Das Montanhas de Minas ao Oceano: Os Caminhos da Ciência para um Futuro Sustentável
20 a 25 de outubro de 2025
Trabalho 20930
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Agrárias |
| Área temática | Dimensões Sociais: ODS2 |
| Setor | Departamento de Biologia Geral |
| Bolsa | PIBIC/CNPq |
| Conclusão de bolsa | Sim |
| Apoio financeiro | CAPES, CNPq, FAPEMIG |
| Primeiro autor | Hernandes Peres Panichi |
| Orientador | LEONARDO LOPES BHERING |
| Outros membros | João Amaro Ferreira Vieira Netto, Marco Antonio Peixoto |
| Título | Desempenho de Multilayer Perceptron na predição e seleção genômica de linhagens de milho |
| Resumo | Programas de melhoramento genético têm enfrentado uma demanda crescente por cultivares mais produtivas e por métodos que reduzam o custo e o tempo de desenvolvimento. Nesse contexto, a seleção genômica destaca-se por sua eficiência na identificação de indivíduos superiores com base em informações moleculares. Paralelamente, o uso de técnicas de inteligência computacional (IC) tem ganhado espaço devido à sua capacidade de capturar padrões complexos e não lineares, frequentemente não detectáveis por métodos tradicionais baseados em regressão linear. Dessa forma, este trabalho teve como objetivo comparar o desempenho preditivo dos modelos genômicos Bayesian ridge regression (BRR) e Multilayer Perceptron (MLP), por meio de métricas de acurácia preditiva e coincidência de seleção. Foram utilizados dados genotípicos de 12.983 SNPs, após filtragem para frequência alélica mínima (MAF) > 0,05 e remoção de marcadores correlacionados (R² > 0,9). Os dados fenotípicos consistiram na produtividade de grãos (kg/ha) de 350 linhagens de milho, avaliadas na safra 2023/2024, em delineamento em blocos casualizados (DBC) com duas repetições. A herdabilidade de Cullis foi estimada, e os valores fenotípicos foram ajustados para BLUEs (Best Linear Unbiased Estimates) a fim de remover os efeitos de bloco e ambientais, e posteriormente foram normalizados. O modelo BRR foi implementado no R, por meio do pacote BGLR, considerando efeitos aditivos e dominantes, com 10.000 iterações e Burn-In de 1.000 (10%). Já o modelo MLP foi desenvolvido em Python, com os pacotes Keras e TensorFlow, utilizando o algoritmo Hyperband para a otimização de hiperparâmetros. A arquitetura da MLP variou entre 1 a 3 camadas ocultas, com 16 a 128 neurônios por camada (step = 16) e dropout de 0.1, 0.2 e 0.3. Ambos os modelos foram avaliados por meio de validação cruzada do tipo K-fold (K = 10). Aacurácia preditiva foi estimada pela correlação de Pearson entre os valores BLUEs e os valores genômicos preditos (GEBVs). A característica apresentou herdabilidade de 0.59, e as acurácias obtidas foram de 0,24 para o BRR e 0,28 para o MLP. A coincidência de seleção (proporção de indivíduos em comum no top 10%) entre os modelos foi de 0,12. Esses resultados indicam que o MLP apresentou desempenho superior ao BRR, demonstrando seu potencial promissor para aplicação em programas de seleção genômica, especialmente em cenários com possíveis interações e efeitos não lineares. |
| Palavras-chave | Melhoramento genético, inteligência computacional, redes neurais |
| Forma de apresentação..... | Painel |
| Link para apresentação | Painel |
|---|