Algoritmos de aprendizaje automático en la predicción del comportamiento a enfermedades y rendimiento en dos cultivos
- Autores
- Filipigh, Sebastián; Suarez, Franco; Iglesias, Juliana; Bruno, Cecilia Inés
- Año de publicación
- 2024
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- Poster y resumen
La predicción genómica en plantas permite estimar características fenotípicas en individuos no evaluados. Este estudio compara la capacidad predictiva de modelos de aprendizaje automático (ML) frente a modelos lineales mixtos (MM). Para ello se emplearon dos bases de datos: una del Programa Global de Mejoramiento de Trigo (CIMMYT, México) con 599 líneas genotipadas con 11447 marcadores DArT y valores de rendimiento; y otra del INTA Pergamino (Argentina) con 63 líneas de maíz genotipadas con un chip de SNPS de 56K y fenotipadas para Fusarium verticillioides y Fusarium graminearum. Se ajustaron tres modelos de ML: 1-Bosques Aleatorios (RF), 2-Máquinas de Soporte Vectorial (SVM), y 3-Máquinas de Gradiente Recurrente (GBM) y tres MM con efecto aleatorio de genotipo y tres estructuras de varianza y covarianza: matriz de parentesco (K), matriz de aditividad genética (A) y la combinación de ambas (KA). Se realizó una validación cruzada para evaluar el comportamiento de los modelos en la predicción, se estimó la correlación (r) entre los valores observados y los predichos y se calculó el error cuadrático medio de predicción (RMSE). En el caso del trigo, el MM-A fue el de menor RMSE= 0.84 y obtuvo la mayor correlación r=0.50. Entre los ML, RF presentó menor RMSE=0.77 y la mayor correlación r=0.62. En cuanto al maíz, para FV se obtuvo RMSE=0.28 y valor de correlación r=0.98 y para FG el RMSE fue de 0.28 y valor de correlación r=0.97. Los modelos de aprendizaje automático ofrecieron buenos resultados predictivos en comparación con los modelos lineales mixtos, siendo RF el de mejor comportamiento predictivo para los caracteres agronómicos evaluados en este estudio.
EEA Pergamino
Fil: Filipigh, Sebastián. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Estadística y Biometría; Argentina
Fil: Suarez, Franco. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Estadística y Biometría; Argentina
Fil: Iglesias, Juliana. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Pergamino. Departamento de Maíz; Argentina
Fil: Iglesias, Juliana. Universidad Nacional del Noroeste de la Provincia de Buenos Aires. Escuela de Agrarias, Naturales y Ambientales; Argentina
Fil: Bruno, C. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias; Argentina
Fil: Bruno, C. Fil: Bruno, Cecilia. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina - Fuente
- XXVIII Reunión Científica del Grupo Argentino de Bioestadística "Fortaleciendo la Soberanía a través del Conocimiento Científico”, Buenos Aires, del 8 al 10 de octubre de 2024
- Materia
-
Fitomejoramiento
Maíz
Trigo
Enfermedades de las Plantas
Rendimiento de Cultivos
Plant Breeding
Maize
Wheat
Plant Diseases
Crop Yield
Pergamino, Buenos Aires - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
- Institución
- Instituto Nacional de Tecnología Agropecuaria
- OAI Identificador
- oai:localhost:20.500.12123/20599
Ver los metadatos del registro completo
id |
INTADig_06b8182cdf81c44c80a853e599912212 |
---|---|
oai_identifier_str |
oai:localhost:20.500.12123/20599 |
network_acronym_str |
INTADig |
repository_id_str |
l |
network_name_str |
INTA Digital (INTA) |
spelling |
Algoritmos de aprendizaje automático en la predicción del comportamiento a enfermedades y rendimiento en dos cultivosFilipigh, SebastiánSuarez, FrancoIglesias, JulianaBruno, Cecilia InésFitomejoramientoMaízTrigoEnfermedades de las PlantasRendimiento de CultivosPlant BreedingMaizeWheatPlant DiseasesCrop YieldPergamino, Buenos AiresPoster y resumenLa predicción genómica en plantas permite estimar características fenotípicas en individuos no evaluados. Este estudio compara la capacidad predictiva de modelos de aprendizaje automático (ML) frente a modelos lineales mixtos (MM). Para ello se emplearon dos bases de datos: una del Programa Global de Mejoramiento de Trigo (CIMMYT, México) con 599 líneas genotipadas con 11447 marcadores DArT y valores de rendimiento; y