Nutrición Animal Tropical 18 (2): Julio-Diciembre, 2024
ISSN: 2215-3527 / DOI: 10.15517/nat.v18i2.61205
_________________________________________________________________________________________________________________
_________________________________________________________________________________________________________________
1Escuela de Zootecnia y Centro de Investigación en Nutrición Animal, Universidad de Costa Rica, San José, Costa Rica.
Autor para correspondencia: alejandro.saboriomontero@ucr.ac.cr (https://orcid.org/0000-0002-9840-0058)
2Escuela de Zootecnia y Centro de Investigación en Nutrición Animal, Universidad de Costa Rica, San José, Costa Rica.
Correo electrónico: roger.molina@ucr.ac.cr (https://orcid.org/0000-0003-3844-2587)
3Escuela de Zootecnia y Centro de Investigación en Nutrición Animal, Universidad de Costa Rica, San José, Costa Rica.
Correo electrónico: carlosmario.campos@ucr.ac.cr (https://orcid.org/0000-0002-0079-2621)
4Escuela de Zootecnia y Centro de Investigación en Nutrición Animal, Universidad de Costa Rica, San José, Costa Rica.
Correo electrónico: rodolfo.wingching@ucr.ac.cr (https://orcid.org/0000-0002-8009-2210)
Recibido: 03 abril 2024 Aceptado: 19 julio 2024
Esta obra está bajo licencia internacional CreativeCommons Reconocimiento-NoComercial SinObrasDerivadas 4.0.
REVISION LITERATURA
Reducción de emisiones de metano en bovinos mediante selección metagenómica
Alejandro Saborío-Montero1, Roger Molina-Coto2, Carlos Campos-Granados3, Rodolfo WingChing-
Jones4
RESUMEN
La generación de dispositivos capaces de secuenciar ADN a partir de muestras de matrices
compuestas de distintos microorganismos ha marcado un hito en la clasificación
taxonómica de estos. En el ámbito de la producción animal de rumiantes, el estudio
genómico del microbioma del rumen (metagenómica) y su relación con el genotipo de los
hospedadores ha despertado el interés de los investigadores. Esto se debe a las potenciales
oportunidades de seleccionar rumiantes que puedan transmitir a su descendencia
características que generen microbiomas más sostenibles para los propósitos de los
sistemas productivos, tales como mejorar la eficiencia alimenticia y productividad mientras
se reducen las emisiones de metano (CH4). El objetivo de esta revisión fue exponer una
selección de documentación científica relacionada con el análisis del microbioma y su
relevancia como potencial estrategia para la selección de rumiantes en los programas de
mejora genética. Se ha concluido que la integración de tecnologías de análisis
metagenómico en la investigación del microbioma del rumen ofrece nuevas perspectivas
para la mejora genética en la producción de rumiantes. Estas tecnologías promueven
sistemas productivos más eficientes y sostenibles, con menor impacto ambiental.
Palabras clave: Holobiabilidad, eficiencia alimenticia, microorganismos, metagenómica,
sostenibilidad.
Nutrición Animal Tropical
_________________________________________________________________________________________________________________
________________________________________________________________________________________________
Nutrición Animal Tropical 18 (2): 1-23 ISSN: 2215-3527/ 2024
2
ABSTRACT
Reduction of methane emissions in bovines through metagenomic selection. The
development of devices capable of sequencing DNA from samples composed of various
microorganisms has marked a milestone in their taxonomic classification. In the field of
ruminant animal production, the genomic study of the rumen microbiome (metagenomics)
and its relationship with the host's genotype has attracted researchers' interest. This is due
to the potential opportunities to select ruminants that can pass on traits to their offspring
that create more sustainable microbiomes for productive systems, such as improving feed
efficiency and productivity while simultaneously reducing methane (CH4) emissions. The
objective of this review was to present a selection of scientific literature related to
microbiome analysis and its relevance as a potential strategy for selecting ruminants in
genetic improvement programs. It has been concluded that the integration of
metagenomic analysis technologies in rumen microbiome research offers new perspectives
for genetic improvement in ruminant production. These technologies promote more
efficient and sustainable productive systems with lower environmental impact.
Keywords: Holobiability, feed efficiency, microorganisms, metagenomics, sustainability.
INTRODUCCIÓN
El ganado bovino es una de las especies en las que el microbioma ha sido asociado a rasgos
fenotípicos de interés (Lima et al., 2015), donde individuos con microbiomas cuyos patrones
de abundancias relativas son similares, presentan rendimientos fenotípicos similares para
algunos rasgos (Delgado et al., 2018). Se ha propuesto, además, que el microbioma es
regulado parcialmente por el componente genético del hospedador (González-Recio et al.,
2017; González-Recio et al. 2023a), así como por el genotipo de sus progenitores (Roehe
et al., 2016).
Saborío-Montero, et al. Reducción de emisiones de metano en bovinos mediante selección metagenómica
_________________________________________________________________________________________________________________
________________________________________________________________________________________________
Nutrición Animal Tropical 18 (2): 1-23 ISSN: 2215-3527/ 2024
3
En la década de 1980, se identificó una nueva técnica para la clasificación taxonómica de
microorganismos, que hasta ese momento era realizada por comparación fenotípica y
morfológica de aislados microbianos (Clarridge, 2004).
Este nuevo método mostró que las relaciones filogenéticas de las bacterias podían ser
determinadas por comparación de una región conservada del código genético bacteriano.
Lo cual se puede observar en los genes que codifican para el componente de la subunidad
30S de los ribosomas procariontes, denominado ARN ribosomal 16S (16S rRNA), y que
distintos grupos filogenéticos revelaron la presencia de una o más secuencias específicas
cortas denominadas “oligonucleótidos firma” (Woese et al., 1985). Estos están presentes en
la mayoría de los miembros de un determinado grupo filogenético y rara vez en otros
grupos. Estas particularidades del análisis de 16S rRNA permitieron identificar cada bacteria
dentro de un determinado grupo (Rodicio y Mendoza, 2004).
El avance tecnológico en las técnicas de secuenciación masiva y la disminución de los costos
en dichos procedimientos ha permitido el análisis de todos los genes contenidos dentro de
una muestra ambiental, esto mediante el análisis metagenómico de secuenciación del
genoma completo (WGS). En este tipo de análisis, se extrae el ADN de la muestra de interés,
se secuencia y se obtienen lecturas cortas o largas desordenadas. Estas pertenecen a
secciones de los genomas de los microorganismos, que son ensambladas por traslape de
secuencias y comparadas contra una base de datos de secuencias preestablecidas y
vinculadas a una clasificación filogenética y funcional de los microorganismos y los genes,
respectivamente (Stewart et al., 2019).
Existe variabilidad entre abundancias relativas de microorganismos de un mismo sitio
muestreado en diferentes hospedadores; por ejemplo, las abundancias relativas de
microorganismos del rumen en distintos bovinos de una misma raza (Saborío-Montero et
al., 2021a). Estas abundancias relativas han sido asociadas a rasgos de interés, tales como
la eficiencia alimenticia (Delgado et al., 2018) y emisiones de CH4 (Saborío-Montero et al.,
2022).
