Seleção de variáveis em modelo de regressão logística para predição da resistência à brusone do arroz

Conteúdo do artigo principal

Momate Emate OSSIFO
http://orcid.org/0000-0002-5425-4087
Marciel Lelis Duarte
http://orcid.org/0000-0002-3896-5428
Antônio Policarpo Souza CARNEIRO
http://orcid.org/0000-0002-9043-3242
Vinicios Silva dos Santos
http://orcid.org/0000-0002-8387-2917
Sebastião Martins Filho
http://orcid.org/0000-0002-8317-4318

Resumo

O arroz (Oryza sativa L.) tem sido um dos alimentos mais consumidos no planeta, com importância econômica e social. Doenças, principalmente a brusone, causadas pelo fungo Pyricularia oryzae, são fatores limitantes para a produção de arroz. O presente trabalho teve como objetivo selecionar covariáveis ​​que possam influenciar a resistência do arroz à brusone, utilizando o método de seleção proposto por Collett. Modelos de regressão logística foram ajustados para prever a resistência à doença, usando a curva ROC para avaliar a capacidade preditiva. Os dados utilizados foram obtidos de uma população de 413 plantas, com informações fenotípicas coletadas em 82 países e classificadas em cinco subpopulações. A pesquisa constatou que, das mais de quinze variáveis ​​incorporadas para avaliar a doença, apenas três se mostraram relevantes para o modelo final ajustado, sendo: largura da folha bandeira (V4), o número médio de ramos primários da panícula (V8) e a quantidade de amilose de grãos moídos (V15). A variável V4 apresentou uma maior influência significativa na resistência à doença. Sendo que, para cada aumento unitário em V4, V8 e V15, espera-se obter aumentos de 279,3, 31,9 e 9,4%, respectivamente, na probabilidade de resistência à brusone.

Detalhes do artigo

Como Citar
OSSIFO, M. E., Lelis Duarte, M., CARNEIRO, A. P. S., Santos, V. S. dos, & Martins Filho, S. (2022). Seleção de variáveis em modelo de regressão logística para predição da resistência à brusone do arroz. REVISTA BRASILEIRA DE BIOMETRIA, 40(2). https://doi.org/10.28951/bjb.v40i2.559
Seção
Articles

Referências

ADITYA, J.P.; BHARTIYA, A. Genetic variability, correlation and path analysis for quantitative characters in rainfed upland rice of Uttarakhand Hills. Journal of Rice Research, v.6, n.12, p.24–34, 2013.

AKAIKE,H. A new look at the statistical model identification. IEEE Transactions on Automatic Control, v.19, n.6, p.716–723, 1974.

AYRES, M.; AYRES JUNIOR, M.; AYRES, D.L.; SANTOS, A.S. BioEstat 4.0: Statistical applications in the areas of biological and medical sciences. Belém: Society Civil Mamirauá; Brasília: CNPq, 2005.

BOZDOGAN, H. Model selection and Akaike's Information Criterion (AIC): The general theory and its analytical extensions. Psychometrika, v.52, n.3, p.345–370, 1987.

BURNHAM, K.P.; ANDERSON, D.R. Multimodel inference: understanding AIC and BIC in model selection. Sociological Methods and Research, v.33, n.2, p.261–304, 2004.

CASTRO, D.G.; FERNANDES, M.C.N.; FÉLIX, M.R.; CAZASSA, R.S.; TOMÉ, L.M.; BOTELHO, F. B.S. Estimates of association between agronomic characters in the selection of upland rice genotypes. Magistra, v.30, p.359-367, 2019.

COLLETT, D. Modeling survival data in medical research. London: Chapman and Hall, 2nded., 2003. 410p.

COLOSIMO, E. A.; GIOLO, S. R. Análise de Sobrevivência Aplicada. São Paulo: Edgar Blücher, 2006. 392p.

DALCHIAVON, F. C.; CARVALHO, M. P.; COLETTI, A. J.; CAIONE, G.; SILVA, A. F.; ANDREOTTI, M. Correlação linear entre componentes da produção e produtividade do arroz de terras altas em sistema plantio direto. Semina: Ciências Agrárias, v.33, n.5, p.1629–1642, 2012.

GOUVÊA, G. D. R.; OLIVEIRA, F. L. P.; VIVANCO, M. J. F. Event analysis factors: an application to hemodialysis data in the city of Lavras-MG, Rev. Bras. Biom., v.27, n.3, p.491–500, 2009.

