The use of molecular markers to predict non-tested materials in field trials has been extensively employed in breeding programs. The genomic prediction of single crosses is a promising approach in maize breeding programs as it reduces selection cycle and permits the selection of promising crosses. Accounting for non-additive effects on genomic prediction can increase prediction accuracy of models depending on the traits genetic architecture. Genomic prediction was first developed for single environments andrecently extended to exploit the genotype by environment interactions for prediction of non-evaluated individuals. The employment of multi-environment genomic models is advantageous in several aspects and has enabled significant higher prediction accuracies than single environment models. However, only a small number of studies regarding the inclusion of non-additive effects in these models are reported. Moreover, the genotype by environment interaction complexity can largely impact the prediction accuracyof these models. Thus, the objectives were to i)evaluate the contribution of additive and non-additive (dominance and epistasis) effects for the prediction of agronomical traits with different genetic architecture in tropical maize single-crosses grown under two nitrogen regimes (ideal and stressing), and ii)verify the impact of the genotype by environment interaction complexity, and the inclusion of dominance deviations, on the prediction accuracy of hybrids grain yield using a multi-environment prediction model. For this, we used phenotypic and genotypic data of 906 single-crosses evaluated during two years, at two locations, under two nitrogen regimes, totaling eight contrasting environments (combination of year x locations x nitrogen regimes). The traits considered in the study were grain yield, ear, and plant height. The results regarding the inclusion of additive and non-additive effects (dominance and epistasis) in genomic prediction models suggest that non-additive effects play an important role instressing conditions, having a high, medium and low contribution for phenotypic expression of grain yield, plant height, and ear height, respectively. The inclusion of dominance deviations in multi-environment prediction model increases the prediction accuracy. Furthermore, a linear relationship between genotype by environment complexity and prediction accuracywas found. / O uso de marcadores moleculares para a predição do fénotipo de materiais não testados em campo tem sido amplamente utilizado em programas de melhoramento genético de plantas. A predição genômica de hibridos simples é uma ferramenta promissora no melhoramento genético do milho, pois além da redução do tempo necessário para cada ciclo de seleção, ela pode ser utilizada para a identificação de cruzamentos promissores. Dependendo da característica em estudo, a inclusão de efeitos não aditivos em modelos de predição genômica pode aumentar significativamente sua acurácia de predição. Além disso, estes modelos foram inicialmente propostos para a predição de materiais em apenas um único ambiente. Atualmente, foram expandidos para considerarem os efeitos da interação genótipos por ambiente. O uso de tais modelos têm se mostrado vantajoso em vários aspectos, um deles é o considerável aumento da acurácia de predição de novos materiais. Contudo, ainda são escassos estudos envolvendoa inclusão de efeitos não aditivos nesses modelos. Ademais, fatores como a complexidade da interação genótipo por ambiente pode influenciar de maneira significativa a acurácia preditiva de modelos considerando múltiplos ambientes. Portanto, os objetivos foram: i)avaliar a contribuição de efeitos aditivos e não aditivos (dominância e epistasia) para a predição de caracteres agronômicos com diferentes arquiteturas genéticas em cruzamentos simples de milho tropical cultivados sob dois níveis de disponibilidade de nitrogênio (ideal e estressado), e ii)verificar o impacto da complexidade da interação genótipo por ambiente, e da inclusão de desvios de dominância na acurácia de predição de modelos multi-ambientes para a predição da produtividade grãos de híbridos simples de milho. Para isto, foram utilizados os dados fenótipicos e genotípicos de 906 híbridos simples de milho avaliados durante dois anos, em dois locais, sob dois níveis de adubação nitrogenada, totalizando oito ambientes distintos (combinação ano xlocal x nivel de adubação nitrogenada). Os caracteres estudados foram produtividade de grãos, altura de espiga, e plantas. Os resultados acerca da inclusão de efeitos aditivos e não aditivos (dominancia e epistasia) sugerem que, efeitos não aditivos são mais importantes sob condições de estresse, contribuem de maneira significativa para produtividade grãos, de modo intermediário para altura de plantas e possuem pouca importância para altura de espiga. A inclusão de desvios de dominância em modelos de predição multi-ambientes aumentou de forma significativa a acurácia de predição. Além disto, observou-se uma relação linear entre complexidade da interação genótipos por ambientes e acurácia preditiva do modelo.

