Estratégias de machine learning e índices tradicionais na seleção de genótipos superiores de amendoim para resistência à doenças e produtividade de grãos

O amendoim é uma cultura de grande importância agrícola, econômica e alimentar. No entanto, em seu ciclo de cultivo, um dos maiores problemas enfrentados é a grande incidência de doenças, que afetam a qualidade dos grãos e a produtividade das lavouras. Assim, o presente estudo teve como principal objetivo a comparação de estratégias de machine learning e índices de seleção tradicionais na seleção de genótipos superiores de amendoim portadores de resistência às doenças e maior produção de grãos. Para tanto, foram comparados os índices de seleção de Smith-Hazel, Pesek & Baker e Mulamba & Mock com o algoritmo Random Forest na seleção de genótipos superiores em diferentes populações segregantes. Foram avaliadas 25 populações de geração F2:3, oriundas de cruzamentos biparentais entre genitores resistentes à cercosporiose e genitores com caracteres agronômicos superiores, além de 12 testemunhas, conduzidas em campo no delineamento de blocos aumentados, no ano agrícola 2024/2025. Foram avaliados caracteres agronômicos, produção de grãos por planta e reação às doenças, além de avaliações de incidência de cercosporiose e virose aos 60 e 90 dias após a emergência. A seleção foi realizada por meio dos índices tradicionais e do modelo Random Forest, utilizando dados fenotípicos agregados e padronizados. Os métodos avaliados permitiram identificar genótipos superiores, com destaque para o cruzamento C18, correspondente a IAC_Sempre Verde X IAC_OL6, que apresentou desempenho consistente nos índices Smith-Hazel, Mulamba & Mock e Random Forest. O cruzamento C25 (IAC_Caiapó X EC_Granoleico) também se destacou entre os genótipos promissores, enquanto o índice de Pesek & Baker indicou maior desempenho para os cruzamentos C4 (IAC_Caiapó X IAC_L1338) e C13 (IAC_Caiapó X BRS_423). Conclui-se que a integração entre índices tradicionais de seleção e ferramentas de Machine Learning é uma estratégia promissora para aumentar a eficiência da seleção simultânea de caracteres em programas de melhoramento genético do amendoim, contribuindo para o avanço de populações segregantes com maior potencial produtivo e resistência às doenças.

Resumo (inglês)

Peanut is a crop of great agricultural, economic, and nutritional importance. However, throughout its cultivation cycle, one of the major challenges faced is the high incidence of diseases, which negatively affect grain quality and crop yield. Therefore, the main objective of this study was to compare machine learning strategies and traditional selection indices for the identification of superior peanut genotypes with disease resistance and higher grain yield. For this purpose, the Smith-Hazel, Pesek & Baker, and Mulamba & Mock selection indices were compared with the Random Forest algorithm for the selection of superior genotypes in different segregating populations. Twenty-five F2:3 generation populations, derived from biparental crosses between parents resistant to early and late leaf spot diseases and parents with superior agronomic traits, along with 12 checks, were evaluated under field conditions using an augmented block design during the 2024/2025 growing season. Agronomic traits, grain yield per plant, and disease responses were evaluated, including assessments of cercosporiosis and virus incidence at 60 and 90 days after emergence. Selection was performed using traditional indices and the Random Forest model, based on aggregated and standardized phenotypic data. The evaluated methods enabled the identification of superior genotypes, with emphasis on cross C18, corresponding to IAC_Sempre Verde × IAC_OL6, which showed consistent performance across the Smith-Hazel, Mulamba & Mock, and Random Forest approaches. Cross C25 (IAC_Caiapó × EC_Granoleico) also stood out among the promising genotypes, whereas the Pesek & Baker index indicated superior performance for crosses C4 (IAC_Caiapó × IAC_L1338) and C13 (IAC_Caiapó × BRS_423). It is concluded that the integration of traditional selection indices and machine learning tools represents a promising strategy to increase the efficiency of simultaneous trait selection in peanut breeding programs, contributing to the advancement of segregating populations with greater yield potential and disease resistance.

Palavras-chave

Plantas melhoramento genético Aprendizado de máquina Amendoim

Idioma

Português

Citação

MOURA, T. Á. F. - Estratégias de machine learning e índices tradicionais na seleção de genótipos superiores de amendoim para resistência à doenças e produtividade de grãos. 2026, 63f. Dissertação (Mestrado em Agronomia) - Universidade Estadual Paulista "Júlio de Mesquita Filho", Jaboticabal, 2026.