Artificial neural networks compared with Bayesian generalized linear regression for leaf rust resistance prediction in Arabica coffee

Detalhes bibliográficos
Autor(a) principal: Silva, Gabi Nunes
Data de Publicação: 2017
Outros Autores: 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
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