Artificial neural networks compared with Bayesian generalized linear regression for leaf rust resistance prediction in Arabica coffee
Autor(a) principal: | |
---|---|
Data de Publicação: | 2017 |
Outros Autores: | , , , , , , , , |
Tipo de documento: | Artigo |
Idioma: | eng |
Título da fonte: | LOCUS Repositório Institucional da UFV |
Texto Completo: | http://dx.doi.org/10.1590/s0100-204x2017000300009 http://locus.ufv.br//handle/123456789/25924 |
Resumo: | O objetivo deste trabalho foi avaliar o uso de redes neurais artificiais em comparação à modelagem por meio de modelos lineares generalizados na predição de resistência à ferrugem em café arábica (Coffea arabica). Foram utilizados 245 indivíduos provenientes de uma população F2, oriundos da autofecundação do híbrido F1 H511-1, resultante do cruzamento da cultivar suscetível Catuaí Amarelo IAC 64 (UFV 2148-57) e do genitor resistente Híbrido de Timor (UFV 443-03). Os 245 indivíduos foram genotipados com 137 marcadores. Realizaram-se análises com redes neurais artificiais e com modelos lineares generalizados sob o enfoque bayesiano. As redes neurais identificaram quatro marcadores importantes pertencentes a grupos de ligação que foram recentemente mapeados, enquanto o modelo generalizado bayesiano identificou somente dois marcadores pertencentes a esses grupos. Foram observadas taxas de erro de predição inferiores (1,60%) para predizer a resistência à ferrugem em café arábica, quando foram utilizadas as redes neurais artificiais em vez de modelos lineares generalizados sob o enfoque bayesiano (2,4%). Os resultados mostraram que as redes neurais artificiais são uma abordagem promissora para predizer a resistência à ferrugem em café arábica. |
id |
UFV_6eccea5a908c6df97ff3dc82ab68f7f1 |
---|---|
oai_identifier_str |
oai:locus.ufv.br:123456789/25924 |
network_acronym_str |
UFV |
network_name_str |
LOCUS Repositório Institucional da UFV |
repository_id_str |
2145 |
spelling |
Silva, Gabi NunesNascimento, MoysésSant’Anna, Isabela de CastroCruz, Cosme DamiãoCaixeta, Eveline TeixeiraCarneiro, Pedro Crescêncio SouzaRosado, Renato Domiciano SilvaPestana, Kátia NogueiraAlmeida, Dênia Pires deOliveira, Marciane da Silva2019-06-25T11:37:47Z2019-06-25T11:37:47Z2017-031678-3921http://dx.doi.org/10.1590/s0100-204x2017000300009http://locus.ufv.br//handle/123456789/25924O objetivo deste trabalho foi avaliar o uso de redes neurais artificiais em comparação à modelagem por meio de modelos lineares generalizados na predição de resistência à ferrugem em café arábica (Coffea arabica). Foram utilizados 245 indivíduos provenientes de uma população F2, oriundos da autofecundação do híbrido F1 H511-1, resultante do cruzamento da cultivar suscetível Catuaí Amarelo IAC 64 (UFV 2148-57) e do genitor resistente Híbrido de Timor (UFV 443-03). Os 245 indivíduos foram genotipados com 137 marcadores. Realizaram-se análises com redes neurais artificiais e com modelos lineares generalizados sob o enfoque bayesiano. As redes neurais identificaram quatro marcadores importantes pertencentes a grupos de ligação que foram recentemente mapeados, enquanto o modelo generalizado bayesiano identificou somente dois marcadores pertencentes a esses grupos. Foram observadas taxas de erro de predição inferiores (1,60%) para predizer a resistência à ferrugem em café arábica, quando foram utilizadas as redes neurais artificiais em vez de modelos lineares generalizados sob o enfoque bayesiano (2,4%). Os resultados mostraram que as redes neurais artificiais são uma abordagem promissora para predizer a resistência à ferrugem em café arábica.The objective of this work was to evaluate the use of artificial neural networks in comparison with Bayesian generalized linear regression to predict leaf rust resistance in