Desempenho dos métodos de estimação genômicos na identificação da resistência do arroz à brusone
Nativa, Sinop, v. 10, n. 4, p. 466-471, 2022.
470
al., 2013). Os modelos RR-BLUP e Bayes C𝜋 apresentam
melhor performance (AUC 0,823 e 0,822, respectivamente)
quando comparado ao BLASSO (AUC = 0,808).
De acordo com Ling et al. (2003), a AUC é mais precisa
do que a taxa de erro. Mas sempre que possível, é
recomendável plotar e analisar a curva dos modelos. Por
meio das curvas ROC apresentadas na Figura 1, a
performance dos modelos pode ser observada e avaliada de
maneira mais segura, uma vez que a comparação não é feita
apenas a partir de uma medida. Pode-se perceber que, em
níveis de 1-especificidade abaixo de 0,25, o modelo derivado
do método BLASSO obteve pior desempenho em relação
aos modelos derivados dos métodos RR-BLUP e Bayes Cπ,
por apresentar a curva mais próxima da diagonal principal.
Isso significa que o BLASSO gera mais falsos positivos em
menores níveis de 1-especificidade. Esse resultado pode ser
explicado em termos dos QTLs (quantitative trait loci) de efeito
zero. É desejável que os modelos de predição genômica
sejam capazes de reduzir efetivamente os QTLs de efeito
zero para muito perto de zero. Entretanto, o BLASSO não é
capaz de reduzir efetivamente tal efeito (FANG et al., 2012),
o que explica sua menor sensibilidade.
Em níveis de 1-especificidade acima de 0,25, os valores
de sensibilidade dos três modelos se igualam, o que condiz
com as demais medidas avaliadas. Destaca-se, portanto, a
importância de avaliar toda a curva ROC, ao invés da
observação isolada dos valores de AUC. Deste modo, mais
informações acerca da performance dos modelos podem ser
obtidas.
5. CONCLUSÕES
A área abaixo da curva ROC se mostrou equivalente às
medidas de ajuste tradicionais para avaliar os modelos.
Dentre eles, o RR-BLUP e Bayes Cπ foram os mais acurados
para a predição de resistência de arroz à brusone. Além disso,
o modelo RR-BLUP obteve menor tempo de execução.
Pela análise gráfica das curvas ROC, percebeu-se que o
modelo BLASSO obteve menor desempenho que os demais
em altos níveis de especificidade (>0,75). Em contrapartida,
para valores de especificidade abaixo de 0,75, os modelos
apresentaram valores de sensibilidade similares.
6. AGRADECIMENTOS
Os autores agradecem à Coordenação de
Aperfeiçoamento de Pessoal de Nível Superior (CAPES –
Brasil) – Código de Financiamento 001.
7. REFERÊNCIAS
AZEVEDO, C. F.; DE RESENDE, M. D. V.; E SILVA, F.
F.; VIANA, J. M. S.; VALENTE, M. S. F.; RESENDE
JR., M. F. R.; MUÑOZ, P. Ridge, Lasso and Bayesian
additive-dominance genomic models. BMC Genetics, v.
16, n. 1, p. 1-13, 2015. https://doi.org/10.1186/s12863-
015-0264-2
BHERING, L. L.; JUNQUEIRA, V. S.; PEIXOTO, L. A.;
CRUZ, C. D.; LAVIOLA, B. G. Comparison of methods
used to identify superior individuals in genomic selection
in plant breeding. Genetics and Molecular Research,
v. 14, n. 3, p. 10888-10896, 2015.
https://doi.org/10.4238/2015.september.9.26
BISCARINI, F.; STEVANATO, P.; BROCCANELLO, C.;
STELLA, A.; SACCOMANI, M. Genome-enabled
predictions for binomial traits in sugar beet populations.
BMC Genetics, v. 15, n. 1, p. 87, 2014.
https://doi.org/10.1186/1471-2156-15-87
CRUZ, C. D.; SALGADO, C. S.; BHERING, L. L.
