Use este identificador para citar ou linkar para este item: https://locus.ufv.br//handle/123456789/16369
Tipo: Dissertação
Título: Seleção de caracteres complexos em alfafa por meio de inteligência computacional
Complex traits selection in alfalfa by means of computational intelligence
Autor(es): Santos, Iara Gonçalves dos
Abstract: O desenvolvimento de novos cultivares de alfafa está relacionado, além do potencial produtivo, com o valor nutritivo da forragem, ambos determinados por uma série de caracteres de controle genético complexo. Por isso, o melhoramento da cultura exige adoção de técnicas que maximizem a acurácia seletiva. Nesse contexto, a utilização das Redes Neurais Artificiais (RNAs) pode ser útil para otimizar a seleção simultânea de caracteres, que tem sido a estratégia mais utilizada no melhoramento da alfafa. Assim, o objetivo deste trabalho foi aplicar a abordagem de índices de seleção no contexto das redes neurais artificiais para auxiliar o melhoramento da cultura da alfafa, além de avaliar a eficiência das redes para realizar a seleção de caracteres complexos. Para isso, foram utilizados dados de 77 genótipos de alfafa avaliados em quatro cortes realizados ao longo das diferentes estações no ano, mensurados quanto a caracteres de produção e valor nutritivo. Primeiramente, foram estimados os ganhos por seleção direta, indireta e simultânea pelo índice de Taí para cada um dos grupos de caracteres. Para obtenção das redes para cada grupo, os genótipos foram subdivididos em classes segundo os escores do índice. A fim de garantir boa capacidade de generalização das redes, nas etapas de treinamento e validação foram utilizados dados ampliados de cada grupo de caracteres e, só então, as redes foram utilizadas para classificar os dados reais dos quatro cortes. Posteriormente, utilizou- se dados ampliados de três cortes para treinamento e validação e a rede, então estabelecida, foi empregada em dados reais, relativos a um dos cortes que não participou do processo de ampliação. De modo geral, as seleções diretas proporcionaram ganhos per se satisfatórios para os propósitos do melhoramento, mas sua utilização deve ser bastante criteriosa tendo em vista a existência de correlações desfavoráveis entre alguns caracteres estudados. Já as seleções indiretas apresentaram dificuldades para manter ganhos desejados em todos os caracteres no conjunto de genótipos. Os resultados da seleção simultânea utilizando o índice de Taí proporcionaram distribuição de ganhos mais equilibrada para os conjuntos de caracteres em todos os cortes. No contexto das redes neurais artificiais, as taxas de erros das redes de produção e valor nutritivo foram baixas, evidenciando a grande concordância destas com o índice. Entretanto, a limitação do conjunto de treinamento e teste das RNAs para ampliação de três cortes, levou tanto a altas taxas de erro ou a níveis muito baixos, indicativo de perda da habilidade de generalização. Quando se utilizou as redes no novo corte, as taxas de erro foram altas em todos os cenários. O baixo desempenho obtido pode ser explicado pela discrepância observada entre o conjunto de treinamento e o conjunto de teste. Dessa forma, percebe-se a importância da qualidade do conjunto de dados para treinamento de uma rede eficiente, pois a utilização desta é diretamente relacionada com a disponibilidade de bons exemplos e em grande número. O uso das RNAs será mais difundido à medida que haja mudança no paradigma da experimentação em que as decisões passarão a ser tomadas em bancos de dados, construídos ao longo do tempo de um programa de melhoramento, que constituirão de base para o processamento de dados.
Developing new alfalfa cultivars is related with productive potential besides to the nutritive value of the forage, which are determined by traits of complex genetic control. That is why alfalfa breeding requires adoption of techniques that maximize selective accuracy. In this context, using Artificial Neural Networks (ANNs) can be useful to optimize the simultaneous selection, which has been the strategy most used in alfalfa breeding. Thus, the aim of this work was to apply the selection index approach in the context of artificial neural networks to help in alfalfa breeding, as well as to evaluate the efficiency of the ANNs to perform the complex trait selection. The data from 77 alfalfa genotypes evaluated in four cuts were collected considering different seasons in the year. In each cut were measured production and nutritive value traits. Firstly, we estimated the gains by direct, indirect and simultaneous selection by the Taí index for each trait groups. To obtain the ANN for each group, the genotypes were subdivided into classes according to the index scores. In order to ensure good network generalization, in the training and validation stages we used amplificated data from each group of characters, later we used the ANNs to classify the real data of the four cuts. Subsequently, we used amplificated data from three cuts for training and validation, and the established ANNs were used in a new cut that did not participate in the amplification process. In general, the direct selections provided satisfactory individual gains for the breeding purposes, but their use must be very judicious since the existence of unfavorable correlations between some studied traits. Indirect selections, presented difficulties in maintaining desired gains in all traits in the genotype set. The results of simultaneous selection using the Taí index provided a more balanced distribution gains for the trait sets in all cuts. In the context of the artificial neural networks, the error rates of the production and nutritional value groups were low, evidencing the great agreement of these with the index. However, the limitation of the training set and test of ANNs for data of three cut amplification, led either to high error rates or to very low levels, indicating of loss of the generalization ability. When the networks were used in the new cut, error rates were high in all scenarios. The low performance obtained can be explained by the discrepancy between the training set and the test one. In this way, the importance of the quality of data set for training an efficient network is perceived, since its use is directly related to the availability of good examples and in large numbers. The use of ANNs will be more widespread with a change in the experimentation paradigm in which decisions will be made into databases built over time from a breeding program that will form the basis for data processing.
Palavras-chave: Alfafa - Melhoramento genético
Medicago sativa
Redes neurais (Computação)
Inteligência artificial
CNPq: Genética Quantitativa
Editor: Universidade Federal de Viçosa
Titulação: Mestre em Genética e Melhoramento
Citação: SANTOS, Iara Gonçalves dos. Seleção de caracteres complexos em alfafa por meio de inteligência computacional. 2017. 91f. Dissertação (Mestrado em Genética e Melhoramento) - Universidade Federal de Viçosa, Viçosa. 2017.
Tipo de Acesso: Acesso Aberto
URI: http://www.locus.ufv.br/handle/123456789/16369
Data do documento: 18-Jul-2017
Aparece nas coleções:Genética e Melhoramento

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
texto completo.pdftexto completo1,22 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.