Arabica coffee (Coffea arabica). This study used 245 individuals of a F2 population derived from the self-fertilization of the F1 H511-1 hybrid, resulting from a crossing between the susceptible cultivar Catuaí Amarelo IAC 64 (UFV 2148-57) and the resistant parent Híbrido de Timor (UFV 443-03). The 245 individuals were genotyped with 137 markers. Artificial neural networks and Bayesian generalized linear regression analyses were performed. The artificial neural networks were able to identify four important markers belonging to linkage groups that have been recently mapped, while the Bayesian generalized model identified only two markers belonging to these groups. Lower prediction error rates (1.60%) were observed for predicting leaf rust resistance in Arabica coffee when artificial neural networks were used instead of Bayesian generalized linear regression (2.4%). The results showed that artificial neural networks are a promising approach for predicting leaf rust resistance in Arabica coffee.engPesquisa Agropecuária Brasileirav. 52, n. 3, p. 186- 193, mar. 2017Coffea arabicaHemileia vastatrixArtificial intelligenceMolecular markersPredictionInteligência artificialMarcadores molecularesPrediçãoArtificial neural networks compared with Bayesian generalized linear regression for leaf rust resistance prediction in Arabica coffeeinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/articleapplication/pdfinfo:eu-repo/semantics/openAccessreponame:LOCUS Repositório Institucional da UFVinstname:Universidade Federal de Viçosa (UFV)instacron:UFVORIGINALartigo.pdfartigo.pdfartigoapplication/pdf449331https://locus.ufv.br//bitstream/123456789/25924/1/artigo.pdfe03ee075f7829f1cc71ae200b6cf2711MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://locus.ufv.br//bitstream/123456789/25924/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52123456789/259242019-06-25 11:47:53.363oai:locus.ufv.br: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Repositório InstitucionalPUBhttps://www.locus.ufv.br/oai/requestfabiojreis@ufv.bropendoar:21452019-06-25T14:47:53LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV)false |
dc.title.en.fl_str_mv |
Artificial neural networks compared with Bayesian generalized linear regression for leaf rust resistance prediction in Arabica coffee |
title |
Artificial neural networks compared with Bayesian generalized linear regression for leaf rust resistance prediction in Arabica coffee |
spellingShingle |
Artificial neural networks compared with Bayesian generalized linear regression for leaf rust resistance prediction in Arabica coffee Silva, Gabi Nunes Coffea arabica Hemileia vastatrix Artificial intelligence Molecular markers Prediction Inteligência artificial Marcadores moleculares Predição |
title_short |
Artificial neural networks compared with Bayesian generalized linear regression for leaf rust resistance prediction in Arabica coffee |
title_full |
Artificial neural networks compared with Bayesian generalized linear regression for leaf rust resistance prediction in Arabica coffee |
title_fullStr |
Artificial neural networks compared with Bayesian generalized linear regression for leaf rust resistance prediction in Arabica coffee |
title_full_unstemmed |
Artificial neural networks compared with Bayesian generalized linear regression for leaf rust resistance prediction in Arabica coffee |
title_sort |
Artificial neural networks compared with Bayesian generalized linear regression for leaf rust resistance prediction in Arabica coffee |
author |
Silva, Gabi Nunes |
author_facet |
Silva, Gabi Nunes Nascimento, Moysés Sant’Anna, Isabela de Castro Cruz, Cosme Damião Caixeta, Eveline Teixeira Carneiro, Pedro Crescêncio Souza Rosado, Renato Domiciano Silva Pestana, Kátia Nogueira Almeida, Dênia Pires de Oliveira, Marciane da Silva |
