Last updated: 2025-07-29
Checks: 6 1
Knit directory:
Machine-learning-e-redes-neurais-artificiais-no-melhoramento-genetico-do-cafeeiro/
This reproducible R Markdown analysis was created with workflowr (version 1.7.1). The Checks tab describes the reproducibility checks that were applied when the results were created. The Past versions tab lists the development history.
The R Markdown file has unstaged changes. To know which version of
the R Markdown file created these results, you’ll want to first commit
it to the Git repo. If you’re still working on the analysis, you can
ignore this warning. When you’re finished, you can run
wflow_publish to commit the R Markdown file and build the
HTML.
Great job! The global environment was empty. Objects defined in the global environment can affect the analysis in your R Markdown file in unknown ways. For reproduciblity it’s best to always run the code in an empty environment.
The command set.seed(20250709) was run prior to running
the code in the R Markdown file. Setting a seed ensures that any results
that rely on randomness, e.g. subsampling or permutations, are
reproducible.
Great job! Recording the operating system, R version, and package versions is critical for reproducibility.
Nice! There were no cached chunks for this analysis, so you can be confident that you successfully produced the results during this run.
Great job! Using relative paths to the files within your workflowr project makes it easier to run your code on other machines.
Great! You are using Git for version control. Tracking code development and connecting the code version to the results is critical for reproducibility.
The results in this page were generated with repository version 5170a29. See the Past versions tab to see a history of the changes made to the R Markdown and HTML files.
Note that you need to be careful to ensure that all relevant files for
the analysis have been committed to Git prior to generating the results
(you can use wflow_publish or
wflow_git_commit). workflowr only checks the R Markdown
file, but you know if there are other scripts or data files that it
depends on. Below is the status of the Git repository when the results
were generated:
Ignored files:
Ignored: .Rproj.user/
Ignored: analysis/modelos_mistos_dados_reais.Rmd
Ignored: data/dados_reais/Fenótipos 2014_2015_2016_C.arabica (1).xlsx
Ignored: data/dados_reais/Fenótipos 2014_2015_2016_C.arabica.xlsx
Ignored: data/dados_reais/FiltStep1_minQ10.0_minDP3_DPrange15-maxMeanDepth750_miss0.4_maf0.01_mac1_EMB_291701_SNPs_Raw.vcf.012.012
Ignored: data/dados_reais/FiltStep1_minQ10.0_minDP3_DPrange15-maxMeanDepth750_miss0.4_maf0.01_mac1_EMB_291701_SNPs_Raw.vcf.012.012.indv
Ignored: data/dados_reais/FiltStep1_minQ10.0_minDP3_DPrange15-maxMeanDepth750_miss0.4_maf0.01_mac1_EMB_291701_SNPs_Raw.vcf.012.012.pos
Ignored: data/dados_reais/FiltStep1_minQ10_minDP3_DPrange15-750_miss0.4_maf0.01_mac1_EMB_291701_filt1_snps_RAW.012.indv.txt
Ignored: data/dados_reais/FiltStep1_minQ10_minDP3_DPrange15-750_miss0.4_maf0.01_mac1_EMB_291701_filt1_snps_RAW.012.pos.txt
Ignored: data/dados_reais/FiltStep1_minQ10_minDP3_DPrange15-750_miss0.4_maf0.01_mac1_EMB_291701_filt1_snps_RAW.012.txt
Ignored: data/dados_reais/fpls-09-01934.pdf
Ignored: data/dados_reais/plants-13-01876-v2.pdf
Ignored: output/BLUPS_par_mmer.Rdata
Ignored: output/blups_all_wide.csv
Ignored: output/gwas_combined_results.rds
Ignored: output/gwas_results.rds
Ignored: output/importance_ML.rds
Ignored: output/importance_ML_mean.rds
Ignored: output/manhattan_BM.tiff
Ignored: output/manhattan_Cer.tiff
Ignored: output/manhattan_Prod.Cor.tiff
Ignored: output/mean_pheno.csv
Ignored: output/mod.RDS
Ignored: output/plot_lddecay.Rda
Ignored: output/pred_mod.RDS
Ignored: output/real_lddecay.tiff
Ignored: output/real_results_consolidated_10r_3f.xlsx
Ignored: output/real_results_consolidated_5r_5f.xlsx
Ignored: output/res.RDS
Ignored: output/result_sommer_pl_geracao_random.RDS
Ignored: output/result_sommer_random.RDS
Ignored: output/results_cv_GBLUP_a.rds
Ignored: output/results_cv_GBLUP_ad.rds
Ignored: output/results_cv_GBLUP_ade.rds
Ignored: output/simulated_results_consolidated.xlsx
Untracked files:
Untracked: analysis/figure/
Unstaged changes:
Modified: analysis/gwas_dados_reais.Rmd
Modified: analysis/gwas_dados_simulados.Rmd
Modified: analysis/gws_dados_reais.Rmd
Modified: analysis/gws_dados_simulados.Rmd
Modified: analysis/license.Rmd
Note that any generated files, e.g. HTML, png, CSS, etc., are not included in this status report because it is ok for generated content to have uncommitted changes.
These are the previous versions of the repository in which changes were
made to the R Markdown (analysis/gws_dados_simulados.Rmd)
and HTML (docs/gws_dados_simulados.html) files. If you’ve
configured a remote Git repository (see ?wflow_git_remote),
click on the hyperlinks in the table below to view the files as they
were in that past version.
| File | Version | Author | Date | Message |
|---|---|---|---|---|
| html | b3dd2a9 | WevertonGomesCosta | 2025-07-28 | add gws_dados_simulados html |
| Rmd | 76b5e77 | WevertonGomesCosta | 2025-07-28 | add scripts .Rmd to gws and gwas for real and simulated data |
| Rmd | 60e67cf | WevertonGomesCosta | 2025-07-24 | chance dados_simulados.Rmd to gws ans gwas_dados_simulados.Rmd |
Este documento apresenta a implementação de modelos de seleção genômica ampla (GWS) utilizando dados simulados. Os modelos avaliados incluem G-BLUP, MARS, Random Forest, Bagging, Boosting e Redes Neurais Artificiais. A validação cruzada é utilizada para avaliar a acurácia preditiva dos modelos.
library(cvTools) # Para validação cruzada
library(kableExtra) # Para tabelas
library(parallel) # Para paralelização
library(doParallel) # Para paralelização
library(foreach) # Para paralelização
library(sommer) # Para modelos mistos
library(earth) # Para MARS
library(rpart) # Para árvores de decisão
library(randomForest) # Para Random Forest
library(gbm) # Para Boosting
library(neuralnet) # Para Redes Neurais
library(ANN2) # Para Redes Neurais
library(caret) # Para importância de variaveis
library(tidyverse) # Para manipulação de dadosOs dados utilizados neste estudo são simulados e consistem em informações fenotípicas e genotípicas de uma população F₂. Os fenótipos foram gerados com base em cenários de QTL (Quantitative Trait Loci) e herdabilidade, enquanto os genótipos foram simulados a partir de um mapa genético.
Os dados fenotípicos são carregados a partir de um arquivo de texto, onde cada linha representa um indivíduo e suas características fenotípicas. O arquivo contém uma coluna de IDs e várias colunas correspondentes aos fenótipos medidos.
Os dados genotípicos são carregados a partir de um arquivo de texto, onde cada linha representa um indivíduo e suas informações genéticas. As colunas correspondem aos SNPs (Single Nucleotide Polymorphisms) presentes no mapa genético.
