Máquina de aprendizado extremo para predição genômica de resistência à ferrugem em café arábica

O objetivo deste trabalho foi investigar o uso de Máquinas de Aprendizagem Extrema (ELM) para a predição genômica da resistência à ferrugem em Coffea arabica. Com o objetivo de identificar um modelo preditivo eficaz para a seleção de genótipos resistentes, o ELM foi comparado a Redes Neurais Artificiais (RNA) e Regressão Linear Generalizada Bayesiana (GBLR) em termos de medidas de acurácia e tempo computacional. Para tanto, uma população F2 de 245 plantas de C. arabica genotipadas com 137 marcadores foi utilizada de modo a avaliar a aplicação do ELM na predição genômica da resistência à ferrugem-do-café. Os resultados indicam que o ELM e a RNA apresentam maior acurácia – em média 15% superior ao GBLR – na predição da resistência à ferrugem. Adicionalmente, o ELM se mostra computacionalmente mais eficiente, com velocidades de processamento 5,5 e 19,45 vezes menores que a de RNA e o BGLR, respectivamente, tornando-o promissor para análises de larga escala.

Termos para indexação:
Coffea arabica ; inteligência computacional; seleção genômica; melhoramento de plantas; aprendizado estatístico