Seleção artificial para resistência à murcha bacteriana

O desenvolvimento de materiais tipo Burley resistente a Murcha Bacteriana é de suma importância para a fumicultura brasileira. Em fumo tipo Burley não existem variedades comerciais com boa adaptação resistentes à R. solanacearum. O objetivo desse trabalho foi determinar o efeito da seleção artificial para resistência à murcha bacteriana na população Burley x Virgínia em diferentes gerações segregantes. Este estudo foi realizado em um infectário de R. solanacearum, localizado em Santa Cruz do Sul, RS. Foi realizado cruzamento entre um cultivar tipo Burley moderadamente resistente (BY 26) e um material tipo Virgínia resistente à murcha (Oxford 207). Foram comparados quatro gerações F1, F3, F5, F7, pai moderadamente resistente (BY 26), pai resistente (OX 207) e uma testemunha suscetível (01528). O delineamento experimental utilizado foi de blocos ao acaso, com quatro repetições e 10 plantas em cada parcela, para uniformizar e aumentar o nível de severidade da moléstia, as plantas foram inoculadas através da deposição de 20 mL de uma suspensão (108 UFC/mL) de R. solanacearum. Para a murcha bacteriana não houve diferença significativa entre as médias das quatro gerações e nem destas com o genitor resistente, já que provavelmente a seleção efetuada em todas as gerações foi suficiente para manter os níveis de resistência observados na geração F1. Observou-se em F7 que várias linhas já estavam fixas com níveis de resistência à murcha semelhante ao genitor resistente. Portanto, os resultados finais mostraram que a seleção artificial foi eficiente para selecionar a resistência à murcha bacteriana, e que é possível transferir resistência a R. solanacearum de fumo Virgínia para fumo tipo Burley – mantendo as características desejadas de cor e tipo do fumo Burley com a resistência similar a do pai resistente.

Aspectos matemáticos do problema de aprendizagem em inteligência artificial

O objetivo deste trabalho é apresentar a base teórica para o problema de aprendizagem através de exemplos conforme as ref. [14], [15] e [16]. Aprender através de exemplos pode ser examinado como o problema de regressão da aproximação de uma função multivaluada sobre um conjunto de dados esparsos. Tal problema não é bem posto e a maneira clássica de resolvê-lo é através da teoria de regularização. A teoria de regularização clássica, como será considerada aqui, formula este problema de regressão como o problema variacional de achar a função f que minimiza o funcional Q[f] = 1 n n Xi=1 (yi ¡ f(xi))2 + ¸kfk2 K; onde kfk2 K é a norma em um espa»co de Hilbert especial que chamaremos de Núcleo Reprodutivo (Reproducing Kernel Hilbert Spaces), ou somente RKHS, IH definido pela função positiva K, o número de pontos do exemplo n e o parâmetro de regularização ¸. Sob condições gerais a solução da equação é dada por f(x) = n Xi=1 ciK(x; xi): A teoria apresentada neste trabalho é na verdade a fundamentação para uma teoria mais geral que justfica os funcionais regularizados para a aprendizagem através de um conjunto infinito de dados e pode ser usada para estender consideravelmente a estrutura clássica a regularização, combinando efetivamente uma perspectiva de análise funcional com modernos avanços em Teoria de Probabilidade e Estatística.