| |
|
|
| Registros recuperados : 125 | |
| 81. |  | ALMEIDA FILHO, J. E. de; TARDIN, F. D.; RESENDE, M. D. V. de; SILVA, F. F. e; GRANATO, I. S. C.; MENEZES, C. B. de. Genetic evaluation of grain sorghum hybrids in Brazilian environments using the REML/BLUP procedure. Scientia Agricola, Piracicaba, v. 71, n. 2, p. 146-150, Mar./Apr. 2014.| Biblioteca(s): Embrapa Florestas; Embrapa Milho e Sorgo. |
|    |
| 82. | | EVANGELISTA, J. S. P. C.; PEIXOTO, M. A.; COELHO, I.; ALVES, R.; RESENDE, M. D. V. de; SILVA, F. F. e; LAVIOLA, B.; BHERING, L. L. Genetic evaluation and selection in jatropha curcas through frequentist and bayesian inferences. Bragantia, v. 81, 2022. 12 p.| Biblioteca(s): Embrapa Café. |
| |
| 83. | | GONÇALVES, T. de M.; LARANJO, J. S.; COSTA, A. L. L. da; SILVA, F. F. e; FERREIRA, J. L.; REBOUÇAS, J. F.; RODRIGUEZ, M. A. P. Curvas de lactação de um rebanho de cabras da raça Saanen: uma abordagem Bayesiana da função de wood. In: REUNIÃO ANUAL DA SOCIEDADE BRASILEIRA DE ZOOTECNIA, 42., 2005, Goiânia. A produção animal e o foco no agronegócio: anais. Goiânia: Sociedade Brasileira de Zootecnia, 2005. 4 f. CD ROM.| Biblioteca(s): Embrapa Caprinos e Ovinos. |
| |
| 84. | | ARBEX, W. A.; SILVA, F. F. e; SILVA, M. V. G. B.; BORGES, C. C. H.; OLIVEIRA, F. C. de; VARONA, L.; VERNEQUE, R. da S. Decision Support in Attribute Selection with Machine Learning Approach. In: CONFERENCIA IBÉRICA DE SISTEMAS Y TECNOLOGÍAS DE INFORMACION, 9., 2014, Barcelona. Actas... Barcelona: Aisti; Salle, 2014. CISTI 2014| Biblioteca(s): Embrapa Gado de Leite. |
| |
| 85. | | BARBOSA, E. C.; SILVA, C. H. O.; NASCIMENTO, M.; SILVA, F. F. e; MINIM, V. P. R.; DELIZA, R.; SILVA, S. M. Della L. Choice-based conjoint analysis: um enfoque bayesiano. Revista Brasileira de Biometria, Lavras, v.36, n.1, 2018. 19 p.| Biblioteca(s): Embrapa Agroindústria de Alimentos. |
|  |
| 86. | | LAGROTTA, M. R.; SILVA, F. F. e; RESENDE, M. D. V. de; NASCIMENTO, M.; DUARTE, D. A. S.; AZEVEDO, C. F.; MOTA, R. R. Computação paralela aplicada à seleção genômica via inferência Bayesiana. Revista Brasileira de Biometria, Lavras, v. 35, n. 3, p. 440-448, 2017.| Biblioteca(s): Embrapa Florestas. |
| |
| 87. | | RIBEIRO, L. C.; CARVALHO, P. H. A.; PÉREZ, J. R. O.; SILVA, F. F. e; MUNIZ, J. A.; OLIVEIRA JÚNIOR, G. M. de. Produção e composição do leite de ovelhas Santa Inês. In: REUNIÃO ANUAL DA SOCIEDADE BRASILEIRA DE ZOOTECNIA, 42., 2005, Goiânia. A produção animal e o foco no agronegócio: anais. Goiânia: Sociedade Brasileira de Zootecnia, 2005. 5 f. CD ROM.| Biblioteca(s): Embrapa Caprinos e Ovinos. |
| |
| 88. | | GUIMARÃES, J. F. R.; ALMEIDA FILHO, J. E.; RESENDE JÚNIOR, M. F.; RESENDE, M. D. V. de; SILVA, F. F. e; MUÑOZ, P.; KIRST, M. Predictive ability behavior across sites after discard of SNPS with unstable effects. In: CONGRESSO BRASILEIRO DE MELHORAMENTO DE PLANTAS, 8., 2015, Goiânia. O melhoramento de plantas, o futuro da agricultura e a soberania nacional: anais. Goiânia: SBMP: UFG, 2015. Resumo.| Biblioteca(s): Embrapa Florestas. |
| |
| 89. | | AZEVEDO, C. F.; RESENDE, M. D. V. de; SILVA, F. F. e; NASCIMENTO, M.; VIANA, J. M. S.; VALENTE, M. S. F. Population structure correction for genomic selection through eigenvector covariates. Crop Breeding and Applied Biotechnology, Viçosa, v. 17, n. 4, p.350-358, Oct./Dec. 2017.| Biblioteca(s): Embrapa Florestas. |
| |
| 90. | | AZEVEDO, C. F.; SILVA, F. F. e; RESENDE, M. D. V. de; PETERNELLI, L. A.; GUIMARÃES, S. E. F.; LOPES, P. S. Quadrados mínimos parciais uni e multivariado aplicados na seleção genômica para características de carcaça em suínos. Ciência Rural, Santa Maria, RS, v. 43, n. 9, p. 1642-1649, set. 2013.| Biblioteca(s): Embrapa Florestas. |
