Redes neurais artificiais: novo paradigma para a predição de valores genéticos

Abstract

Até então, as formas de aumentar o ganho por seleção tem sido apontadas pelas diferentes estratégias preconizadas nos métodos de melhoramento, ou pela utilização dos princípios básicos da experimentação, ou ainda recorrer a modelos biométricos que buscam parametrizar as influências tanto genotípicas quanto ambientais. Assim, no que se refere aos métodos de genética e estatística utilizados para seleção de genótipos superiores, destacam-se os métodos derivados da teoria de seleção direta, seleção indireta e por índice de seleção, o método de seleção combinada e o método REML-BLUP, dentre outros. Apesar das diversas metodologias disponíveis para a seleção de genótipos superiores, ainda é comum e necessário praticar seleção de indivíduos em relação a características com baixa confiabilidade de predição do valor genotípico a partir de um valor fenotípico dado pela média fenotípica corrigida ou ajustada em função da agregação de informações de parentes, de caracteres correlacionados ou de práticas de redução do efeito ambiental. No final, considera-se esta média fenotípica ajustada como a medida mais apropriada para indicar a superioridade genética e predizer o ganho genético. No entanto, tais modelos ou procedimentos não contemplam uma infinidade de outras informações estatísticas de grande relevância, diferentes da média fenotípica que é usualmente adotada, mas que agregam informações importantes acerca do genótipo avaliado e que têm sido deixadas à margem dos estudos envolvendo melhoramento genético e critérios de seleção. Neste contexto, as redes neurais artificiais constituem novo paradigma que tem sido empregado, ainda que de forma tênue, nos programas de melhoramento genético animal e vegetal. Essa abordagem, diferentemente das modelagens estocásticas utilizadas até então, é baseada nos princípios de aprendizado e de inteligência computacional de um conjunto amplo de informação do desempenho do genótipo envolvendo médias, máximos, mínimos, variância e toda ordem de informação possível de ser direta ou indiretamente mensurada. Assim, ao contrário dos métodos estatísticos que resumem as informações ou realizam a simplificação estrutural dos dados, as redes neurais, à semelhança do cérebro humano, captam toda informação disponível para gerar um critério de tomada de decisão. Assim, este trabalho foi realizado com o intuito de utilizar as redes neurais para melhorar a acurácia na predição de valores e ganhos genéticos, através de uma discussão de seus fundamentos teóricos e utilização de dados simulados, com mesma caracterização em termos de média, herdabilidade e coeficiente de variação dos dados reais, fornecendo um método alternativo para identificação de genótipos superiores.

Until then, how to increase the gain by selection has been pointed out by different strategies recommended in breeding methods, or by using the basic principles of experimentation, or even use biometric models that seek to parameterize both genotypic and environmental influences. Thus, as regards the methods of genetics and statistics used for selection of superior genotypes, highlight the methods derived from the theory of direct selection, indirect selection and index selection, combined selection method and REML-BLUP method among others. Despite several methodologies available for the selection of superior genotypes is still common and necessary practice selection of individuals in relation to features with low reliability of predicting genotype value from a phenotypic value given by the corrected or adjusted by the aggregate average phenotypic information from relatives of correlated traits or practices to reduce the environmental effect. In the end, we consider this phenotypic average adjusted as the most appropriate measure to indicate genetic superiority and predict genetic gain. However, such models or procedures do not include a multitude of other statistical information of great relevance, different phenotypic average which is usually adopted, but which provide important information about the reported genotype and who have been sidelined studies involving genetic improvement and selection criteria. In this context, artificial neural networks are a new paradigm that has been employed, albeit tenuously, in animal and plant breeding programs. This approach, unlike the stochastic modeling used so far, is based on principles of learning and computational intelligence on a wide range of performance information of genotype involving averages, maximum, minimum, variance and all sorts of information can be directly or indirectly measured. Thus, unlike the statistical methods that summarize the information or perform the structural simplification of data, neural networks, like the human brain, capture all available information to generate a criterion for decision making. This work was carried out with the intention of using neural networks to improve the accuracy of the predicted values and genetic gains, through a discussion of its theoretical foundations and use simulated data with the same characteristics in terms of average heritability and coefficient of variation of actual data by providing an alternative method for identification of superior genotypes.