La mejora de la eficiencia alimenticia en producción animal consiste en reducir la relación
de alimento consumido por unidad de producto generado. Esta es una meta bien
bbbbbbbb
Nutrición Animal Tropical
_________________________________________________________________________________________________________________
________________________________________________________________________________________________
Nutrición Animal Tropical 18 (2): 1-23 ISSN: 2215-3527/ 2024
4
establecida en los programas de varias especies productivas y un rasgo que ha potenciado
sustancialmente en las últimas décadas. Sin embargo, la tendencia en el perfeccionamiento
de este rasgo ha sido lenta en rumiantes (Hurley et al., 2018).
Contrariamente, a pesar de que las emisiones de CH4 entérico de los rumiantes son un
tema relevante en relación con el cambio climático, actualmente son pocos los países que
las incluyen como un carácter dentro de las metas en los programas de mejoramiento
genético de bovinos lecheros. Solamente España ha realizado a la fecha evaluaciones
genéticas en base a mediciones directas en ganado vacuno (López-Paredes et al., 2020).
Sin embargo, es probable que debido a que este gas de efecto invernadero tiene un
potencial de calentamiento global 25 veces mayor al del dióxido de carbono y es el
compuesto liberado por los rumiantes que más contribuye en esta problemática (de Haas
et al., 2017), en un futuro pueda ser considerado dentro de los programas de mejora de
muchos países para mitigar dichas emisiones de una manera sistematizada, constante y
sostenible.
Existen metodologías desarrolladas para predecir fenotipos de rasgos complejos a partir
del microbioma del hospedador. Por ejemplo, Ross et al. (2013) relacionaron la producción
entérica de gases de efecto invernadero con perfiles del microbioma en ganado lechero.
Otros estudios han asociado la ingesta residual (RFI) con las emisiones de CH4 en rumiantes,
ya que los animales seleccionados para baja ingesta residual (alta eficiencia alimenticia)
tienden a reducir las emisiones de CH4 en bovinos (Fitzsimons et al., 2013). Esto sugiere que
algunas estrategias de selección genética orientadas a mejorar la eficiencia alimenticia
podrían ser efectivas para disminuir simultáneamente las emisiones de CH4 (Negussie et al.,
2017).
Algunos autores afirman que si el microbioma es consistente entre poblaciones de ganado
bovino, diferente entre animales y, a su vez, heredable, esto podría representar una
oportunidad para utilizar selección genética para escoger reproductores rumiantes con
microbiomas deseables (Tapio et al., 2017).
El objetivo de esta revisión es describir aspectos asociados al análisis del microbioma del
rumen bovino como una metodología potencial para la selección de rumiantes que sean
bajos emisores de CH4 dentro de programas de mejora genética animal.
Saborío-Montero, et al. Reducción de emisiones de metano en bovinos mediante selección metagenómica
_________________________________________________________________________________________________________________
________________________________________________________________________________________________
Nutrición Animal Tropical 18 (2): 1-23 ISSN: 2215-3527/ 2024
5
MATERIALES Y MÉTODOS
Para realizar esta revisión bibliográfica, se hizo una búsqueda de enero a diciembre de
2023. Se contemplaron capítulos de libros, artículos científicos, memorias de seminarios,
memorias de congresos y tesis de 1972 a 2023. Además, se utilizaron palabras claves como
microbioma, holobiabilidad, eficiencia alimenticia, microorganismos, metagenómica y
sostenibilidad.
Una vez finalizada la búsqueda, se seleccionaron 63 publicaciones para la revisión. El
criterio de selección de las publicaciones fue la inclusión en las mismas de información
relevante en relación con el tema de investigación.
Esta revisión de literatura forma parte de la generación de productos dentro de las
actividades de investigación denominadas “Desarrollo del observatorio de cambio climático
de la Escuela de Zootecnia” e “Investigación en metagenómica con un enfoque en mejora
genética animal para la sostenibilidad de sistemas productivos de rumiantes” inscritas en la
Vicerrectoría de Investigación de la Universidad de Costa Rica bajo los números 739-C2748
(2022-2025) y 739-C2724 (2022-2024), respectivamente.
RESULTADOS Y DISCUSIÓN
Definiciones
El término “microbioma” fue mencionado por primera vez en humanos por Joshua
Lederberg en 2001 (Lederberg y McCray, 2001) para describir la “comunidad ecológica de
microorganismos comensales, simbióticos y patogénicos que comparten nuestro espacio
corporal”. Sin embargo, otros autores (Ursell et al., 2013) consideran la microbioma como
el catálogo de microbios y sus genes. Una definición más amplia de este término es “todo
el material genético dentro de la microbiota (colección de microorganismos en un nicho
específico)” (Berg et al., 2020).
Nutrición Animal Tropical
_________________________________________________________________________________________________________________
________________________________________________________________________________________________
Nutrición Animal Tropical 18 (2): 1-23 ISSN: 2215-3527/ 2024
6
El término “metagenoma” se utilizó por primera vez en el artículo científico de Handelsman
et al. (1998) para describir la manera de analizar genes secuenciados obtenidos de una
muestra ambiental, como si se tratara del genoma de un único individuo. Posteriormente,
ha sido definida como el análisis genético directo de genomas contenidos dentro de una
muestra ambiental (Thomas et al., 2012) y de comunidades microbianas en muestras
ambientales sin necesidad previa de cultivar cultivos clonales (Oulas et al., 2015) y como el
estudio del material genético general de un microbioma (Malmuthuge y Guan, 2016).
Microbiota ruminal
Los tres superreinos taxonómicos (bacterias, eucariotas y arqueas) están presentes en el
rumen (López-García et al., 2022). La microbiota ruminal es esencial para la sobrevivencia
de los rumiantes, debido a que algunas de sus funciones primordiales incluyen la
fermentación de la fibra, la producción de ácidos grasos volátiles y la homeostasis del pH
ruminal (González-Recio et al., 2023b).
Los rumiantes presentan variabilidad en su microbiota, principalmente mediada por el tipo
de alimentación recibida. Sin embargo, existe evidencia relativa a asociaciones entre
microbiotas de rumiantes en función a su relación de parentesco, indistintamente de la
alimentación recibida (Roehe et al., 2016). Estas diferencias pueden ser vinculadas a su
constitución genética.
Esta variabilidad de la microbiota y su asociación con la estructura genética del animal
brinda una oportunidad de selección de reproductores. Esto se debe aplicar para
desarrollar animales en las próximas generaciones que posean microbiotas moduladas a
criterio de los programas de mejora genética (González-Recio et al., 2023a).
Existen estudios que respaldan que el uso de parámetros genéticos que incluyan el
componente genético, el componente microbial y sus interacciones (
holobiability
u
holobiabilidad) pueden explicar mejor la varianza de fenotipos de interés que aquellos
parámetros que incluyen únicamente el componente genético (
heritability o heredabilidad
).
Tal es el caso de las emisiones de CH4 (Saborío-Montero et al., 2021a) y de la eficiencia
alimenticia (Boggio et al., 2023).