Para realizar a validação cruzada, os dados fenotípicos e genotípicos são organizados e alinhados. A validação cruzada será realizada com 5 dobras (folds) e 5 repetições, garantindo que cada indivíduo seja avaliado em diferentes conjuntos de treino e validação.
nfolds <- 5
nrept <- 5
traits <- colnames(pheno)[-1]
set.seed(123)
# Alinhamento de IDs
pheno <- pheno[order(pheno$ID), ]
geno <- geno[order(rownames(geno)), ]
stopifnot(all(rownames(geno) == as.character(pheno$ID)))
# Generating fold list
fold.list <- vector("list", length = nrept)
for (r in seq_len(nrept)) {
folds <- cvFolds(
n = nrow(pheno),
K = nfolds,
R = r,
type = "random"
)
df <- cbind(folds$which, folds$subsets)
fold.list[[r]] <- split(df[, 2], df[, 1])
}O modelo G-BLUP (Genomic Best Linear Unbiased Prediction) é uma abordagem amplamente utilizada para predição genômica, que considera tanto os efeitos aditivos quanto os efeitos de dominância dos marcadores genéticos. Neste estudo, implementamos três variantes do G-BLUP: Aditivo, Aditivo-Dominante e Aditivo-Dominante-Epistástico.
O modelo é implementado utilizando a função mmes do
pacote sommer, que permite ajustar modelos mistos com
estruturas de parentesco complexas. A validação cruzada é realizada para
avaliar a acurácia preditiva do modelo.
Para o modelo G-BLUP aditivo, utilizamos a matriz de parentesco aditivo (K) calculada a partir dos dados genotípicos. Este modelo assume que os efeitos dos marcadores são puramente aditivos, sem considerar interações de dominância ou epistasia.
# Configuração do ambiente de paralelização
cl <- makeCluster(max(1, detectCores() - 1))
registerDoParallel(cl)
# Criação de um grid de combinações de traits, repetições e folds
combos <- expand.grid(
trait = traits,
rep = seq_len(nrept),
fold = seq_len(nfolds),
stringsAsFactors = FALSE
)
# Execução da validação cruzada para o modelo G-BLUP aditivo
results_cv_GBLUP_a <- foreach(
idx = seq_len(nrow(combos)),
.packages = c("sommer", "dplyr", "tibble"),
.combine = bind_rows
) %dopar% {
# Extração dos parâmetros do grid
tr <- combos$trait[idx]
r <- combos$rep[idx]
f <- combos$fold[idx]
# Seleção dos dados fenotípicos e matrizes de parentesco
ph <- pheno[,c("ID", all_of(tr))]
K1 <- K[ph$ID, ph$ID]
td <- ph
# Definição dos índices de validação cruzada
val_idx <- fold.list[[r]][[f]]
td[val_idx, tr] <- NA
# Ajuste do modelo G-BLUP aditivo
fit <- mmes(
fixed = as.formula(paste(tr, "~ 1")),
random = ~ vsm(ism(ID), Gu = K1),
data = td,
rcov = ~ units
)
# Predição e métricas
pred <- data.frame(yhat = fit$u + fit$b[[1]], ph)
# Cálculo dos GEBVs para treino e validação
pred_T <- pred[!(pred$ID %in% val_idx), "yhat"]
truth_T <- pred[[tr]][!(pred$ID %in% val_idx)]
pred_V <- pred[pred$ID %in% val_idx, "yhat"]
truth_V <- pred[[tr]][pred$ID %in% val_idx]
# Criação do tibble com os resultados
tibble(
Trait = tr,
Rep = r,
Fold = f,
R2_Train = round(cor(pred_T, truth_T), 4),
R2_Valid = round(cor(pred_V, truth_V), 4),
RMSE_Train = round(sqrt(mean((pred_T - truth_T)^2)), 4),
RMSE_Valid = round(sqrt(mean((pred_V - truth_V)^2)), 4),
GEBV_T = list(pred_T),
GEBV_V = list(pred_V)
)
}
# Finalização do cluster de paralelização
stopCluster(cl)
# Salvando os resultados da validação cruzada
saveRDS(results_cv_GBLUP_a, file = "output/results_cv_GBLUP_a.rds")Para o modelo G-BLUP aditivo-dominante, utilizamos a matriz de parentesco aditivo-dominante (K) que considera tanto os efeitos aditivos quanto os de dominância dos marcadores genéticos. Este modelo é mais complexo e pode capturar interações entre alelos.
# Configuração do ambiente de paralelização
cl <- makeCluster(max(1, detectCores() - 1))
registerDoParallel(cl)
# Criação de um grid de combinações de traits, repetições e folds
combos_ad <- expand.grid(
trait = traits,
rep = seq_len(nrept),
fold = seq_len(nfolds),
stringsAsFactors = FALSE
)
# Execução da validação cruzada para o modelo G-BLUP aditivo-dominante
results_cv_GBLUP_ad <- foreach(
idx = seq_len(nrow(combos_ad)),
.packages = c("sommer", "dplyr", "tibble"),
.combine = bind_rows
) %dopar% {
# Extração dos parâmetros do grid
tr <- combos_ad$trait[idx]
r <- combos_ad$rep[idx]
f <- combos_ad$fold[idx]
# Seleção dos dados fenotípicos e matrizes de parentesco
ph <- pheno[,c("ID", all_of(tr))]
K1 <- K[ph$ID, ph$ID]
D1 <- D[ph$ID, ph$ID]
# Criação dos IDs para os efeitos aditivo e dominante
td <- ph
td$IDD <- td$ID
# Definição dos índices de validação cruzada
val_idx <- fold.list[[r]][[f]]
td[val_idx, tr] <- NA
# Ajuste do modelo G-BLUP aditivo-dominante
fit <- mmes(
fixed = as.formula(paste(tr, "~ 1")),
random = ~ vsm(ism(ID), Gu = K1) + vsm(ism(IDD), Gu = D1),
data = td,
rcov = ~ units
)
# Extração dos preditos e verdadeiros valores
pred_a <- fit$uList$`vsm(ism(ID), Gu = K1`
pred_d <- fit$uList$`vsm(ism(IDD), Gu = D1`
# Soma dos preditos aditivos e dominantes
pred <- pred_a + pred_d + fit$b[[1]]
truth <- ph[[tr]]
# Predição e métricas
pred <- data.frame(pred, ph)
# Cálculo dos GEBVs para treino e validação
pred_T <- pred[-val_idx, "mu"]
truth_T <- pred[[tr]][-val_idx]
pred_V <- pred[val_idx, "mu"]
truth_V <- pred[[tr]][val_idx]
# Criação do tibble com os resultados
tibble(
Trait = tr,
Rep = r,
Fold = f,
R2_Train = round(cor(pred_T, truth_T), 4),
R2_Valid = round(cor(pred_V, truth_V), 4),
RMSE_Train = round(sqrt(mean((pred_T - truth_T)^2)), 4),
RMSE_Valid = round(sqrt(mean((pred_V - truth_V)^2)), 4),
GEBV_T = list(pred_T),
GEBV_V = list(pred_V)
)
}
# Finalização do cluster de paralelização
stopCluster(cl)
# Salvando os resultados da validação cruzada
saveRDS(results_cv_GBLUP_ad, file = "output/results_cv_GBLUP_ad.rds")Para o modelo G-BLUP aditivo-dominante-epistástico, utilizamos a matriz de parentesco que inclui efeitos epistáticos. Este modelo é o mais complexo e pode capturar interações entre múltiplos marcadores.