otra del INTA Pergamino (Argentina) con 63 líneas de maíz genotipadas con un chip de SNPS de 56K y fenotipadas para Fusarium verticillioides y Fusarium graminearum. Se ajustaron tres modelos de ML: 1-Bosques Aleatorios (RF), 2-Máquinas de Soporte Vectorial (SVM), y 3-Máquinas de Gradiente Recurrente (GBM) y tres MM con efecto aleatorio de genotipo y tres estructuras de varianza y covarianza: matriz de parentesco (K), matriz de aditividad genética (A) y la combinación de ambas (KA). Se realizó una validación cruzada para evaluar el comportamiento de los modelos en la predicción, se estimó la correlación (r) entre los valores observados y los predichos y se calculó el error cuadrático medio de predicción (RMSE). En el caso del trigo, el MM-A fue el de menor RMSE= 0.84 y obtuvo la mayor correlación r=0.50. Entre los ML, RF presentó menor RMSE=0.77 y la mayor correlación r=0.62. En cuanto al maíz, para FV se obtuvo RMSE=0.28 y valor de correlación r=0.98 y para FG el RMSE fue de 0.28 y valor de correlación r=0.97. Los modelos de aprendizaje automático ofrecieron buenos resultados predictivos en comparación con los modelos lineales mixtos, siendo RF el de mejor comportamiento predictivo para los caracteres agronómicos evaluados en este estudio.EEA PergaminoFil: Filipigh, Sebastián. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Estadística y Biometría; ArgentinaFil: Suarez, Franco. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Estadística y Biometría; ArgentinaFil: Iglesias, Juliana. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Pergamino. Departamento de Maíz; ArgentinaFil: Iglesias, Juliana. Universidad Nacional del Noroeste de la Provincia de Buenos Aires. Escuela de Agrarias, Naturales y Ambientales; ArgentinaFil: Bruno, C. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias; ArgentinaFil: Bruno, C. Fil: Bruno, Cecilia. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Fitopatología y Modelización Agrícola (UFyMA); ArgentinaGrupo Argentino de Bioestadística2024-12-13T11:52:24Z2024-12-13T11:52:24Z2024-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://hdl.handle.net/20.500.12123/20599XXVIII Reunión Científica del Grupo Argentino de Bioestadística "Fortaleciendo la Soberanía a través del Conocimiento Científico”, Buenos Aires, del 8 al 10 de octubre de 2024reponame:INTA Digital (INTA)instname:Instituto Nacional de Tecnología Agropecuariaspainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)2025-09-29T13:47:00Zoai:localhost:20.500.12123/20599instacron:INTAInstitucionalhttp://repositorio.inta.gob.ar/Organismo científico-tecnológicoNo correspondehttp://repositorio.inta.gob.ar/oai/requesttripaldi.nicolas@inta.gob.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:l2025-09-29 13:47:01.384INTA Digital (INTA) - Instituto Nacional de Tecnología Agropecuariafalse |
dc.title.none.fl_str_mv |
Algoritmos de aprendizaje automático en la predicción del comportamiento a enfermedades y rendimiento en dos cultivos |
title |
Algoritmos de aprendizaje automático en la predicción del comportamiento a enfermedades y rendimiento en dos cultivos |
spellingShingle |
Algoritmos de aprendizaje automático en la predicción del comportamiento a enfermedades y rendimiento en dos cultivos Filipigh, Sebastián Fitomejoramiento Maíz Trigo Enfermedades de las Plantas Rendimiento de Cultivos Plant Breeding Maize Wheat Plant Diseases Crop Yield Pergamino, Buenos Aires |
title_short |
Algoritmos de aprendizaje automático en la predicción del comportamiento a enfermedades y rendimiento en dos cultivos |
title_full |
Algoritmos de aprendizaje automático en la predicción del comportamiento a enfermedades y rendimiento en dos cultivos |
title_fullStr |
Algoritmos de aprendizaje automático en la predicción del comportamiento a enfermedades y rendimiento en dos cultivos |
title_full_unstemmed |
Algoritmos de aprendizaje automático en la predicción del comportamiento a enfermedades y rendimiento en dos cultivos |
title_sort |
Algoritmos de aprendizaje automático en la predicción del comportamiento a enfermedades y rendimiento en dos cultivos |
dc.creator.none.fl_str_mv |
Filipigh, Sebastián Suarez, Franco Iglesias, Juliana Bruno, Cecilia Inés |
