Utilização de aprendizagem supervisionada de máquina para predição de valores genéticos com base em duas gerações de ascendentes
DOI:
https://doi.org/10.33448/rsd-v12i6.41904Palavras-chave:
Inteligência artificial; Machine learning; Regressão linear.Resumo
Uma eficiente utilização de ferramentas que visam acelerar o melhoramento genético como o acasalamento direcionado requer informações de valores genéticos tanto de reprodutores quanto de mães, porém a baixa acurácia ou a carência desta pode comprometer programas de melhoramento genético, dessa forma, estimar valores genéticos de fêmeas é desafiador. Metodologias que utilizem apenas informações de ascendentes machos para o cálculo de valores genéticos de fêmeas já foram propostos, porém, com o surgimento de tecnologias de aprendizado de máquina supervisionado possibilitaram relevantes ao melhoramento genético. Portanto este trabalho tem como objetivo avaliar metodologia baseada em um algoritmo supervisionado de regressão linear em função do método consolidado em literatura, podendo ser empregado em programas de melhoramento genético. Os resultados de análise de correlação de Pearson foram todos significativos (p<0,0001) entre valores preditos de ambos os modelos e valores reais, demonstrando que ambos os modelos podem ser utilizados para estimar valores genéticos. Porém ao utilizar o modelo baseado em aprendizagem de máquina foi possível constatar erros com menores desvios-padrão para as características de leite, gordura, proteína e vida produtiva, e iguais para as demais características analisadas, indicando que modelos utilizando tecnologias derivadas de aprendizagem de máquina possuem aplicações promissoras no melhoramento genético.
Referências
Bourdon, R. (2014). Understanding Animal Breeding. (2a ed.), Pearson. p. 560.
Faceli, K., Lorena, A. C., Gama, J. & Carvalho, A. C. P. L. F. (2011). Artificial intelligence: a machine learning approach. Ed. LTC.
Forabosco, F., Jakobsen, J., & Fikse, W. (2009). International genetic evaluation for direct longevity in dairy bulls. Journal of Dairy Science, 92(5), 2338–2347. https://doi.org/10.3168/jds.2008-1214.
Ghotbaldini, H., Mohammadabadi, M., Nezamabadi-pour, H., Babenko, O. I., Bushtruk, M. V., & Tkachenko, S. V. (2019). Predicting breeding value of body weight at 6-month age using Artificial Neural Networks in Kermani sheep breed. Acta Scientiarum. Animal Sciences, 41(1), 45282. https://doi.org/10.4025/actascianimsci.v41i1.45282.
Groen, A. F., & der Waaij, L. V. (1999). Some basics about mating schemes | Interbull Bulletin. https://journal.interbull.org/index.php/ib/article/view/562.
Hedrick, P. W. (1987). Gametic Disequilibrium Measures: Proceed With Caution. Genetics, 117(2), 331–341. https://doi.org/10.1093/genetics/117.2.331.
Jenko, J., Gorjanc, G., Kovač, M., & Ducrocq, V. (2013). Comparison between sire-maternal grandsire and animal models for genetic evaluation of longevity in a dairy cattle population with small herds. Journal of Dairy Science, 96(12), 8002–8013. https://doi.org/10.3168/jds.2013-6830.
Lewontin, R. C. (1988). On measures of gametic disequilibrium. Genetics, 120(3), 849–852. https://doi.org/10.1093/genetics/120.3.849.
Ma, L., Sonstegard, T. S., Cole, J. B., VanTassell, C. P., Wiggans, G. R., Crooker, B. A., Tan, C., Prakapenka, D., Liu, G., Da, Y. (2019). Genome changes due to artificial selection in U.S. Holstein cattle. BMC Genomics, 20(1). https://doi.org/10.1186/s12864-019-5459-x.
Molas, A. (2022). Why do we minimize the mean squared error? Acesso em dez 2022. Towards Data Science. https://towardsdatascience.com/why-do-we-minimize-the-mean-squared-error-3b97391f54c.
Monard, & Baranauskas. (2003). Conceitos sobre aprendizado de máquina. Sistemas Inteligentes Fundamentos e Aplicações. Manole Ltda.
Mrode. (2005). Linear models for the prediction of animal breeding values (3rd ed.). CABU.
Nayeri, S., Sargolzaei, M., & Tulpan, D. (2019). A review of traditional and machine learning methods applied to animal breeding. Animal Health Research Reviews, 20(1), 31–46. https://doi.org/10.1017/s1466252319000148.
Neves, H. H., Carvalheiro, R., Cardoso, V., Fries, L. A., & de Queiroz, S. A. (2009). Acasalamento dirigido para aumentar a produção de animais geneticamente superiores e reduzir a variabilidade da progênie em bovinos. Revista Brasileira de zootecnia, 38(7). https://doi.org/10.1590/S1516-35982009000700006.
Pour Hamidi, S., Mohammadabadi, M. R., Asadi Foozi, M., & Nezamabadi-pour, H. (2017). Prediction of breeding values for the milk production trait in Iranian Holstein cows applying artificial neural networks. Journal of Livestock Science and Technologies, 5(2), 53-61. 10.22103/jlst.2017.10043.1188.
Schenkel, F., & Schaeffer, L. (2008). Effects of nonrandom parental selection on estimation of variance components. Journal of Animal Breeding and Genetics, 117(4), 225–239. https://doi.org/10.1111/j.1439-0388.2000.00262.x
Silva, G. N., Tomaz, R. S., Sant’Anna, I. D. C., Nascimento, M., Bhering, L. L., & Cruz, C. D. (2014). Neural networks for predicting breeding values and genetic gains. Scientia Agricola, 71(6), 494–498. https://doi.org/10.1590/0103-9016-2014-0057.
sklearn.linear_model.LinearRegression. (2022). Acesso em dez 2022. https://scikit-learn/stable/modules/generated/sklearn.linear_model.LinearRegression.html.
Wellmann, R. (2019). Optimum contribution selection for animal breeding and conservation: the R package optiSel. BMC Bioinformatics, 20(1). https://doi.org/10.1186/s12859-018-2450-5.
White, D. J., Wolff, J. N., Pierson, M., & Gemmel, N. J. (2008). Revealing the hidden complexities of mtDNA inheritance. Molecular Ecology, 17(23), 4925–4942. https://doi.org/10.1111/j.1365-294x.2008.03982.x.
Wright, S. (1922). Coefficients of Inbreeding and Relationship. The American Naturalist, 56(645), 330–338. https://doi.org/10.1086/279872.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Fernando Jean Dijkinga
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
