O processo de simulação permitiu a obtenção de dados até a 15a geração, dessa forma
possibilitando avaliar os modelos gerados na 1aou 4ageração no conjunto de dados futuros.
O modelo foi treinado em uma geração e somente aplicados nas gerações seguintes.
6.3.1 1
aGeração
A seguir, são apresentados os resultados da aplicação do modelo treinado na 1a geração e
aplicado nas próximas 14 gerações. Em todas as figuras é possível observar a correlação baixa obtida pelo SVR com todos os dados. As Figuras 6.3 e 6.4 exibem os resultados dos cenários 1 e 2, respectivamente, onde observa-se resultados próximos entre as ferramentas, porém a seleção de atributos melhorou a acurácia de forma nítida, com destaque para a associação SVR + SMS. Na etapa de seleção, os dados selecionados pelo FFS obtiveram
acurácias maiores que o SMS, contudo na análise das gerações os dados selecionados pelo SMS obtiveram maiores acurácias.
Figura 6.3: Aplicação do modelo treinado na 1a geração nas gerações subsequentes do
cenário 1.
Figura 6.4: Aplicação do modelo treinado na 1a geração nas gerações subsequentes do
cenário 2.
A Figura 6.5 mostra o resultado do cenário 3, onde todas as ações gênicas são aditivas. O comportamento apresentado no gráfico é de acordo com o esperado, ou seja ele é similar entre as ferramentas. O BLASSO e o RR-BLUP são técnicas, em geral, lineares, dessa forma o desempenho delas em cenários aditivos é ótimo. Como visto, todas as ferramentas
possuem comportamento similar entre si, mesmo com o destaque para a associação SVR + SMS. Nesse conjunto de dados o uso da seleção de atributos pode não ser uma solução eficiente, pois o ganho é pequeno. Vale destacar que os modelos associados de SVR + Seleção de Atributos obtiveram correlações, em média, acima de 50%.
Figura 6.5: Aplicação do modelo treinado na 1a geração nas gerações subsequentes do
cenário 3.
O cenário 4, mostrado na Figura 6.6, é composto por interações epistáticas de ordem 2 e alguns marcadores aditivos. Como é possível observar, a seleção melhorou a acurácia, com destaque para o SMS que obteve melhores resultados comparado com as outras técnicas.
O tamanho da população de indivíduos é um importante recurso para as ferramentas de seleção genômica, com o cenário 5 apresentando um desafio devido ao baixo número de indivíduos. A Figura 6.7 mostra os resultados da análise ao longo das gerações do cenário 5, onde o baixo número de indivíduos impactou todas as ferramentas. A seleção de atributo melhorou a acurácia do modelo, contudo após 7 gerações os valores se aproximam. Esse comportamento não foi observado em outros cenários, onde o ganho obtido pela seleção de atributos se manteve ao longo das gerações.
Os cenários 6 e 7 são apresentados na Figura 6.8 e Figura 6.9, sendo que os dois pos- suem interações de ordem 3 e 4, gerando assim uma dificuldade para todas as ferramentas. Observa-se que a seleção de atributos não aumentou a acurácia de foram tão significativa como nos cenários anteriores. A seleção efetuada pelo FFS se mostrou o melhor no con-
Figura 6.6: Aplicação do modelo treinado na 1a geração nas subsequentes do cenário 4.
Figura 6.7: Aplicação do modelo treinado na 1a geração nas gerações subsequentes do
cenário 5.
junto do cenário 7. O cenário 6 se mostrou complexo, pois os valores de acurácias ficaram baixos e o comportamento das técnicas foram similares. A correlação obtida pelas ferra- mentas no cenário 7 mostraram comportamentos diferentes, onde em alguns conjuntos de dados o valor aumenta para algumas ferramentas e diminui em outras.
Figura 6.8: Aplicação do modelo treinado na 1a geração nas gerações subsequentes do
cenário 6.
Figura 6.9: Aplicação do modelo treinado na 1a geração nas subsequentes do cenário 7.
6.3.2 4
aGeração
O modelo treinado na 4a geração foi aplicado nas 10 gerações seguintes. É possível
observar nos gráficos um comportamento diferente do modelo treinado na 1a geração,
com um destaque para o uso das técnicas de seleção de atributos. As Figuras 6.10 e 6.11 exibem os resultados dos cenários 1 e 2 onde o aumento da acurácia obtido com a aplicação da seleção de atributos é nítido, com as três técnicas demonstrando resultados similares nesses dois cenários.
Figura 6.10: Aplicação do modelo treinado na 4a geração nas gerações subsequentes do
cenário 1.
Figura 6.11: Aplicação do modelo treinado na 4a geração nas gerações subsequentes do
cenário 2.
A Figura 6.12 exibe o resultado no cenário 3, onde, conforme esperado, todas as téc- nicas obtêm resultados similares. Nesse ponto é possível destacar que o uso de seleção de atributos não é vantajoso em cenários totalmente lineares ou aditivos, contudo é im- provável saber a dinâmica de interação dos marcadores sem antes um longo processo de pesquisa.
Figura 6.12: Aplicação do modelo treinado na 4a geração nas gerações subsequentes do
cenário 3.
mentas de seleção de atributos. O aumento na acurácia obtido é próximo dos 40%, sendo um ganho considerável para o cenário em questão. O mesmo comportamento não é obser- vado na Figura 6.14 devido ao baixo número de indivíduos. O enfoque da pesquisa desse trabalho é o uso da seleção de atributos no aumento da acurácia em dados genômicos e, como visto, esse incremento pode não ocorrer na presença de uma baixo número de amostras.
Figura 6.13: Aplicação do modelo treinado na 4a geração nas gerações subsequentes do
Figura 6.14: Aplicação do modelo treinado na 4a geração nas gerações subsequentes do
cenário 5.
A complexidade presente nos cenários 6 e 7 dificulta técnicas lineares, como pode ser visto na Figura 6.15 e Figura 6.15. Nessas condições, o uso da seleção de atributos se mostrou eficiente para o aumento da acurácia, chegando a quase dobrar o valor no cenário 7.
Figura 6.15: Aplicação do modelo treinado na 4a geração nas gerações subsequentes do
Figura 6.16: Aplicação do modelo treinado na 4a geração nas gerações subsequentes do
cenário 7.
6.3.3 Considerações
A seleção de atributos em alguns contextos é apresentada como sendo ineficiente no au- mento da acurácia em seleção genômica, contudo como mostrado nos experimentos sua aplicação aumentou de forma significativa a acurácia em dados genômicos, com exceção para o conjunto com amostra pequena e em dados totalmente lineares. A seleção se mostrou mais vantajosa quando aplicada na 4a geração da população gerada. O modelo
construído na 1a geração é importante pois poderá ser o modelo utilizado durante o pro-
cesso de melhoramento genético animal, logo o uso de técnicas que aumentem a acurácia trazem o benefício de melhoria para o modelo e o resultado por ele apresentado.