author |
Filipigh, Sebastián |
author_facet |
Filipigh, Sebastián Suarez, Franco Iglesias, Juliana Bruno, Cecilia Inés |
author_role |
author |
author2 |
Suarez, Franco Iglesias, Juliana Bruno, Cecilia Inés |
author2_role |
author author author |
dc.subject.none.fl_str_mv |
Fitomejoramiento Maíz Trigo Enfermedades de las Plantas Rendimiento de Cultivos Plant Breeding Maize Wheat Plant Diseases Crop Yield Pergamino, Buenos Aires |
topic |
Fitomejoramiento Maíz Trigo Enfermedades de las Plantas Rendimiento de Cultivos Plant Breeding Maize Wheat Plant Diseases Crop Yield Pergamino, Buenos Aires |
dc.description.none.fl_txt_mv |
Poster y resumen La predicción genómica en plantas permite estimar características fenotípicas en individuos no evaluados. Este estudio compara la capacidad predictiva de modelos de aprendizaje automático (ML) frente a modelos lineales mixtos (MM). Para ello se emplearon dos bases de datos: una del Programa Global de Mejoramiento de Trigo (CIMMYT, México) con 599 líneas genotipadas con 11447 marcadores DArT y valores de rendimiento; y otra del INTA Pergamino (Argentina) con 63 líneas de maíz genotipadas con un chip de SNPS de 56K y fenotipadas para Fusarium verticillioides y Fusarium graminearum. Se ajustaron tres modelos de ML: 1-Bosques Aleatorios (RF), 2-Máquinas de Soporte Vectorial (SVM), y 3-Máquinas de Gradiente Recurrente (GBM) y tres MM con efecto aleatorio de genotipo y tres estructuras de varianza y covarianza: matriz de parentesco (K), matriz de aditividad genética (A) y la combinación de ambas (KA). Se realizó una validación cruzada para evaluar el comportamiento de los modelos en la predicción, se estimó la correlación (r) entre los valores observados y los predichos y se calculó el error cuadrático medio de predicción (RMSE). En el caso del trigo, el MM-A fue el de menor RMSE= 0.84 y obtuvo la mayor correlación r=0.50. Entre los ML, RF presentó menor RMSE=0.77 y la mayor correlación r=0.62. En cuanto al maíz, para FV se obtuvo RMSE=0.28 y valor de correlación r=0.98 y para FG el RMSE fue de 0.28 y valor de correlación r=0.97. Los modelos de aprendizaje automático ofrecieron buenos resultados predictivos en comparación con los modelos lineales mixtos, siendo RF el de mejor comportamiento predictivo para los caracteres agronómicos evaluados en este estudio. EEA Pergamino Fil: Filipigh, Sebastián. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Estadística y Biometría; Argentina Fil: Suarez, Franco. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Estadística y Biometría; Argentina Fil: Iglesias, Juliana. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Pergamino. Departamento de Maíz; Argentina Fil: Iglesias, Juliana. Universidad Nacional del Noroeste de la Provincia de Buenos Aires. Escuela de Agrarias, Naturales y Ambientales; Argentina Fil: Bruno, C. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias; Argentina Fil: Bruno, C. Fil: Bruno, Cecilia. Consejo Nacional de Investigaciones Científicas y Técnicas. Unidad de Fitopatología y Modelización Agrícola (UFyMA); Argentina |
description |
Poster y resumen |
publishDate |
2024 |
dc.date.none.fl_str_mv |
2024-12-13T11:52:24Z 2024-12-13T11:52:24Z 2024-10 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
format |
conferenceObject |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://hdl.handle.net/20.500.12123/20599 |
url |
http://hdl.handle.net/20.500.12123/20599 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Grupo Argentino de Bioestadística |
publisher.none.fl_str_mv |
Grupo Argentino de Bioestadística |
dc.source.none.fl_str_mv |
XXVIII Reunión Científica del Grupo Argentino de Bioestadística "Fortaleciendo la Soberanía a través del Conocimiento Científico”, Buenos Aires, del 8 al 10 de octubre de 2024 reponame:INTA Digital (INTA) instname:Instituto Nacional de Tecnología Agropecuaria |
reponame_str |
INTA Digital (INTA) |
collection |
INTA Digital (INTA) |
instname_str |
Instituto Nacional de Tecnología Agropecuaria |
repository.name.fl_str_mv |
INTA Digital (INTA) - Instituto Nacional de Tecnología Agropecuaria |
repository.mail.fl_str_mv |
tripaldi.nicolas@inta.gob.ar |
_version_ |
1844619198055055360 |
score |
12.559606 |