| |
| 91. | | CECON, P. R.; SILVA, F. F. e; DONATO, S. L. R.; SIQUEIRA, D. L. de; SALOMÃO, L. C. C.; SILVA, S. de O. e; CARNEIRO, A. P. S. Avaliação de métodos para estimar o tamanho de parcelas em experimentos com bananeira. In: REUNIÃO ANUAL DA REGIÃO BRASILEIRA DA SOCEDADE INTERNACIONAL DE BIOMETRIA, 52.; SIMPÓSIO DE ESTATÍSTICA APLICADA À EXPERIMENTAÇÃO AGRONÔMICA, 12., 2007, Santa Maria. Santa Maria: [s.n., 2007?] Antônio Policarpo Souza Carneiro, UFV.| Biblioteca(s): Embrapa Mandioca e Fruticultura. |
| |
| 92. | | SANTOS, P. M. dos; NASCIMENTO, A. C. C.; NASCIMENTO, M.; SILVA, F. F. e; AZEVEDO, C. F.; MOTA, R. R.; GUIMARÃES, S. E. F.; LOPES, P. S. Use of regularized quantile regression to predict the genetic merit of pigs for asymmetric carcass traits. Pesquisa Agropecuária Brasileira, Brasília, DF, v. 53, n. 9, p. 1011-1017, Sept. 2018. Título em português: Uso da regressão quantílica regularizada para predição de mérito genético em suínos quanto a características assimétricas de carcaça.| Biblioteca(s): Embrapa Unidades Centrais. |
| |
| 93. | | LIMA, L. P.; AZEVEDO, C. F.; RESENDE, M. D. V. de; SILVA, F. F. e; VIANA, J. M. S.; OLIVEIRA, E. J. de. Triple categorical regression for genomic selection: application to cassava breeding. Scientia Agricola, v. 76, n. 5, p. 368-375, Sept./Oct. 2019.| Biblioteca(s): Embrapa Florestas; Embrapa Mandioca e Fruticultura. |
| |
| 94. | | FERNANDES, C. A. de C.; PALHAO, M. P.; FIGUEIREDO, A. C. S.; RIBEIRO, J. R.; SILVA, F. F. e; VIANA, J. H. M. Weight gain potential affects pregnancy rates in bovine embryo recipients raised under pasture conditions. Tropical Animal Health and Production, v. 48, n. 1, p. 103-107, 2015.| Biblioteca(s): Embrapa Gado de Leite. |
| |
| 95. | | GLÓRIA, L. S.; CRUZ, C. D.; VIEIRA, R. A. M.; RESENDE, M. D. V. de; LOPES, P. S.; SIQUEIRA, O. H. G. B. D. de; SILVA, F. F. e. Accessing marker effects and heritability estimates from genome prediction by Bayesian regularized neural networks. Livestock Science, v. 191, p. 91-96, Sept. 2016.| Biblioteca(s): Embrapa Florestas. |
| |
| 96. | | PEIXOTO, M. A.; EVANGELISTA, J. S. P. C.; COELHO, I. F; ALVES, R. A.; LAVIOLA, B. G.; SILVA, F. F. e; RESENDE, M. D. V. de; BHERING, L. L. Multiple-trait model through Bayesian inference applied to Jatropha curcas breeding for bioenergy. PLOS ONE , v. 16, n. 3, e0247775, Mar. 2021. 16| Biblioteca(s): Embrapa Agroenergia; Embrapa Café. |
| |
| 97. | | ALMEIDA FILHO, J. E. de; AZEVEDO, C. F.; MARINHO, C. D.; RESENDE, M. D. V. de; SILVA, F. F. e; FERREIRA, K. C. Z.; ROSSE, L. N.; SANSALONI, C. P.; PETROLI, C. D.; GRATTAPAGLIA, D. Parametrizações em marcadores dominantes para seleção genômica ampla em eucalipto. In: CONGRESSO BRASILEIRO DE MELHORAMENTO DE PLANTAS, 7., 2013, Uberlândia. Variedade melhorada: a força da nossa agricultura: anais. Viçosa, MG: SBMP, 2013. p. 13-16.| Biblioteca(s): Embrapa Recursos Genéticos e Biotecnologia. |
| |
| 98. | | ALMEIDA FILHO, J. E. de; AZEVEDO, C. F.; MARINHO, C. D.; RESENDE, M. D. V. de; SILVA, F. F. e; FERREIRA, K. C. Z.; ROSSE, L. N.; SANSALONI, C. P.; PETROLI, C. D.; GRATTAPAGLIA, D. Parametrizações em marcadores dominantes para seleção genômica ampla em eucalipto. In: CONGRESSO BRASILEIRO DE MELHORAMENTO DE PLANTAS, 7., 2013, Uberlândia. Variedade melhorada: a força da nossa agricultura: anais. Viçosa, MG: SBMP, 2013. p. 13-16.| Biblioteca(s): Embrapa Florestas. |
| |
| 99. | | ALVES, R. S.; RESENDE, M. D. V. de; AZEVEDO, C. F.; SILVA, F. F. e; ROCHA, J. R. A. S. C.; NUNES, A. C. P.; CARNEIRO, A. P. S.; SANTOS, G. A. dos. Optimization of Eucalyptus breeding through random regression models allowing for reaction norms in response to environmental gradients. Tree Genetics & Genomes, v. 16, n. 2, p. 1-8, 2020.| Biblioteca(s): Embrapa Café. |