# Construção das matrizes de parentesco aditivo, dominante e epistático
K <- A.mat(geno)
D <- D.mat(geno)
E <- E.mat(geno)# Configuração do ambiente de paralelização
cl <- makeCluster(max(1, detectCores() - 1))
registerDoParallel(cl)
# Criação de um grid de combinações de traits, repetições e folds
combos_ade <- expand.grid(
trait = traits,
rep = seq_len(nrept),
fold = seq_len(nfolds),
stringsAsFactors = FALSE
)
# Execução da validação cruzada para o modelo G-BLUP aditivo-dominante-epistástico
results_cv_GBLUP_ade <- foreach(
idx = seq_len(nrow(combos_ade)),
.packages = c("sommer", "dplyr", "tibble"),
.combine = bind_rows
) %dopar% {
# Extração dos parâmetros do grid
tr <- combos_ade$trait[idx]
r <- combos_ade$rep[idx]
f <- combos_ade$fold[idx]
# Seleção dos dados fenotípicos e matrizes de parentesco
ph <- pheno[,c("ID", all_of(tr))]
K1 <- K[ph$ID, ph$ID]
D1 <- D[ph$ID, ph$ID]
E1 <- E[ph$ID, ph$ID]
# Criação dos IDs para os efeitos aditivo, dominante e epistático
td <- ph
td$IDD <- td$ID
td$IDE <- td$ID
# Definição dos índices de validação cruzada
val_idx <- fold.list[[r]][[f]]
td[val_idx, tr] <- NA
# Ajuste do modelo G-BLUP aditivo-dominante-epistástico
fit <- mmes(
fixed = as.formula(paste(tr, "~ 1")),
random = ~ vsm(ism(ID), Gu = K1) + vsm(ism(IDD), Gu = D1) + vsm(ism(IDE), Gu = E1),
data = td,
rcov = ~ units
)
# Extração dos preditos e verdadeiros valores
pred_a <- fit$uList$`vsm(ism(ID), Gu = K1`
pred_d <- fit$uList$`vsm(ism(IDD), Gu = D1`
pred_e <- fit$uList$`vsm(ism(IDE), Gu = E1`
# Soma dos preditos aditivos e dominantes
pred <- pred_a + pred_d + pred_e + fit$b[[1]]
truth <- ph[[tr]]
# Predição e métricas
pred <- data.frame(pred, ph)
# Cálculo dos GEBVs para treino e validação
pred_T <- pred[-val_idx, "mu"]
truth_T <- pred[[tr]][-val_idx]
pred_V <- pred[val_idx, "mu"]
truth_V <- pred[[tr]][val_idx]
# Criação do tibble com os resultados
tibble(
Trait = tr,
Rep = r,
Fold = f,
R2_Train = round(cor(pred_T, truth_T), 4),
R2_Valid = round(cor(pred_V, truth_V), 4),
RMSE_Train = round(sqrt(mean((pred_T - truth_T)^2)), 4),
RMSE_Valid = round(sqrt(mean((pred_V - truth_V)^2)), 4),
GEBV_T = list(pred_T),
GEBV_V = list(pred_V)
)
}
# Finalização do cluster de paralelização
stopCluster(cl)
# Salvando os resultados da validação cruzada
saveRDS(results_cv_GBLUP_ade, file = "output/results_cv_GBLUP_ade.rds")O modelo MARS (Multivariate Adaptive Regression Splines) é uma técnica de regressão não paramétrica que pode capturar relações complexas entre variáveis. Neste estudo, implementamos três variantes do MARS: uma com grau 1, outra com grau 2 e outra com grau 3, para avaliar a capacidade de modelagem de interações entre os marcadores genéticos. A validação cruzada é utilizada para avaliar a acurácia preditiva do modelo.
O modelo MARS de grau 1 é utilizado para capturar relações lineares entre os marcadores genéticos e os fenótipos.
# Configuração do ambiente de paralelização
cl <- makeCluster(max(1, detectCores() - 1))
registerDoParallel(cl)
# Criação de um grid de combinações de traits, repetições e folds
combos_mars <- expand.grid(
trait = traits,
rep = seq_len(nrept),
fold = seq_len(nfolds),
stringsAsFactors = FALSE
)
# Execução da validação cruzada para o modelo MARS de grau 1
results_cv_MARS_1 <- foreach(
idx = seq_len(nrow(combos_mars)),
.packages = c("earth", "dplyr", "tibble"),
.combine = bind_rows
) %dopar% {
# Extração dos parâmetros do grid
tr <- combos_mars$trait[idx]
r <- combos_mars$rep[idx]
f <- combos_mars$fold[idx]
# Seleção dos índices de validação cruzada
valid_idx <- fold.list[[r]][[f]]
train_idx <- setdiff(seq_len(nrow(pheno)), valid_idx)
# Seleção dos dados fenotípicos e genotípicos
yT <- pheno[train_idx, tr]
xT <- geno[train_idx, ]
yV <- pheno[valid_idx, tr]
xV <- geno[valid_idx, ]
# Ajuste do modelo MARS de grau 1
fit <- earth(x = xT, y = yT, degree = 1)
# Predição para treino e validação
pred_T <- predict(fit, xT)
pred_V <- predict(fit, xV)
# Extrair importância das variáveis
imp <- evimp(fit, trim = FALSE)
# Seleciona colunas relevantes e converte para data.frame
imp_df <- as.data.frame(imp[, c("rss", "nsubsets")]) # rss: Overall importance
# Adiciona informações de repetição e fold, mantendo nomes dos marcadores
imp_df$marker <- rownames(imp_df)
imp_df$Rep <- r
imp_df$Fold <- f
# Ajusta nomes das colunas e remove sufixo indesejado dos marcadores
imp_df <- imp_df %>%
select(Overall = rss, marker, Rep, Fold) %>%
mutate(marker = stringr::str_replace_all(marker, "-unused", ""))
# Limpeza de memória
gc()
# Criação do dataframe de resultados
tibble(
Trait = tr,
Degree = 1,
Rep = r,
Fold = f,
R2_Train = round(cor(pred_T, yT), 4),
R2_Valid = round(cor(pred_V, yV), 4),
RMSE_Train = round(sqrt(mean((pred_T - yT)^2)), 4),
RMSE_Valid = round(sqrt(mean((pred_V - yV)^2)), 4),
GEBV_T = list(pred_T),
GEBV_V = list(pred_V),
imp = list(imp_df)
)
}
# Finalização do cluster de paralelização
stopCluster(cl)
# Salvando os resultados da validação cruzada
saveRDS(results_cv_MARS_1, file = "output/results_cv_MARS_1.rds")O modelo MARS de grau 2 é utilizado para capturar relações quadráticas entre os marcadores genéticos e os fenótipos. Este modelo pode capturar interações mais complexas entre os marcadores.
# Configuração do ambiente de paralelização
cl <- makeCluster(max(1, detectCores() - 1))
registerDoParallel(cl)
# Criação de um grid de combinações de traits, repetições e folds
combos_mars <- expand.grid(
trait = traits,
rep = seq_len(nrept),
fold = seq_len(nfolds),
stringsAsFactors = FALSE
)
# Execução da validação cruzada para o modelo MARS de grau 2
results_cv_MARS_2 <- foreach(
idx = seq_len(nrow(combos_mars)),
.packages = c("earth", "dplyr", "tibble"),
.combine = bind_rows
) %dopar% {
# Extração dos parâmetros do grid
tr <- combos_mars$trait[idx]
r <- combos_mars$rep[idx]
f <- combos_mars$fold[idx]
# Seleção dos índices de validação cruzada
valid_idx <- fold.list[[r]][[f]]
train_idx <- setdiff(seq_len(nrow(pheno)), valid_idx)
# Seleção dos dados fenotípicos e genotípicos
yT <- pheno[train_idx, tr]
xT <- geno[train_idx, ]
yV <- pheno[valid_idx, tr]
xV <- geno[valid_idx, ]
# Ajuste do modelo MARS de grau 2
fit <- earth(x = xT, y = yT, degree = 2)
# Predição para treino e validação
pred_T <- predict(fit, xT)
pred_V <- predict(fit, xV)
# Extrair importância das variáveis
imp <- evimp(fit, trim = FALSE)
# Seleciona colunas relevantes e converte para data.frame
imp_df <- as.data.frame(imp[, c("rss", "nsubsets")]) # rss: Overall importance
# Adiciona informações de repetição e fold, mantendo nomes dos marcadores
imp_df$marker <- rownames(imp_df)
imp_df$Rep <- r
imp_df$Fold <- f
# Ajusta nomes das colunas e remove sufixo indesejado dos marcadores
imp_df <- imp_df %>%
select(Overall = rss, marker, Rep, Fold) %>%
mutate(marker = stringr::str_replace_all(marker, "-unused", ""))
# Limpeza de memória
gc()
# Criação do dataframe de resultados
tibble(
Trait = tr,
Degree = 2,
Rep = r,
Fold = f,
R2_Train = round(cor(pred_T, yT), 4),
R2_Valid = round(cor(pred_V, yV), 4),
RMSE_Train = round(sqrt(mean((pred_T - yT)^2)), 4),
RMSE_Valid = round(sqrt(mean((pred_V - yV)^2)), 4),
GEBV_T = list(pred_T),
GEBV_V = list(pred_V),
imp = list(imp_df)
)
}
# Finalização do cluster de paralelização
stopCluster(cl)
# Salvando os resultados da validação cruzada
saveRDS(results_cv_MARS_2, file = "output/results_cv_MARS_2.rds")O modelo MARS de grau 3 é utilizado para capturar relações cúbicas entre os marcadores genéticos e os fenótipos. Este modelo é o mais complexo e pode capturar interações ainda mais complexas entre os marcadores.
