Divergência genética entre linhagens parcialmente endogâmicas de milho pipoca por métodos multivariados e redes neurais artificiais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFGD |
Texto Completo: | http://repositorio.ufgd.edu.br/jspui/handle/prefix/1032 |
Resumo: | No processo de seleção de genitores para cruzamentos dialélicos, visando à produção de híbridos, a avaliação da divergência genética é muito utilizada e pode ser mensurada por diferentes metodologias. As análises multivariadas são amplamente aplicadas para a avaliação da dissimilaridade genética, destacando-se os métodos de agrupamentos de Tocher, ligação média não ponderada entre grupos (UPGMA) e variáveis canônicas. Recentemente, tem-se empregado as técnicas de redes neurais artificiais, utilizando o modelo de mapa de Kohonen visando à organização da diversidade genética. Este trabalho foi realizado com o objetivo de estimar a divergência genética entre 20 linhagens parcialmente endogâmicas de milho pipoca, por métodos multivariados e redes neurais artificiais, visando à identificação de linhagens promissoras para cruzamentos dialélicos. Os experimentos foram conduzidos, em área de campo, na fazenda experimental da Universidade Federal da Grande Dourados, em Dourados/MS. Na safra I (ano agrícola 2014/2015) e safra II (ano agrícola 2016/2017). Vinte linhagens S2 (safra I) e S3 (safra II) de milho pipoca foram instaladas no delineamento em blocos casualizados, com três repetições. Foram avaliados os caracteres: dias para o florescimento feminino (FF) e masculino (FM), altura de plantas (AP), e da inserção da primeira espiga (AE), diâmetro de colmo (DC), prolificidade (PROLIF), plantas quebradas e acamadas (AQ), número de espigas autofecundadas por parcela (NEAP), comprimento de espigas (CPE), diâmetro de espiga (DE), número de fileiras de grãos (NFG), massa de cem grãos (M100), produtividade de grãos (PROD), capacidade de expansão dos grãos (CE) e volume de pipoca por hectare (VP). Foram realizadas as análises estatísticas multivariadas para a importância relativa dos caracteres, métodos de agrupamentos de Tocher, UPGMA, vizinho mais distante, variáveis canônicas e a técnica de redes neurais artificiais com o mapa de Kohonen. As escolhas das linhagens foram baseadas de forma geral pelas classificações dos métodos e contribuição dos caracteres. As linhagens S2 mais divergentes e potenciais identificadas foram as linhagens 9 (com menor AP, PROD e VP), 12 (com maior NFG e NEAP), 15 (com maior PROD, VP, CE e PROLIF) e 6 (com maior DC e menor FF e FM); e as linhagens S3 foram a 2 (menores CE e VP), 3 (maior CE), 10 (maiores PROD, VP, M100 e NEAP) e 8 (maior DE, FF e FM). Os caracteres que apresentaram a maior contribuição relativa para a divergência e diferenciação das linhagens, para as linhagens S2 foram a PROD, VP, M100 e CE; e para as linhagens S3 os caracteres CE, VP, AP e NEAP. Entre os métodos multivariados, as variáveis canônicas e o UPGMA, apresentaram a maior semelhança entre si para os agrupamentos. Entre os agrupamentos dos métodos multivariados e de redes neurais artificiais dos mapas de Kohonen, o maior relacionamento ocorreu entre os resultados apresentados pelas variáveis canônicas. A composição genética distinta das linhagens em S2 e S3 e as diferenças ambientais dos anos agrícolas avaliados, influenciaram nas diferenças obtidas em relação à divergência genética nos dois experimentos. |
id |
UFGD-2_36d2b6d03c9b1ebab7752f27ac4b66ba |
---|---|
oai_identifier_str |
oai:https://repositorio.ufgd.edu.br/jspui:prefix/1032 |
network_acronym_str |
UFGD-2 |
network_name_str |
Repositório Institucional da UFGD |
repository_id_str |
2116 |
spelling |
Gonçalves, Manoel Carloshttp://lattes.cnpq.br/6015983385635231Candido, Liliam Silviahttp://lattes.cnpq.br/5225778566440333Crispim, Bruno do Amaralhttp://lattes.cnpq.br/0788886244198151Carrasco, Nancy Farfanhttp://lattes.cnpq.br/2991451703867396http://lattes.cnpq.br/4136242490363353Silva, Priscila Carvalho da2019-06-07T13:47:26Z2019-06-07T13:47:26Z2018-02-08SILVA, Priscila Carvalho da. Divergência genética entre linhagens parcialmente endogâmicas de milho pipoca por métodos multivariados e redes neurais artificiais. 2018. 