Eficiência preditiva de técnicas de inteligência computacional em função da complexidade de caracteres sob controle de genes com efeito epistático

Detalhes bibliográficos
Autor(a) principal: Barbosa, Ivan de Paiva
Data de Publicação: 2021
Tipo de documento: Tese
Idioma: por
Título da fonte: LOCUS Repositório Institucional da UFV
Texto Completo: https://locus.ufv.br//handle/123456789/28766
Resumo: Diante dos desafios enfrentados pelos melhoristas de plantas para seleção de indivíduos superiores, a seleção genômica ampla (Genome Wide Selection - GWS) é uma técnica que têm ganhado destaque. A GWS consiste na utilização de um grande número de marcadores moleculares para a predição de valores genéticos e têm se mostrado altamente relevante para o melhoramento genético. Na elaboração do projeto desta pesquisa, duas questões básicas foram formuladas. A primeira é que métodos diferentes proporcionariam resultados diferentes e segundo é que a complexidade da característica analisada poderia influenciar no desempenho das técnicas. Para isso, as análises foram divididas em dois artigos. No primeiro artigo, o objetivo foi avaliar e comparar o desempenho preditivo de métodos estatísticos (RR- Blup e BayesB) e métodos de inteligência computacional, MLP (Multilayer Perceptron) e RBF (Radial Basis Function), e aprendizado de máquina, árvore de regressão com refinamentos BO (Boosting), BA (Bagging) e RF (Random Forest) por meio de GWS em populações simuladas, com características apresentando diferentes níveis de herdabilidade e números de QTL (Quantitative Trait Loci), na presença de dominância e efeitos epistáticos. Já segundo artigo, os níveis de alguns cenários foram reduzidos e novos cenários de complexidade foram assumidos, e o objetivo foi comparar o desempenho seletivo e preditivo do RR-BLUP (Random Regression Best Linear Unbiased Predictor) e métodos de inteligência computacional, MLP (Multilayer Perceptron) e RBF (Radial Basis Function), e aprendizado de máquina, árvore de regressão com refinamentos BO (Boosting), BA (Bagging) e RF (Random Forest), em populações simuladas para diferentes cenários em relação ao número de QTL, à distribuição dos QTL nos grupos de ligação (GL), ao grau médio de dominância, à herdabilidade e aos diferentes modelos de expressão aditivo e não aditivos. Para ambos os artigos, o genoma simulado compreendeu 2010 SNP (Single Nucleotide Polymorphism) e distribuídos equitativamente em 10 grupos de ligação. Os métodos RBF, RF e Bagging, de uma maneira, geral apresentaram bons e consistentes resultados de R² e REQM. Esses métodos apresentaram resultados iguais ou superiores à média geral dos métodos para todos os cenários avaliados. O aumento no número de QTL, até 88 para a configuração do genoma simulado, afetou positivamente os resultados de R² e REQM. A presença de efeito de dominância e a baixa herdabilidade provocou impactos negativos para os resultados de R² e REQM. Todos os métodos apresentaram uma redução no R² e aumento na REQM quando efeitos não aditivos eram importantes para a característica. Assim, nenhum método foi excepcionalmente eficiente para a captura deste efeito. A distribuição dos QTL nos GL foi o único cenário que afetou os resultados de R² e REQM de modo variado. Neste cenário os melhores resultados de R², foram observados quando os QTL estavam distribuídos em apenas um GL, enquanto que para os resultados de REQM os melhores resultados foram obtidos quando os QTL foram distribuídos em oito GL. Esse resultado mostra que a forma de distribuição dos QTL no genoma pode ser o principal atributo a ser avaliado quanto ao interesse na seleção ou na predição dos valores genéticos pelo melhorista. Os métodos de de inteligência computacional e aprendizado de máquina demonstram ser ferramentas poderosas para prever valores genéticos com controle de gene epistático, em características com diferentes graus de herdabilidade e diferentes números de genes de controle. Palavras-chave: Inteligência Computacional. Predição. GWS. Seleção Genômica.
