Modelos estadísticos avanzados para estudios de interacción genotipo-ambiente y predicción genómica en el mejoramiento genético vegetal

Ingenieros Agrónomos, Ingenieros Forestales, Biólogos, egresados de Ciencias Ambientales, Medicina, Biotecnología, Bioinformática, Inteligencia Artificial, Matemática, Física, Computación.

Objetivo General

Ofrecer a los participantes un espacio para la discusión y generación de conocimientos que les permitan aplicar herramientas para la modelación de la interacción genotipo ambiente y la predicción genómica aplicada al mejoramiento genético vegetal.

Objetivos Específicos
• Reconocer problemas clásicos de análisis de interacción genotipo-ambiente bajo el marco teórico del modelo lineal general, del modelo lineal mixto, del modelo lineal generalizado mixto, de modelos bayesiantos y de la incorporación de algoritmos de aprendizaje automático.
• Vincular la estructura de los datos con los distintos términos de los modelos lineales.
• Interpretar el significado de las estimaciones y pruebas de hipótesis asociadas.
• Comunicar resultados científicos con la terminología estadística apropiada.
• Utilizar el software estadístico R para modelación estadística.
• Desarrollar destrezas en la formulación y aplicación de modelos y métodos estadísticos mediante el análisis colaborativo de casos problemáticos y la exposición dialogada sobre diferentes aproximaciones estadísticas e interpretaciones de cada análisis.

Contenidos 

Introducción al concepto de interacción y a modelos de Análisis
Introducción. ¿Qué es la interacción? Diferentes tipos de interacción. Modelo lineal y no lineal y la expresión de interacciones entre factores. Métodos multivariados para el análisis de la interacción. PCA, MDS, Cluster, Procrustes, GFA.
Predicción Genómica
Bases genéticas y estadísticas de la selección genómica. Manejo y análisis de datos genómicos. Implementación de selección genómica en mejoramiento vegetal a través de modelos lineales generalizados mixtos usando lme4GS en R.
Modelos Bayesianos. Modelos multivariados. Modelos multiambientales. Aplicación de BGLR
Evaluación de modelos predictivos. Validación cruzada. Medidas de validación de modelos.
Aplicación de algoritmos de aprendizaje automático en la selección genómica

Material Didáctico Requerido
Software Estadístico R Core Team (2024). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.

Lunes 1, martes 2, miércoles 3, jueves 4 y viernes 5 de septiembre de 9:00 a 17:00 h

Examen: 12 de septiembre (virtual)

Completar el formulario de Inscripción Curso y luego enviar a posgrado@agro.unc.edu.ar

Aguardar confirmación de cupo.

Docentes FCA & UNC, profesionales o becarios contemplados en Ordenanza 02/09 o RHCD 792/2019, deberán enviar resoluciones que acrediten su situación de revista.

Dra. Ing. Agr.  Cecilia Bruno

Dr. Ing. Agr. Juna Andrés Burgueño Ferreira (CIMMyT, México)

Dra. Lic. María Andrea Tomás (INTA Rafaela)

Docente invitado: Ing. Agr. Mgtr. Alejo Ré (INTA C. del Uruguay)

Ahmadi, N. y J. Bartholomé (ed). 2022. Genomic prediction of complex traits. Methods and protocols. Springer Protocols. Humana Press.

Pérez Rodríguez, P; G. de los Campos. 2014. Genome –wide regression and prediction with the BGLR statistical package. Genetics; 198(2):483-495.

R-Project. Package BGLR – CRAN

+54 9 351 6134333

posgrado@agro.unc.edu.ar