Saborío-Montero, et al. Reducción de emisiones de metano en bovinos mediante selección metagenómica
_________________________________________________________________________________________________________________
________________________________________________________________________________________________
Nutrición Animal Tropical 18 (2): 1-23 ISSN: 2215-3527/ 2024
7
Muestreo del contenido ruminal
Bovinos fistulados
La primera fístula registrada en rumiantes data de finales del siglo XIX (Willes, 1972). Estas
han sido utilizadas como medio para conocer la fisiología del rumen, su composición
microbiana y los procesos fermentativos que ocurren para degradar la fibra.
En bovinos fistulados, el muestreo del contenido ruminal consiste en inmovilizar
parcialmente al animal y extraer directamente la muestra a través de la abertura de la cánula
que conduce hacia el interior del rumen del animal (Elizondo-Salazar y Monge-Rojas, 2020).
El contenido sólido puede extraerse y, al exprimirlo mediante presión sobre un recipiente,
se obtiene el contenido líquido del rumen. Dicho recipiente deberá ser tapado para reducir
la exposición de los microorganismos al ambiente. La fracción líquida obtenida se filtra y se
congela en vapor de nitrógeno líquido mientras es trasladada al laboratorio y es
almacenada a -80 °C hasta ser analizada (Saborío-Montero et al., 2021b). El microbioma del
rumen está compuesto por una comunidad de microorganismos anaeróbicos, susceptibles
a la presencia de oxígeno (Chaucheyras-Durand y Ossa, 2014). Por lo tanto, la extracción y
filtrado del contenido ruminal debe ser tan rápido como sea posible.
Bovinos no fistulados
El muestreo a través del esófago es una técnica menos invasiva, más barata y para mayor
cantidad de animales en relación al muestreo de animales fistulados (Paz et al., 2016).
Consiste en inmovilizar parcialmente al animal (i.e. dentro de un cepo) y levantar la nariz
del animal con un dispositivo mecánico para introducir una sonda, oralmente o por vía
naso-esofágica, hasta el interior del rumen que está conectada a una unidad de bombeo
mecánico con un matraz erlenmeyer (1000 ml); ubicado entre la bomba de succión y la
sonda introducida en el rumen del animal. Finalmente, se activa la bomba de succión hasta
obtener el volumen de contenido ruminal deseado para el análisis, un volumen de 100 ml
se considera suficiente (Saborío-Montero et al., 2021b). La fracción líquida se manejó tal y
como se describió en la sección de bovinos fistulados.
Nutrición Animal Tropical
_________________________________________________________________________________________________________________
________________________________________________________________________________________________
Nutrición Animal Tropical 18 (2): 1-23 ISSN: 2215-3527/ 2024
8
Extracción del ADN de muestras de contenido ruminal
Una práctica frecuente para extraer el ADN de las muestras de contenido ruminal es utilizar
kits comerciales de aislamiento de ADN de suelo (Paz et al., 2016; Saborío-Montero et al.,
2020). Sin embargo, existen diferentes metodologías para la extracción de ADN; por
ejemplo, Henderson et al. (2013) evaluaron el efecto de 15 diferentes técnicas de extracción
de ADN del contenido ruminal de ovejas y vacas sobre la composición del microbioma.
En general, las técnicas de lisis mecánica (Yu y Morrison, 2004) son preferibles a las técnicas
que utilizan lisis química (Yuan et al., 2012), aunque el método a utilizar dependerá de los
intereses de los investigadores. Estos deberán evaluar las técnicas de extracción en función
a las ventajas y desventajas de cada una de ellas (González-Recio et al., 2019).
Principales técnicas de análisis del microbioma
Generalidades
La clasificación taxonómica de organismos mediante técnicas moleculares se fundamenta
en el principio de comparación (alineamiento) entre lecturas (fragmentos de ADN)
obtenidas de una muestra mediante diferentes metodologías y un patrón de referencia
asignado previamente a un organismo conocido y consignado en bases de datos
dedominio público, tales como GreenGenes o SILVA (López-García et al., 2018). Una
representación esquemática intuitiva del concepto de alineación se muestra en la Figura 1,
en la cual se observa que las lecturas traslapadas coinciden con el patrón de referencia, lo
que permite asignar un número de lecturas a un organismo (o microorganismo) específico.
El número de lecturas asignadas a los distintos microorganismos denota la abundancia
relativa de dichos microorganismos en la muestra.
Saborío-Montero, et al. Reducción de emisiones de metano en bovinos mediante selección metagenómica
_________________________________________________________________________________________________________________
________________________________________________________________________________________________
Nutrición Animal Tropical 18 (2): 1-23 ISSN: 2215-3527/ 2024
9
Figura 1. Representación esquemática de un alineamiento mediante metodologías de
lecturas cortas y largas en relación con una secuencia de referencia de un
organismo previamente definido en una base de datos.
Fuente: Elaboración propia.
Amplicones 16S rRNA
Los genes que codifican 16S rRNA son esenciales en procariotas y están en al menos una
copia del genoma (Wang y Qian, 2009). Su amplia presencia es una de las razones
principales por las que su secuencia ha sido la región más utilizada para propósitos
taxonómicos (Janda y Abbott, 2007). Además, existen hasta nueve regiones hipervariables
conocidas en el gen 16S rRNA (Chakravorty et al., 2007), las cuales permiten una
comprensiva clasificación de la composición del microbioma y, por lo tanto, de la
abundancia relativa de todos los taxones. La identificación de microbiota mediante el uso
de metodología 16S rRNA es a menudo restringida a bacteria y arquea (Janda y Abbott,
2007) y provee una precisión relativamente alta a nivel de identificación de género, pero
baja a nivel de especie (Poretsky et al., 2014).
Análisis metagenómico de secuenciación del genoma completo (lecturas cortas)
El análisis metagenómico de secuenciación del genoma completo (WGS) permite evaluar
Nutrición Animal Tropical
_________________________________________________________________________________________________________________
________________________________________________________________________________________________
Nutrición Animal Tropical 18 (2): 1-23 ISSN: 2215-3527/ 2024
10
tanto la composición taxonómica como la diversidad de comunidades microbianas sin la
limitación de buscar. Además, amplifica un gen específico brindando estimados robustos
(Poretsky et al., 2014) y definiendo precisamente los taxones a nivel de especie (Ranjan et
al., 2017). Asimismo, WGS provee un rápido análisis del microbioma sin el sesgo asociado
al cultivo o variación relacionada a anormalidades durante la amplificación de PCR o
selección de cebadores (Tapio et al., 2017).
Existe evidencia que respalda las ventajas de WGS comparado con 16S rRNA como mejor
detección de especies bacterianas, mayor detección de diversidad y mejor predicción de
genes (Ranjan et al., 2017). Adicionalmente, este método es más preciso para elucidar las
capacidades funcionales de la comunidad microbiana que la técnica de 16S rRNA, pero
tiene un mayor costo económico.
Análisis metagenómico con tecnología de nanoporos (lecturas largas)
A partir del año 2014, se distribuye el secuenciador portátil con tecnología de nanoporos.
Este dispositivo tiene una celda de flujo que contiene una membrana inmersa en solución
salina con un voltaje constante. Esta membrana, a su vez, posee nanoporos proteicos por
los que pasa una corriente iónica de manera constante. Al cargar dicho dispositivo con ARN
o ADN extraído previamente, los diferentes nucleótidos de hebra simple que los conforman
son dirigidos a través de los nanoporos, donde la corriente iónica es interrumpida por estos.
