Assessment of genome-wide prediction by using Bayesian regularized neural networks

• Autor(a) principal: Glória, Leonardo Siqueira
• Data de Publicação: 2015
• Tipo de documento: Tese
• Idioma: eng
• Título da fonte: LOCUS Repositório Institucional da UFV
• Texto Completo: http://www.locus.ufv.br/handle/123456789/6866
• topic: Genômica; Genética - Parâmetros; Redes neurais (Computação); Genética e Melhoramentos dos Animais Domésticos

Recentemente, há um aumento de interesse na utilização de métodos não paramétricos, tais como redes neurais artificiais (RNA), na área de seleção genômica ampla (SGA). Uma classe especial de RNA é aquela com regularização Bayesiana, a qual não exige um conhecimento a priori da arquitetura genética da característica, tais como outros métodos tradicionais de SGA (RR-BLUP, Bayes A, B, Cπ, BLASSO). O objetivo do presente estudo foi aplicar a RNA baseado em regularização Bayesiana na predição de valores genéticos genômicos utilizando conjuntos de dados simulados a fim de selecionar os marcadores SNP mais relevantes por meio de dois métodos diferentes. Objetivou-se ainda estimar herdabilidades para as características consideradas e comparar os resultados da RNA com dois métodos tradicionais (RR-BLUP e Lasso Bayesiano). A arquitetura mais simples da rede neural com regularização Bayesiana obteve os melhores resultados para as duas características avaliadas, os quais foram muito similares às metodologias tradicionais RR-BLUP e Lasso Bayesiano (BLASSO). A identificação de importância dos SNPs baseada nas RNA apresentaram correlações entre os efeitos verdadeiros e simulados de 0,61 e 0,81 para as características 1 e 2, respectivamente. Estas foram maiores do que aquelas produzidas pelo método tradicional BLASSO (0,55 e 0,71, para característica 1 e 2 respectivamente). Em relação a herdabilidade (assumindo o valor verdadeiro igual a 0,35), a RNA mais simples obteve valor de herdabilidade igual a 0,33, enquanto os métodos tradicionais a subestimaram (com média igual igual a 0,215).