Palabras clave: Genomic selection GBLUP Item Based Collaborative Filtering Comparison Prediction accuracy
Montesinos-Lopez, O. A., Franco-Perez, E., Luna-Vázquez, F. J., Salinas-Ruiz, J., Sandoval Carrillo, S., Valenzo-Jiménez, M. A., Cuervas, J. & Santana-Mancilla, P. C. (2020). Benchmarking between item based collaborative filtering algorithm and genomic best linear unbiased prediction (GBLUP) model in terms of prediction accuracy for wheat and maize. Biotecnia, 22(2). https://doi.org/10.18633/biotecnia.v22i2.1255.
2020 Biotecnia
URL: https://doi.org/10.18633/biotecnia.v22i2.1255
Objetivo / antecedentes: en vista de la creciente demanda de alimentos, se necesitan nuevas metodologías para mejorar la metodología de selección genómica (GS) para obtener variedades de plantas más productivas y existe evidencia empírica de que GS está revolucionando el fitomejoramiento para la producción de alimentos en todo el mundo. . Métodos: dado que los modelos de predicción juegan un papel clave en GS, por ello Montesinos-López et al. (2018) propuso el algoritmo de filtrado colaborativo basado en elementos (IBCF) para la predicción genómica. Por esta razón, en este artículo comparamos el algoritmo IBCF con el modelo de predicción genómica más popular llamado Predicción Genómica Mejor Lineal Insesgada (GBLUP). Resultados: Encontramos que el GBLUP es superior al modelo IBCF, pero el IBCF es competitivo con el modelo GBLUP ya que produjo predicciones muy similares, pero con la gran ventaja de que es extremadamente eficiente en términos de tiempo de implementación. Conclusiones: encontramos que el GBLUP es mejor que el algoritmo IBCF pero el IBCF es más de 400 veces más eficiente que el modelo GBLUP en términos de tiempo de implementación. Limitaciones: La principal limitación del estudio es que se realizó en términos univariados y es posible que el IBCF funcione mejor con datos multivariados.