HOSMER JUNIOR, D.W.; LEMESHOW, S.; STURDIVANT, R.X. Applied logistic regression, New York: John Wiley & Sons, 3rd ed., 2013. 528p.

JAMALODDIN, M.; DURGA RANI, C. V.; SWATHI, G.; ANURADHA, C.; VANISRI, S.; RAJAN, C. P.D.; et al. Marker assisted gene pyramiding (MAGP) for bacterial blight and blast resistance into mega rice variety “Tellahamsa”, PLOS ONE, v.15, n.6, 2020.

JAY, M. Generalhoslem: goodness of fit tests for logistic regression models, 2019. Available in: https://cran.r-project.org/web/packages/generalhoslem/index.html.

KIM, B. Classifying Oryza sativa accessions into Indica and Japonica using a logistic regression model with phenotypic data. PeerJ,v.2019, n.11, 2019.

LAW, J.W.F.; SER, H.L.; KHAN, T.M.; CHUAH, L.H.; PUSPARAJAH, P.; CHAN, K.G.; GOH, B.H.; LEE, L.H. The potential of Streptomyces as biocontrol agents against the rice blast fungus, Magnaporthe oryzae (Pyriculariaoryzae). Frontiers in microbiology, v.8, n.3. 2017.

MACKILL, A.O.; BONMAN, J.M. Inheritance of blast resistance in near-isogenic lines of rice. Phytopathology, v.82, p.746–749, 1992.

MARCHETTI, M.A.; LAI, X.H.; BOLLICH, C.N. Inheritance of resistance to Pyricularia oryzaein rice cultivars grown in the United States. Phytopathology, v.77, n.6, p.799-804, 1987.

MARTINEZ, E. Z.; LOUZADA-NETO, F.; PEREIRA, B. B. A curva ROC para testes diagnósticos. Cadernos Saúde Coletiva, v.11, n.1, p.7–31, 2003.

ONG, M. H.; BLANSHARD, J. M. V. Texture determinants in cooked, parboiled rice. I: Rice starch amylose and the fine structure of amylopectin. Journal of Cereal Science, v.21, n.3, p.251–260, 1995.

R CORE TEAM. A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria, 2020. Available at:https://www.R-project.org/

SILVA-LOBO, V. L.; FILIPPI, M. C. C.; SILVA, G. B.; VENANCIO, W. L.; PRABHU, A. S. Relação entre o teor de clorofila nas folhas e a severidade de brusone nas panículas em arroz de terras altas. Tropical Plant Pathology, v.37, n.1, p.83-87, 2012

SING, T.; SANDER, O.; BEERENWINKEL, N.; LENGAUER, T. ROCR: Visualizing classifier performance inR. Bioinformatics, v.21, n.20, p.78-81, 2005. Available at: http://rocr.bioinf.mpi-sb.mpg.de/.

SOSBAI -Sociedade Sul-Brasileira de Arroz Irrigado. Arroz Irrigado: recomendações técnicas da pesquisa para o Sul do Brasil. 32 Reunião da Cultura do Arroz Irrigado. Farroupilha, RS. Cachoeirinha: Sociedade Sul-Brasileira de Arroz Irrigado, 2018. 205p.

YU, W. B.; CHANG, Y.C.I.; PARK, E. A modified area under the ROC curve and its application to marker selection and classification. Journal of the Korean Statistical Society, v.43, n.2, p.161–175, 2014.

ZHANG, S.; LIU, B.; ZHU, X.; YANG, J.; WU, S.; HEI, L. Relationship between blast resistance and amylose content in a RIL population derived from rice crossed SHZ-2xLTH. Acta Agronomica Sinica, v.32, n.2, p.159–163, 2006.

ZHAO, K.; TUNG, C.W.; EIZENGA, G.C.; WRIGHT, M.H.; ALI, M.L.; PRICE, A.H.; NORTON, G.J.; ISLAM, M.R.; REYNOLDS, A.; MEZEY, J.; MCCLUNG, A.M.; BUSTAMANTE, C.D.; MCCOUCH, S.R.Genome-wide association mapping reveals a rich genetic architecture of complex traits in Oryza sativa. Nature Communications, v.2, n.1, p.1–10, 2011. Available at: https://doi.org/10.1038/ncomms1467

Artigos mais lidos pelo mesmo(s) autor(es)