Dado que los nucleótidos tienen tamaños distintos, las disrupciones de corriente pueden
ser asociadas a nucleótidos específicos. De esta manera, es posible asignar la secuencia de
estas partículas de acuerdo con los patrones observados en las disrupciones de corriente
iónica (Giordano et al., 2017).
La tecnología de nanoporos genera lecturas de segmentos del genoma más largas en
relación con tecnologías de secuenciación previas, lo que permite una asignación más
precisa de la taxonomía (Brandt et al., 2020). Además, provee información taxonómica y
funcional simultáneamente para microorganismos de todos los superreinos (Saborío-
Montero et al., 2021b). A diferencia de metodologías previas que deben utilizar métodos
separados (como amplicones 16S rRNA y 18S rRNA para procariotas y eucariotas,
bbbbbbbb
Saborío-Montero, et al. Reducción de emisiones de metano en bovinos mediante selección metagenómica
_________________________________________________________________________________________________________________
________________________________________________________________________________________________
Nutrición Animal Tropical 18 (2): 1-23 ISSN: 2215-3527/ 2024
11
respectivamente) para abarcar todos los superreinos, la secuenciación de lecturas largas ha
sido catalogada como el método del año 2022 por la revista NatureMethods; quienes
fundamentan su escogencia en el avance metodológico trascendental y amplia aplicación
(Editorial, 2023).
Evidencias de control genético del microbioma
Existe evidencia que respalda la hipótesis de que la variación genética del hospedador tiene
un efecto sobre el microbioma en ganado bovino (Saborío-Montero et al., 2021b).
En experimentos anteriores, Weimer et al. (2010) intercambiaron el contenido ruminal de
vacas lecheras fistuladas de la raza holstein, las cuales restauraron su composición
bacteriana original después de 65 días, lo que sugiere que la composición de la comunidad
bacteriana es hospedero-específica y que puede ser restablecida por sí misma. Welkie et
al. (2010) encontraron que la composición de la comunidad bacteriana del rumen difirió
entre vacas sometidas a una misma dieta, lo que confiere variabilidad a este rasgo,
presumiblemente atribuibles a las variaciones genéticas entre animales.
King et al. (2011), por su parte, compararon los microbiomas del rumen de vacas holstein y
jersey localizadas en el mismo hato, manejadas bajo la misma dieta y condiciones
ambientales, y encontraron veinte unidades taxonómicas operacionales (OTUs) en común
entre razas; mientras que 23 y 18 OTUs fueron encontradas exclusivamente en holstein y
jersey, respectivamente. Estos autores concluyen que las oposiciones observadas podrían
deberse a diferencias genéticas de las razas hospedadoras.
Un estudio sobre el microbioma ruminal de vacas de las razas holstein y pardo suizo
(González-Recio et al., 2017) determinó que el 50% de los géneros de bacteria y arquea se
asoció al genotipo del hospedador, lo que respalda la existencia de un control genético
que regula parcialmente la composición del microbioma.
Otro estudio (Roehe et al., 2016) evaluó la influencia genética del hospedador sobre la
producción microbiana de CH4 del rumen y la eficiencia de conversión alimenticia mediante
grupos de progenie de machos y encontraron clasificaciones consistentes entre los grupos
Nutrición Animal Tropical
_________________________________________________________________________________________________________________
________________________________________________________________________________________________
Nutrición Animal Tropical 18 (2): 1-23 ISSN: 2215-3527/ 2024
12
de progenie (general y dentro de dieta) para las emisiones de CH4 y la abundancia relativa
de arqueas. Los grupos asociados a un mismo progenitor presentaron patrones similares
para estos rasgos y diferentes a los de otros grupos con diferentes progenitores.
Específicamente, se encontraron diferencias (p<0,0001) entre el ratio
Archaea
: Bacteria y
emisiones de metano (g/d) para rumiantes cuyo progenitor macho fue de la raza aberdeen
angus (5,53 y 183,8, respectivamente) en relación con rumiantes cuyo progenitor macho
fue de la raza limousin (4,41 y 164,4, respectivamente), lo que propone un control genético
del hospedador para estos rasgos y sugiere que la abundancia microbiana de arqueas del
rumen podría utilizarse como predictor de emisiones de CH4 sin necesidad de medir este
rasgo complejo.
Por su parte, Wallace et al. (2019) encontraron heredabilidades para grupos taxonómicos
del contenido ruminal del orden de 0,2 a 0,6 en vacas holstein y nordicred; valores mayores
a los encontrados por Saborío-Montero et al. (2020) en vacas holstein, los cuales estuvieron
en el ámbito de 0,08 a 0,48.
Asociación entre microbioma, eficiencia alimenticia y emisiones de CH4
Dos rasgos complejos relevantes desde el punto de vista económico y ambiental en ganado
bovino que han sido previamente relacionadas a microbioma son eficiencia alimenticia
(Roehe et al., 2016) y emisiones de CH4 (Tapio et al., 2017; Saborío-Montero et al., 2022).
Ambos caracteres están relacionados a la eficiencia de la digestión; la cual está fuertemente
asociada a la rentabilidad del sistema productivo, mientras que las emisiones de CH4 tienen
importancia en el contexto de calentamiento global debido a sus efectos adversos sobre el
ambiente (de Haas et al., 2016).
Una consideración relevante es que la energía utilizada en la producción de CH4 entérico
equivale del 2% al 12% de la energía bruta consumida por el rumiante (Johnson y Johnson,
1995). Por lo tanto, una reducción de las emisiones de CH4 podría optimizar el uso de la
energía bruta consumida por el rumiante y, por ende, incidir positivamente sobre la
eficiencia alimenticia.
Saborío-Montero, et al. Reducción de emisiones de metano en bovinos mediante selección metagenómica
_________________________________________________________________________________________________________________
________________________________________________________________________________________________
Nutrición Animal Tropical 18 (2): 1-23 ISSN: 2215-3527/ 2024
13
El CH4 entérico en rumiantes proviene exclusivamente de la metanogénesis que realizan las
arqueas metanogénicas (Pitta et al., 2022). Es razonable hipotetizar que existe una
asociación directa entre la composición del microbioma ruminal y las emisiones de CH4
generadas. Análogamente, el microbioma modula la eficiencia alimenticia (Monteiro et al.,
2022) y así la producción de CH4 está asociada a la eficiencia alimenticia, con correlaciones
genéticas entre consumo de alimento residual y producción de metano del orden de 0,76
(Manzanilla-Pech et al., 2022). Todo esto orquestado por la asociación del componente
genético del animal con su microbioma ruminal, las emisiones de CH4 y la eficiencia
alimenticia (López-Paredes et al., 2021); asociaciones que se sintetizan en la Figura 2.
Figura 2. Hipótesis de asociación causal entre genotipo del animal, microbioma ruminal,
emisiones de CH4 y eficiencia alimenticia. La dirección de las flechas y la ubicación
de las variables de arriba hacia abajo simbolizan la posible relación causal y el orden
jerárquico de asociación, respectivamente.
Fuente: Elaboración propia.