author_role |
author |
author2 |
Nascimento, Moysés Sant’Anna, Isabela de Castro Cruz, Cosme Damião Caixeta, Eveline Teixeira Carneiro, Pedro Crescêncio Souza Rosado, Renato Domiciano Silva Pestana, Kátia Nogueira Almeida, Dênia Pires de Oliveira, Marciane da Silva |
author2_role |
author author author author author author author author author |
dc.contributor.author.fl_str_mv |
Silva, Gabi Nunes Nascimento, Moysés Sant’Anna, Isabela de Castro Cruz, Cosme Damião Caixeta, Eveline Teixeira Carneiro, Pedro Crescêncio Souza Rosado, Renato Domiciano Silva Pestana, Kátia Nogueira Almeida, Dênia Pires de Oliveira, Marciane da Silva |
dc.subject.pt-BR.fl_str_mv |
Coffea arabica Hemileia vastatrix Artificial intelligence Molecular markers Prediction Inteligência artificial Marcadores moleculares Predição |
topic |
Coffea arabica Hemileia vastatrix Artificial intelligence Molecular markers Prediction Inteligência artificial Marcadores moleculares Predição |
description |
O objetivo deste trabalho foi avaliar o uso de redes neurais artificiais em comparação à modelagem por meio de modelos lineares generalizados na predição de resistência à ferrugem em café arábica (Coffea arabica). Foram utilizados 245 indivíduos provenientes de uma população F2, oriundos da autofecundação do híbrido F1 H511-1, resultante do cruzamento da cultivar suscetível Catuaí Amarelo IAC 64 (UFV 2148-57) e do genitor resistente Híbrido de Timor (UFV 443-03). Os 245 indivíduos foram genotipados com 137 marcadores. Realizaram-se análises com redes neurais artificiais e com modelos lineares generalizados sob o enfoque bayesiano. As redes neurais identificaram quatro marcadores importantes pertencentes a grupos de ligação que foram recentemente mapeados, enquanto o modelo generalizado bayesiano identificou somente dois marcadores pertencentes a esses grupos. Foram observadas taxas de erro de predição inferiores (1,60%) para predizer a resistência à ferrugem em café arábica, quando foram utilizadas as redes neurais artificiais em vez de modelos lineares generalizados sob o enfoque bayesiano (2,4%). Os resultados mostraram que as redes neurais artificiais são uma abordagem promissora para predizer a resistência à ferrugem em café arábica. |
publishDate |
2017 |
dc.date.issued.fl_str_mv |
2017-03 |
dc.date.accessioned.fl_str_mv |
2019-06-25T11:37:47Z |
dc.date.available.fl_str_mv |
2019-06-25T11:37:47Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://dx.doi.org/10.1590/s0100-204x2017000300009 http://locus.ufv.br//handle/123456789/25924 |
dc.identifier.issn.none.fl_str_mv |
1678-3921 |
identifier_str_mv |
1678-3921 |
url |
http://dx.doi.org/10.1590/s0100-204x2017000300009 http://locus.ufv.br//handle/123456789/25924 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.relation.ispartofseries.pt-BR.fl_str_mv |
v. 52, n. 3, p. 186- 193, mar. 2017 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Pesquisa Agropecuária Brasileira |
publisher.none.fl_str_mv |
Pesquisa Agropecuária Brasileira |
dc.source.none.fl_str_mv |
reponame:LOCUS Repositório Institucional da UFV instname:Universidade Federal de Viçosa (UFV) instacron:UFV |
instname_str |
Universidade Federal de Viçosa (UFV) |
instacron_str |
UFV |
institution |
UFV |
reponame_str |
LOCUS Repositório Institucional da UFV |
collection |
LOCUS Repositório Institucional da UFV |
bitstream.url.fl_str_mv |
https://locus.ufv.br//bitstream/123456789/25924/1/artigo.pdf https://locus.ufv.br//bitstream/123456789/25924/2/license.txt |
bitstream.checksum.fl_str_mv |
e03ee075f7829f1cc71ae200b6cf2711 8a4605be74aa9ea9d79846c1fba20a33 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV) |
repository.mail.fl_str_mv |
fabiojreis@ufv.br |
_version_ |
1801212842269999104 |