Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (Unesp) | - |
Autor(es): dc.contributor | WI | - |
Autor(es): dc.contributor | Universidade de São Paulo (USP) | - |
Autor(es): dc.contributor | National Council of Technological and Scientific Development (CNPq) | - |
Autor(es): dc.creator | Alves, Anderson Antonio Carvalho [UNESP] | - |
Autor(es): dc.creator | da Costa, Rebeka Magalhães [UNESP] | - |
Autor(es): dc.creator | Bresolin, Tiago | - |
Autor(es): dc.creator | Fernandes Júnior, Gerardo Alves [UNESP] | - |
Autor(es): dc.creator | Espigolan, Rafael | - |
Autor(es): dc.creator | Ribeiro, André Mauric Frossard | - |
Autor(es): dc.creator | Carvalheiro, Roberto [UNESP] | - |
Autor(es): dc.creator | de Albuquerque, Lucia Galvão [UNESP] | - |
Data de aceite: dc.date.accessioned | 2022-02-22T00:34:53Z | - |
Data de disponibilização: dc.date.available | 2022-02-22T00:34:53Z | - |
Data de envio: dc.date.issued | 2020-12-11 | - |
Data de envio: dc.date.issued | 2020-12-11 | - |
Data de envio: dc.date.issued | 2020-06-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1093/jas/skaa179 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/201920 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/201920 | - |
Descrição: dc.description | The aim of this study was to compare the predictive performance of the Genomic Best Linear Unbiased Predictor (GBLUP) and machine learning methods (Random Forest, RF; Support Vector Machine, SVM; Artificial Neural Network, ANN) in simulated populations presenting different levels of dominance effects. Simulated genome comprised 50k SNP and 300 QTL, both biallelic and randomly distributed across 29 autosomes. A total of six traits were simulated considering different values for the narrow and broad-sense heritability. In the purely additive scenario with low heritability (h2 = 0.10), the predictive ability obtained using GBLUP was slightly higher than the other methods whereas ANN provided the highest accuracies for scenarios with moderate heritability (h2 = 0.30). The accuracies of dominance deviations predictions varied from 0.180 to 0.350 in GBLUP extended for dominance effects (GBLUP-D), from 0.06 to 0.185 in RF and they were null using the ANN and SVM methods. Although RF has presented higher accuracies for total genetic effect predictions, the mean-squared error values in such a model were worse than those observed for GBLUP-D in scenarios with large additive and dominance variances. When applied to prescreen important regions, the RF approach detected QTL with high additive and/or dominance effects. Among machine learning methods, only the RF was capable to cover implicitly dominance effects without increasing the number of covariates in the model, resulting in higher accuracies for the total genetic and phenotypic values as the dominance ratio increases. Nevertheless, whether the interest is to infer directly on dominance effects, GBLUP-D could be a more suitable method. | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | Department of Animal Science Faculty of Agricultural and Veterinary Sciences Sao Paulo State University (UNESP) | - |
Descrição: dc.description | Department of Animal Sciences University of Wisconsin WI | - |
Descrição: dc.description | Department of Animal Science Faculty of Animal Science and Food Engineering University of Sao Paulo | - |
Descrição: dc.description | National Council of Technological and Scientific Development (CNPq) | - |
Descrição: dc.description | Department of Animal Science Faculty of Agricultural and Veterinary Sciences Sao Paulo State University (UNESP) | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Journal of animal science | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Artificial Neural Network | - |
Palavras-chave: dc.subject | genomic selection | - |
Palavras-chave: dc.subject | nonadditive effects | - |
Palavras-chave: dc.subject | Random Forest | - |
Palavras-chave: dc.subject | Support Vector Machine | - |
Título: dc.title | Genome-wide prediction for complex traits under the presence of dominance effects in simulated populations using GBLUP and machine learning methods | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: