Benchmarking between item based collaborative filtering algorithm and genomic best linear unbiased prediction (GBLUP) model in terms of prediction accuracy for wheat and maize//Estudio comparativo en términos de capacidad predictiva para datos de trigo y maíz entre el algoritmo de filtrado colaborativo y el modelo genómico mejor predictor lineal insesgado (GBLUP)

Aim/background: in view of the growing demand for food, new methodologies are needed to improve the genomic selection (GS) methodology to obtain more productive plant varieties and there is empirical evidence that GS it is revolutionizing plant breeding for food production around the world. Methods:...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autores principales:	Montesinos-López, Osval A., Franco-Pérez, Emeterio, Luna-Vázquez, Francisco J., Salinas-Ruiz, Josafat, Sandoval-Carrillo, Sara, Valenzo Jiménez, Marco Alberto, Cuervas, Jaime, Santana-Mancilla, Pedro C.
Formato:	Online
Lenguaje:	eng
Publicado:	Universidad de Sonora 2020
Acceso en línea:	https://biotecnia.unison.mx/index.php/biotecnia/article/view/1255
Etiquetas:	Agregar Etiqueta Sin Etiquetas, Sea el primero en etiquetar este registro!

id	biotecnia-article-1255
record_format	ojs
spelling	biotecnia-article-12552022-05-31T17:20:27Z Benchmarking between item based collaborative filtering algorithm and genomic best linear unbiased prediction (GBLUP) model in terms of prediction accuracy for wheat and maize//Estudio comparativo en términos de capacidad predictiva para datos de trigo y maíz entre el algoritmo de filtrado colaborativo y el modelo genómico mejor predictor lineal insesgado (GBLUP) Montesinos-López, Osval A. Franco-Pérez, Emeterio Luna-Vázquez, Francisco J. Salinas-Ruiz, Josafat Sandoval-Carrillo, Sara Valenzo Jiménez, Marco Alberto Cuervas, Jaime Santana-Mancilla, Pedro C. GBLUP Item Based Collaborative Filtering Genomic Selection Comparison Prediction accuracy Aim/background: in view of the growing demand for food, new methodologies are needed to improve the genomic selection (GS) methodology to obtain more productive plant varieties and there is empirical evidence that GS it is revolutionizing plant breeding for food production around the world. Methods: since the prediction models play a key role in GS, for this reason Montesinos-López et al. (2018) proposed the item based collaborative filtering (IBCF) algorithm for Genomic prediction. For this reason, in this paper we compare the IBCF algorithm with the most popular genomic prediction model called the Genomic Best Linear Unbiased Prediction (GBLUP). Results: We found that the GBLUP is superior than the IBCF model, but the IBCF is competitive to the GBLUP model since produced very similar predictions, but with the large advantage that it is extremely efficient in terms of time for implementation. Conclusions: we found that the GBLUP is better than the IBCF algorithm but the IBCF is more than 400 times more efficient than the GBLUP model in terms of time for implementation. Limitations: The main limitation of the study is that it was performed in univariate terms and it is possible that the IBCF will perform better with multivariate data.RESUMENObjetivo / antecedentes: en vista de la creciente demanda de alimentos, se necesitan nuevas metodologías para mejorar la selección genómica (GS) para obtener variedades de plantas más productivas y en menor tiempo y existe evidencia que la SG está revolucionando el mejoramiento de plantas que ayudará a incrementar la producción de alimentos a nivel mundial. Métodos: dado que los modelos de predicción juegan un papel clave en GS, Montesinos-López et al. (2018) propusieron el algoritmo de filtrado colaborativo (IBCF) para la predicción genómica. Por esta razón, en este artículo comparamos el algoritmo IBCF con el modelo de predicción genómica más popular denominado mejor predictor lineal insesgado Bayesiano (GBLUP). Resultados: Encontramos que el GBLUP es superior en capacidad predictiva al modelo IBCF, pero el IBCF es competitivo con el modelo GBLUP ya que produjo predicciones muy similares, pero con la ventaja de que es eficiente en términos de tiempo de implementación. Conclusiones: encontramos que el GBLUP es mejor que el algoritmo IBCF, pero el IBCF es 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 se desempeñe mejor con datos multivariados. Universidad de Sonora 2020-03-21 info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion Original peer-reviewed articles Artículos originales evaluados por pares application/pdf text/xml https://biotecnia.unison.mx/index.php/biotecnia/article/view/1255 10.18633/biotecnia.v22i2.1255 Biotecnia; Vol. 22 No. 2 (2020): Mayo-Agosto; 136-146 Biotecnia; Vol. 22 Núm. 2 (2020): Mayo-Agosto; 136-146 1665-1456 1665-1456 eng https://biotecnia.unison.mx/index.php/biotecnia/article/view/1255/393 https://biotecnia.unison.mx/index.php/biotecnia/article/view/1255/439 Derechos de autor 2020 Biotecnia
institution	Biotecnia
collection	OJS
language	eng
format	Online
author	Montesinos-López, Osval A. Franco-Pérez, Emeterio Luna-Vázquez, Francisco J. Salinas-Ruiz, Josafat Sandoval-Carrillo, Sara Valenzo Jiménez, Marco Alberto Cuervas, Jaime Santana-Mancilla, Pedro C.
