Predição genômica de caracteres quantitativos por meio de Redes Neurais Artificias

Transcrição

1 Universidade Federal de Viçosa Predição genômica de caracteres quantitativos por meio de Redes Neurais Artificias Isabela de Castro Sant Anna Supervisor: Moysés Nascimento Laboratório de Inteligência Computacional LICAE Programa de Pòs graduaçāo em Estatística Aplicada e Biometria

2 Universidade Federal de Viçosa 2

3 Introdução 3

4 Introdução Qual é o papel do Melhorista de plantas nos dias de hoje? 4

5 Introdução Caráter Quantitativo F= G + A VF= VG + VA G= A + D + E? 5

6 Introdução Epistasia Bateson (1909) Fisher (1918) 6

7 Introdução Caráter Quantitativo 7

8 Introdução A/a = ij Valor Genotípico ( dois locos A/a e B/b) B/b = kl Y ijkl = (α i + α j + δ ij ) + (α k + α l + δ kl ) + αα + αδ + δδ αα = α i α k + α i α l + α j α k + α j α l (aditiva x aditiva) αδ = α i δ kl + α j δ kl + α k δ ij + α l δ ij (aditiva x dominante) δδ = δ ij δ kl (dominante x dominante) E= αα + αδ + δδ 8

9 Introdução Seleção Genômica (SG) Modelar a arquitetura das características de acordo com os dados utilizados para seu treinamento. Escolher um modelo de SG Treinamento Validação 9

10 Introdução Inteligência Computacional Inferir sobre a Arquitetura das características pelos dados utilizados em seu treinamento. Não há necessidade de atender pressuposições sobre as distribuições dos dados e dos resíduos. 10

11 Introdução Adaptação por experiência Capacidade de aprendizado Habilidade de generalização Suporta ruídos e perda de informações 11

12 Introdução Que animal é este??? 12

13 Introdução 13

14 Introdução 14

15 Introdução 15

16 Introdução Sant Anna, Silva et al. 16

17 Introdução Sant Anna, Silva et al. 17

18 Objetivo Geral Uso de seleção genômica (GS) e redes neurais artificiais (RNA s), para fins de predição de valores genéticos. Observar se as interações epistáticas podem melhorar as estimativas de predição no contexto genotípico e fenotípico. Utilizar um método de redução de dimensionalidade: Sonda e Stepwise. 18

19 Material e Métodos P1 P2 F1 50 locos controladores das características Y i = μ + j=1 p j α j + E i Y i = μ + 50 j=1 p j α j + 49 j=1 p j α j α j+1 + E i 19

20 Material e Métodos Y i = μ + 50 j=1 p j α j + E i Cenários d=0 d=0.5 d=1 h 2 =30 h 2 =60 Y i = μ + 50 j=1 p j α j + 49 j=1 p j α j α j+1 + E i d=0 d=0.5 d=1 h 2 =30 h 2 =60 20

21 Material e Métodos Cenários Tabela 1. Características avaliadas no estudo com seus respectivos valores de herdabilidad modelo adotado e grau médio de dominância (Gmd). Característica Herdabilidade (%) Modelo Gmd V1 - D0H30_Ad 30 aditivo 0 V2 -D0.5H30_Ado 30 aditivo-dominante 0.5 V3- D1H30_Ado 30 aditivo-dominante 1 V4 - D0H30_Ep 30 epistático 0 V5 -D0.5H30_Ep 30 epistático 0.5 V6 -D1H30_Ep 30 epistático 1 V7 - D0H60_Ad 60 aditivo 0 V8 - D0.5H60_Ado 60 aditivo-dominante 0.5 V9 - D1H60_Ado 60 aditivo-dominante 1 V10 - D0H60_Ep 60 epistático 0 V11 -D0.5H60_Ep 60 epistático 0.5 V12 - D1H60_Ep 60 epistático 1 21

22 Meuwissen et al. (2001) onde: y é o vetor de observações fenotípicas, b é o vetor de efeitos fixos, Predição Genômica y = Xb + Za + e, a é o vetor dos efeitos aleatórios dos marcadores e e refere-se ao vetor de erros aleatórios. X e Z são as matrizes de incidência para b e a. A estrutura de médias e variâncias no modelo em questão é definida como: a~ N (0,G), E(y)=Xb, e ~N (0,R=I ), Var(y)=V=ZGZ + R. 2 G= Iσg n Material e Métodos G EBVs = y j = i n Z ij a i 22

23 Capitulo CC AT TT 23

24 Material e Métodos Rede de Base Radial Figura 1. Arquitetura e topologia de uma Rede Funções de Base Radial com número de entradas igual a 1000, K neurônios na camada intermediária (variando de 1 a 200) e uma saída (Y n ) que envolvia 400 observações no processo de treinamento e 100 no processo de validação. 24

25 Material e Métodos Capitulo 1 Simulação dos dados genotípicos e fenotípicos 2 = Cov(y r, y) r yr,y σ 2 yr σ2 y 2 REQM = (y r y) 2 n 25

26 Resultados Modelos Cenários R² REQM RR-BLUP RNA-RBF Validação Genotípica d0h d0.5h d1h d0h d0.5h d1h Validação Fenotipica R² REQM ± ± ± ± ± ± ± ± ± ± ± ±

27 Resultados Modelos Cenários R² REQM RR-BLUP RNA-RBF Validação Genotípica d0h30e d0.5h30e d1h30e d0h30e d0.5h30e d1h30e Validação Fenotipica R² REQM 0.01 ± ± ± ± ± ± ± ± ± ± ± ±

28 Resultados Modelos Cenários R² REQM RR-BLUP RNA-RBF Validação Genotípica d0h d0.5h d1h d0h d0.5h d1h Validação Fenotípica R² REQM ± ± ± ± ± ± ± ± ± ± ± ±

29 Resultados Modelos Cenários R² REQM RR-BLUP Validação Genotípica d0h60e d0.5h60e d1h60e Validação Fenotipica R² REQM 0.01 ± ± ± ± ± ± RNA-RBF d0h60e d0.5h60e d1h60e ± ± ± ± ± ±

30 Conclusões Parte 1 Os modelos RNA-RBF se igualam ou superam um modelo aditivo linear, RR-BLUP, na predição de valores genéticos totais de caracteres quantitativos usando marcadores SNP. Número grande de marcadores, a demanda computacional no RNA-RBF é intensiva sugerindo a utilização de uma seleção de variáveis para melhoria do processo preditivo. 30

31 PARTE 2 Stepwise; Sonda; Utilização de métodos de Redução da Dimensionalidade Métodos : RR-BLUP e RNA: RBF E MLP; Estatístico; Genético. 31

32 Estatística utilizada para estudo da redução da dimensionalidade em modelo de regressão Stepwise considerando uma variável resposta no cenário mais complexo e um conjunto de 1000 marcadores moleculares. 32

33 Estatística utilizada para estudo da redução da dimensionalidade em modelo de Sondas considerando uma variável resposta no cenário mais complexo e um conjunto de 1000 marcadores moleculares. 33

34 Rede de Base Radial Arquitetura e topologia de uma Rede Funções de Base Radial com número de entradas igual a 100, K neurônios na camada intermediária (variando de 1 a 200) e uma saída (Y n ) que envolvia 400 observações no processo de treinamento e 100 no processo de validação. 34

35 Perceptron Multiplas Camadas Estrutura da RNA Backpropagation Camadas 1 a 3; Funções de ativação:tansig, Logsig; (M 1 ) a (M 100 ) Marcadores utilizados na camada de entrada. As camadas ocultas foram compostas por n i (n i variando de 1 a 3 neurônios), com funções de ativação tansig ou logsig. Na camada de saída, a RNA retornou o valor genético ou fenotípico predito. 35

36 dagem, iguais a 100. Predição Genômica Raio Algoritmo de treinamento Exemplos!!!! 36

37 Resultados RBF R² REQMv CENÁRIOS SW 100S SW 100 S D0H30_Ad 0.03 ± ± ± ± ± ± 0.2 D0H30_Ep 0.03 ± ± ± ± ± ± 0.6 D0H60_Ad 0.38 ± ± ± ± ± ± 0.1 D0H60_Ep 0.06 ± ± ± ± ± ± 0.3 RRBLUP R² REQMv D0H30_Ad 0.19 ± ± ± ± 2 90 ± 0 37 ± 4 D0H30_Ep 0.01 ± ± ± ± ± ± 27 D0H60_Ad 0.36 ± ± ± ± 3 71 ± 1 48 ± 3 D0H60_Ep 0.03 ± ± ± ± ± ± 5 37

38 Resultados R² REQM CENARIOS MLP RBF RR-BLUP RBF MLP RR-BLUP D0H30_Ad 0.59 ± ± ± ± ± ± 0.0 D0.5H30_Ad 0.59 ± ± ± ± ± ± 3.7 D1H30_Ad 0.56 ± ± ± ± ± ± 17.7 D0H30_Ep 0.45 ± ± ± ± ± ± 48.1 D0.5H30_Ep 0.58 ± ± ± ± ± ± 18.9 D1H30_Ep 0.50 ± ± ± ± ± ±

39 Resultados R² REQM CENARIOS RBF MLP RR-BLUP RBF MLP RR-BLUP D0H60_Ad 0.79 ± ± ± ± ± ± 1 D0.5H60_Ad 0.74 ± ± ± ± ± ± 1 D1H30_Ad 0.64 ± ± ± ± ± ± 5 D0H60_Ep 0.58 ± ± ± ± ± ± 36 D0.5H60_Ep 0.62 ± ± ± ± ± ± 29 VD1H60_Ep 0.58 ± ± ± ± ± ± 22 39

40 Considerações Finais As redes neurais do tipo Perceptron de múltiplas camadas ou a rede de base radial (RBF-RNA) são igualmente recomendáveis para a predição do valor genético (efeitos da epistasia e dominância). Reduzir o número de variáveis explicativas resolve os problemas de multicolinearidade e de dimensionalidade, sem que haja perda de informações genéticas relevantes. 40

41 Como aprender? BIO748 41

42 Neural Network Toolbox TensorFlow Keras scikit-learn nnet Neural net RSNNS 42

43 Referências Bibliográficas [1] HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2ª ed. Nova York: Springer, p. [2] HAYKIN, S. Redes Neurais Princípios e Práticas. 2ª ed. Porto Alegre: Bookman, p. Sant Anna et al. 43

44 44

45 45

46 Obrigada!!!

47 DÚVIDAS? Duvidas!!!