Eficiencia Alimenticia
Metano
Microbioma
Genotipo
Nutrición Animal Tropical
_________________________________________________________________________________________________________________
________________________________________________________________________________________________
Nutrición Animal Tropical 18 (2): 1-23 ISSN: 2215-3527/ 2024
14
El consumo de alimento residual (RFI) es un rasgo correlacionado con las emisiones de CH4
y se estima como la diferencia entre el consumo de energía neta y los requerimientos de
energía neta para mantenimiento, tomando en cuenta el peso corporal y la producción de
leche corregida por grasa y proteína. Ambos rasgos son heredables con valores estimados
de 0,40 y 0,35, respectivamente (de Haas et al., 2011).
Valores de correlaciones positivas (0,44) entre estos dos caracteres han sido reportados en
bovinos de carne (Nkrumah et al., 2006). En esta misma línea, Martínez-Álvaro et al. (2022)
reportan que un perfil de ácidos grasos más saludable puede ser alcanzado indirectamente
a la cría selectiva de rumiantes cuyas abundancias relativas de ciertos microorganismos del
rumen mejoran dicho perfil de ácidos grasos y se relacionan con la reducción de las
emisiones de CH4.
Algunos microorganismos específicos han sido asociados al incremento de las emisiones
de CH4. Existe evidencia que respalda una asociación positiva entre la abundancia relativa
de microorganismos eucariotas y las emisiones de CH4 (Saborío-Montero et al., 2022);
presumiblemente por la relación endosimbiótica que presentan las arqueas metanogénicas
con algunos eucariotas que sirven como hospedadores. De igual manera, microorganismos
agrupados en otras clasificaciones taxonómicas han sido relacionados al incremento en las
emisiones de metano. Martínez-Álvaro et al. (2020) reportaron que el 49,8% de la
variabilidad de las emisiones de CH4 se explicaron por un clúster de microorganismos que
contenía a
Fibrobacter sp.
Oportunidades
Una alternativa para seleccionar animales de manera indirecta es determinar reproductores
según mérito genético para un carácter que no es de interés directo, pero que posee una
mayor heredabilidad y una alta correlación genética con un rasgo de interés con menor
heredabilidad (Saborío-Montero et al., 2021b). La heredabilidad de la composición
microbiana del rumen bovino en relación con una menor heredabilidad de otros rasgos
complejos de interés podría ofrecer una ventaja en el proceso de selección indirecta de
animales reproductores.
Los rasgos complejos correlacionados con el microbioma del rumen, tales como eficiencia
Saborío-Montero, et al. Reducción de emisiones de metano en bovinos mediante selección metagenómica
_________________________________________________________________________________________________________________
________________________________________________________________________________________________
Nutrición Animal Tropical 18 (2): 1-23 ISSN: 2215-3527/ 2024
15
alimentaria (Delgado et al., 2018) y emisiones de CH4 (Saborío-Montero et al., 2020), podrían
ser incluidos en evaluaciones genéticas de rumiantes para obtener animales más rentables
para el sistema productivo, a la vez que se disminuye su impacto ambiental (López-Paredes
et al., 2021).
Algunos rasgos, como las emisiones de CH4, poseen heredabilidad moderada (0,15-0,20),
mientras que las estimaciones de heredabilidad del microbioma son cercanas a 0,30 y las
correlaciones genéticas entre las emisiones de CH4 y el microbioma son altas (>0,70). Por
lo tanto, el carácter del microbioma podría ser utilizado en las evaluaciones genéticas para
obtener mayor respuesta a las selección (Saborío-Montero et al., 2021b). Sin embargo, el
muestreo de contenido ruminal es complejo y algunos autores indican que, para
implementar este tipo de selección indirecta, el proceso de muestreo debería realizarse en
una matriz de análisis que prediga la microbiota ruminal, pero de fácil recolección a gran
escala; por ejemplo en saliva (Tapio et al., 2016).
Otros autores (Pickering et al., 2015) comentan que la selección genética, mediante la
estimación de valores genéticos aditivos, es potencialmente la manera más apropiada para
reducir las emisiones de CH4 provenientes de los procesos digestivos de los rumiantes.
CONSIDERACIONES FINALES
Las nuevas herramientas de análisis metagenómico permiten determinar la abundancia
relativa de microorganismos nunca descritos, lo cual es algo sin precedentes, y, por ende,
el uso de estas tecnologías podría generar nueva información que permita abordar
problemáticas hasta ahora no resueltas. Específicamente en el tema de la asociación del
microbioma del rumen con las emisiones de CH4 y la eficiencia alimenticia en bovinos, la
utilización de información obtenida mediante análisis metagenómico podría ser una
herramienta que impacte positivamente la mejora genética del bovino. Es así cómo se
direccionaría la selección de rumiantes hacia individuos eficientes con menor huella de
carbono dentro de los sistemas productivos, lo cual redunda en una ganadería más
sostenible en aspectos económicos, ambientales y sociales.
Nutrición Animal Tropical
_________________________________________________________________________________________________________________
________________________________________________________________________________________________
Nutrición Animal Tropical 18 (2): 1-23 ISSN: 2215-3527/ 2024
16
LITERATURA CITADA
Berg, G., D. Rybakova, D. Fischer, T. Cernava, M.C. Champomier-Vergès, T. Charles, X. Chen,
L. Cocolin, K. Eversole, G. Herrero-Corral, M. Kazou,L.Kinkel, L. Lange, N. Lima, A. Loy,
J. A. Macklin, E. Maguin, T. Mauchline, R. McClure, B. Mitter, M. Ryan, I. Sarand, H.
Smidt, B. Schelkle, H. Roume, G. S. Kiran, J. Selvin, R. Soares-Correa-de Souza, L. van
Overbeek, B. K. Singh, M. Wagner, A. Walsh, A. Sessitsch y M. Schloter. 2020.
Microbiome definition re-visited: old concepts and new challenges. Microbiome,
8:103.doi: 10.1186/s40168-020-00875-0
Boggio, G. M., H. F. Monteiro, F. S. Lima, C. C. Figueiredo, R. S. Bisinotto, J. E. P. Santos, B.
Mion, F. S. Schenkel, E. S. Ribeiro, K. A. Weigel y F. Peñagaricano. 2023. Host and rumen
microbiome contributions to feed efficiency traits in Holstein cows. Journal of Dairy
Science. doi:10.3168/JDS.2023-23869.
Brandt, C., E. Bongcam-Rudloff y B. Müller. 2020. Abundance Tracking by Long-Read
Nanopore Sequencing of Complex Microbial Communities in Samples from 20
Different Biogas/Wastewater Plants. Applied Science, 10:7518.
doi:10.3390/app10217518.
Chakravorty, S., D. Helb, M. Burday y N. Connell. 2007. A detailed analysis of 16S ribosomal
RNA gene segments for the diagnosis of pathogenic bacteria. Journal of
Microbiological Methods, 69 (2):330–339. doi:10.1016/j.mimet.2007.02.005.A.
Chaucheyras-Durand, F. y F. Ossa. 2014. The rumen microbiome: Composition, abundance,
diversity, and new investigative tools. The Proffesional Animal Scientist, 30 (1):1–12.
doi:10.15232/S1080-7446(15)30076-0.
