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 | University of Wisconsin | - |
Autor(es): dc.contributor | Beef Cattle Research Center | - |
Autor(es): dc.contributor | National Council for Science and Technological Development | - |
Autor(es): dc.creator | Mota, Lucio F. M. | - |
Autor(es): dc.creator | Arikawa, Leonardo M. | - |
Autor(es): dc.creator | Santos, Samuel W. B. | - |
Autor(es): dc.creator | Fernandes Júnior, Gerardo A. | - |
Autor(es): dc.creator | Alves, Anderson A. C. | - |
Autor(es): dc.creator | Rosa, Guilherme J. M. | - |
Autor(es): dc.creator | Mercadante, Maria E. Z. | - |
Autor(es): dc.creator | Cyrillo, Joslaine N. S. G. | - |
Autor(es): dc.creator | Carvalheiro, Roberto | - |
Autor(es): dc.creator | Albuquerque, Lucia G. | - |
Data de aceite: dc.date.accessioned | 2025-08-21T22:54:38Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T22:54:38Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2024-11-30 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1038/s41598-024-57234-4 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/297260 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/297260 | - |
Descrição: dc.description | Genomic selection (GS) offers a promising opportunity for selecting more efficient animals to use consumed energy for maintenance and growth functions, impacting profitability and environmental sustainability. Here, we compared the prediction accuracy of multi-layer neural network (MLNN) and support vector regression (SVR) against single-trait (STGBLUP), multi-trait genomic best linear unbiased prediction (MTGBLUP), and Bayesian regression (BayesA, BayesB, BayesC, BRR, and BLasso) for feed efficiency (FE) traits. FE-related traits were measured in 1156 Nellore cattle from an experimental breeding program genotyped for ~ 300 K markers after quality control. Prediction accuracy (Acc) was evaluated using a forward validation splitting the dataset based on birth year, considering the phenotypes adjusted for the fixed effects and covariates as pseudo-phenotypes. The MLNN and SVR approaches were trained by randomly splitting the training population into fivefold to select the best hyperparameters. The results show that the machine learning methods (MLNN and SVR) and MTGBLUP outperformed STGBLUP and the Bayesian regression approaches, increasing the Acc by approximately 8.9%, 14.6%, and 13.7% using MLNN, SVR, and MTGBLUP, respectively. Acc for SVR and MTGBLUP were slightly different, ranging from 0.62 to 0.69 and 0.62 to 0.68, respectively, with empirically unbiased for both models (0.97 and 1.09). Our results indicated that SVR and MTGBLUBP approaches were more accurate in predicting FE-related traits than Bayesian regression and STGBLUP and seemed competitive for GS of complex phenotypes with various degrees of inheritance. | - |
Descrição: dc.description | School of Agricultural and Veterinarian Sciences São Paulo State University (UNESP), SP | - |
Descrição: dc.description | Department of Animal and Dairy Sciences University of Wisconsin | - |
Descrição: dc.description | Institute of Animal Science Beef Cattle Research Center, SP | - |
Descrição: dc.description | National Council for Science and Technological Development, DF | - |
Descrição: dc.description | School of Agricultural and Veterinarian Sciences São Paulo State University (UNESP), SP | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Scientific Reports | - |
???dc.source???: dc.source | Scopus | - |
Título: dc.title | Benchmarking machine learning and parametric methods for genomic prediction of feed efficiency-related traits in Nellore cattle | - |
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: