| Titre : | Etude comparative sur la prédiction génomique dans la sélection céréalière : modèles mixtes linéaires traditionnels comparés aux méthodes d’apprentissage automatique |
| Auteurs : | NAJOUH Hafssa, Auteur ; LAHLOU Mouanis, Auteur ; KEHEL Zakaria, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Rabat : IAV Hassan II, 2024 |
| Format : | 98 |
| Langues: | Français |
| Mots-clés: | Sélection génomique ; Amélioration des plantes ; Apprentissage automatique ; Modèles linéaires mixtes ; Traits phénotypiques ; Précision prédictive |
| Résumé : |
La sélection génomique (SG) révolutionne la sélection végétale en passant des approches traditionnelles basées sur le phénotype à des stratégies de pointe axées sur la génomique. Cette étude vise à comparer l'efficacité des modèles linéaires mixtes traditionnels (MLM) avec des techniques avancées de machine learning (ML), en particulier la Forêt d'arbres décisionnels (RF) et l'augmentation du gradient extrême (XGBoost), dans la prédiction des performances des traits des cultures céréalières. En utilisant des ensembles de données exhaustifs de la station de Merchouch et de la banque de gènes ICARDA, nous évaluons ces méthodes en termes de précision prédictive, d'efficacité computationnelle et de scalabilité.
Nos recherches démontrent que, bien que les MLM restent un outil robuste pour gérer des données génétiques complexes, les techniques de ML offrent des améliorations significatives en capturant les relations non linéaires et en gérant des données de haute dimension. RF et XGBoost ont montré une performance prédictive supérieure dans diverses conditions environnementales, en particulier pour les traits liés à la tolérance à la sécheresse et au rendement. L'intégration de ces méthodes de ML dans les cadres de SG peut potentiellement accélérer les cycles de sélection, améliorer la précision de la sélection et contribuer au développement de variétés céréalières à haut rendement et résistantes au stress. Cette étude comparative souligne l'importance de tirer parti des outils computationnels avancés dans la recherche génomique pour relever les défis mondiaux de la sécurité alimentaire et de la durabilité agricole. En optimisant les modèles prédictifs grâce à la combinaison de techniques traditionnelles et modernes, nous ouvrons la voie à des programmes de sélection céréalière plus résilients et productifs. Plus précisément, notre étude a impliqué une analyse détaillée des ensembles de données comprenant des informations génotypiques et phénotypiques sur le blé et l'orge dans des conditions irriguées et non irriguées. Nous avons appliqué des MLM, RF et XGBoost à ces ensembles de données pour prédire divers traits agronomiques tels que le rendement en grains, la hauteur des plantes et la biomasse. Les résultats ont révélé que les modèles de ML, en particulier XGBoost, surpassaient significativement les MLM en termes de précision prédictive pour la plupart des traits, surtout dans des conditions de limitation d'eau. RF a fourni des prédictions robustes avec une plus grande efficacité computationnelle par rapport aux MLM, ce qui en fait une option viable pour les programmes de sélection à grande échelle. En outre, l'étude met en lumière le potentiel des techniques de ML pour gérer des ensembles de données complexes avec des valeurs manquantes et intégrer de manière transparente plusieurs sources de données. Cette capacité est cruciale pour les programmes de sélection modernes qui traitent souvent des données incomplètes et hétérogènes. En incorporant les méthodes de ML, les sélectionneurs peuvent obtenir des prédictions plus précises du potentiel génétique, facilitant la sélection de variétés végétales supérieures avec une résilience accrue aux stress environnementaux. |
| En ligne : | http://10.2.0.27/PDF_CDA/uploads/PDF/NAJOUH_Hafsa_2024.pdf |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 200041255 | 10226 | Support papier | Salle des thèses/PFE (RDC) | Ingénieur Agronome | Consultation sur place Exclu du prêt |
