| dc.description | Os programas de melhoramento genético de plantas buscam selecionar genótipos superiores, para atender as necessidades do homem, no aumento da produtividade, na stabilidade e qualidade das espécies de importância econômica, assim como na redução dos impactos ambientais e nos custos de produção. Dessa forma, a videira (Vitis spp.) é considerada uma fruteira perene de grande importância econômica, social e alimentar. Porém face às mudanças climáticas e a limitação de recursos hídricos, tem havido um crescente investimento no desenvolvimento e uso de porta enxertos tolerantes ao déficit hídrico. No entanto, a obtenção de novas cultivares, tolerantes ao déficit hídrico, trata-se de um processo demorado e difícil por ser uma característica poligênica. Por conta disto, o uso de novas ferramentas, tais como o uso algoritmos de aprendizado de máquina podem facilitar identificação e obtenção de novas cultivares tolerantes ao déficit hídrico, devido a capacidade de gerenciar grandes quantidades de dados e identificar padrões relevantes. Neste sentido, o objetivo deste trabalho foi de avaliar a divergência genética de 45 cultivares de porta enxertos de videira, assim como, de predizer classes de tolerância ao déficit hídrico nas três cultivares brasileiras IAC313, IAC572 e IAC766, cuja a informação na literatura é desconhecida, através de algoritmos de aprendizagem de máquina. Como método para análise de divergência genética, foram empregados algoritmos de agrupamento K-means e a Análise de Componentes Principais. A partir dos resultados obtidos na análise de divergência genética para as características avaliadas, foram formados cinco grupos heteróticos e identificados 37 opções de cruzamentos viáveis, indicando existir divergência entre as cultivares. Para a predição de classes de tolerância ao déficit hídrico, foi comparado o desempenho de seis algoritmos distintos, como o Decision Tree, Random Forest, K-Nearest Neighbors, XGBoost, Support Vector Machines e Linear Discriminant Analysis. E em seguida através do algoritmo com melhor desempenho, predizer o grau de tolerância ao déficit hídrico das três cultivares brasileiras. Os resultados indicaram o Random Forest como melhor algoritmo e pode-se predizer que as cultivares IAC 313 e IAC 766 apresentam alta tolerância ao déficit hídrico e o IAC 572 baixa tolerância. Neste sentido, o uso algoritmos de aprendizado de máquina em nosso trabalho, possibilitaram alcançar resultados de fácil entendimento, mostrando-se como mais uma opção de ferramenta acessível e útil ao melhorista, para a identificação de melhores cruzamentos para uma característica específica e predição de classes. | |