spellingShingle	Montesinos-López, Osval A. Franco-Pérez, Emeterio Luna-Vázquez, Francisco J. Salinas-Ruiz, Josafat Sandoval-Carrillo, Sara Valenzo Jiménez, Marco Alberto Cuervas, Jaime Santana-Mancilla, Pedro C. Benchmarking between item based collaborative filtering algorithm and genomic best linear unbiased prediction (GBLUP) model in terms of prediction accuracy for wheat and maize//Estudio comparativo en términos de capacidad predictiva para datos de trigo y maíz entre el algoritmo de filtrado colaborativo y el modelo genómico mejor predictor lineal insesgado (GBLUP)
author_facet	Montesinos-López, Osval A. Franco-Pérez, Emeterio Luna-Vázquez, Francisco J. Salinas-Ruiz, Josafat Sandoval-Carrillo, Sara Valenzo Jiménez, Marco Alberto Cuervas, Jaime Santana-Mancilla, Pedro C.
author_sort	Montesinos-López, Osval A.
title	Benchmarking between item based collaborative filtering algorithm and genomic best linear unbiased prediction (GBLUP) model in terms of prediction accuracy for wheat and maize//Estudio comparativo en términos de capacidad predictiva para datos de trigo y maíz entre el algoritmo de filtrado colaborativo y el modelo genómico mejor predictor lineal insesgado (GBLUP)
title_short	Benchmarking between item based collaborative filtering algorithm and genomic best linear unbiased prediction (GBLUP) model in terms of prediction accuracy for wheat and maize//Estudio comparativo en términos de capacidad predictiva para datos de trigo y maíz entre el algoritmo de filtrado colaborativo y el modelo genómico mejor predictor lineal insesgado (GBLUP)
title_full	Benchmarking between item based collaborative filtering algorithm and genomic best linear unbiased prediction (GBLUP) model in terms of prediction accuracy for wheat and maize//Estudio comparativo en términos de capacidad predictiva para datos de trigo y maíz entre el algoritmo de filtrado colaborativo y el modelo genómico mejor predictor lineal insesgado (GBLUP)
title_fullStr	Benchmarking between item based collaborative filtering algorithm and genomic best linear unbiased prediction (GBLUP) model in terms of prediction accuracy for wheat and maize//Estudio comparativo en términos de capacidad predictiva para datos de trigo y maíz entre el algoritmo de filtrado colaborativo y el modelo genómico mejor predictor lineal insesgado (GBLUP)
title_full_unstemmed	Benchmarking between item based collaborative filtering algorithm and genomic best linear unbiased prediction (GBLUP) model in terms of prediction accuracy for wheat and maize//Estudio comparativo en términos de capacidad predictiva para datos de trigo y maíz entre el algoritmo de filtrado colaborativo y el modelo genómico mejor predictor lineal insesgado (GBLUP)
title_sort	benchmarking between item based collaborative filtering algorithm and genomic best linear unbiased prediction (gblup) model in terms of prediction accuracy for wheat and maize//estudio comparativo en términos de capacidad predictiva para datos de trigo y maíz entre el algoritmo de filtrado colaborativo y el modelo genómico mejor predictor lineal insesgado (gblup)
description	Aim/background: in view of the growing demand for food, new methodologies are needed to improve the genomic selection (GS) methodology to obtain more productive plant varieties and there is empirical evidence that GS it is revolutionizing plant breeding for food production around the world. Methods: since the prediction models play a key role in GS, for this reason Montesinos-López et al. (2018) proposed the item based collaborative filtering (IBCF) algorithm for Genomic prediction. For this reason, in this paper we compare the IBCF algorithm with the most popular genomic prediction model called the Genomic Best Linear Unbiased Prediction (GBLUP). Results: We found that the GBLUP is superior than the IBCF model, but the IBCF is competitive to the GBLUP model since produced very similar predictions, but with the large advantage that it is extremely efficient in