Portfólio – Prof. Moysés Nascimento
Prof. Dr. Moysés Nascimento
Professor Associado IV — Universidade Federal de Viçosa
Professor do Departamento de Estatística da UFV, bolsista de Produtividade em Pesquisa do CNPq — Nível 1C, orientador de mestrado e doutorado em Estatística Aplicada e Biometria e em Genética e Melhoramento. Atua em métodos estatísticos aplicados ao melhoramento de plantas e animais, inteligência computacional, aprendizado estatístico, seleção genômica e análise multivariada.
Apresentação
Moysés Nascimento possui graduação em Estatística pela Universidade Federal do Espírito Santo, mestrado em Estatística Aplicada e Biometria pela Universidade Federal de Viçosa e doutorado em Estatística e Experimentação Agropecuária pela Universidade Federal de Lavras. Realizou formação em Seleção Genômica Ampla na Universidade de Zaragoza, pós-doutorado na North Carolina State University e pós-doutorado/estágio de pesquisa na University of Florida, com foco em análise de dados genômicos, integração de informações ambientais, inteligência computacional e aprendizado estatístico.
Foi coordenador do Programa de Pós-Graduação em Estatística Aplicada e Biometria da UFV no período de 2017 a 2019. Atualmente é Professor Associado IV do Departamento de Estatística, bolsista de Produtividade em Pesquisa do CNPq — Nível 1C, membro da comissão coordenadora da Pós-Graduação Lato Sensu em Inteligência Artificial e Computacional da UFV e um dos fundadores do Laboratório de Inteligência Computacional e Aprendizado Estatístico (LICAE-UFV).
Formação acadêmica
- Pós-doutorado: University of Florida — análise de dados genômicos com inserção de informações ambientais.
- Pós-doutorado: North Carolina State University — análise de dados genômicos via métodos econométricos.
- Formação complementar: Seleção Genômica Ampla — Universidade de Zaragoza, Espanha.
- Doutorado: Estatística e Experimentação Agropecuária — Universidade Federal de Lavras.
- Mestrado: Estatística Aplicada e Biometria — Universidade Federal de Viçosa.
- Graduação: Estatística — Universidade Federal do Espírito Santo.
Áreas de atuação e pesquisa
Melhoramento genético
Métodos estatísticos aplicados ao melhoramento de plantas e animais, seleção genômica, GWAS, predição de valores genéticos e integração de dados fenotípicos, genômicos e ambientais.
Inteligência computacional
Aplicação de redes neurais, aprendizado de máquina, métodos de redução de dimensionalidade e aprendizado estatístico em problemas de biometria e genética quantitativa.
Estatística multivariada
Análise de componentes principais, análise de fatores, classificação, agrupamento, análise discriminante e métodos multicaracterísticos.
Modelagem e inferência
Modelos de regressão, inferência bayesiana, MCMC, regressão quantílica, modelos mistos, dados longitudinais e séries temporais de expressão gênica.
Projetos e eixos de pesquisa
GenomicLand: software para predição e associação genômica
Aprendizado de máquina na predição de valores genéticos
Análise de fatores e seleção genômica em café
Métodos estatísticos para identificação de grupos ótimos de SNPs
Expressão gênica, transcriptomas e RNA-Seq
Publicações selecionadas
- Analysis of genotype by environment interaction in wheat including weather covariates using singular value decomposition. Ciência Rural, 2026.
- Extreme learning machine for genomic prediction of rust disease resistance in arabica coffee. Pesquisa Agropecuária Brasileira, 2026.
- Impact of environmental covariates summarization on predictive ability in genomic selection. The Plant Genome, 2026.
- Stacking Ensemble Learning for Genomic Prediction Under Complex Genetic Architectures. Agronomy, 2026.
- Enhancing genomic prediction with Stacking Ensemble Learning in Arabica Coffee. Frontiers in Plant Science, 2024.
- Genomic prediction in multi-environment trials in maize using statistical and machine learning methods. Scientific Reports, 2024.
- The trade-off between density marker panels size and predictive ability of genomic prediction for agronomic traits in Coffea canephora. Euphytica, 2024.
- GenomicLand: Software for genome-wide association studies and genomic prediction. Acta Scientiarum-Agronomy, 2019.
- Independent Component Analysis (ICA) based-clustering of temporal RNA-seq data. PLoS One, 2017.
- Regularized quantile regression applied to genome-enabled prediction of quantitative traits. Genetics and Molecular Research, 2017.
Ensino
Graduação
- EST 103 — Elementos de Estatística: probabilidade, variáveis aleatórias, distribuição normal, estatística descritiva, correlação, regressão linear simples, testes de hipóteses e análise de variância.
- EST 105 — Iniciação à Estatística: estatística descritiva, regressão linear simples, correlação, probabilidade, variáveis aleatórias, esperança, variância, covariância e testes de significância.
- EST 106 — Estatística I: conceitos introdutórios, estatística descritiva, probabilidade, distribuições de probabilidade, intervalos de confiança, amostragem, regressão e correlação.
Pós-graduação
- EST 732 — Métodos Estatísticos na Seleção Genômica: modelos mistos, inferência bayesiana, seleção genômica ampla e análise de associação genômica ampla.
- EST 744 — Regressão: regressão linear simples e múltipla, seleção de modelos, multicolinearidade, heterocedasticidade, autocorrelação, modelos especiais e regressão não linear.
- EST 746 — Análise Multivariada: distribuição multinormal, MANOVA, componentes principais, correlações canônicas, análise discriminante, agrupamento e análise fatorial.
- EST 792 — Tópicos Especiais III: métodos estatísticos para avaliação da expressão diferencial gênica, Linux/Unix, genética, RNA-Seq, R, Bioconductor e análise de transcriptomas.
Materiais disponíveis na web
Links preservados e organizados a partir da página institucional anterior.
- 1. Bayesian model-based clustering of temporal gene expression using autoregressive panel data approach
Bioinformatics - 2. Abordagem bayesiana para avaliação da adaptabilidade e estabilidade de genótipos de alfafa
Pesquisa Agropecuária Brasileira - 3. Artificial neural networks in evaluating the adaptability and stability in alfafa genotypes
Crop Breeding and Applied Biotechnology - 4. Modelagem hierárquica Bayesiana na avaliação de curvas de crescimento de suínos genotipados para o gene halotano
Ciência Rural - 5. Bayesian forecasting of temporal gene expression by using an autoregressive panel data approach
Genetics and Molecular Research - 6. Parallel Computing Applied to Genomic Selection in Plant Breeding
Revista Brasileira de Biometria - 7. Regularized Quantile Regression Applied to Genome-Enabled Prediction for Skewness Quantitative Traits
Scientia Agricola - 8. Metodologia para análise de adaptabilidade e estabilidade por meio de regressão quantílica
Pesquisa Agropecuária Brasileira - 9. Factor analysis applied to genome prediction for high-dimensional phenotypes in pigs
Genetics and Molecular Research - 10. ICAclust: a tool for clustering of temporal RNA-Seq data
Bioinformatics - 11. Quantile regression for genomic selection of growth curves
Material suplementar