id UFV_93ed11ab85bf9b856361b60cf6a4451c
oai_identifier_str oai:locus.ufv.br:123456789/28766
network_acronym_str UFV
network_name_str LOCUS Repositório Institucional da UFV
repository_id_str 2145
spelling Nascimento, MoysésBarbosa, Ivan de Paivahttp://lattes.cnpq.br/6306804436818368Cruz, Cosme Damião2022-03-22T13:25:40Z2022-03-22T13:25:40Z2021-07-29BARBOSA, Ivan de Paiva. Eficiência preditiva de técnicas de inteligência computacional em função da complexidade de caracteres sob controle de genes com efeito epistático. 2021. 95 f. Tese (Doutorado em Genética e Melhoramento) - Universidade Federal de Viçosa, Viçosa. 2021.https://locus.ufv.br//handle/123456789/28766Diante dos desafios enfrentados pelos melhoristas de plantas para seleção de indivíduos superiores, a seleção genômica ampla (Genome Wide Selection - GWS) é uma técnica que têm ganhado destaque. A GWS consiste na utilização de um grande número de marcadores moleculares para a predição de valores genéticos e têm se mostrado altamente relevante para o melhoramento genético. Na elaboração do projeto desta pesquisa, duas questões básicas foram formuladas. A primeira é que métodos diferentes proporcionariam resultados diferentes e segundo é que a complexidade da característica analisada poderia influenciar no desempenho das técnicas. Para isso, as análises foram divididas em dois artigos. No primeiro artigo, o objetivo foi avaliar e comparar o desempenho preditivo de métodos estatísticos (RR- Blup e BayesB) e métodos de inteligência computacional, MLP (Multilayer Perceptron) e RBF (Radial Basis Function), e aprendizado de máquina, árvore de regressão com refinamentos BO (Boosting), BA (Bagging) e RF (Random Forest) por meio de GWS em populações simuladas, com características apresentando diferentes níveis de herdabilidade e números de QTL (Quantitative Trait Loci), na presença de dominância e efeitos epistáticos. Já segundo artigo, os níveis de alguns cenários foram reduzidos e novos cenários de complexidade foram assumidos, e o objetivo foi comparar o desempenho seletivo e preditivo do RR-BLUP (Random Regression Best Linear Unbiased Predictor) e métodos de inteligência computacional, MLP (Multilayer Perceptron) e RBF (Radial Basis Function), e aprendizado de máquina, árvore de regressão com refinamentos BO (Boosting), BA (Bagging) e RF (Random Forest), em populações simuladas para diferentes cenários em relação ao número de QTL, à distribuição dos QTL nos grupos de ligação (GL), ao grau médio de dominância, à herdabilidade e aos diferentes modelos de expressão aditivo e não aditivos. Para ambos os artigos, o genoma simulado compreendeu 2010 SNP (Single Nucleotide Polymorphism) e distribuídos equitativamente em 10 grupos de ligação. Os métodos RBF, RF e Bagging, de uma maneira, geral apresentaram bons e consistentes resultados de R² e REQM. Esses métodos apresentaram resultados iguais ou superiores à média geral dos métodos para todos os cenários avaliados. O aumento no número de QTL, até 88 para a configuração do genoma simulado, afetou positivamente os resultados de R² e REQM. A presença de efeito de dominância e a baixa herdabilidade provocou impactos negativos para os resultados de R² e REQM. Todos os métodos apresentaram uma redução no R² e aumento na REQM quando efeitos não aditivos eram importantes para a característica. Assim, nenhum método foi excepcionalmente eficiente para a captura deste efeito. A distribuição dos QTL nos GL foi o único cenário que afetou os resultados de R² e REQM de modo variado. Neste cenário os melhores resultados de R², foram observados quando os QTL estavam distribuídos em apenas um GL, enquanto que para os resultados de REQM os melhores resultados foram obtidos quando os QTL foram distribuídos em oito GL. Esse resultado mostra que a forma de distribuição dos QTL no genoma pode ser o principal atributo a ser avaliado quanto ao interesse na seleção ou na predição dos valores genéticos pelo melhorista. Os métodos de de inteligência computacional e aprendizado de máquina demonstram ser ferramentas poderosas para prever