Clarridge, J. E. 2004. Impact of 16S rRNA gene sequence analysis for identification of
bacteria on clinical microbiology and infectious diseases. Clinical Microbiology
Reviews, 17 (4):840–862. doi:10.1128/CMR.17.4.840.
de Haas, Y., P. C. Garnsworthy, B. Kuhla, E. Negussie, M. Pszczola, E. Wall y J. Lassen. 2016.
Genetic control of greenhouse gas emissions. Advances in Animal Bioscience, 7
(2):196–199. doi:10.1017/s2040470016000121.
Saborío-Montero, et al. Reducción de emisiones de metano en bovinos mediante selección metagenómica
_________________________________________________________________________________________________________________
________________________________________________________________________________________________
Nutrición Animal Tropical 18 (2): 1-23 ISSN: 2215-3527/ 2024
17
de Haas, Y., M. Pszczola, H. Soyeurt, E. Wall y J. Lassen. 2017. Invited review: Phenotypes to
genetically reduce greenhouse gas emissions in dairying. Journal of Dairy Science,
100 (2): 855-870. doi:10.3168/jds.2016-11246.
de Haas, Y., J. Windig, M. Calus, J. Dijkstra, M. de Haan, A. Bannink y R. Veerkamp. 2011.
Genetic parameters for predicted methane production and potential for reducing
enteric emissions through genomic selection. Journal of Dairy Science, 94 (12):6122–
6134. doi:10.3168/jds.2011-4439.
Delgado, B., A. Bach, I. Guasch, C. González, G. Elcoso, J.E. Pryce y O. González-Recio. 2018.
Whole rumen metagenome sequencing allows classifying and predicting feed
efficiency and intake levels in cattle. Scientific Reports, 9 (1):1–13. doi:10.1038/s41598-
018-36673-w.
Editorial. 2023. Method of the Year 2022: long-read sequencing. Nature Methods, 20 (1):1–
1. doi:10.1038/s41592-022-01759-x.
Elizondo-Salazar, J. A. y C. R. Monge-Rojas. 2020. Fistulación en bovinos y uso de la técnica
de degradabilidad ruminal para análisis de alimentos. Nutrición Animal Tropical, 14
(1):209–229.
Fitzsimons, C., D. A. Kenny, M. H. Deighton, A. G. Fahey y M. McGee. 2013. Methane
emissions, body composition, and rumen fermentation traits of beef heifers differing
in residual feed intake1. Journal of Animal Science, 91 (12):5789–5800.
doi:10.2527/jas.2013-6956.
Giordano, F., L. Aigrain, M. A. Quail, P. Coupland, J. K. Bonfield, R. M. Davies, G. Tischler, D.
K. Jackson, T. M. Keane, J. Li, J. X. Yue, G. Liti, R. Durbin y Z. Ning. 2017. De novo yeast
genome assemblies from MinION, PacBio y MiSeq platforms. ScientificReports, 7 (1):1–
10. doi:10.1038/s41598-017-03996-z.
González-Recio, O., M. Martinez-Alvaro, F. Tiezzi, A. Saborio-Montero, C. Maltecca y R.
Roehe. 2023a. Invited review: Novel methods and perspectives for modulating the
rumen microbiome through selective breeding as a means to improve complex traits:
Implications for methane emissions in cattle. Livestock Science, 269:105171.
doi:10.1016/J.LIVSCI.2023.105171.
Nutrición Animal Tropical
_________________________________________________________________________________________________________________
________________________________________________________________________________________________
Nutrición Animal Tropical 18 (2): 1-23 ISSN: 2215-3527/ 2024
18
González-Recio, O., A. Saborío-Montero, A. López-García, B. Delgado y C. Ovilo. 2019.
Improving phenotypic prediction in dairy cattle breeding using the metagenome.
Burleigh Dodds Science Publishing.
González-Recio, O., N. Scrobota, J. López-Paredes, A. Saborío-Montero, A. Fernández, E.
López de Maturana, B. Villanueva, I. Goiri, R. Atxaerandio y A. García-Rodríguez. 2023b.
Review: Diving into the cow hologenome to reduce methane emissions and increase
sustainability. Animal, 17:100780. doi:10.1016/J.ANIMAL.2023.100780.
González-Recio, O., I. Zubiria, A. García-Rodríguez, A. Hurtado y R. Atxaerandio. 2017. Short
communication: Signs of host genetic regulation in the microbiome composition in 2
dairy breeds: Holstein and Brown Swiss.. Journal of Dairy Science, 101 (3):1–8.
doi:10.3168/jds.2017-13179.
Handelsman, J., M. R. Rondon, S. F. Brady, J. Clardy y R. M. Goodman. 1998. Molecular
biological access to the chemistry of unknown soil microbes: a new frontier for natural
products. Chemistry and Biology, 5 (10):R245–R249. doi:10.1016/S1074-5521(98)90108-
9.
Henderson, G., F. Cox, S. Kittelmann, V. H. Miri, M. Zethof, S. J. Noel, G. C. Waghorn y P. H.
Janssen. 2013. Effect of DNA extraction methods and sampling techniques on the
apparent structure of cow and sheep rumen microbial communities. PLoS One, 8.
doi:10.1371/JOURNAL.PONE.0074787.
Hurley, A., N. Lopez-Villalobos, S. McParland, E. Lewis, E. Kennedy, J. Burke y D. Berry. 2018.
Characteristics of feed efficiency within and across lactation in dairy cows and the
effect of genetic selection. Journal of Dairy Science, 101 (2). doi:10.3168/jds.2017-12841.
Janda, J. M. y S. L. Abbott. 2007. 16S rRNA gene sequencing for bacterial identification in
the diagnostic laboratory: Pluses, perils, and pitfalls. Journal of Clinical Microbiology,
45 (9):2761–2764. doi:10.1128/JCM.01228-07.
Johnson, K. A. y D. E. Johnson. 1995. Methane emissions from cattle. Journal of Animal
Science, 73:2483–2492.
Saborío-Montero, et al. Reducción de emisiones de metano en bovinos mediante selección metagenómica
_________________________________________________________________________________________________________________
________________________________________________________________________________________________
Nutrición Animal Tropical 18 (2): 1-23 ISSN: 2215-3527/ 2024
19
King, E. E., R. P. Smith, B. St-Pierre y A. D. G. Wright. 2011. Differences in the rumen
methanogen populations of lactating Jersey and Holstein dairy cows under the same
diet regimen.. Appliedand Environmental Microbiology, 77:5682–7.
doi:10.1128/AEM.05130-11.
Lederberg, B. J. y A. T. McCray. 2001. ’ Ome Sweet ’ Omics-- A Genealogical Treasury of
Words. Scientist, 15 (7):8.
Lima, F. S., G. Oikonomou, S. F. Lima, M. L. S. Bicalho, E. K. Ganda, J. C. de O. Filho, G.
Lorenzo, P. Trojacanec y R. C. Bicalhoa. 2015. Prepartum and postpartum rumen fluid
microbiomes: characterization and correlation with production traits in dairy cows..
Appliedand Environmental Microbiology, 81 (4):1327–37. doi:10.1128/AEM.03138-14.
López-García, A., C. Pineda-Quiroga, R. Atxaerandio, A. Pérez, I. Hernández, A. García-
Rodríguez y O. González-Recio. 2018. Comparison of Mothur and QIIME for the
Analysis of Rumen Microbiota Composition Based on 16S rRNA Amplicon Sequences.