# Configuração do ambiente de paralelização
cl <- makeCluster(max(1, detectCores() - 1))
registerDoParallel(cl)
# Criação de um grid de combinações de traits, repetições e folds
combos_mars <- expand.grid(
trait = traits,
rep = seq_len(nrept),
fold = seq_len(nfolds),
stringsAsFactors = FALSE
)
# Execução da validação cruzada para o modelo MARS de grau 3
results_cv_MARS_3 <- foreach(
idx = seq_len(nrow(combos_mars)),
.packages = c("earth", "dplyr", "tibble"),
.combine = bind_rows
) %dopar% {
# Extração dos parâmetros do grid
tr <- combos_mars$trait[idx]
r <- combos_mars$rep[idx]
f <- combos_mars$fold[idx]
# Seleção dos índices de validação cruzada
valid_idx <- fold.list[[r]][[f]]
train_idx <- setdiff(seq_len(nrow(pheno)), valid_idx)
# Seleção dos dados fenotípicos e genotípicos
yT <- pheno[train_idx, tr]
xT <- geno[train_idx, ]
yV <- pheno[valid_idx, tr]
xV <- geno[valid_idx, ]
# Ajuste do modelo MARS de grau 3
fit <- earth(x = xT, y = yT, degree = 3)
# Predição para treino e validação
pred_T <- predict(fit, xT)
pred_V <- predict(fit, xV)
# Extrair importância das variáveis
imp <- evimp(fit, trim = FALSE)
# Seleciona colunas relevantes e converte para data.frame
imp_df <- as.data.frame(imp[, c("rss", "nsubsets")]) # rss: Overall importance
# Adiciona informações de repetição e fold, mantendo nomes dos marcadores
imp_df$marker <- rownames(imp_df)
imp_df$Rep <- r
imp_df$Fold <- f
# Ajusta nomes das colunas e remove sufixo indesejado dos marcadores
imp_df <- imp_df %>%
select(Overall = rss, marker, Rep, Fold) %>%
mutate(marker = stringr::str_replace_all(marker, "-unused", ""))
# Limpeza de memória
gc()
# Criação do dataframe de resultados
tibble(
Trait = tr,
Degree = 3,
Rep = r,
Fold = f,
R2_Train = round(cor(pred_T, yT), 4),
R2_Valid = round(cor(pred_V, yV), 4),
RMSE_Train = round(sqrt(mean((pred_T - yT)^2)), 4),
RMSE_Valid = round(sqrt(mean((pred_V - yV)^2)), 4),
GEBV_T = list(pred_T),
GEBV_V = list(pred_V),
imp = list(imp_df)
)
}
# Finalização do cluster de paralelização
stopCluster(cl)
# Salvando os resultados da validação cruzada
saveRDS(results_cv_MARS_3, file = "output/results_cv_MARS_3.rds")O modelo de árvore de decisão é uma técnica de aprendizado de máquina
que utiliza uma estrutura hierárquica para tomar decisões baseadas em
regras. A arvore de decisão utiliza o critério de divisão por meio erro
quadrático médio (MSE) para segmentar os dados em subconjuntos,
permitindo a predição de fenótipos com base nos marcadores genéticos.
Este modelo é particularmente útil para problemas de classificação e
regressão, pois permite interpretar facilmente as regras de decisão.
Neste estudo, implementamos o modelo de árvore de decisão utilizando o
pacote rpart.
# Configuração do ambiente de paralelização
cl <- makeCluster(max(1, detectCores() - 1))
registerDoParallel(cl)
# Criação de um grid de combinações de traits, repetições e folds
combos_dt <- expand.grid(
trait = traits,
rep = seq_len(nrept),
fold = seq_len(nfolds),
stringsAsFactors = FALSE
)
# Execução da validação cruzada para o modelo de árvore de decisão
results_cv_DT <- foreach(
idx = seq_len(nrow(combos_dt)),
.packages = c("rpart", "dplyr", "tibble", "caret"),
.combine = bind_rows
) %dopar% {
# Extração dos parâmetros do grid
tr <- combos_dt$trait[idx]
r <- combos_dt$rep[idx]
f <- combos_dt$fold[idx]
# Seleção dos índices de validação cruzada
valid_idx <- fold.list[[r]][[f]]
train_idx <- setdiff(seq_len(nrow(pheno)), valid_idx)
# Seleção dos dados fenotípicos e genotípicos
yT <- pheno[[tr]][train_idx] # vetor
xT <- data.frame(geno[train_idx, ])
yV <- pheno[[tr]][valid_idx]
xV <- data.frame(geno[valid_idx, ])
# Ajuste do modelo de árvore de decisão
fit <- rpart(yT ~ ., data = xT)
# Predição para treino e validação
pred_T <- predict(fit, xT)
pred_V <- predict(fit, xV)
# Extrair importância das variáveis
imp_df <- data.frame(varImp(fit, scale = TRUE, value = "rss"))
# Adiciona informações de repetição e fold, mantendo nomes dos marcadores
imp_df$marker <- rownames(imp_df)
imp_df$Rep <- r
imp_df$Fold <- f
# Ajusta nomes das colunas e remove sufixo indesejado dos marcadores
imp_df <- imp_df %>%
select(Overall = rss, marker, Rep, Fold) %>%
mutate(marker = stringr::str_replace_all(marker, "-unused", ""))
# Cria dataframe com a importância das variáveis para os marcadores não selecionados na arvore
imp_df_setdiff <- data.frame(
Overall = 0,
marker = setdiff(colnames(x), imp_df$marker),
Rep = r,
Fold = f
)
# Agrupa os dados de importância
imp_df <- imp_df %>%
full_join(imp_df_setdiff)
# Limpeza de memória
gc()
# Criação do dataframe de resultados
tibble(
Trait = tr,
Rep = r,
Fold = f,
R2_Train = round(cor(pred_T, yT), 3),
R2_Valid = round(cor(pred_V, yV), 3),
RMSE_Train = round(sqrt(mean((pred_T - yT)^2)), 3),
RMSE_Valid = round(sqrt(mean((pred_V - yV)^2)), 3),
GEBV_T = list(pred_T),
GEBV_V = list(pred_V),
imp = list(imp_df)
)
}
# Finalização do cluster de paralelização
stopCluster(cl)
# Salvando os resultados da validação cruzada
saveRDS(results_cv_DT, file = "output/results_cv_DT.rds")O modelo de Bagging (Bootstrap Aggregating) é uma técnica de ensemble
que combina múltiplos modelos para melhorar a acurácia preditiva. O
Baggin realiza amostragem com reposição dos dados de treino para criar
múltiplos subconjuntos, treinando um modelo em cada subconjunto e
combinando as previsões. Esta técnica ajuda a reduzir a variância do
modelo e melhora a robustez das previsões. Neste estudo, implementamos o
modelo de Bagging utilizando o pacote randomForest.