| |
| 100. | | NASCIMENTO, M.; SILVA, F. F. e; RESENDE, M. D. V. de; CRUZ, C. D.; NASCIMENTO, A. C. C.; VIANA, J. M. S.; AZEVEDO, C. F.; BARROSO, L. M. A. Regularized quantile regression applied to genome-enabled prediction of quantitative traits. Genetics and Molecular Research, v. 16, n. 1, gmr16019538, 2017. 12 p.| Biblioteca(s): Embrapa Florestas. |
| |
| Registros recuperados : 125 | |
|
|
|
 | Acesso ao texto completo restrito à biblioteca da Embrapa Gado de Leite. Para informações adicionais entre em contato com cnpgl.biblioteca@embrapa.br. |
Registro Completo
|
Biblioteca(s): |
Embrapa Gado de Leite. |
|
Data corrente: |
04/12/2014 |
|
Data da última atualização: |
05/02/2024 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Circulação/Nível: |
A - 1 |
|
Autoria: |
OLIVEIRA, F. C. de; BORGES, C. C. H.; ALMEIDA, F. N.; SILVA, F. F. e; VERNEQUE, R. da S.; SILVA, M. V. G. B.; ARBEX, W. A. |
|
Afiliação: |
FABRÍZZIO CONDÉ DE OLIVEIRA, UFJF; CARLOS CRISTIANO HASENCLEVER BORGES, UFJF; FERNANDA NASCIMENTO ALMEIDA, FAPEMIG; FABYANO FONSECA E SILVA, UFV; RUI DA SILVA VERNEQUE, CNPGL; MARCOS VINICIUS GUALBERTO B SILVA, CNPGL; WAGNER ANTONIO ARBEX, CNPGL. |
|
Título: |
SNPs selection using support vector regression and genetic algorithms in GWAS |
|
Ano de publicação: |
2014 |
|
Fonte/Imprenta: |
BMC Genomics, v. 15, article S4, 2014. |
|
Páginas: |
15 p. |
|
Idioma: |
Inglês |
|
Notas: |
Suppl. 7. |
|
Conteúdo: |
Introduction - This paper proposes a new methodology to simultaneously select the most relevant SNPs markers for the characterization of any measurable phenotype described by a continuous variable using Support Vector Regression with Pearson Universal kernel as fitness function of a binary genetic algorithm. The proposed methodology is multi-attribute towards considering several markers simultaneously to explain the phenotype and is based jointly on statistical tools, machine learning and computational intelligence. Results- The suggested method has shown potential in the simulated database 1, with additive effects only, and real database. In this simulated database, with a total of 1,000 markers, and 7 with major effect on the phenotype and the other 993 SNPs representing the noise, the method identified 21 markers. Of this total, 5 are relevant SNPs between the 7 but 16 are false positives. In real database, initially with 50,752 SNPs, we have reduced to 3,073 markers, increasing the accuracy of the model. In the simulated database 2, with additive effects and interactions (epistasis), the proposed method matched to the methodology most commonly used in GWAS. Conclusions- The method suggested in this paper demonstrates the effectiveness in explaining the real phenotype (PTA for milk), because with the application of the wrapper based on genetic algorithm and Support Vector Regression with Pearson Universal, many redundant markers were eliminated, increasing the prediction and accuracy of the model on the real database without quality control filters. The PUK demonstrated that it can replicate the performance of linear and RBF kernels. MenosIntroduction - This paper proposes a new methodology to simultaneously select the most relevant SNPs markers for the characterization of any measurable phenotype described by a continuous variable using Support Vector Regression with Pearson Universal kernel as fitness function of a binary genetic algorithm. The proposed methodology is multi-attribute towards considering several markers