{"id":7906,"date":"2022-09-19T13:29:49","date_gmt":"2022-09-19T13:29:49","guid":{"rendered":"https:\/\/iplantprotect.pt\/?p=7906"},"modified":"2025-05-08T13:41:07","modified_gmt":"2025-05-08T13:41:07","slug":"podera-o-machine-learning-ajudar-a-acelerar-os-programas-de-melhoramento-de-plantas-e-a-aumentar-a-produtividade-agricola","status":"publish","type":"eventos","link":"https:\/\/iplantprotect.pt\/en\/eventos\/podera-o-machine-learning-ajudar-a-acelerar-os-programas-de-melhoramento-de-plantas-e-a-aumentar-a-produtividade-agricola\/","title":{"rendered":"Poder\u00e1 o machine learning ajudar a acelerar os programas de melhoramento de plantas e a aumentar a produtividade agr\u00edcola?"},"content":{"rendered":"

<\/p>\n\n\n\n

Um artigo publicado recentemente pela equipa do InnovPlantProtect (InPP) revela o potencial dos m\u00e9todos computacionais de machine learning<\/em> para prever caracter\u00edsticas fenot\u00edpicas, como \u00e9 o caso do rendimento\/produtividade do trigo, a partir de informa\u00e7\u00f5es gen\u00e9ticas desta planta.<\/strong><\/p>\n\n\n\n

O machine learning<\/em> (ML) \u00e9 uma \u00e1rea da ci\u00eancia de dados que tem ganho cada vez mais relev\u00e2ncia na \u00faltima d\u00e9cada. O ML \u00e9 um ramo da intelig\u00eancia artificial que permite o desenvolvimento de modelos de previs\u00e3o que podem ser aplicados nas mais variadas \u00e1reas. Apesar de n\u00e3o nos apercebermos, utilizamos ferramentas baseadas em ML no nosso dia-a-dia, como por exemplo, os resultados personalizados apresentados no feed<\/em> do seu Facebook. Mas as aplica\u00e7\u00f5es futuras v\u00e3o desde permitir a condu\u00e7\u00e3o autonoma at\u00e9 \u00e0 dete\u00e7\u00e3o de doen\u00e7as atrav\u00e9s da an\u00e1lise de radiografias (em humanos) ou imagens de drone (em pomares).<\/p>\n\n\n\n

A predi\u00e7\u00e3o gen\u00f3mica (PG) \u00e9 outra das \u00e1reas em que o ML tem estado a ser aplicado. Esta consiste em usar dados gen\u00f3micos (que nos d\u00e3o informa\u00e7\u00e3o acerca do gen\u00f3tipo) para desenvolver modelos computacionais que prev\u00eaem caracter\u00edsticas fenot\u00edpicas complexas dos organismos, tal como rendimento\/produtividade do trigo (Ver representa\u00e7\u00e3o esquem\u00e1tica).<\/p>\n\n\n\n

Nesta investiga\u00e7\u00e3o agora publicada<\/a> na revista cient\u00edfica <\/a>Agriculture<\/em><\/a>, os investigadores Manisha Sirsat<\/a> e Ricardo Ramiro<\/a>, ambos do departamento de Gest\u00e3o de Dados e An\u00e1lise de Risco<\/a>, em colabora\u00e7\u00e3o com a Paula Oblessuc do departamento de Prote\u00e7\u00e3o de Culturas Espec\u00edficas<\/a>, exploraram a utiliza\u00e7\u00e3o de v\u00e1rios modelos de PG baseados em diferentes m\u00e9todos computacionais para al\u00e9m do ML, como \u00e9 o caso dos m\u00e9todos estat\u00edsticos ou de deep learning <\/em>(DL), com o objetivo de comparar a robustez e a performance de cada um deles em prever a caracter\u00edstica fenot\u00edpica rendimento\/produtividade do trigo. A ideia foi perceber quais os m\u00e9todos que permitem prever caracter\u00edsticas fenot\u00edpicas com maior fiabilidade.<\/p>\n\n\n\n

\u201cOs m\u00e9todos estat\u00edsticos t\u00eam sido os mais utilizados em predi\u00e7\u00e3o gen\u00f3mica pelas equipas de investiga\u00e7\u00e3o em todo o mundo. Contudo, os m\u00e9todos de ML est\u00e3o a revelar-se uma boa alternativa, sendo mais precisos e r\u00e1pidos\u201d, evidencia Manisha Sirsat, primeira autora do estudo.<\/p>\n\n\n\n

