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

• Ano de defesa: 2021
• Autor(a) principal: Barbosa, Ivan de Paiva
• Orientador(a): Cruz, Cosme Damião
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa
• Área do conhecimento CNPq: Genética Quantitativa
• Link de acesso: https://locus.ufv.br//handle/123456789/28766

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.