Seleção de caracteres complexos em alfafa por meio de inteligência computacional

• Ano de defesa: 2017
• Autor(a) principal: Santos, Iara Gonçalves dos
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa
• Palavras-chave em Português: Alfafa - Melhoramento genético; Medicago sativa; Redes neurais (Computação); Inteligência artificial; Genética Quantitativa
• Link de acesso: http://www.locus.ufv.br/handle/123456789/16369

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.