Clasificación Basada en Espectros de Grupos Genéticamente Diferenciados en Trigo de Primavera Cultivado en Ambientes Contrastantes
Autores: Ballesta, Paulina; Maldonado, Carlos; Mora-Poblete, Freddy; Mieres-Castro, Daniel; del Pozo, Alejandro; Lobos, Gustavo A.
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Clasificación Basada en Espectros de Grupos Genéticamente Diferenciados en Trigo de Primavera Cultivado en Ambientes Contrastantes
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Preocupación global
Producción de alimentos
Consumo
Genética
Cría
Cultivos de cereales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 10
Citaciones: Sin citaciones
La preocupación global por la brecha entre la producción y el consumo de alimentos ha intensificado la investigación sobre la genética, ecofisiología y mejora de los cultivos de cereales. En este sentido, se han realizado varios estudios genéticos para evaluar la efectividad y sostenibilidad de colecciones de accesiones de germoplasma de cultivos principales. En este estudio, se llevó a cabo un enfoque de clasificación basado en espectros para la asignación de cultivares de trigo a subpoblaciones genéticamente diferenciadas (estructura genética) utilizando un panel de 316 cultivares de trigo pan de primavera cultivados en dos ambientes con diferentes regímenes hídricos (de lluvia y totalmente irrigados). Para ello, se entrenaron diferentes modelos de aprendizaje automático con información espectral foliar y genética para asignar los cultivares de trigo a subpoblaciones. Los resultados revelaron que, en general, los hiperparámetros ReLU (como función de activación), adam (como optimizador) y un tamaño de lote de 10 proporcionan a los modelos de redes neuronales una mejor precisión. Los grupos genéticamente diferenciados mostraron diferencias más pequeñas en longitudes de onda medias bajo riego de lluvia que bajo riego completo, lo que coincidió con una reducción en la precisión de agrupamiento en los modelos de redes neuronales. La comparación de modelos indicó que la Red Neuronal Convolucional (CNN) fue significativamente más precisa en clasificar individuos en sus respectivas subpoblaciones, con un 92 y un 93% de asignaciones individuales correctas en ambientes con limitación de agua y totalmente irrigados, respectivamente, mientras que el 92% (riego completo) y el 78% (riego de lluvia) de los cultivares fueron correctamente asignados a sus respectivas clases por el método de perceptrón multicapa y el análisis discriminante de mínimos cuadrados parciales, respectivamente. Notablemente, la CNN no mostró diferencias significativas entre ambos ambientes, lo que indica estabilidad en la predicción independientemente de los diferentes regímenes hídricos. Se concluye que la variación espectral foliar puede utilizarse para inferir con precisión la pertenencia de un cultivar a su respectivo grupo genéticamente diferenciado, incluso considerando ambientes radicalmente diferentes, lo cual es altamente deseable en el contexto de la gestión de recursos genéticos de cultivos.
Descripción
La preocupación global por la brecha entre la producción y el consumo de alimentos ha intensificado la investigación sobre la genética, ecofisiología y mejora de los cultivos de cereales. En este sentido, se han realizado varios estudios genéticos para evaluar la efectividad y sostenibilidad de colecciones de accesiones de germoplasma de cultivos principales. En este estudio, se llevó a cabo un enfoque de clasificación basado en espectros para la asignación de cultivares de trigo a subpoblaciones genéticamente diferenciadas (estructura genética) utilizando un panel de 316 cultivares de trigo pan de primavera cultivados en dos ambientes con diferentes regímenes hídricos (de lluvia y totalmente irrigados). Para ello, se entrenaron diferentes modelos de aprendizaje automático con información espectral foliar y genética para asignar los cultivares de trigo a subpoblaciones. Los resultados revelaron que, en general, los hiperparámetros ReLU (como función de activación), adam (como optimizador) y un tamaño de lote de 10 proporcionan a los modelos de redes neuronales una mejor precisión. Los grupos genéticamente diferenciados mostraron diferencias más pequeñas en longitudes de onda medias bajo riego de lluvia que bajo riego completo, lo que coincidió con una reducción en la precisión de agrupamiento en los modelos de redes neuronales. La comparación de modelos indicó que la Red Neuronal Convolucional (CNN) fue significativamente más precisa en clasificar individuos en sus respectivas subpoblaciones, con un 92 y un 93% de asignaciones individuales correctas en ambientes con limitación de agua y totalmente irrigados, respectivamente, mientras que el 92% (riego completo) y el 78% (riego de lluvia) de los cultivares fueron correctamente asignados a sus respectivas clases por el método de perceptrón multicapa y el análisis discriminante de mínimos cuadrados parciales, respectivamente. Notablemente, la CNN no mostró diferencias significativas entre ambos ambientes, lo que indica estabilidad en la predicción independientemente de los diferentes regímenes hídricos. Se concluye que la variación espectral foliar puede utilizarse para inferir con precisión la pertenencia de un cultivar a su respectivo grupo genéticamente diferenciado, incluso considerando ambientes radicalmente diferentes, lo cual es altamente deseable en el contexto de la gestión de recursos genéticos de cultivos.