Frontiers in Microbiology, 9. doi:10.3389/FMICB.2018.03010.
López-García, A., A. Saborío-Montero, M. Gutiérrez-Rivas, R. Atxaerandio, I. Goiri, A. García-
Rodríguez, J. A. Jiménez-Montero, C. González, J. Tamames, F. Puente-Sánchez, M.
Serrano, R. Carrasco, C. Óvilo y O. González-Recio. 2022. Fungal and ciliate protozoa
are the main rumen microbes associated with methane emissions in dairy cattle.
GigaScience, 11:1–14. doi:10.1093/gigascience/giab088.
López-Paredes, J., I. Goiri, R. Atxaerandio, A. García-Rodríguez, E. Ugarte, J. A. Jiménez-
Montero, R. Alenda y O. González-Recio. 2020. Mitigation of greenhouse gases in
dairy cattle via genetic selection: 1. Genetic parameters of direct methane using
noninvasive methods and proxies of methane. Journal of Dairy Science, 103 (8):7199–
7209. doi:10.3168/JDS.2019-17597.
López-Paredes, J., A. Saborío-Montero, N. Charfeddine, J. Jiménez-Montero y O. González-
Recio. 2021. Dry matter intake, methane emissions and microbiome profiles as new
traits for feed efficiency. Interbull Bulletin,56:111–120.
Malmuthuge, N. y L. L. Guan. 2016. Gut microbiome and omics: a new definition to ruminant
production and health. Animals Frontiers, 6 (2): 8. doi:10.2527/af.2016-0017.
Manzanilla-Pech, C. I. V., R. B. Stephansen, G. F. Difford, P. Løvendahl y J. Lassen. 2022.
Selecting for Feed Efficient Cows Will Help to Reduce Methane Gas Emissions. Frontiers
Genetics, 13:1. doi:10.3389/FGENE.2022.885932.
Nutrición Animal Tropical
_________________________________________________________________________________________________________________
________________________________________________________________________________________________
Nutrición Animal Tropical 18 (2): 1-23 ISSN: 2215-3527/ 2024
20
Martínez-Álvaro, M., M. D. Auffret, R. D. Stewart, R. J. Dewhurst, C. A. Duthie, J. A. Rooke, R.
J. Wallace, B. Shih, T. C. Freeman, M. Watson y R. Roehe. 2020. Identification of
Complex Rumen Microbiome Interaction Within Diverse Functional Niches as
Mechanisms Affecting the Variation of Methane Emissions in Bovine. Frontiers in
Microbiology, 11:659. doi:10.3389/fmicb.2020.00659.
Martínez-Álvaro, M., J. Mattock, M. Auffret, Z. Weng, C. A. Duthie, R. J. Dewhurst, M. A.
Cleveland, M. Watson y R. Roehe. 2022. Microbiome-driven breeding strategy
potentially improves beef fatty acid profile benefiting human health and reduces
methane emissions. Microbiome, 10 (1): 166. doi:10.1186/S40168-022-01352-6.
Monteiro, H. F., Z. Zhou, M. S. Gomes, P. M. G. Peixoto, E. C. R. Bonsaglia, I. F. Canisso, B. C.
Weimer y F. S. Lima. 2022. Rumen and lower gut microbiomes relationship with feed
efficiency and production traits throughout the lactation of Holstein dairy cows.
Scientific Reports, 12:4904. doi:10.1038/s41598-022-08761-5.
Negussie, E., Y. de Haas, F. Dehareng, R. J. Dewhurst, J. Dijkstra, N. Gengler, D. P. Morgavi,
H. Soyeurt, S. van Gastelen, T. Yan y F. Biscarini. 2017. Invited review: Large-scale
indirect measurements for enteric methane emissions in dairy cattle: A review of
proxies and their potential for use in management and breeding decisions.. Journal of
Dairy Science, 100 (4):2433–2453. doi:10.3168/jds.2016-12030.
Nkrumah, J. D., E. K. Okine, G. W. Mathison, K. Schmid, C. Li, J. A. Basarab, M. A. Price, Z.
Wang y S. S. Moore. 2006. Relationships of feedlot feed efficiency, performance, and
feeding behavior with metabolic rate, methane production, and energy partitioning in
beef cattle. Journal of Animal Science, 84 (1):145–53.
Oulas, A., C. Pavloudi, P. Polymenakou, G. A. Pavlopoulos, N. Papanikolaou, G. Kotoulas, C.
Arvanitidis y I. Iliopoulos. 2015. Metagenomics: tools and insights for analyzing next-
generation sequencing data derived from biodiversity studies.. Bioinformatics
Biological Insights, 9:75–88. doi:10.4137/BBI.S12462.
Paz, H. A., C. L. Anderson, M. J. Muller, P. J. Kononoff y S. C. Fernando. 2016. Rumen bacterial
community composition in holstein and jersey cows is different under same dietary
condition and is not affected by sampling method. Frontiers in Microbiology, 7:1206.
doi:10.3389/FMICB.2016.01206/BIBTEX.
Saborío-Montero, et al. Reducción de emisiones de metano en bovinos mediante selección metagenómica
_________________________________________________________________________________________________________________
________________________________________________________________________________________________
Nutrición Animal Tropical 18 (2): 1-23 ISSN: 2215-3527/ 2024
21
Pickering, N. K., V. H. Oddy, J. Basarab, K. Cammack, B. Hayes, R. S. Hegarty, J. Lassen, J. C.
Mcewan, S. Miller, C. S. Pinares-Patiño y Y. De Haas. 2015. Animal board invited
review: genetic possibilities to reduce enteric methane emissions from ruminants.
Animal, 9 (9):1431–1440. doi:10.1017/S1751731115000968.
Pitta, D., N. Indugu, K. Narayan y M. Hennessy. 2022. Symposium review: Understanding
the role of the rumen microbiome in enteric methane mitigation and productivity in
dairy cows. Journal of Dairy Science, 105 (10):8569–8585. doi:10.3168/JDS.2021-21466.
Poretsky, R., L. M. Rodriguez-R, C. Luo, D. Tsementzi y K. T. Konstantinidis. 2014. Strengths
and limitations of 16S rRNA gene amplicon sequencing in revealing temporal microbial
community dynamics. PLoS One, 9 (4): e93827. doi:10.1371/journal.pone.0093827.
Ranjan, R., A. Rani, A. Metwally, H. S. Mcgee y D. L. Perkins. 2017. Analysis of the microbiome:
Advantages of whole genome shotgun versus 16S amplicon sequencing. Biochemical
and Biophysical Research Communications, 469 (4): 667-977.
doi:10.1016/j.bbrc.2015.12.083.
Rodicio, M. D. R. y M. D. C. Mendoza. 2004. Identificación bacteriana mediante
secuenciación del ARNr 16S: fundamento, metodología y aplicaciones en
microbiología clínica. Enfermedades Infecciosas y Microbiología Clinica, 22 (4):238–
245. doi:10.1157/13059055.
Roehe, R., R. J. Dewhurst, C. A. Duthie, J. A. Rooke, N. McKain, D. W. Ross, J. J. Hyslop, A.