terms of time for implementation. Conclusions: we found that the GBLUP is better than the IBCF algorithm but the IBCF is more than 400 times more efficient than the GBLUP model in terms of time for implementation. Limitations: The main limitation of the study is that it was performed in univariate terms and it is possible that the IBCF will perform better with multivariate data.RESUMENObjetivo / antecedentes: en vista de la creciente demanda de alimentos, se necesitan nuevas metodologías para mejorar la selección genómica (GS) para obtener variedades de plantas más productivas y en menor tiempo y existe evidencia que la SG está revolucionando el mejoramiento de plantas que ayudará a incrementar la producción de alimentos a nivel mundial. Métodos: dado que los modelos de predicción juegan un papel clave en GS, Montesinos-López et al. (2018) propusieron el algoritmo de filtrado colaborativo (IBCF) para la predicción genómica. Por esta razón, en este artículo comparamos el algoritmo IBCF con el modelo de predicción genómica más popular denominado mejor predictor lineal insesgado Bayesiano (GBLUP). Resultados: Encontramos que el GBLUP es superior en capacidad predictiva al modelo IBCF, pero el IBCF es competitivo con el modelo GBLUP ya que produjo predicciones muy similares, pero con la ventaja de que es eficiente en términos de tiempo de implementación. Conclusiones: encontramos que el GBLUP es mejor que el algoritmo IBCF, pero el IBCF es 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 se desempeñe mejor con datos multivariados.
publisher	Universidad de Sonora
publishDate	2020
url	https://biotecnia.unison.mx/index.php/biotecnia/article/view/1255
work_keys_str_mv	AT montesinoslopezosvala benchmarkingbetweenitembasedcollaborativefilteringalgorithmandgenomicbestlinearunbiasedpredictiongblupmodelintermsofpredictionaccuracyforwheatandmaizeestudiocomparativoenterminosdecapacidadpredictivaparadatosdetrigoymaizentreelalgoritmodefiltradocolaborat AT francoperezemeterio benchmarkingbetweenitembasedcollaborativefilteringalgorithmandgenomicbestlinearunbiasedpredictiongblupmodelintermsofpredictionaccuracyforwheatandmaizeestudiocomparativoenterminosdecapacidadpredictivaparadatosdetrigoymaizentreelalgoritmodefiltradocolaborat AT lunavazquezfranciscoj benchmarkingbetweenitembasedcollaborativefilteringalgorithmandgenomicbestlinearunbiasedpredictiongblupmodelintermsofpredictionaccuracyforwheatandmaizeestudiocomparativoenterminosdecapacidadpredictivaparadatosdetrigoymaizentreelalgoritmodefiltradocolaborat AT salinasruizjosafat benchmarkingbetweenitembasedcollaborativefilteringalgorithmandgenomicbestlinearunbiasedpredictiongblupmodelintermsofpredictionaccuracyforwheatandmaizeestudiocomparativoenterminosdecapacidadpredictivaparadatosdetrigoymaizentreelalgoritmodefiltradocolaborat AT sandovalcarrillosara benchmarkingbetweenitembasedcollaborativefilteringalgorithmandgenomicbestlinearunbiasedpredictiongblupmodelintermsofpredictionaccuracyforwheatandmaizeestudiocomparativoenterminosdecapacidadpredictivaparadatosdetrigoymaizentreelalgoritmodefiltradocolaborat AT valenzojimenezmarcoalberto benchmarkingbetweenitembasedcollaborativefilteringalgorithmandgenomicbestlinearunbiasedpredictiongblupmodelintermsofpredictionaccuracyforwheatandmaizeestudiocomparativoenterminosdecapacidadpredictivaparadatosdetrigoymaizentreelalgoritmodefiltradocolaborat AT cuervasjaime benchmarkingbetweenitembasedcollaborativefilteringalgorithmandgenomicbestlinearunbiasedpredictiongblupmodelintermsofpredictionaccuracyforwheatandmaizeestudiocomparativoenterminosdecapacidadpredictivaparadatosdetrigoymaizentreelalgoritmodefiltradocolaborat AT santanamancillapedroc benchmarkingbetweenitembasedcollaborativefilteringalgorithmandgenomicbestlinearunbiasedpredictiongblupmodelintermsofpredictionaccuracyforwheatandmaizeestudiocomparativoenterminosdecapacidadpredictivaparadatosdetrigoymaizentreelalgoritmodefiltradocolaborat
_version_	1756584816705273856

Publicaciones similares