\u201cA PG baseada em ML pode ajudar a reduzir o tempo e o custo da avalia\u00e7\u00e3o extensiva do processo de fenotipagem (durante os programas de melhoramento) e a acelerar o ganho gen\u00e9tico\u201d, explica a investigadora. \u201cEste estudo contribui assim para ajudar os investigadores a perceber os fatores chave no desenvolvimento de modelos que possam acelerar os programas de melhoramento do trigo, ou de outras culturas, e a aumentar a produtividade agr\u00edcola\u201d, acrescenta.<\/p>\n\n\n\n

<\/p>\n\n\n\n

\"\"
Representa\u00e7\u00e3o esquem\u00e1tica do processo de predi\u00e7\u00e3o gen\u00f3mica<\/figcaption><\/figure>\n\n\n\n

<\/p>\n\n\n\n

A equipa tem estado a trabalhar em predi\u00e7\u00e3o gen\u00f3mica desde 2020<\/a>, e espera que a gen\u00f3mica e a predi\u00e7\u00e3o gen\u00e9tica sejam fundamentais para permitir manter ou aumentar a produtividade das culturas, apesar das m\u00faltiplas amea\u00e7as que enfrentamos, e para responder ao aumento de 50% na procura por alimentos at\u00e9 2050, quando a popula\u00e7\u00e3o mundial atingir 9,7 mil milh\u00f5es.<\/p>\n\n\n\n

O estudo foi cofinanciado por fundos europeus, atrav\u00e9s do Programa Alentejo2020<\/a>, e pela Foundation for Science and Technology<\/a>.<\/p>\n\n\n\n

\n
\"\"<\/figure>\n\n\n\n
\"\"<\/figure>\n\n\n\n
\"\"<\/figure>\n<\/figure>\n\n\n\n

Investigadores Manisha Sirsat, Ricardo Ramiro e Paula Oblessuc (da esquerda para a direita)<\/p>\n\n\n\n

Original article<\/p>\n\n\n\n

Revista Agriculture<\/a><\/p>\n\n\n\n

Genomic Prediction of Wheat Grain Yield Using Machine Learning<\/a><\/p>\n\n\n\n

Manisha Sirsat e Ricardo Ramiro<\/p>\n\n\n\n

DOI: https:\/\/doi.org\/10.3390\/agriculture12091406<\/p>","protected":false},"excerpt":{"rendered":"

Um artigo publicado recentemente pela equipa do InnovPlantProtect (InPP) revela o potencial dos m\u00e9todos computacionais de machine learning para prever caracter\u00edsticas fenot\u00edpicas, como \u00e9 o caso do rendimento\/produtividade do trigo, a partir de informa\u00e7\u00f5es gen\u00e9ticas desta planta. O machine learning (ML) \u00e9 uma \u00e1rea da ci\u00eancia de dados que tem ganho cada vez mais relev\u00e2ncia […]<\/p>\n","protected":false},"author":2,"featured_media":7920,"parent":0,"menu_order":0,"template":"","categories":[26],"tags":[],"class_list":["post-7906","eventos","type-eventos","status-publish","has-post-thumbnail","hentry","category-blog"],"acf":[],"_links":{"self":[{"href":"https:\/\/iplantprotect.pt\/en\/wp-json\/wp\/v2\/eventos\/7906","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/iplantprotect.pt\/en\/wp-json\/wp\/v2\/eventos"}],"about":[{"href":"https:\/\/iplantprotect.pt\/en\/wp-json\/wp\/v2\/types\/eventos"}],"author":[{"embeddable":true,"href":"https:\/\/iplantprotect.pt\/en\/wp-json\/wp\/v2\/users\/2"}],"version-history":[{"count":1,"href":"https:\/\/iplantprotect.pt\/en\/wp-json\/wp\/v2\/eventos\/7906\/revisions"}],"predecessor-version":[{"id":15026,"href":"https:\/\/iplantprotect.pt\/en\/wp-json\/wp\/v2\/eventos\/7906\/revisions\/15026"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/iplantprotect.pt\/en\/wp-json\/wp\/v2\/media\/7920"}],"wp:attachment":[{"href":"https:\/\/iplantprotect.pt\/en\/wp-json\/wp\/v2\/media?parent=7906"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/iplantprotect.pt\/en\/wp-json\/wp\/v2\/categories?post=7906"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/iplantprotect.pt\/en\/wp-json\/wp\/v2\/tags?post=7906"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}