Pesquisa une inteligência artificial e genética para otimizar a seleção de linhagens de soja e elevar a eficiência na gestão agrícola

Estudo das universidades une modelos estatísticos e aprendizado de máquina para ranquear materiais promissores e aprimorar a eficiência no melhoramento de cultivares

A Universidade Estadual Paulista (Unesp) e a Universidade Tecnológica Federal do Paraná (UTFPR) combinaram métodos de genética quantitativa e inteligência artificial para selecionar linhagens de soja com produtividade elevada e composição favorável dos grãos, visando aprimorar o planejamento e a eficiência nos processos de melhoramento e gestão de insumos no agronegócio.

Pesquisadores da Universidade Estadual Paulista (Unesp) e da Universidade Tecnológica Federal do Paraná (UTFPR) uniram métodos estatísticos de genética quantitativa e aprendizado de máquina para selecionar linhagens de soja focadas em produtividade e composição de grãos. O trabalho avaliou 142 linhagens avançadas distribuídas em quatro populações ao longo de três safras, entre 2019/20 e 2021/22, em Jaboticabal, São Paulo, com o objetivo de identificar materiais promissores e demonstrar a aplicação complementar de ferramentas digitais na tomada de decisão agrícola. A pesquisa foi realizada por Alice Pereira Silva, Jardel Souza, Alyce Carla Rodrigues Moitinho, Dardânia Soares Cristeli, Hortência Kardec da Silva, Thayná Pereira Garcia, Glauco Vieira Miranda e Sandra Helena Unêda-Trevisoli, conforme publicado na revista Cultivar (doi: 10.3390/agronomy16212252).

Aplicação de modelos estatísticos e inteligência artificial na seleção

Para estruturar a análise, a equipe utilizou modelos mistos REML/BLUP para estimar parâmetros genéticos consistentes ao longo das safras. Em seguida, empregou o índice de seleção Z para cruzar dados de produtividade e teor de óleo, ranqueando as dez melhores linhagens de cada população avaliada. O genótipo 38, pertencente à população C, destacou-se com produtividade média de 5.132,81 quilogramas por hectare, teor de óleo de 22,54% e índice Z de 7,45 ao longo do período analisado.

Paralelamente, os pesquisadores aplicaram o algoritmo Random Forest para classificar materiais pré-avaliados com base nos teores de óleo, proteína e na combinação de ambas as características. O modelo alcançou acurácia de 99% para óleo, 100% para proteína e 98% para o critério combinado, refletindo concordância direta com os grupos definidos experimentalmente.

Impactos na gestão de ativos biológicos e etapas futuras

Do ponto de vista da gestão técnica e estratégica, a integração de algoritmos preditivos e análise estatística robusta representa um avanço na previsibilidade e no controle de qualidade dentro do desenvolvimento de cultivares. A adoção de critérios digitais e analíticos reduz margens de erro na triagem de materiais genéticos, permitindo que gestores de P&D e empresas sementeiras otimizem recursos operacionais e financeiros antes de avançarem para etapas de maior escala.

Apesar dos resultados expressivos, os autores ressaltam que as linhagens selecionadas ainda precisam passar por ensaios com repetição e por avaliações formais de Valor de Cultivo e Uso (VCU) em diferentes ambientes geográficos antes de receberem qualquer recomendação comercial. Além disso, os pesquisadores pontuam que os índices de acurácia obtidos pelo algoritmo demonstram concordância com dados experimentais pré-existentes, sem capacidade preditiva imediata para genótipos totalmente desconhecidos. O estudo também identificou variações na variabilidade genética entre populações e safras, embora a avaliação anual de cada geração tenha limitado a separação isolada entre efeitos genéticos e ambientais.