Título:	Extreme learning machine for genomic prediction of rust disease resistance in Arabica coffee.
Autoria:	SILVA, J. T. da BARRETO, C. A. V. NASCIMENTO, A. C. C. AZEVEDO, C. F. ALMEIDA, D. P. de CAIXETA, E. T. TEIXEIRA, F. R. F. NASCIMENTO, M.
Afiliação:	JACKSON TAVELA DA SILVA, UNIVERSIDADE FEDERAL DE VIÇOSA; CYNTHIA APARECIDA VALIATI BARRETO, UNIVERSIDADE FEDERAL DE VIÇOSA; ANA CAROLINA CAMPANA NASCIMENTO, UNIVERSIDADE FEDERAL DE VIÇOSA; CAMILA FERREIRA AZEVEDO, UNIVERSIDADE FEDERAL DE VIÇOSA; DÊNIA PIRES DE ALMEIDA, UNIVERSIDADE FEDERAL DE VIÇOSA; EVELINE TEIXEIRA CAIXETA MOURA, CNPCA; FILIPE RIBEIRO FORMIGA TEIXEIRA, UNIVERSIDADE FEDERAL DO PAIUÍ; MOYSÉS NASCIMENTO, UNIVERSIDADE FEDERAL DE VIÇOSA.
Ano de publicação:	2026
Referência:	Pesquisa Agropecuária Brasileira, v. 61, e03985, 2026.
Conteúdo:	ABSTRACT – The objective of this work was to investigate the use of Extreme Learning Machines (ELM) for the genomic prediction of rust resistance in Coffea arabica. With the objective of identifying an effective predictive model for the selection of resistant genotypes, ELM was compared to Artificial Neural Networks (ANN) and Bayesian Generalized Linear Regression (GBLR) in terms of accuracy measures and computational time. To this end, an F2 population of 245 C. arabica plants genotyped with 137 markers was used to evaluate the application of ELM for the genomic prediction of coffee rust resistance. The results indicate that ELM and ANN show a higher accuracy – on average 15% greater than that of GBLR – in predicting rust resistance. Additionally, ELM proves to be computationally more efficient, with a processing speed 5.5 and 19.45 times slower than that of ANN and BGLR, respectively, making it promising for large-scale analyses. RESUMO – O objetivo deste trabalho foi investigar o uso de Máquinas de Aprendizagem Extrema (ELM) para a predição genômica da resistência à ferrugem em Coffea arabica. Com o objetivo de identificar um modelo preditivo eficaz para a seleção de genótipos resistentes, o ELM foi comparado a Redes Neurais Artificiais (RNA) e Regressão Linear Generalizada Bayesiana (GBLR) em termos de medidas de acurácia e tempo computacional. Para tanto, uma população F2 de 245 plantas de C. arabica genotipadas com 137 marcadores foi utilizada de modo a avaliar a aplicação do ELM na predição genômica da resistência à ferrugem-do-café. Os resultados indicam que o ELM e a RNA apresentam maior acurácia – em média 15% superior ao GBLR – na predição da resistência à ferrugem. Adicionalmente, o ELM se mostra computacionalmente mais eficiente, com velocidades de processamento 5,5 e 19,45 vezes menores que a de RNA e o BGLR, respectivamente, tornando-o promissor para análises de larga escala.
Thesagro:	Café Coffea Arábica Ferrugem Melhoramento Vegetal
NAL Thesaurus:	Coffee (beverage) Plant breeding Rust diseases
Palavras-chave:	Seleção genômica
ISSN:	1678 -3921
Digital Object Identifier:	https://doi.org/10.1590/S1678-3921.pab2026.v61.03985.
Notas:	Título em português: Máquina de aprendizado extremo para predição genômica de resistência à ferrugem em café arábica.
Tipo do material:	Artigo de periódico
Acesso:	openAccess
Aparece nas coleções:	Artigo em periódico indexado (SAPC)