# Configuração do ambiente de paralelização
cl <- makeCluster(max(1, detectCores() - 1))
registerDoParallel(cl)
# Criação de um grid de combinações de traits, repetições e folds
combos_bag <- expand.grid(
trait = traits,
rep = seq_len(nrept),
fold = seq_len(nfolds),
stringsAsFactors = FALSE
)
# Execução da validação cruzada para o modelo Bagging
results_cv_Bag <- foreach(
idx = seq_len(nrow(combos_bag)),
.packages = c("randomForest", "dplyr", "tibble", "caret"),
.combine = bind_rows
) %dopar% {
# Extração dos parâmetros do grid
tr <- combos_bag$trait[idx]
r <- combos_bag$rep[idx]
f <- combos_bag$fold[idx]
# Seleção dos índices de validação cruzada
valid_idx <- fold.list[[r]][[f]]
train_idx <- setdiff(seq_len(nrow(pheno)), valid_idx)
# Seleção dos dados fenotípicos e genotípicos
yT <- pheno[[tr]][train_idx] # vetor
xT <- geno[train_idx, ]
yV <- pheno[[tr]][valid_idx]
xV <- geno[valid_idx, ]
# Ajuste do modelo Bagging
fit <- randomForest(x = xT, y = yT, mtry = ncol(xT))
# Predição para treino e validação
pred_T <- predict(fit, xT)
pred_V <- predict(fit, xV)
# Extrair importância das variáveis
imp_df <- data.frame(varImp(fit, scale = TRUE, value = "rss"))
# Adiciona informações de repetição e fold, mantendo nomes dos marcadores
imp_df$marker <- rownames(imp_df)
imp_df$Rep <- r
imp_df$Fold <- f
# Limpeza de memória
gc()
# Criação do dataframe de resultados
tibble(
Trait = tr,
Rep = r,
Fold = f,
R2_Train = round(cor(pred_T, yT), 3),
R2_Valid = round(cor(pred_V, yV), 3),
RMSE_Train = round(sqrt(mean((pred_T - yT)^2)), 3),
RMSE_Valid = round(sqrt(mean((pred_V - yV)^2)), 3),
GEBV_T = list(pred_T),
GEBV_V = list(pred_V),
imp = list(imp_df)
)
}
# Finalização do cluster de paralelização
stopCluster(cl)
# Salvando os resultados da validação cruzada
saveRDS(results_cv_Bag, file = "output/results_cv_Bag.rds")O modelo Random Forest é uma técnica de aprendizado de máquina que
utiliza múltiplas árvores de decisão para melhorar a acurácia preditiva.
Similarmente ao Bagging, o Random Forest realiza amostragem com
reposição dos dados de treino, mas também introduz aleatoriedade na
seleção de variáveis em cada nó da árvore. Esta técnica ajuda a reduzir
o overfitting e melhora a robustez das previsões. O Random Forest é
amplamente utilizado em problemas de regressão e classificação devido à
sua capacidade de lidar com grandes conjuntos de dados e variáveis
correlacionadas. Neste estudo, implementamos o modelo Random Forest
utilizando o pacote randomForest.
# Configuração do ambiente de paralelização
cl <- makeCluster(max(1, detectCores() - 1))
registerDoParallel(cl)
# Criação de um grid de combinações de traits, repetições e folds
combos_rf <- expand.grid(
trait = traits,
rep = seq_len(nrept),
fold = seq_len(nfolds),
stringsAsFactors = FALSE
)
# Execução da validação cruzada para o modelo Random Forest
results_cv_RF <- foreach(
idx = seq_len(nrow(combos_rf)),
.packages = c("randomForest", "dplyr", "tibble", "caret"),
.combine = bind_rows
) %dopar% {
# Extração dos parâmetros do grid
tr <- combos_rf$trait[idx]
r <- combos_rf$rep[idx]
f <- combos_rf$fold[idx]
# Seleção dos índices de validação cruzada
valid_idx <- fold.list[[r]][[f]]
train_idx <- setdiff(seq_len(nrow(pheno)), valid_idx)
# Seleção dos dados fenotípicos e genotípicos
yT <- pheno[[tr]][train_idx] # vetor
xT <- geno[train_idx, ]
yV <- pheno[[tr]][valid_idx]
xV <- geno[valid_idx, ]
# Ajuste do modelo Random Forest
fit <- randomForest(xT, yT, mtry = floor(ncol(xT) / 3), ntree = 500)
# Predição para treino e validação
pred_T <- predict(fit, xT)
pred_V <- predict(fit, xV)
# Extrair importância das variáveis
imp_df <- data.frame(varImp(fit, scale = TRUE, value = "rss"))
# Adiciona informações de repetição e fold, mantendo nomes dos marcadores
imp_df$marker <- rownames(imp_df)
imp_df$Rep <- r
imp_df$Fold <- f
# Limpeza de memória
gc()
# Criação do dataframe de resultados
tibble(
Trait = tr,
Rep = r,
Fold = f,
R2_Train = round(cor(pred_T, yT), 3),
R2_Valid = round(cor(pred_V, yV), 3),
RMSE_Train = round(sqrt(mean((pred_T - yT)^2)), 3),
RMSE_Valid = round(sqrt(mean((pred_V - yV)^2)), 3),
GEBV_T = list(pred_T),
GEBV_V = list(pred_V),
imp = list(imp_df)
)
}
# Finalização do cluster de paralelização
stopCluster(cl)
# Salvando os resultados da validação cruzada
saveRDS(results_cv_RF, file = "output/results_cv_RF.rds")O modelo de Boosting, especificamente o GBM (Gradient Boosting
Machine), é uma técnica de aprendizado de máquina que combina múltiplos
modelos fracos para criar um modelo forte. O GBM ajusta iterativamente
os erros dos modelos anteriores, melhorando a acurácia preditiva. Neste
estudo, implementamos o modelo GBM utilizando o pacote
gbm.
# Configuração do ambiente de paralelização
cl <- makeCluster(max(1, detectCores() - 1))
registerDoParallel(cl)
# Criação de um grid de combinações de traits, repetições e folds
combos_gbm <- expand.grid(
trait = traits,
rep = seq_len(nrept),
fold = seq_len(nfolds),
stringsAsFactors = FALSE
)
# Execução da validação cruzada para o modelo GBM
results_cv_GBM <- foreach(
idx = seq_len(nrow(combos_gbm)),
.packages = c("gbm", "dplyr", "tibble", "caret"),
.combine = bind_rows
) %dopar% {
# Extração dos parâmetros do grid
tr <- combos_gbm$trait[idx]
r <- combos_gbm$rep[idx]
f <- combos_gbm$fold[idx]
# Seleção dos índices de validação cruzada
valid_idx <- fold.list[[r]][[f]]
train_idx <- setdiff(seq_len(nrow(pheno)), valid_idx)
# Seleção dos dados fenotípicos e genotípicos
yT <- pheno[[tr]][train_idx] # vetor
xT <- geno[train_idx, ]
yV <- pheno[[tr]][valid_idx]
xV <- geno[valid_idx, ]
# Ajuste do modelo GBM
fit <- gbm(
yT ~ .,
data = data.frame(yT, xT),
distribution = "gaussian",
n.trees = 500,
interaction.depth = 2
)
# Predição para treino e validação
pred_T <- predict(fit, data.frame(xT), n.trees = 500)
pred_V <- predict(fit, data.frame(xV), n.trees = 500)
# Extrair importância das variáveis
imp_df <- data.frame(varImp(fit, scale = TRUE, value = "rss" , numTrees = 500))
# Adiciona informações de repetição e fold, mantendo nomes dos marcadores
imp_df$marker <- rownames(imp_df)
imp_df$Rep <- r
imp_df$Fold <- f
# Limpeza de memória
gc()
# Criação do dataframe de resultados
tibble(
Trait = tr,
Rep = r,
Fold = f,
R2_Train = round(cor(pred_T, yT), 3),
R2_Valid = round(cor(pred_V, yV), 3),
RMSE_Train = round(sqrt(mean((pred_T - yT)^2)), 3),
RMSE_Valid = round(sqrt(mean((pred_V - yV)^2)), 3),
GEBV_T = list(pred_T),
GEBV_V = list(pred_V),
imp = list(imp_df)
)
}
# Finalização do cluster de paralelização
stopCluster(cl)
# Salvando os resultados da validação cruzada
saveRDS(results_cv_GBM, file = "output/results_cv_GBM.rds")O modelo de Perceptron Multicamadas (PMC) é uma rede neural
feedforward que pode capturar relações não lineares complexas entre os
marcadores genéticos e os fenótipos. Neste estudo, implementamos o PMC
utilizando o pacote neuralnet para avaliar a capacidade
preditiva do modelo em relação aos fenótipos simulados.
