A hagyományos statisztikai módszerek – mint például a BLUP (Best Linear Unbiased Prediction) – évtizedek óta szolgálják ezt a célt, ám a modern állattenyésztésben egyre nagyobb mennyiségű és komplexitású adat keletkezik, amelyet ezek az eljárások már nem tudnak teljes hatékonysággal kezelni.
Itt lépnek be a képbe a gépi tanulási algoritmusok, amelyek képesek a genomikai, fenotípusos és környezeti adatok integrált elemzésére, és ezáltal pontosabb előrejelzéseket adnak a tenyészértékekre.
A kutatást az indiai Sher-e-Kashmir University of Agricultural Sciences and Technology végezte, és célja az volt, hogy összehasonlítsa hét különböző gépi tanulási algoritmus teljesítményét a tenyészérték előrejelzésében.
A vizsgálat során több mint 2000 egyed adatait használták fel, amelyek között szerepelt a születési év, nem, születési súly, választási súly, napi gyarapodás és a hat hónapos kori testtömeg. A hagyományos módszerekkel becsült tenyészértékeket használták „valódi értékként”, és ezekhez viszonyították a gépi tanulási modellek előrejelzéseit. Az eredmények szerint a GBM-algoritmus teljesített a legjobban: közel 80 százalékos pontossággal tudta megbecsülni a jövőbeli súlyt. Ez azt jelenti, hogy a gazda már a választáskor tudhatja, melyik bárányból lesz jó hízó- vagy tenyészállat, és melyikből kevésbé.
Egy másik, szintén 2025-ben publikált tanulmány a Frontiers in Genetics folyóiratban jelent meg, és a kínai hetian juhfajtán végzett multi-omikai elemzést mutatja be. (Az omika informális kifejezés olyan biológiai tudományterületre utal, ami szokásosan -omika végződésű (pl. genomika, proteomika vagy metabolomika). Az omikák általános célkitűzése egy szervezet struktúráját, funkcióját és dinamikáját létrehozó biomolekulák halmazainak kollektív jellemzése és számszerűsítése.)
Itt is gépi tanulást alkalmaztak, hogy a sok ezer gén közül megtalálják azokat, amelyek a legfontosabbak számukra a gyapjúminőség vagy az alkalmazkodóképesség javításának szempontjából. A kutatás azért hasznos, mert így a tenyésztők célzottan választhatják ki azokat az állatokat, amelyek jobban megfelelnek a helyi körülményeknek – például a magyar klímának vagy a hazai piaci igényeknek.
A gépi tanulás nemcsak a genetikai értékek előrejelzésében, hanem a viselkedési tulajdonságok elemzésében is szerepet kap, mert képes képekből, mozgásból vagy viselkedésből is tanulni. A MDPI Animals folyóiratban megjelent tanulmány szerint például kamerák, mozgásérzékelők és mesterséges intelligencia segítségével valós időben lehet követni a juhok párzási készségét, anyai viselkedését és stresszreakcióit. Ezek az adatok szintén beépíthetők a tenyészérték-előrejelzésébe, így komplexebb és pontosabb szelekciós döntések hozhatók.
