A grande maioria das pessoas surdas possui um histórico de vida marcado por preconceito e restrições, sobretudo em relação à comunicação. Isso se deve ao fato da sociedade ainda estar atenta apenas a questões clínicas e não valorizá-los enquanto indivíduos plurais capazes de se desenvolverem por meio da Língua de Sinais. Devido a essas equivocadas concepções, o Projeto Surdo Cidadão tem como parâmetro de atuação divulgar e ensinar, por meio de minicursos em nível básico, a Língua Brasileira de Sinais (Libras) aos ouvintes, promover e orientar, através de palestras e oficinas, estudantes, professores e funcionários da Universidade Federal de Viçosa e da própria cidade a respeito de algumas nuances da Libras, cultura surda e ainda desenvolver atividades de Química e Matemática de cunho educacional voltado à estudantes surdos de Viçosa e região que cursam o Ensino Médio ou que já concluíram. Por isso, nesse relato será explanado sobre essas ações que foram realizadas em 2015 no projeto.PROEXT
Information on the genetic diversity of commercial cultivars is of fundamental importance for crop improvement. In addition, information about possible interactions between the maintainers developing these cultivars can help design a breeding program. The objective of this work was to study the genetic diversity of soybean [Glycine max (L.) Merr.] cultivars released in Brazil from 1998 to 2017 and compare the similarity between maintainers of these cultivars based on the phenotypic information disclosed. Data was collected on 1,587 soybean cultivars registered in the National Register of Cultivars of the Ministry of Agriculture, Livestock, and Supply belonging to 59 different maintainers. Among these cultivars, 12 agromorphological traits were evaluated. To perform the grouping and select the main discriminating traits of the cultivars, the Random Forest method was used. Multiple correspondence analysis was performed to obtain the variance explanation percentage of the traits evaluated in each dimension and coordinates among the maintainers. The maintainers were organized through Kohonen self‐organizing map (SOM) through the respective coordinates. There is a wide variety of maintainers of soybean cultivars in Brazil with different objectives for launching new cultivars. Among the maintainers, Soymax presented the most restricted genetic base. The other private companies showed more remarkable similarities and a broader genetic base. The public institution EMBRAPA presented the greatest genetic diversity in its population base. Federal University of Uberlândia and Federal University of Viçosa can be partners to launch soybean cultivars given the proximity between neurons in Kohonen analysis. The high diversity of traits shows that the genetic base of soybean in Brazil is large.
A seleção genômica ampla (GWS) utiliza marcadores distribuídos por todo o genoma para predizer o valor genético genômico de indivíduos. Esta abordagem possibilita acelerar o processo de melhoramento a partir de seleção precoce e aumentar a precisão de predição dos valores genéticos genômicos. Diversas técnicas estatísticas usadas para predição genômica, tais como RR-BLUP, G-BLUP, Bayes A e Bayes B são baseados em erros e, consequentemente, valores fenotípicos com pressupostos de normalidade. Técnicas de aprendizado de máquina tais como Bagging (BA), Random Forest (RF) e Random Forest Quantílico (QRF) aparecem como modelos alternativos já que não requerem suposições a priori sobre a relação funcional entre marcadores e os valores fenotípicos, sem a necessidade de atender pressuposições sobre as distribuições dos dados e dos resíduos. O QRF, metodologia ainda não explorada no contexto de seleção genômica, é um algoritmo não paramétrico que combina as vantagens do Random Forest (RF) e da Regressão Quantílica (QR). O método determina a distribuição de probabilidade de uma variável resposta e extrai informações de diferentes quantis e não apenas prevê a média. Neste trabalho propõe-se a avaliação do uso do QRF na predição genômica e a comparação de seus resultados com outras técnicas que já vem sendo exploradas em GWS. Neste trabalho dois artigos foram desenvolvidos com essa proposta. No primeiro deles, o objetivo foi avaliar o desempenho do QRF (nos quantis 0,1; 0,3; 0,5; 0,7 e 0,9) na predição dos valores genéticos genômicos para características com arquitetura genética não aditiva (epistasia e dominância). Adicionalmente, as acurácias obtidas foram comparadas com aquelas advindas do G-BLUP (G-BLUP aditivo, G-BLUP aditivo dominante e G-BLUP aditivo epistático). Foi simulada uma população F2 com 1.000 indivíduos genotipados para 4.010 marcadores SNP. Além disso, doze características foram simuladas a partir de um modelo considerando efeitos aditivos e não aditivos, com número de QTL (Quantitative trait loci) variando de oito a 120 e três níveis de herdabilidade (0,3, 0,5 ou 0,8). Em todos os cenários, os resultados da capacidade preditiva do QRF foram iguais ou superiores ao G-BLUP e mostrou ser uma ferramenta alternativa para predizer valores genéticos em características complexas. No segundo trabalho o objetivo foi avaliar o uso do QRF na predição genômica para três características de Coffea arábica e comparar as suas capacidades preditivas com metodologias de machine learning (Bagging e Random Forest), métodos bayesianos (Bayes C𝜋 e Bayes D𝜋) e o G-BLUP. Foram utilizadas as características bicho mineiro, cercosporiose e produção de grãos referentes à 195 indivíduos genotipados com 20.477 marcadores moleculares SNP, resultantes do cruzamento entre Catuaí e Híbrido de Timor, contrastantes em relação à ferrugem do cafeeiro. Os métodos bayesianos apresentaram melhor desempenho para a produção, já o QRF foi igual ou superior aos outros métodos para as características bicho mineiro e cercosporiose, com tempo de processamento muito inferior comparado ao Bayes C𝜋 e Bayes D𝜋. O QRF surge, então, como um algoritmo promissor para predição possibilitando, em alguns cenários, predições mais acuradas de GWS. Palavras-chave: Predição Genômica. Simulação de Dados. Melhoramento Genético do Cafeeiro. Métodos Bayesianos. G-BLUP. Aprendizado de Máquinas.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
customersupport@researchsolutions.com
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.