DESEMPENHO DOS MÉTODOS DE ESTIMAÇÃO GENÔMICOS NA IDENTIFICAÇÃO DA RESISTÊNCIA DO ARROZ À BRUSONE

Nos últimos anos, a perda de safras de arroz vem aumentando devido a estresses bióticos e abióticos, dentre os quais se destaca a brusone, que pode resultar em perdas de 100% em cultivares de arroz susceptíveis. Portanto, torna-se estratégico identificar metodologias que selecionem cultivares mais resistentes à doença. Neste trabalho, objetivou-se utilizar a análise de curva ROC (Receiver operator characteristic) e medidas tradicionais para a avaliação do desempenho de modelos de estimação genômicos (RR-BLUP, BLASSO e Bayes Cπ) na identificação da resistência do arroz à brusone. Os modelos RR-BLUP e Bayes Cπ foram mais acurados para a predição de resistência à brusone, enquanto o menor tempo de execução foi obtido pelo RR-BLUP. A área abaixo da curva ROC foi equivalente às medidas tradicionais para avaliar a acurácia dos modelos, com a vantagem de permitir a avaliação gráfica. Pela análise gráfica, o BLASSO obteve menor desempenho em altos níveis de especificidade (>0,75). Em menores níveis de especificidade, a sensibilidade dos modelos foi similar. A metodologia ROC mostrou-se uma boa alternativa para avaliação de modelos de predição genômica, podendo ser utilizada para a seleção de cultivares de arroz resistentes à brusone. Palavras-chave: brusone do arroz; modelagem estatística; seleção genômica ampla; análise ROC; acurácia.   Performance of genomic estimation methods in the identification of rice resistance to brusone   ABSTRACT: In recent years, rice crop losses have increased due to biotic and abiotic stresses, among which brusone, which can result in 100% losses in susceptible rice cultivars. Therefore, it becomes strategic to identify methodologies that select resistant cultivars. In this work, we aimed to use ROC (Receiver operator characteristic) curve analysis and traditional measures to evaluate the performance of genomic estimation models (RR-BLUP, BLASSO and Bayes Cπ) in identifying rice resistance to brusone. The RR-BLUP and Bayes Cπ models were most accurate for the prediction of brusone resistance, while the best runtime was obtained by RR-BLUP. The area under the ROC curve was equivalent to traditional measures to evaluate the accuracy of the models, with the advantage of allowing graphical evaluation. By graphical analysis, BLASSO performed worst at high levels of specificity (>0.75). At lower levels of specificity, the sensitivity of the models was similar. The ROC methodology proved to be a good alternative for the evaluation of genomic prediction models, and can be used for the selection of rice cultivars resistant to brusone. Keywords: rice blast; statistical modelling; genomics wide selection; ROC analysis; accuracy.