Predição genômica de resistência à requeima e caracteres de produção em programa de melhoramento de batata para regiões tropicais de altitude orientada por aprendizado de máquina

A requeima, causada por Phytophthora infestans, impõe perdas severas à produção de batata (Solanum tuberosum), o que demanda ferramentas criteriosas de seleção para o desenvolvimento de variedades resistentes. Este trabalho teve como objetivo desenvolver e validar metodologias de predição genômica que integram feature selection (FS) e algoritmos de machine learning (ML) para resistência à requeima (rAUDPC), matéria seca (DM) e caracteres de rendimento (MTWP, TNTP, TTWP) em programa de melhoramento de batata do Centro Internacional da Batata (CIP-Peru). A hipótese central é que painéis reduzidos de marcadores informativos, combinados com modelos capazes de capturar não linearidades, podem superar abordagens que utilizam todos os polimorfismos de único nucleotídeo (SNPs) disponíveis. Para este fim, foram utilizados dados fenotípicos de 466 clones em ensaios intermediários para treinamento e 177 clones em ensaios avançados para validação, todos genotipados para 2.482 SNPs. A avaliação, conduzida por validação cruzada aninhada, combinou três métodos de FS (ANOVA, LASSO, RF) e seis algoritmos de regressão (RF, GB, SVR, MLP, Lasso, Ridge). A integração FS+ML demonstrou desempenho superior ao uso de todos os marcadores, resultando em modelos validados com capacidade preditiva (correlação de Pearson) de até 0,605 para DM e 0,595 para rAUDPC no conjunto de validação independente.