Waterhouse, T. C. Freeman, M. Watson y R. J. Wallace. 2016. Bovine Host Genetic
Variation Influences Rumen Microbial Methane Production with Best Selection
Criterion for Low Methane Emitting and Efficiently Feed Converting Hosts Based on
Metagenomic Gene Abundance. PLoS Genetics, 12 (2): 1–20.
doi:10.1371/journal.pgen.1005846.
Ross, E. M., P. J. Moate, L. C. Marett, B. G. Cocks y B. J. Hayes. 2013. Metagenomic
Predictions: From Microbiome to Complex Health and Environmental Phenotypes in
Humans and Cattle. PLoS One, 8 (9):1–8. doi:10.1371/journal.pone.0073056.
Saborío-Montero, A., M. Gutiérrez-Rivas, A. García-Rodríguez, R. Atxaerandio, I. Goiri, E.
López de Maturana, J.A. Jiménez-Montero, R. Alenda y O. González-Recio. 2020.
Structural equation models to disentangle the biological relationship between
Nutrición Animal Tropical
_________________________________________________________________________________________________________________
________________________________________________________________________________________________
Nutrición Animal Tropical 18 (2): 1-23 ISSN: 2215-3527/ 2024
22
microbiota and complex traits: Methane production in dairy cattle as a case of study.
Journal of Animal Breeding and Genetics, 137 (1): 36-48. doi:10.1111/jbg.12444.
Saborío-Montero, A., M. Gutiérrez-Rivas, I. Goiri, R. Atxaerandio, A. García-Rodriguez, J.
López-Paredes, J. A. Jiménez-Montero y O. González-Recio. 2022. Rumen eukaryotes
are the main phenotypic risk factors for larger methane emissions in dairy cattle..
Livestock Science, 263:105023. doi:10.1016/J.LIVSCI.2022.105023.
Saborío-Montero, A., M. Gutiérrez-Rivas, A. López-García, A. García-Rodríguez, R.
Atxaerandio, I. Goiri, J. A. Jiménez-Montero y O. González-Recio. 2021a. Holobiont
effect accounts for more methane emission variance than the additive and
microbiome effects on dairy cattle. Livestock Science, 250:104538.
doi:10.1016/j.livsci.2021.104538.
Saborío-Montero, A., A. López-García, M. Gutiérrez-Rivas, R. Atxaerandio, I. Goiri, A. García-
Rodriguez, J. A. Jiménez-Montero, C. González, J. Tamames, F. Puente-Sánchez, L.
Varona, M. Serrano, C. Ovilo y O. González-Recio. 2021b. A dimensional reduction
approach to modulate the core ruminal microbiome associated with methane
emissions via selective breeding. Journal of Dairy Science, 104 (7):8135–8151.
doi:10.3168/jds.2020-20005.
Stewart, R. D., M. D. Auffret, A. Warr, A. W. Walker, R. Roehe y M. Watson. 2019.
Compendium of 4,941 rumen metagenome-assembled genomes for rumen
microbiome biology and enzyme discovery. Nature Biotechnology, 37 (8):953–961.
doi:10.1038/s41587-019-0202-3.
Tapio, I., K. J. Shingfield, A. Bonin, D. Fischer, A. R. Bayat, J. Vilkki, P. Taberlet, T. J. Snelling y
R. J. Wallace. 2016. Oral Samples as Non-Invasive Proxies for Assessing the
Composition of the Rumen Microbial Community. PLoS One, 11 (3): 1–15.
doi:10.1371/journal.pone.0151220.
Tapio, I., T. J. Snelling, F. Strozzi y R. J. Wallace. 2017. The ruminal microbiome associated
with methane emissions from ruminant livestock. Journal of Animal Scienceand
Biotechnology, 8:1–11. doi:10.1186/s40104-017-0141-0.
Thomas, T., J. Gilbert y F. Meyer. 2012. Metagenomics - a guide from sampling to data
analysis. Microbial Informatics and Experimentation, 2:1–12. doi:10.1186/2042-5783-2-
3.
Saborío-Montero, et al. Reducción de emisiones de metano en bovinos mediante selección metagenómica
_________________________________________________________________________________________________________________
________________________________________________________________________________________________
Nutrición Animal Tropical 18 (2): 1-23 ISSN: 2215-3527/ 2024
23
Ursell, L. K., J. L. Metcalf, L. Wegener Parfrey, y R. Knight. 2013. Definig the Human
Microbiome. Nutrition Reviews, 70 (1):1–12. doi:10.1111/j.1753-
4887.2012.00493.x.Defining.
Wallace, R. J., G. Sasson, P. C. Garnsworthy, I. Tapio, E. Gregson, P. Bani, P. Huhtanen, A. R.
Bayat, F. Strozzi, F. Biscarini, T. J. Snelling, N. Saunders, S. L. Potterton, J. Craigon, A.
Minuti, E. Trevisi, M. L. Callegari, F. P. Cappelli, E. H. Cabezas-Garcia, J. Vilkki, C. Pinares-
Patino, K. O. Fliegerová, J. Mrázek, H. Sechovcová, J. Kopečný, A. Bonin, F. Boyer, P.
Taberlet, F. Kokou, E. Halperin, J. L. Williams, K. J. Shingfield y I. Mizrahi. 2019. A
heritable subset of the core rumen microbiome dictates dairy cow productivity and
emissions. Science Advances, 5 (7):1–12. doi:10.1126/sciadv.aav8391.
Wang, Y. y P. Y. Qian. 2009. Conservative fragments in bacterial 16S rRNA genes and primer
design for 16S ribosomal DNA amplicons in metagenomic studies. PLoS One, 4 (10):
e7401. doi:10.1371/journal.pone.0007401.
Weimer, P. J., D. M. Stevenson y D. R. Mertens. 2010. Shifts in bacterial community
composition in the rumen of lactating dairy cows under milk fat - depressing
conditions. Journal of Dairy Science, 93 (1):265–278. doi:10.3168/jds.2009-2206.
Welkie, D. G., D. M. Stevenson y P. J. Weimer. 2010. ARISA analysis of ruminal bacterial
community dynamics in lactating dairy cows during the feeding cycle. Anaerobe, 16
(2):94–100. doi:10.1016/J.ANAEROBE.2009.07.002.
Willes, R. F. 1972. Permanently Installed Digestive Cannulae. Journal of Dairy Science, 55
(8):1188–1190. doi:10.3168/JDS.S0022-0302(72)85646-7.
Woese, C. R., E. Stackebrandt, T. J. Macke y G. E. Fox. 1985. A phylogenetic definition of the
major eubacterial taxa. Systematic and Applied Microbiology, 6 (2):143–51.
doi:10.1016/S0723-2020(85)80047-3
Yu, Z. y M. Morrison. 2004. Improved extraction of PCR-quality community DNA from
digesta and fecal samples. Biotechniques, 36 (5):808–812.
doi:10.2144/04365ST04/ASSET/IMAGES/LARGE/FIGURE2.JPEG.
Yuan, S., D. B. Cohen, J. Ravel, Z. Abdo y L. J. Forney. 2012. Evaluation of methods for the
extraction and purification of DNA from the human microbiome. PLoS One, 7 (3):
e33865. doi:10.1371/JOURNAL.PONE.0033865.