simultaneously to explain the phenotype and is based jointly on statistical tools, machine learning and computational intelligence. Results- The suggested method has shown potential in the simulated database 1, with additive effects only, and real database. In this simulated database, with a total of 1,000 markers, and 7 with major effect on the phenotype and the other 993 SNPs representing the noise, the method identified 21 markers. Of this total, 5 are relevant SNPs between the 7 but 16 are false positives. In real database, initially with 50,752 SNPs, we have reduced to 3,073 markers, increasing the accuracy of the model. In the simulated database 2, with additive effects and interactions (epistasis), the proposed method matched to the methodology most commonly used in GWAS. Conclusions- The method suggested in this paper demonstrates the effectiveness in explaining the real phenotype (PTA for milk), because with the application of the wrapper based on genetic algorithm and Support Vector Regression with Pearson Universal, many redundant markers were eliminated, increasing the prediction ... Mostrar Tudo |
|
Palavras-Chave: |
Single nucleotide polymorphisms (SNPs); SNPs markers; Support Vector Regression with Pearson Universal. |
|
Categoria do assunto: |
G Melhoramento Genético |
|
Marc: |
LEADER 02422naa a2200253 a 4500
001 2001715
005 2024-02-05
008 2014 bl uuuu u00u1 u #d
100 1 $aOLIVEIRA, F. C. de
245 $aSNPs selection using support vector regression and genetic algorithms in GWAS$h[electronic resource]
260 $c2014
300 $a15 p.
500 $aSuppl. 7.
520 $aIntroduction - This paper proposes a new methodology to simultaneously select the most relevant SNPs markers for the characterization of any measurable phenotype described by a continuous variable using Support Vector Regression with Pearson Universal kernel as fitness function of a binary genetic algorithm. The proposed methodology is multi-attribute towards considering several markers simultaneously to explain the phenotype and is based jointly on statistical tools, machine learning and computational intelligence. Results- The suggested method has shown potential in the simulated database 1, with additive effects only, and real database. In this simulated database, with a total of 1,000 markers, and 7 with major effect on the phenotype and the other 993 SNPs representing the noise, the method identified 21 markers. Of this total, 5 are relevant SNPs between the 7 but 16 are false positives. In real database, initially with 50,752 SNPs, we have reduced to 3,073 markers, increasing the accuracy of the model. In the simulated database 2, with additive effects and interactions (epistasis), the proposed method matched to the methodology most commonly used in GWAS. Conclusions- The method suggested in this paper demonstrates the effectiveness in explaining the real phenotype (PTA for milk), because with the application of the wrapper based on genetic algorithm and Support Vector Regression with Pearson Universal, many redundant markers were eliminated, increasing the prediction and accuracy of the model on the real database without quality control filters. The PUK demonstrated that it can replicate the performance of linear and RBF kernels.
653 $aSingle nucleotide polymorphisms (SNPs)
653 $aSNPs markers
653 $aSupport Vector Regression with Pearson Universal
700 1 $aBORGES, C. C. H.
700 1 $aALMEIDA, F. N.
700 1 $aSILVA, F. F. e
700 1 $aVERNEQUE, R. da S.
700 1 $aSILVA, M. V. G. B.
700 1 $aARBEX, W. A.
773 $tBMC Genomics$gv. 15, article S4, 2014.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Gado de Leite (CNPGL) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