86 f. Dissertação (Mestrado em Agronomia) – Faculdade de Ciências Agrárias, Universidade Federal da Grande Dourados, Dourados, MS, 2018.http://repositorio.ufgd.edu.br/jspui/handle/prefix/1032No processo de seleção de genitores para cruzamentos dialélicos, visando à produção de híbridos, a avaliação da divergência genética é muito utilizada e pode ser mensurada por diferentes metodologias. As análises multivariadas são amplamente aplicadas para a avaliação da dissimilaridade genética, destacando-se os métodos de agrupamentos de Tocher, ligação média não ponderada entre grupos (UPGMA) e variáveis canônicas. Recentemente, tem-se empregado as técnicas de redes neurais artificiais, utilizando o modelo de mapa de Kohonen visando à organização da diversidade genética. Este trabalho foi realizado com o objetivo de estimar a divergência genética entre 20 linhagens parcialmente endogâmicas de milho pipoca, por métodos multivariados e redes neurais artificiais, visando à identificação de linhagens promissoras para cruzamentos dialélicos. Os experimentos foram conduzidos, em área de campo, na fazenda experimental da Universidade Federal da Grande Dourados, em Dourados/MS. Na safra I (ano agrícola 2014/2015) e safra II (ano agrícola 2016/2017). Vinte linhagens S2 (safra I) e S3 (safra II) de milho pipoca foram instaladas no delineamento em blocos casualizados, com três repetições. Foram avaliados os caracteres: dias para o florescimento feminino (FF) e masculino (FM), altura de plantas (AP), e da inserção da primeira espiga (AE), diâmetro de colmo (DC), prolificidade (PROLIF), plantas quebradas e acamadas (AQ), número de espigas autofecundadas por parcela (NEAP), comprimento de espigas (CPE), diâmetro de espiga (DE), número de fileiras de grãos (NFG), massa de cem grãos (M100), produtividade de grãos (PROD), capacidade de expansão dos grãos (CE) e volume de pipoca por hectare (VP). Foram realizadas as análises estatísticas multivariadas para a importância relativa dos caracteres, métodos de agrupamentos de Tocher, UPGMA, vizinho mais distante, variáveis canônicas e a técnica de redes neurais artificiais com o mapa de Kohonen. As escolhas das linhagens foram baseadas de forma geral pelas classificações dos métodos e contribuição dos caracteres. As linhagens S2 mais divergentes e potenciais identificadas foram as linhagens 9 (com menor AP, PROD e VP), 12 (com maior NFG e NEAP), 15 (com maior PROD, VP, CE e PROLIF) e 6 (com maior DC e menor FF e FM); e as linhagens S3 foram a 2 (menores CE e VP), 3 (maior CE), 10 (maiores PROD, VP, M100 e NEAP) e 8 (maior DE, FF e FM). Os caracteres que apresentaram a maior contribuição relativa para a divergência e diferenciação das linhagens, para as linhagens S2 foram a PROD, VP, M100 e CE; e para as linhagens S3 os caracteres CE, VP, AP e NEAP. Entre os métodos multivariados, as variáveis canônicas e o UPGMA, apresentaram a maior semelhança entre si para os agrupamentos. Entre os agrupamentos dos métodos multivariados e de redes neurais artificiais dos mapas de Kohonen, o maior relacionamento ocorreu entre os resultados apresentados pelas variáveis canônicas. A composição genética distinta das linhagens em S2 e S3 e as diferenças ambientais dos anos agrícolas avaliados, influenciaram nas diferenças obtidas em relação à divergência genética nos dois experimentos.In the selecting genitors process for diallel crosses, aiming to the production of hybrids, the evaluation of genetic divergence is widely used and can be measured by different methodologies. The multivariate analyzes is widely applied for the evaluation of genetic dissimilarity, highlighting the Tocher clustering method, unweighted mean linkage between groups (UPGMA) and canonical variables. Recently, the techniques of artificial neural networks have been used, using the map model of Kohonen aiming at the organization of genetic diversity. This work was carried out with the objective of estimating the genetic divergence among 20 partially endogenous popcorn strains by multivariate methods and artificial neural networks, aiming the identification of promising lines for diallel crosses. The experiments were conducted, on a field area, at Big Dourados Federal University experimental farm, in Dourados - Ms. In harvest I (agricultural year 2014/2015) and harvest II (agricultural year 2016/2017). Twenty popcorn S2 lineages (crop I) and S3 (crop II) were installed in the randomized block design, with three replications. The following characteristics were evaluated: days for female and male flowering (FF; FM), plant height (AP), and first ear insertion (AE), stem diameter (DC), prolificacy (PROLIF), broken plants (AQ), number of spikes autofecunded per plot (NEAP), ear length (CPE), spike diameter (DE), number of grains rows (NFG), hundred grain mass (M100), grain yield (PROD), grain expansion capacity (CE) and popcorn volume per hectare (PV). Multivariate statistical analyzes were performed for the relative importance