Submitted by Amauri Alves (amauri.alves@ufv.br) on 2015-12-02T16:52:21Z
No. of bitstreams: 1
texto completo.pdf: 4119749 bytes, checksum: abab366057d5b5d02a6202d32f277b7c (MD5) / Made available in DSpace on 2015-12-02T16:52:21Z (GMT). No. of bitstreams: 1
texto completo.pdf: 4119749 bytes, checksum: abab366057d5b5d02a6202d32f277b7c (MD5)
Previous issue date: 2015-05-25 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Recentemente, há um aumento de interesse na utilização de métodos não paramétricos, tais como redes neurais artificiais (RNA), na área de seleção genômica ampla (SGA). Uma classe especial de RNA é aquela com regularização Bayesiana, a qual não exige um conhecimento a priori da arquitetura genética da característica, tais como outros métodos tradicionais de SGA (RR-BLUP, Bayes A, B, Cπ, BLASSO). O objetivo do presente estudo foi aplicar a RNA baseado em regularização Bayesiana na predição de valores genéticos genômicos utilizando conjuntos de dados simulados a fim de selecionar os marcadores SNP mais relevantes por meio de dois métodos diferentes. Objetivou-se ainda estimar herdabilidades para as características consideradas e comparar os resultados da RNA com dois métodos tradicionais (RR-BLUP e Lasso Bayesiano). A arquitetura mais simples da rede neural com regularização Bayesiana obteve os melhores resultados para as duas características avaliadas, os quais foram muito similares às metodologias tradicionais RR-BLUP e Lasso Bayesiano (BLASSO). A identificação de importância dos SNPs baseada nas RNA apresentaram correlações entre os efeitos verdadeiros e simulados de 0,61 e 0,81 para as características 1 e 2, respectivamente. Estas foram maiores do que aquelas produzidas pelo método tradicional BLASSO (0,55 e 0,71, para característica 1 e 2 respectivamente). Em relação a herdabilidade (assumindo o valor verdadeiro igual a 0,35), a RNA mais simples obteve valor de herdabilidade igual a 0,33, enquanto os métodos tradicionais a subestimaram (com média igual igual a 0,215). / Recently there is an increase interest to use nonparametric methods, such as artificial neural networks (ANN). In animal breeding, an especial class of ANN called Bayesian Regularized Neural Network (BRNN) has been preferable since it not demands a priori knowledge of the genetic architecture of the characteristic as assumed by the most used parametric methods (RR-BLUP, Bayes A, B, Cπ, BLASSO). Although BRNN has been shown to be effective for genomic enable prediction. The aim of the present study was to apply the ANN based on Bayesian regularization to genome-enable prediction regarding simulated data sets, to select the most relevant SNP markers by using two proposed methods, to estimate heritabilities for the considered traits, and to compare the results with two traditional methods (RR-BLUP and BLASSO). The simplest Bayesian Regularized Neural Network (BRNN) model gave consistent predictions for both traits, which were similar to the results obtained from the traditional RR-BLUP and BLASSO methods. The SNP importance identification methods based on BRNN proposed here showed correlation values (0.61 and 0.81 for traits 1 and 2, respectively) between true and estimated marker effects higher than the traditional BLASSO (0.55 and 0.71, respectively for traits 1 and 2) method. With respect to h 2 estimates (assuming 0.35 as true value), the simplest BRNN recovered 0.33 for both traits, thus outperforming the RR-BLUP and BLASSO, that, in average, estimated h 2 equal to 0.215.
Identifer | oai:union.ndltd.org:IBICT/oai:localhost:123456789/6866 |
Date | 25 May 2015 |
Creators | Glória, Leonardo Siqueira |
Contributors | Cruz, Cosme Damião, Vieira, Ricardo Augusto Mendonça, Silva, Fabyano Fonseca e |
Publisher | Universidade Federal de Viçosa |
Source Sets | IBICT Brazilian ETDs |
Language | English |
Detected Language | English |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
Source | reponame:Repositório Institucional da UFV, instname:Universidade Federal de Viçosa, instacron:UFV |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0013 seconds