Gastrointestinal nematode infection represents a major threat to the health and productivity of sheep populations, and the Haemonchus contortus is the most pathogenic species. This study analyzed a population of Santa Ines sheep and it was composed of five chapters with the following objectives: Chapter 1) Literature review; Chapter 2) To evaluate the feasibility of using easily-measured phenotypic traits in order to predict the susceptibility of sheep to gastrointestinal nematodes through the use of machine learning methods; Chapter 3) To analyze ocular conjunctiva images to classify anemia levels based on Famacha© scores (FAM); Chapter 4) To examine the additive-genetic patterns of estimated breeding values (EBVs) for indicator traits of resistance to gastrointestinal nematodes; Chapter 5) To assess the accuracy of parametric models (GBLUP, BayesA, BayesB e Bayesian Lasso - BLASSO) and artificial neural networks (BRANN) in genomic predictions of indicator traits of resistance to gastrointestinal nematodes. In the Chapter 2, the animals were classified into resistant, resilient, and susceptible according to fecal egg count (FEC) and packed cell volume (PCV), and the methods were fitted using the information of age class, the month of record, farm, sex, FAM, body weight, and body condition score as predictors. In the Chapter 3, a random forest model (RF) was used to segment the images. After segmentation, the quantiles of color intensity (1, 10, 20, 30, 40, 50, 60, 70, 80, 90, and 99%) in each image channel (red, blue, and green) were determined and used as explanatory variables in the classification models, and the FAM 1 to 5 were the target classes to be predicted. In the Chapter 4, The EBVs for FAM, PCV, and FEC were estimated by Bayesian inference in a single-trait animal model. After, cluster analyses were done using the EBVs for FAM, PCV, and FEC in order to identify animals that are resistant, resilient, and susceptible to gastrointestinal nematodes. In the Chapter 5, the prediction accuracy and mean squared errors were obtained for PCV, FEC, and FAM using parametric models and artificial neural network. The results suggest that the use of easily measurable traits may provide useful information for supporting management decisions at the farm level. The image analysis results indicate that is possible to successfully predict Famacha© score, especially for scores 2 to 4, in sheep via image analysis and RF model using ocular conjunctiva images collected in farm conditions. The resistant cluster presented positive EBVs for PCV and negative for FAM and FEC, being consisted of the most desirable animals to be used as selection candidates in order to genetically improve resistance to gastrointestinal nematodes. In summary, parametric models are suitable for genome-enabled prediction of PCV, FEC and FAM in sheep, due to the small differences in accuracy found between them. Despite this, the use of the GBLUP model is recommended due to its lower computational costs and the possibility of incorporating non-genotyped animals into the analysis using single-step procedures.

A infecção por nematoides gastrointestinais representa uma grande ameaça à saúde e produtividade das populações de ovinos, sendo o Haemonchus contortus a espécie mais patogênica. Este estudo analisou uma população de ovinos Santa Inês e foi composto por cinco capítulos com os seguintes objetivos: Capítulo 1) Revisão da literatura; Capítulo 2) Avaliar a viabilidade de usar características fenotípicas facilmente mensuráveis, a fim de predizer ovinos susceptíveis a nematoides gastrointestinais por meio do uso de métodos de "Machine Learning"; Capítulo 3) Analisar imagens da conjuntiva ocular para classificar os níveis de anemia com base nos escores de Famacha© (FAM); Capítulo 4) Examinar o padrão genético aditivo de valores genéticos estimados (EBVs) para características indicadoras de resistência a nematoides gastrointestinais; Capítulo 5) Avaliar a acurácia de modelos paramétricos (GBLUP, BayesA, BayesB e Lasso Bayesiano - BLASSO) e redes neurais artificiais (BRANN) na predição genômica de características indicadoras de resistência a nematoides gastrointestinais. No Capítulo 2, os animais foram classificados em resistentes, resilientes e suscetíveis de acordo com a contagem de ovos nas fezes (OPG) e volume globular (VG), e os métodos de classificação foram ajustados usando as informações de classe de idade, mês de registro, fazenda, sexo, FAM, peso corporal e escore de condição corporal como preditores. No Capítulo 3, um modelo "Random Forest" (RF) foi usado para segmentar as imagens. Após a segmentação, os quantis de intensidade de cor (1, 10, 20, 30, 40, 50, 60, 70, 80, 90 e 99%) em cada canal de imagem (vermelho, azul e verde) foram determinados e usados como variáveis explanatórias nos modelos de classificação, sendo o FAM 1 a 5 as classes a serem previstas. No Capítulo 4, os EBVs para FAM, VG e OPG foram estimados por inferência bayesiana em um modelo animal uni-característico. Em seguida, análises de agrupamento foram realizadas usando os EBVs para FAM, VG e OPG para identificar animais resistentes, resilientes e suscetíveis a nematoides gastrointestinais. No Capítulo 5, a acurácia e o erro de predição foram obtidos para VG, OPG e FAM usando modelos paramétricos e redes neurais artificiais. Os resultados sugerem que o uso de características facilmente mensuráveis pode fornecer informações úteis para apoiar decisões de manejo a nível de fazenda. Os resultados das análises de imagem indicam que é possível prever com sucesso o FAM, especialmente para escores 2 a 4, em ovinos por meio de análise de imagem e modelo de RF usando imagens da conjuntiva ocular coletadas em condições de fazenda. O agrupamento dos animais resistente apresentou EBVs positivos para VG e negativos para FAM e OPG, sendo os animais mais desejáveis para serem usados como candidatos a seleção para melhorar geneticamente a resistência à nematoides gastrointestinais. Em resumo, os modelos paramétricos são adequados para a predição de valores genéticos genômicos de VG, OPG e FAM em ovinos, devido à similaridade da acurácia encontradas entre eles. Apesar disso, o uso do modelo GBLUP é recomendado devido ao seu menor custo computacional e à possibilidade de incorporar animais não genotipados na análise usando procedimentos "Single-step".