of the characters, grouping methods of Tocher, UPGMA, more distant neighbor, canonical variables and the technique of artificial neural networks with the Kohonen map. Lineage choices were generally based on classifications of the methods and characters contribution. The most divergent and potential strains identified in S2 lineages were 9 (with lower AP, PROD and VP), 12 (with higher NFG and NEAP), 15 (with higher PROD, VP, CE and PROLIF) and 6 (with higher DC and lower FF and FM); and in the S3 lineages 2 (lowest CE and VP), 3 (highest CE), 10 (highest PROD, VP, M100 and NEAP) and 8 (higher DE, FF and FM). The characters that presented the greatest relative contribution to the divergence and differentiation of the lineages, for the S2 lineages were the PROD, VP, M100 and CE; and for the S3 lineages the characters CE, VP, AP and NEAP. Among the multivariate methods, the canonical variables and the UPGMA presented the greatest similarity among groups. Among the groupings of multivariate methods and artificial neural networks of Kohonen maps, the greatest relationship occurred among the results presented by canonical variables. The genetic distinct composition from the S2 and S3 lineages and the environmental differences of the evaluated agricultural years influenced the differences obtained in relation to the genetic divergence in the two experiments.Submitted by Alison Souza (alisonsouza@ufgd.edu.br) on 2019-06-07T13:47:26Z No. of bitstreams: 1 PriscilaCarvalhodaSilva.pdf: 1822453 bytes, checksum: 160c7aeabe848f45ecba79e749966f66 (MD5)Made available in DSpace on 2019-06-07T13:47:26Z (GMT). No. of bitstreams: 1 PriscilaCarvalhodaSilva.pdf: 1822453 bytes, checksum: 160c7aeabe848f45ecba79e749966f66 (MD5) Previous issue date: 2018-02-08Conselho Nacional de Pesquisas (CNPq)porUniversidade Federal da Grande DouradosPrograma de pós-graduação em AgronomiaUFGDBrasilFaculdade de Ciências AgráriasZea maysCNPQ::CIENCIAS AGRARIASVariação genéticaGenetic variationDivergência genética entre linhagens parcialmente endogâmicas de milho pipoca por métodos multivariados e redes neurais artificiaisPartially endogamic popcorn lineages genetic divergence by multivariate methods and artificial neural networksinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFGDinstname:Universidade Federal da Grande Dourados (UFGD)instacron:UFGDTEXTPriscilaCarvalhodaSilva.pdf.txtPriscilaCarvalhodaSilva.pdf.txtExtracted texttext/plain209914https://repositorio.ufgd.edu.br/jspui/bitstream/prefix/1032/3/PriscilaCarvalhodaSilva.pdf.txt816da6ba974e29a91190e4f010ec607cMD53LICENSElicense.txtlicense.txttext/plain; charset=utf-81866https://repositorio.ufgd.edu.br/jspui/bitstream/prefix/1032/2/license.txt43cd690d6a359e86c1fe3d5b7cba0c9bMD52ORIGINALPriscilaCarvalhodaSilva.pdfPriscilaCarvalhodaSilva.pdfapplication/pdf1822453https://repositorio.ufgd.edu.br/jspui/bitstream/prefix/1032/1/PriscilaCarvalhodaSilva.pdf160c7aeabe848f45ecba79e749966f66MD51prefix/10322023-09-14 01:27:29.703oai:https://repositorio.ufgd.edu.br/jspui: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ório InstitucionalPUBhttps://repositorio.ufgd.edu.br/jspui:8080/oai/requestopendoar:21162023-09-14T05:27:29Repositório Institucional da UFGD - Universidade Federal da Grande Dourados (UFGD)false |
dc.title.pt_BR.fl_str_mv |
Divergência genética entre linhagens parcialmente endogâmicas de milho pipoca por métodos multivariados e redes neurais artificiais |
dc.title.alternative.en.fl_str_mv |
Partially endogamic popcorn lineages genetic divergence by multivariate methods and artificial neural networks |
title |
Divergência genética entre linhagens parcialmente endogâmicas de milho pipoca por métodos multivariados e redes neurais artificiais |
spellingShingle |
Divergência genética entre linhagens parcialmente endogâmicas de milho pipoca por métodos multivariados e redes neurais artificiais Silva, Priscila Carvalho da Zea mays CNPQ::CIENCIAS AGRARIAS Variação genética Genetic variation |
title_short |
Divergência genética entre linhagens parcialmente endogâmicas de milho pipoca por métodos multivariados e redes neurais artificiais |
title_full |
Divergência genética entre linhagens parcialmente endogâmicas de milho pipoca por métodos multivariados e redes neurais artificiais |
title_fullStr |
Divergência genética entre linhagens parcialmente endogâmicas de milho pipoca por métodos multivariados e redes neurais artificiais |
title_full_unstemmed |
Divergência genética entre linhagens parcialmente endogâmicas de milho pipoca por métodos multivariados e redes neurais artificiais |
title_sort |