valores genéticos com controle de gene epistático, em características com diferentes graus de herdabilidade e diferentes números de genes de controle. Palavras-chave: Inteligência Computacional. Predição. GWS. Seleção Genômica.Given the challenges faced by plant breeders to select superior individuals, genomic wide selection (GWS) is a technique that has gained prominence. GWS consists of the use of a large number of molecular markers for the prediction of genetic values and is highly relevant for genetic improvement. In the elaboration of this research project, two basic questions were formulated. The first is that different methods would provide different results and the second is that the complexity of the analyzed characteristic could influence the performance of the techniques. For this, the analyzes were divided into two articles. In the first article, the objective was to evaluate and compare the predictive performance of statistical methods (RR-Blup and BayesB) and computational intelligence methods, MLP (Multilayer Perceptron) and RBF (Radial Basis Function), and machine learning, Regression Tree with refinements BO (Boosting), BA (Bagging), and RF (Random Forest) through GWS in simulated populations, with characteristics presenting different levels of heritability and QTL (Quantitative Trait Loci) numbers, in the presence of dominance and effects epistatic. According to the article, the levels of some scenarios were reduced and new complexity scenarios were assumed, and the objective was to compare the selective and predictive performance of RR-BLUP (Random Regression Best Linear Unbiased Predictor) and computational intelligence methods, MLP (Multilayer Perceptron) and RBF (Radial Basis Function), and machine learning, Regression Tree with BO (Boosting), BA (Bagging) and RF (Random Forest) refinements, in simulated populations for different scenarios in relation to the number of QTL, the distribution of the QTL in the linkage groups (GL), the average degree of dominance, the heritability and the different additive and non-additive expression models. For both articles, the simulated genome comprised 2010 SNP (Single Nucleotide Polymorphism) and was evenly distributed into 10 linkage groups. The RBF, RF, and Bagging methods, in general, presented good and consistent results for R² and RMSE. These methods showed results equal to or higher than the general mean of the methods for all evaluated scenarios. The increase in the number of QTL, up to 88 for the simulated genome configuration, positively affected the results of R² and RMSE. The presence of dominance effect and low heritability caused negative impacts on the results of R² and REQM. All methods showed a reduction in R² and an increase in RMSE when non-additive effects were important for the trait. Thus, no method was exceptionally efficient for capturing this effect. The distribution of QTL in GL was the only scenario that affected the R² and RMSE results in different ways. In this scenario, the best R² results were observed when the QTL were distributed in only one GL, while for the RMSE results the best results were obtained when the QTL were distributed in eight GL. This result shows that the form of distribution of QTL in the genome can be the main attribute to be evaluated regarding the interest in the selection or prediction of genetic values by the breeder. Computer intelligence and machine learning methods prove to be powerful tools for predicting genetic values with epistatic gene control, in traits with different degrees of heritability and different numbers of control genes. Keywords: Computational Intelligence. Prediction. GWS. Genomic Selection.Conselho Nacional de Desenvolvimento Científico e TecnológicoporUniversidade Federal de ViçosaPlantas - Melhoramento genéticoInteligência computacionalPrediçãoGenética QuantitativaEficiência preditiva de técnicas de inteligência computacional em função da complexidade de caracteres sob controle de genes com efeito epistáticoPredictive efficiency of computational intelligence techniques