# Configuração do ambiente de paralelização
cl <- makeCluster(max(1, detectCores() - 1))
registerDoParallel(cl)
# Criação de um grid de combinações de traits, repetições, folds e camadas ocultas
combos_nn <- expand.grid(
trait = traits,
rep = seq_len(nrept),
fold = seq_len(nfolds),
h1 = c(1, 2, 4, 8, 16, 32),
h2 = c(0, 1, 2, 4, 8, 16, 32),
stringsAsFactors = FALSE
)
# Função para criar lista de folds
results_cv_NN <- foreach(
idx = seq_len(nrow(combos_nn)),
.packages = c("ANN2", "neuralnet", "dplyr", "tibble"),
.combine = bind_rows
) %dopar% {
# Extração dos parâmetros do grid
tr <- combos_nn$trait[idx]
r <- combos_nn$rep[idx]
f <- combos_nn$fold[idx]
h1 <- combos_nn$h1[idx]
h2 <- combos_nn$h2[idx]
hidden.layers <- case_when(h2 != 0 ~ c(h1, h2),
TRUE ~ h1)
# Seleção dos índices de validação cruzada
valid_idx <- fold.list[[r]][[f]]
train_idx <- setdiff(seq_len(nrow(pheno)), valid_idx)
# Seleção dos dados fenotípicos e genotípicos
yT <- pheno[[tr]][train_idx] # vetor
xT <- geno[train_idx, ]
yV <- pheno[[tr]][valid_idx]
xV <- geno[valid_idx, ]
# Construção e Treinamento da Rede Neural
NN <- neuralnetwork(
X = xT,
y = yT,
hidden.layers = hidden.layers,
regression = TRUE,
activ.functions = "relu",
n.epochs = 500,
loss.type = "squared",
val.prop = 0
)
# Predição para treino e validação
pred_T <- predict(NN, xT)$predictions
pred_V <- predict(NN, xV)$predictions
# Limpeza de memória
gc()
# Criação do dataframe de resultados
tibble(
Trait = tr,
Rep = r,
Fold = f,
Hidden_Layers_1 = h1,
Hidden_Layers_2 = h2,
R2_Train = round(cor(pred_T, yT), 3),
R2_Valid = round(cor(pred_V, yV), 3),
RMSE_Train = round(sqrt(mean((pred_T - yT)^2)), 3),
RMSE_Valid = round(sqrt(mean((pred_V - yV)^2)), 3),
GEBV_T = list(pred_T),
GEBV_V = list(pred_V)
)
}
# Finalização do cluster de paralelização
stopCluster(cl)
# Salvando os resultados da validação cruzada
saveRDS(results_cv_NN, file = "output/results_cv_NN.rds")Nesta seção, consolidamos os resultados dos modelos de predição aplicados aos fenótipos simulados. Os resultados são apresentados em uma tabela que resume as métricas de desempenho (R² e RMSE) para cada método e traço avaliado.
# Carregar resultados
results_cv_GBLUP_a <- readRDS("output/results_cv_GBLUP_a.rds")
results_cv_GBLUP_ad <- readRDS("output/results_cv_GBLUP_ad.rds")
results_cv_GBLUP_ade <- readRDS("output/results_cv_GBLUP_ade.rds")
results_cv_MARS_1 <- readRDS("output/results_cv_MARS_1.rds")
results_cv_MARS_2 <- readRDS("output/results_cv_MARS_2.rds")
results_cv_MARS_3 <- readRDS("output/results_cv_MARS_3.rds")
results_cv_DT <- readRDS("output/results_cv_DT.rds")
results_cv_Bag <- readRDS("output/results_cv_Bag.rds")
results_cv_RF <- readRDS("output/results_cv_RF.rds")
results_cv_GBM <- readRDS("output/results_cv_GBM.rds")
results_cv_NN <- readRDS("output/results_cv_NN.rds")
# Agrupa por Trait e configuração de neurônios
resumo_nn <- results_cv_NN %>%
group_by(Trait, Hidden_Layers_1, Hidden_Layers_2) %>%
summarise(
R2_Valid_Mean = mean(R2_Valid, na.rm = TRUE),
R2_Train_Mean = mean(R2_Train, na.rm = TRUE),
RMSE_Valid_Mean = mean(RMSE_Valid, na.rm = TRUE),
RMSE_Train_Mean = mean(RMSE_Train, na.rm = TRUE),
R2_Valid_SD = sd(R2_Valid, na.rm = TRUE),
R2_Train_SD = sd(R2_Train, na.rm = TRUE),
RMSE_Valid_SD = sd(RMSE_Valid, na.rm = TRUE),
RMSE_Train_SD = sd(RMSE_Train, na.rm = TRUE),
.groups = "drop"
)
# Exibe os melhores por característica com base no maior R²_Valid
melhores_config_por_trait <- resumo_nn %>%
group_by(Trait) %>%
slice_max(order_by = R2_Valid_Mean, n = 1) %>%
arrange(Trait)
print(melhores_config_por_trait)# A tibble: 6 × 11
# Groups: Trait [6]
Trait Hidden_Layers_1 Hidden_Layers_2 R2_Valid_Mean R2_Train_Mean
<chr> <dbl> <dbl> <dbl> <dbl>
1 V1 32 32 0.438 1
2 V2 32 32 0.537 1
3 V3 32 2 0.457 0.951
4 V4 32 0 0.444 1
5 V5 1 2 0.322 0.801
6 V6 16 2 0.306 0.933
# ℹ 6 more variables: RMSE_Valid_Mean <dbl>, RMSE_Train_Mean <dbl>,
# R2_Valid_SD <dbl>, R2_Train_SD <dbl>, RMSE_Valid_SD <dbl>,
# RMSE_Train_SD <dbl># Adicionar coluna Method e combinar todos
combined_results <- bind_rows(
results_cv_GBLUP_a %>% mutate(Method = "GBLUP_a"),
results_cv_GBLUP_ad %>% mutate(Method = "GBLUP_ad"),
results_cv_GBLUP_ade %>% mutate(Method = "GBLUP_ade"),
results_cv_MARS_1 %>% mutate(Method = "MARS_1"),
results_cv_MARS_2 %>% mutate(Method = "MARS_2"),
results_cv_MARS_3 %>% mutate(Method = "MARS_3"),
results_cv_DT %>% mutate(Method = "DT"),
results_cv_Bag %>% mutate(Method = "BAG"),
results_cv_RF %>% mutate(Method = "RF"),
results_cv_GBM %>% mutate(Method = "GBM")
)
# Resumir por Method e Trait
table_final <- combined_results %>%
group_by(Method, Trait) %>%
summarise(
R2_Valid_Mean = mean(R2_Valid, na.rm = TRUE),
R2_Valid_SD = sd(R2_Valid, na.rm = TRUE),
RMSE_Valid_Mean = mean(RMSE_Valid, na.rm = TRUE),
RMSE_Valid_SD = sd(RMSE_Valid, na.rm = TRUE)
) %>%
ungroup() %>%
bind_rows(
melhores_config_por_trait %>%
