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
INTA Digital (INTA)
Institución
Instituto Nacional de Tecnología Agropecuaria
OAI Identificador
oai:localhost:20.500.12123/20599
Acceder
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

Publicaciones similares