as a function of the complexity of characters under control of genes with epistatic effectinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisUniversidade Federal de ViçosaDepartamento de AgronomiaDoutor em Genética e MelhoramentoViçosa - MG2021-07-29Doutoradoinfo:eu-repo/semantics/openAccessreponame:LOCUS Repositório Institucional da UFVinstname:Universidade Federal de Viçosa (UFV)instacron:UFVORIGINALtexto completo.pdftexto completo.pdftexto completoapplication/pdf4232187https://locus.ufv.br//bitstream/123456789/28766/1/texto%20completo.pdfd6e76de349a0bacc78bd69bde8a88e2eMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://locus.ufv.br//bitstream/123456789/28766/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52123456789/287662022-03-22 10:26:22.623oai:locus.ufv.br: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Repositório InstitucionalPUBhttps://www.locus.ufv.br/oai/requestfabiojreis@ufv.bropendoar:21452022-03-22T13:26:22LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV)false
dc.title.pt-BR.fl_str_mv Eficiência preditiva de técnicas de inteligência computacional em função da complexidade de caracteres sob controle de genes com efeito epistático
dc.title.en.fl_str_mv Predictive efficiency of computational intelligence techniques as a function of the complexity of characters under control of genes with epistatic effect
title Eficiência preditiva de técnicas de inteligência computacional em função da complexidade de caracteres sob controle de genes com efeito epistático
spellingShingle Eficiência preditiva de técnicas de inteligência computacional em função da complexidade de caracteres sob controle de genes com efeito epistático
Barbosa, Ivan de Paiva
Plantas - Melhoramento genético
Inteligência computacional
Predição
Genética Quantitativa
title_short Eficiência preditiva de técnicas de inteligência computacional em função da complexidade de caracteres sob controle de genes com efeito epistático
title_full Eficiência preditiva de técnicas de inteligência computacional em função da complexidade de caracteres sob controle de genes com efeito epistático
title_fullStr Eficiência preditiva de técnicas de inteligência computacional em função da complexidade de caracteres sob controle de genes com efeito epistático
title_full_unstemmed Eficiência preditiva de técnicas de inteligência computacional em função da complexidade de caracteres sob controle de genes com efeito epistático
title_sort Eficiência preditiva de técnicas de inteligência computacional em função da complexidade de caracteres sob controle de genes com efeito epistático
author Barbosa, Ivan de Paiva
author_facet Barbosa, Ivan de Paiva
author_role author
dc.contributor.authorLattes.pt-BR.fl_str_mv http://lattes.cnpq.br/6306804436818368
dc.contributor.none.fl_str_mv Nascimento, Moysés
dc.contributor.author.fl_str_mv Barbosa, Ivan de Paiva
dc.contributor.advisor1.fl_str_mv Cruz, Cosme Damião
contributor_str_mv Cruz, Cosme Damião
dc.subject.pt-BR.fl_str_mv Plantas - Melhoramento genético
Inteligência computacional
Predição
topic Plantas - Melhoramento genético
Inteligência computacional
Predição
Genética Quantitativa
dc.subject.cnpq.fl_str_mv Genética Quantitativa
description Diante dos desafios enfrentados pelos melhoristas de plantas para seleção de indivíduos superiores, a seleção genômica ampla (Genome Wide Selection - GWS) é uma técnica que têm ganhado destaque. A GWS consiste na utilização de um grande número de marcadores moleculares para a predição de valores genéticos e têm se mostrado altamente relevante para o melhoramento genético. Na elaboração do projeto desta pesquisa, duas questões básicas foram formuladas. A primeira é que métodos diferentes proporcionariam resultados diferentes e segundo é que a complexidade da característica analisada poderia influenciar no desempenho das técnicas. Para isso, as análises foram divididas em dois artigos. No primeiro artigo, o objetivo foi avaliar e comparar o desempenho preditivo de métodos estatísticos (RR- Blup e BayesB) e métodos de inteligência computacional, MLP (Multilayer Perceptron) e RBF (Radial Basis Function), e aprendizado de máquina, árvore de regressão com refinamentos BO (Boosting), BA (Bagging) e RF (Random Forest) por meio de GWS em populações simuladas, com características apresentando diferentes níveis de herdabilidade e números de QTL (Quantitative Trait Loci), na presença de dominância e efeitos epistáticos. Já segundo artigo, os níveis de alguns cenários foram reduzidos e novos cenários de complexidade foram assumidos, e o objetivo foi comparar o desempenho seletivo e preditivo do RR-BLUP (Random Regression Best Linear Unbiased Predictor) e métodos de inteligência computacional, MLP (Multilayer Perceptron) e RBF (Radial Basis Function), e aprendizado de máquina, árvore de regressão com refinamentos BO (Boosting), BA (Bagging) e RF (Random Forest), em populações simuladas para diferentes cenários em relação ao número de QTL, à distribuição dos QTL nos grupos de ligação (GL), ao grau médio de dominância, à herdabilidade e aos diferentes modelos de expressão aditivo e não aditivos. Para ambos os artigos, o genoma simulado compreendeu 2010 SNP (Single Nucleotide Polymorphism) e distribuídos equitativamente em 10 grupos de ligação. Os métodos RBF, RF e Bagging, de uma maneira, geral apresentaram bons e consistentes resultados de R² e REQM. Esses métodos apresentaram resultados iguais ou superiores à média geral dos métodos para todos os cenários avaliados. O aumento no número de QTL, até 88 para a configuração do genoma simulado, afetou positivamente os resultados de R² e REQM. A presença de efeito de dominância e a baixa herdabilidade provocou impactos negativos para os resultados de R² e REQM. Todos os métodos apresentaram uma redução no R² e aumento na REQM quando efeitos não aditivos eram importantes para a característica. Assim, nenhum método foi excepcionalmente eficiente para a captura deste efeito. A distribuição dos QTL nos GL foi o único cenário que afetou os resultados de R² e REQM de modo variado. Neste cenário os melhores resultados de R², foram observados quando os QTL estavam distribuídos em apenas um GL, enquanto que para os resultados de REQM os melhores resultados foram obtidos quando os QTL foram distribuídos em oito GL. Esse resultado mostra que a forma de distribuição dos QTL no genoma pode ser o principal atributo a ser avaliado quanto ao interesse na seleção ou na predição dos valores genéticos pelo melhorista. Os métodos de de inteligência computacional e aprendizado de máquina demonstram ser ferramentas poderosas para prever valores genéticos com controle de gene epistático, em características com diferentes graus de herdabilidade e diferentes números de genes de controle. Palavras-chave: Inteligência Computacional. Predição. GWS. Seleção Genômica.
publishDate 2021
dc.date.issued.fl_str_mv 2021-07-29
dc.date.accessioned.fl_str_mv 2022-03-22T13:25:40Z
dc.date.available.fl_str_mv 2022-03-22T13:25:40Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv BARBOSA, Ivan de Paiva. Eficiência preditiva de técnicas de inteligência computacional em função da complexidade de caracteres sob controle de genes com efeito epistático. 2021. 95 f. Tese (Doutorado em Genética e Melhoramento) - Universidade Federal de Viçosa, Viçosa. 2021.
dc.identifier.uri.fl_str_mv https://locus.ufv.br//handle/123456789/28766
identifier_str_mv BARBOSA, Ivan de Paiva. Eficiência preditiva de técnicas de inteligência computacional em função da complexidade de caracteres sob controle de genes com efeito epistático. 2021. 95 f. Tese (Doutorado em Genética e Melhoramento) - Universidade Federal de Viçosa, Viçosa. 2021.
url https://locus.ufv.br//handle/123456789/28766
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Viçosa
publisher.none.fl_str_mv Universidade Federal de Viçosa
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/123456789/28766/1/texto%20completo.pdf
https://locus.ufv.br//bitstream/123456789/28766/2/license.txt
bitstream.checksum.fl_str_mv d6e76de349a0bacc78bd69bde8a88e2e
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_ 1801213096216231936