A machine learning approach for heterotic performance prediction based on molecular marker data

ORNELLA, L; BULACIO,P; TAPIA.,E

Actas Academia Nacional de Ciencias

Cordoba

Lugar: Cordoba; Año: 2008 p. 117 - 124

0325-7533

Existen varios métodos estadísticos propuestos para asignar nuevas líneas a grupos heteróticos en maíz (Zea mays L) con resultados variables. Nuestra conjetura es que tales modelos no capturan la relación no-lineal entre información de las líneas parentales y la perfomance de la progenie y que tal tipo de no-linealidad puede ser fácilmente capturada por algoritmos de aprendizaje computacional supervisado. Por aprendizaje computacional nos referimos a un dominio de investigación relacionado con la inferencia estadística, inteligencia artificial y teoría de optimización; cuyo objetivo es construir sistemas capaces de aprender a resolver tareas dados un conjunto de ejemplos muestreados de una distribución de probabilidad desconocida y con algún conocimiento previo de la tarea. Seis (6) clasificadores multiclase, implementados en el entorno WEKA, fueron evaluados con dos conjuntos de datos experimentales utilizando 20 corridas montecarlo y validación cruzada 3, 5 y 10 fold. Nuestros resultados, aunque preliminares, sugieren la utilidad de técnicas de aprendizaje computacional para resolver problemas de asignación a a grupos heteróticos.