuentes originales del modelo en si mismo o a los principios básicos bajo los que se soporta la construcción del modelo. De una forma rápida y eficiente, pueden hacerse múltiples análisis de las consecuencias sobre los beneficios, de manipular aspectos de la granja, alimentación y animales.
En la tabla 1, se presenta una muestra de cómo puede utilizarse este tipo de tecnología, por ejemplo para encontrar los niveles de energía, lisina y el plano de alimentación de distintos genotipos (según la capacidad máxima de deposición de proteína), con el fin de maximizar el beneficio económico.
| Tabla 1 – Especificaciones de las dietas y nivel de ingestión para maximizar el beneficio de distintos genotipos de cerdos con distinta capacidad de deposición proteica máxima (DPmax). | |||||
| DPmax | |||||
| Genotipo | 120 | 140 | 160 | 180 | 200 |
| Dieta de crecimiento | |||||
| ED (MJ/kg) | 14.5 | 14 | 13.5 | 14.5 | 14.5 |
| ED (kcal/kg) | 3.470 | 3.350 | 3.230 | 3.470 | 3.470 |
| Lis disponible (g/kg) | 11.6 | 11.2 | 10.8 | 14.5 | 14.5 |
| Nivel de ingestión (% IV) | 80 | 80 | 80 | 100 | 100 |
| Dieta de acabado | |||||
| ED (MJ/kg) | 13 | 13 | 13 | 13 | 14.5 |
| ED (kcal/kg) | 3.110 | 3.110 | 3.110 | 3.110 | 3.470 |
| Lis disponible (g/kg) | 13 | 13 | 7.8 | 13 | 14.5 |
| Nivel de ingestión (% IV) | 80 | 80 | 80 | 80 | 100 |
| Datos de crecimiento | |||||
| GMD (g/d) | 681 | 738 | 792 | 960 | 1036 |
| IC | 2.93 | 2.68 | 2.51 | 2.27 | 1.95 |
| Grasa dorsal (mm) | 13 | 11.3 | 10.3 | 9.1 | 8.4 |
| Balance económico1 | |||||
| Valor de la canal ($/cerdo) | 152.28 | 184.75 | 200.56 | 212.72 | 219 |
| (€/cerdo) | 190 | 230 | 250 | 266 | 274 |
| Coste alimentación ($/cerdo) | 80.88 | 73.13 | 63.62 | 64.57 | 57.81 |
| (€/cerdo) | 101,1 | 91,4 | 79,5 | 80,7 | 72,3 |
| Beneficio Max ($/plaza cebo/año) | -90.66 | 37.35 | 129.26 | 200.08 | 270.32 |
| (€/cerdo) | -113 | 47 | 162 | 250 | 338 |
| 1
Balance económico en dólares de Nueva Zelanda NZD (aprox.
0,80 NZD/EUR) DPmax: máxima deposición proteica. IV: ingestión voluntaria. GMD: ganancia media diaria. IC: índice de conversión |
|||||
Bajo este conjunto de asunciones económicas, cuanto más magro es el genotipo (un DPmax más alto) mayor es el beneficioso. Sin embargo, para cada genotipo el beneficio más alto se obtuvo con diferentes estrategias de alimentación. Esto subraya la gran importancia de proporcionar la dieta correcta al tipo de cerdo más adecuado.
Esta tecnología puede utilizarse para analizar los efectos sobre las producciones y rentabilidad de un número casi ilimitado de combinaciones de entradas y salidas (p.e dietas óptimas, planos de alimentación, genética, pesos de sacrificio, composición de la canal, etc). Cuando se produce un cambio, (p.e. plano de alimentación, o precios del cerdo) fácilmente pueden reanalizarse los diferentes escenarios y encontrarse una nueva solución óptima. Dichas tecnologías tienen un lugar vital en la producción porcina moderna.
Escribe Paul J Moughan p.j.moughan@massey.ac.nz