mutate(Method = "NN") %>%
select(
Method,
Trait,
R2_Valid_Mean,
R2_Valid_SD,
RMSE_Valid_Mean,
RMSE_Valid_SD
)
)
# Exibir tabela consolidada
table_final %>%
arrange(Trait, desc(R2_Valid_Mean)) %>%
mutate_if(is.numeric, round, 4) %>%
kable(booktabs = TRUE, caption = "Resultados Consolidados por Método e Traço") %>%
kable_styling(full_width = FALSE)| Method | Trait | R2_Valid_Mean | R2_Valid_SD | RMSE_Valid_Mean | RMSE_Valid_SD |
|---|---|---|---|---|---|
| MARS_2 | V1 | 0.7653 | 0.0202 | 1.4861 | 0.0642 |
| RF | V1 | 0.7444 | 0.0346 | 1.5447 | 0.0953 |
| BAG | V1 | 0.7437 | 0.0354 | 1.5453 | 0.0972 |
| GBM | V1 | 0.7209 | 0.0230 | 1.5889 | 0.0641 |
| MARS_3 | V1 | 0.6712 | 0.0314 | 1.8404 | 0.1095 |
| DT | V1 | 0.6573 | 0.0435 | 1.7373 | 0.0938 |
| MARS_1 | V1 | 0.6571 | 0.0290 | 1.7327 | 0.0746 |
| GBLUP_a | V1 | 0.6401 | 0.0337 | 1.7784 | 0.0752 |
| GBLUP_ad | V1 | 0.6123 | 0.0285 | 1.8118 | 0.0834 |
| GBLUP_ade | V1 | 0.6118 | 0.0289 | 1.8123 | 0.0798 |
| NN | V1 | 0.4380 | 0.0441 | 2.2661 | 0.1023 |
| GBLUP_a | V2 | 0.7164 | 0.0445 | 0.7513 | 0.0485 |
| GBM | V2 | 0.6910 | 0.0268 | 0.7790 | 0.0431 |
| GBLUP_ade | V2 | 0.6716 | 0.0269 | 0.7966 | 0.0376 |
| GBLUP_ad | V2 | 0.6672 | 0.0274 | 0.8011 | 0.0383 |
| RF | V2 | 0.6672 | 0.0329 | 0.8480 | 0.0485 |
| BAG | V2 | 0.6656 | 0.0345 | 0.8482 | 0.0464 |
| NN | V2 | 0.5372 | 0.0422 | 0.9836 | 0.0422 |
| MARS_2 | V2 | 0.5368 | 0.0529 | 0.9383 | 0.0573 |
| MARS_3 | V2 | 0.4912 | 0.0550 | 1.0852 | 0.0867 |
| MARS_1 | V2 | 0.4746 | 0.0456 | 0.9599 | 0.0464 |
| DT | V2 | 0.3090 | 0.0465 | 1.0910 | 0.0494 |
| GBLUP_a | V3 | 0.6668 | 0.0284 | 0.6989 | 0.0269 |
| GBLUP_ad | V3 | 0.5967 | 0.0483 | 0.7508 | 0.0313 |
| GBLUP_ade | V3 | 0.5966 | 0.0484 | 0.7508 | 0.0314 |
| RF | V3 | 0.5789 | 0.0525 | 0.7879 | 0.0376 |
| BAG | V3 | 0.5750 | 0.0504 | 0.7896 | 0.0382 |
| GBM | V3 | 0.5481 | 0.0527 | 0.7924 | 0.0294 |
| NN | V3 | 0.4574 | 0.0614 | 0.9127 | 0.0534 |
| MARS_2 | V3 | 0.4151 | 0.0640 | 0.8962 | 0.0443 |
| MARS_1 | V3 | 0.4095 | 0.0595 | 0.8683 | 0.0348 |
| MARS_3 | V3 | 0.3782 | 0.0599 | 1.0304 | 0.0640 |
| DT | V3 | 0.2526 | 0.0653 | 0.9650 | 0.0344 |
| GBLUP_a | V4 | 0.6588 | 0.0439 | 0.6422 | 0.0291 |
| GBLUP_ad | V4 | 0.5966 | 0.0315 | 0.6852 | 0.0237 |
| GBLUP_ade | V4 | 0.5962 | 0.0318 | 0.6854 | 0.0238 |
| RF | V4 | 0.5789 | 0.0398 | 0.7178 | 0.0259 |
| BAG | V4 | 0.5753 | 0.0445 | 0.7185 | 0.0253 |
| GBM | V4 | 0.5524 | 0.0307 | 0.7214 | 0.0237 |
| NN | V4 | 0.4437 | 0.0462 | 0.8460 | 0.0346 |
| MARS_1 | V4 | 0.4330 | 0.0422 | 0.7812 | 0.0265 |
| MARS_2 | V4 | 0.4319 | 0.0592 | 0.8072 | 0.0326 |
| MARS_3 | V4 | 0.3684 | 0.0523 | 0.9553 | 0.0462 |
| DT | V4 | 0.2824 | 0.0650 | 0.8685 | 0.0376 |
| GBLUP_a | V5 | 0.5617 | 0.0335 | 0.7021 | 0.0312 |
| GBLUP_ad | V5 | 0.4681 | 0.0367 | 0.7482 | 0.0353 |
| GBLUP_ade | V5 | 0.4657 | 0.0358 | 0.7491 | 0.0356 |
| RF | V5 | 0.4356 | 0.0367 | 0.7677 | 0.0346 |
| BAG | V5 | 0.4299 | 0.0400 | 0.7695 | 0.0352 |
| GBM | V5 | 0.3892 | 0.0548 | 0.8036 | 0.0419 |
| MARS_1 | V5 | 0.3223 | 0.0426 | 0.8182 | 0.0360 |
| NN | V5 | 0.3215 | 0.0676 | 0.8936 | 0.0624 |
| MARS_2 | V5 | 0.2701 | 0.0714 | 0.8772 | 0.0564 |
| MARS_3 | V5 | 0.2433 | 0.0738 | 1.0260 | 0.0702 |
| DT | V5 | 0.1408 | 0.0586 | 0.9162 | 0.0427 |
| GBLUP_a | V6 | 0.5565 | 0.0382 | 0.6125 | 0.0232 |
| GBLUP_ad | V6 | 0.4749 | 0.0344 | 0.6481 | 0.0189 |
| GBLUP_ade | V6 | 0.4741 | 0.0354 | 0.6484 | 0.0192 |
| RF | V6 | 0.4640 | 0.0355 | 0.6572 | 0.0191 |
| BAG | V6 | 0.4604 | 0.0395 | 0.6582 | 0.0206 |
| GBM | V6 | 0.4062 | 0.0334 | 0.6927 | 0.0205 |
| MARS_1 | V6 | 0.3615 | 0.0443 | 0.6994 | 0.0230 |
| MARS_2 | V6 | 0.3334 | 0.0544 | 0.7352 | 0.0266 |
| NN | V6 | 0.3064 | 0.0698 | 0.8151 | 0.0481 |
| DT | V6 | 0.2557 | 0.0619 | 0.7519 | 0.0285 |
| MARS_3 | V6 | 0.2519 | 0.0697 | 0.8841 | 0.0508 |
# Salvar tabela consolidada
writexl::write_xlsx(table_final, "output/simulated_results_consolidated.xlsx")A comparação dos métodos para as seis variáveis (V1 a V6) evidencia perfis distintos de acurácia e robustez. Em V1, o MARS_2 destacou-se com a maior correlação preditiva (R² = 0,7653) e o menor RMSE (1,4861), seguido de perto por RF (R² = 0,7444; RMSE = 1,5447) e BAG (R² = 0,7437; RMSE = 1,5453). GBM também mostrou bom equilíbrio (R² = 0,7209; RMSE = 1,5889), enquanto a rede neural ficou atrás em R² (0,4380) e registrou o maior erro (2,2661). Os modelos GBLUP apresentaram R² em torno de 0,61–0,64 e RMSE acima de 1,77, indicando performance intermediária.
Em V2, o GBLUP_a liderou em correlação (R² = 0,7164) e obteve o menor RMSE (0,7513), seguido por GBM (R² = 0,6910; RMSE = 0,7790) e BAG (R² = 0,6656; RMSE = 0,8482). RF manteve bom desempenho (R² = 0,6672; RMSE = 0,8480), enquanto DT (R² = 0,3090; RMSE = 1,0910) e MARS_1 foram os de pior acurácia. A rede neural exibiu R² moderado (0,5372) mas erro relativamente alto (0,9836).