Structured representation of input physical patterns as a set of local features has been useful for a veriety of robotics and human computer interaction (HCI) applications. It enables a stable understanding of the variable inputs. However, this representation does not fit the conventional machine learning algorithms and distance metrics because they assume vector inputs. To learn from input patterns with variable structure is thus challenging. To address this problem, I propose a general and systematic method to design distance metrics between structured inputs that can be used in conventional learning algorithms. Based on the observation of the stability in the geometric distributions of local features over the physical patterns across similar inputs, this is done combining the local similarities and the conformity of the geometric relationship between local features. The produced distance metrics, called “parametric kernels”, are positive semi-definite and require almost linear time to compute. To demonstrate the general applicability and the efficacy of this approach, I designed and applied parametric kernels to handwritten character recognition, on-line face recognition, and object detection from laser range finder sensor data. Parametric kernels achieve recognition rates competitive to state-of-the-art approaches in these tasks. / text

The use of molecular markers to predict non-tested materials in field trials has been extensively employed in breeding programs. The genomic prediction of single crosses is a promising approach in maize breeding programs as it reduces selection cycle and permits the selection of promising crosses. Accounting for non-additive effects on genomic prediction can increase prediction accuracy of models depending on the traits genetic architecture. Genomic prediction was first developed for single environments andrecently extended to exploit the genotype by environment interactions for prediction of non-evaluated individuals. The employment of multi-environment genomic models is advantageous in several aspects and has enabled significant higher prediction accuracies than single environment models. However, only a small number of studies regarding the inclusion of non-additive effects in these models are reported. Moreover, the genotype by environment interaction complexity can largely impact the prediction accuracyof these models. Thus, the objectives were to i)evaluate the contribution of additive and non-additive (dominance and epistasis) effects for the prediction of agronomical traits with different genetic architecture in tropical maize single-crosses grown under two nitrogen regimes (ideal and stressing), and ii)verify the impact of the genotype by environment interaction complexity, and the inclusion of dominance deviations, on the prediction accuracy of hybrids grain yield using a multi-environment prediction model. For this, we used phenotypic and genotypic data of 906 single-crosses evaluated during two years, at two locations, under two nitrogen regimes, totaling eight contrasting environments (combination of year x locations x nitrogen regimes). The traits considered in the study were grain yield, ear, and plant height. The results regarding the inclusion of additive and non-additive effects (dominance and epistasis) in genomic prediction models suggest that non-additive effects play an important role instressing conditions, having a high, medium and low contribution for phenotypic expression of grain yield, plant height, and ear height, respectively. The inclusion of dominance deviations in multi-environment prediction model increases the prediction accuracy. Furthermore, a linear relationship between genotype by environment complexity and prediction accuracywas found. / O uso de marcadores moleculares para a predição do fénotipo de materiais não testados em campo tem sido amplamente utilizado em programas de melhoramento genético de plantas. A predição genômica de hibridos simples é uma ferramenta promissora no melhoramento genético do milho, pois além da redução do tempo necessário para cada ciclo de seleção, ela pode ser utilizada para a identificação de cruzamentos promissores. Dependendo da característica em estudo, a inclusão de efeitos não aditivos em modelos de predição genômica pode aumentar significativamente sua acurácia de predição. Além disso, estes modelos foram inicialmente propostos para a predição de materiais em apenas um único ambiente. Atualmente, foram expandidos para considerarem os efeitos da interação genótipos por ambiente. O uso de tais modelos têm se mostrado vantajoso em vários aspectos, um deles é o considerável aumento da acurácia de predição de novos materiais. Contudo, ainda são escassos estudos envolvendoa inclusão de efeitos não aditivos nesses modelos. Ademais, fatores como a complexidade da interação genótipo por ambiente pode influenciar de maneira significativa a acurácia preditiva de modelos considerando múltiplos ambientes. Portanto, os objetivos foram: i)avaliar a contribuição de efeitos aditivos e não aditivos (dominância e epistasia) para a predição de caracteres agronômicos com diferentes arquiteturas genéticas em cruzamentos simples de milho tropical cultivados sob dois níveis de disponibilidade de nitrogênio (ideal e estressado), e ii)verificar o impacto da complexidade da interação genótipo por ambiente, e da inclusão de desvios de dominância na acurácia de predição de modelos multi-ambientes para a predição da produtividade grãos de híbridos simples de milho. Para isto, foram utilizados os dados fenótipicos e genotípicos de 906 híbridos simples de milho avaliados durante dois anos, em dois locais, sob dois níveis de adubação nitrogenada, totalizando oito ambientes distintos (combinação ano xlocal x nivel de adubação nitrogenada). Os caracteres estudados foram produtividade de grãos, altura de espiga, e plantas. Os resultados acerca da inclusão de efeitos aditivos e não aditivos (dominancia e epistasia) sugerem que, efeitos não aditivos são mais importantes sob condições de estresse, contribuem de maneira significativa para produtividade grãos, de modo intermediário para altura de plantas e possuem pouca importância para altura de espiga. A inclusão de desvios de dominância em modelos de predição multi-ambientes aumentou de forma significativa a acurácia de predição. Além disto, observou-se uma relação linear entre complexidade da interação genótipos por ambientes e acurácia preditiva do modelo.