Genômica aplicada. Visconde de Rio Branco: Suprema
Gráfica Editora, 2013. 424p.
DE LOS CAMPOS, G.; NAYA, H.; GIANOLA, D.;
CROSSA, J.; LEGARRA, A.; MANFREDI, E.;
WEIGEL, K.; COTES, J. M. Predicting Quantitative
Traits With Regression Models for Dense Molecular
Markers and Pedigree. Genetics, v. 182, n. 1, p. 375-385,
2009. https://doi.org/10.1534/genetics.109.101501
DIXIT, S.; SINGH, U. M.; SINGH, A. K.; ALAM, S.;
VENKATESHWARLU, C.; NACHIMUTHU, V. V.;
YADAV, S.; ABBAI, R.; SELVARAJ, R.; DEVI, M. N.;
RAMAYYA, P. J.; BADRI, J.; LAKSHMI, T. R. J.;
LAKSHMIDEVI, G.; VIDHYA J. L. R. K.;
PADMAKUMARI, A. P.; LAHA, G. S.; PRASAD, M. S.;
SEETALAM, M.; SINGH, V. K.; KUMAR, A. Marker
Assisted Forward Breeding to Combine Multiple Biotic-
Abiotic Stress Resistance/Tolerance in Rice. Rice, v. 13,
n. 29, p. 1-15, 2020. https://doi.org/10.1186/s12284-
020-00391-7
FANG, M.; JIANG, D.; LI, D.; YANG, R.; FU, W.; PU, L.;
GAO, H.; WANG, G.; YU, L. Improved LASSO priors
for shrinkage quantitative trait loci mapping. Theoretical
and Applied Genetics, v. 124, n. 7, p. 1315-1324, 2012.
https://doi.org/10.1007/s00122-012-1789-7
GADAL, N.; SHERSTHA, J.; POUDEL, M. N.;
POKHAREL, B.; A review on production status and
growing environments of rice in Nepal and in the world.
Archives of Agriculture and Environmental Science,
v. 4, n. 1, p. 83-87, 2019.
https://doi.org/10.26832/24566632.2019.0401013
GIANOLA, D. Priors in whole-genome regression: the
bayesian alphabet returns. Genetics, v. 194, p. 573-596,
2013. DOI: 10.1534%2Fgenetics.113.151753
HOSMER JR., D. W.; LEMESHOW, S.; STURDIVANT, R.
X. Applied Logistic Regression. 3o ed. Hoboken: John
Wiley & Sons, Inc., 2013. 510p.
JIANG, H.; FENG, Y.; QIU, L.; GAO, G.; ZHANG, Q.;
HE, Y. Identification of Blast Resistance QTLs Based on
Two Advanced Backcross Populations in Rice. Rice, v.
13, n. 31, 1-15, 2020. https://doi.org/10.1186/s12284-
020-00392-6
LING, C. X.; HUANG, J.; ZHANG, H. AUC: A Better
Measure than Accuracy in Comparing Learning
Algorithms. In: In: Xiang Y., Chaib-draa B. (Ed.)
Advances in Artificial Intelligence. Canadá, 2003. p.
329-341. https://doi.org/10.1007/3-540-44886-1_25
MACKILL, A. O.; BONMAN, J. M. Inheritance of blast
resistance in near-isogenic lines of rice. Phytopathology,
v. 82, p. 746-749, 1992. https://doi.org/10.1590/S0100-
84551996000400012
MARTINS, B. E. M.; CHAIBUB, A. A.; CORTÊS, M. V. C.
B.; SILVA LOBO, V. L.; FILIPPI, M. C. C.
Characterization of bacterial isolates for sustainable rice
blast control. Revista Caatinga, v. 33, n. 3, p. 702-712,
2020. https://doi.org/10.1590/1983-
21252020v33n313rc
MEUWISSEN, T. H. E.; HAYES, B. J.; GODDARD, M. E.
Prediction of total genetic value using genome-wide
dense marker maps. Genetics, v. 157, n. 4, p. 1819-1829,
2001. https://doi.org/10.1093/genetics/157.4.1819