Na variável V3, GBLUP_a novamente se destacou (R² = 0,6668; RMSE = 0,6989), seguido por RF (R² = 0,5789; RMSE = 0,7879) e BAG (R² = 0,5750; RMSE = 0,7896). GBM manteve-se consistente (R² = 0,5481; RMSE = 0,7924), enquanto DT (R² = 0,2526; RMSE = 0,9650) e MARS_3 (R² = 0,3782; RMSE = 1,0304) tiveram os piores resultados. A NN ficou no meio-campo (R² = 0,4574; RMSE = 0,9127).
Para V4, o GBLUP_a conduziu novamente (R² = 0,6588; RMSE = 0,6422), com BAG (R² = 0,5753; RMSE = 0,7185) e GBM (R² = 0,5524; RMSE = 0,7214) logo atrás. RF e MARS_1 mantiveram perfis semelhantes, enquanto DT (R² = 0,2824) e MARS_3 (R² = 0,3684; RMSE = 0,9553) apresentaram as menores correlações preditivas. A rede neural ficou em posição intermediária, com R² = 0,4437 e RMSE = 0,8460.
Na análise de V5, GBLUP_a obteve a maior correlação (R² = 0,5617) e RMSE mais baixo (0,7021). BAG (R² = 0,4299; RMSE = 0,7695) e RF (R² = 0,4356; RMSE = 0,7677) também ofereceram boa precisão, enquanto DT (R² = 0,1408; RMSE = 0,9162) e MARS_3 (R² = 0,2433; RMSE = 1,0260) ficaram no final da fila. A NN (R² = 0,3215; RMSE = 0,8936) mostrou resultado moderado.
Em V6, o padrão se repetiu: GBLUP_a liderou (R² = 0,5565; RMSE = 0,6125), com RF (R² = 0,4640; RMSE = 0,6572) e BAG (R² = 0,4604; RMSE = 0,6582) em seguida. GBM e GBLUP_ade mantiveram-se próximos, enquanto MARS_3 (R² = 0,2519; RMSE = 0,8841) e DT (R² = 0,2557; RMSE = 0,7519) foram os menos eficazes. A NN repetiu sua tendência de correlação moderada (R² = 0,3064) com erro acima de 0,80.
De modo geral, GBLUP_a apresentou consistência em correlações elevadas e baixo erro em V2–V6, ao passo que métodos de árvore (BAG, GBM, RF) combinaram boa precisão (RMSE reduzido) com altos R² apenas em V1. Redes neurais ficaram sempre atrás em precisão de erro e desempenho intermediário em correlação. MARS_2 foi o único não-GBLUP a superar 0,75 de R², porém só em V1. Esses resultados sugerem que a escolha do modelo deve considerar o balanço entre correlação e magnitude do erro, e que abordagens híbridas podem oferecer ganhos adicionais de acurácia na seleção genômica.
Neste estudo, avaliamos a acurácia preditiva de diferentes modelos de aprendizado de máquina aplicados a fenótipos simulados. Os resultados demonstraram que o modelo GBLUP_a apresentou a melhor performance em termos de correlação preditiva (R²) e erro quadrático médio (RMSE) para a maioria dos fenótipos. Modelos como Random Forest e Bagging também mostraram resultados competitivos, especialmente em fenótipos com maior complexidade genética.
Além disso, o modelo MARS_2 destacou-se em V1, superando os modelos GBLUP em correlação preditiva. A rede neural, embora tenha mostrado resultados razoáveis, não alcançou a acurácia dos modelos GBLUP e MARS.
Esses achados sugerem que a escolha do modelo de predição deve ser baseada nas características específicas dos fenótipos e na complexidade genética envolvida. Modelos baseados em árvores, como Random Forest e Bagging, podem ser particularmente eficazes para fenótipos com interações complexas entre marcadores. Por outro lado, GBLUP continua sendo uma escolha sólida para muitos cenários de predição genômica.
R version 4.4.1 (2024-06-14 ucrt)
Platform: x86_64-w64-mingw32/x64
Running under: Windows 11 x64 (build 26100)
Matrix products: default
locale:
[1] LC_COLLATE=Portuguese_Brazil.utf8 LC_CTYPE=Portuguese_Brazil.utf8
[3] LC_MONETARY=Portuguese_Brazil.utf8 LC_NUMERIC=C
[5] LC_TIME=Portuguese_Brazil.utf8
time zone: America/Sao_Paulo
tzcode source: internal
attached base packages:
[1] parallel stats graphics grDevices utils datasets methods
[8] base
other attached packages:
[1] lubridate_1.9.4 forcats_1.0.0 stringr_1.5.1
[4] dplyr_1.1.4 purrr_1.1.0 readr_2.1.5
[7] tidyr_1.3.1 tibble_3.3.0 tidyverse_2.0.0
[10] caret_7.0-1 ggplot2_3.5.2 ANN2_2.3.4
[13] neuralnet_1.44.2 gbm_2.2.2 randomForest_4.7-1.2
[16] rpart_4.1.23 earth_5.3.4 plotmo_3.6.4
[19] plotrix_3.8-4 Formula_1.2-5 sommer_4.4.2
[22] crayon_1.5.3 MASS_7.3-60.2 Matrix_1.7-0
[25] doParallel_1.0.17 iterators_1.0.14 foreach_1.5.2
[28] kableExtra_1.4.0 cvTools_0.3.3 robustbase_0.99-4-1
[31] lattice_0.22-7
loaded via a namespace (and not attached):
[1] pROC_1.18.5 writexl_1.5.4 rlang_1.1.6
[4] magrittr_2.0.3 git2r_0.36.2 compiler_4.4.1
[7] systemfonts_1.2.3 vctrs_0.6.5 reshape2_1.4.4
[10] pkgconfig_2.0.3 fastmap_1.2.0 utf8_1.2.6
[13] promises_1.3.3 rmarkdown_2.29 prodlim_2025.04.28
[16] tzdb_0.5.0 xfun_0.52 cachem_1.1.0
[19] jsonlite_2.0.0 recipes_1.3.1 later_1.4.2
[22] R6_2.6.1 bslib_0.9.0 stringi_1.8.7
[25] RColorBrewer_1.1-3 parallelly_1.45.0 jquerylib_0.1.4
[28] Rcpp_1.1.0 knitr_1.50 future.apply_1.20.0
[31] httpuv_1.6.16 splines_4.4.1 nnet_7.3-19
[34] timechange_0.3.0 tidyselect_1.2.1 rstudioapi_0.17.1
[37] yaml_2.3.10 timeDate_4041.110 codetools_0.2-20
[40] listenv_0.9.1 plyr_1.8.9 withr_3.0.2
[43] evaluate_1.0.4 future_1.58.0 survival_3.6-4
[46] xml2_1.3.8 pillar_1.11.0 whisker_0.4.1
[49] stats4_4.4.1 generics_0.1.4 rprojroot_2.0.4
[52] hms_1.1.3 scales_1.4.0 globals_0.18.0
[55] class_7.3-22 glue_1.8.0 tools_4.4.1
[58] data.table_1.17.8 ModelMetrics_1.2.2.2 gower_1.0.2
[61] fs_1.6.6 grid_4.4.1 ipred_0.9-15
[64] nlme_3.1-168 cli_3.6.5 textshaping_1.0.1
[67] workflowr_1.7.1 viridisLite_0.4.2 svglite_2.2.1
[70] lava_1.8.1 gtable_0.3.6 DEoptimR_1.1-3-1
[73] sass_0.4.10 digest_0.6.37 farver_2.1.2
[76] htmltools_0.5.8.1 lifecycle_1.0.4 hardhat_1.4.1 Weverton Gomes da Costa, Pós-Doutorando, Departamento de Estatística - Universidade Federal de Viçosa, wevertonufv@gmail.com↩︎