Divergência genética entre linhagens parcialmente endogâmicas de milho pipoca por métodos multivariados e redes neurais artificiais |
author |
Silva, Priscila Carvalho da |
author_facet |
Silva, Priscila Carvalho da |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Gonçalves, Manoel Carlos |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/6015983385635231 |
dc.contributor.advisor-co1.fl_str_mv |
Candido, Liliam Silvia |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/5225778566440333 |
dc.contributor.referee1.fl_str_mv |
Crispim, Bruno do Amaral |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/0788886244198151 |
dc.contributor.referee2.fl_str_mv |
Carrasco, Nancy Farfan |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/2991451703867396 |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/4136242490363353 |
dc.contributor.author.fl_str_mv |
Silva, Priscila Carvalho da |
contributor_str_mv |
Gonçalves, Manoel Carlos Candido, Liliam Silvia Crispim, Bruno do Amaral Carrasco, Nancy Farfan |
dc.subject.la.fl_str_mv |
Zea mays |
topic |
Zea mays CNPQ::CIENCIAS AGRARIAS Variação genética Genetic variation |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS AGRARIAS |
dc.subject.por.fl_str_mv |
Variação genética |
dc.subject.eng.fl_str_mv |
Genetic variation |
description |
No processo de seleção de genitores para cruzamentos dialélicos, visando à produção de híbridos, a avaliação da divergência genética é muito utilizada e pode ser mensurada por diferentes metodologias. As análises multivariadas são amplamente aplicadas para a avaliação da dissimilaridade genética, destacando-se os métodos de agrupamentos de Tocher, ligação média não ponderada entre grupos (UPGMA) e variáveis canônicas. Recentemente, tem-se empregado as técnicas de redes neurais artificiais, utilizando o modelo de mapa de Kohonen visando à organização da diversidade genética. Este trabalho foi realizado com o objetivo de estimar a divergência genética entre 20 linhagens parcialmente endogâmicas de milho pipoca, por métodos multivariados e redes neurais artificiais, visando à identificação de linhagens promissoras para cruzamentos dialélicos. Os experimentos foram conduzidos, em área de campo, na fazenda experimental da Universidade Federal da Grande Dourados, em Dourados/MS. Na safra I (ano agrícola 2014/2015) e safra II (ano agrícola 2016/2017). Vinte linhagens S2 (safra I) e S3 (safra II) de milho pipoca foram instaladas no delineamento em blocos casualizados, com três repetições. Foram avaliados os caracteres: dias para o florescimento feminino (FF) e masculino (FM), altura de plantas (AP), e da inserção da primeira espiga (AE), diâmetro de colmo (DC), prolificidade (PROLIF), plantas quebradas e acamadas (AQ), número de espigas autofecundadas por parcela (NEAP), comprimento de espigas (CPE), diâmetro de espiga (DE), número de fileiras de grãos (NFG), massa de cem grãos (M100), produtividade de grãos (PROD), capacidade de expansão dos grãos (CE) e volume de pipoca por hectare (VP). Foram realizadas as análises estatísticas multivariadas para a importância relativa dos caracteres, métodos de agrupamentos de Tocher, UPGMA, vizinho mais distante, variáveis canônicas e a técnica de redes neurais artificiais com o mapa de Kohonen. As escolhas das linhagens foram baseadas de forma geral pelas classificações dos métodos e contribuição dos caracteres. As linhagens S2 mais divergentes e potenciais identificadas foram as linhagens 9 (com menor AP, PROD e VP), 12 (com maior NFG e NEAP), 15 (com maior PROD, VP, CE e PROLIF) e 6 (com maior DC e menor FF e FM); e as linhagens S3 foram a 2 (menores CE e VP), 3 (maior CE), 10 (maiores PROD, VP, M100 e NEAP) e 8 (maior DE, FF e FM). Os caracteres que apresentaram a maior contribuição relativa para a divergência e diferenciação das linhagens, para as linhagens S2 foram a PROD, VP, M100 e CE; e para as linhagens S3 os caracteres CE, VP, AP e NEAP. Entre os métodos multivariados, as variáveis canônicas e o UPGMA, apresentaram a maior semelhança entre si para os agrupamentos. Entre os agrupamentos dos métodos multivariados e de redes neurais artificiais dos mapas de Kohonen, o maior relacionamento ocorreu entre os resultados apresentados pelas variáveis canônicas. A composição genética distinta das linhagens em S2 e S3 e as diferenças ambientais dos anos agrícolas avaliados, influenciaram nas diferenças obtidas em relação à divergência genética nos dois experimentos. |
publishDate |
2018 |
dc.date.issued.fl_str_mv |
2018-02-08 |
dc.date.accessioned.fl_str_mv |
2019-06-07T13:47:26Z |
dc.date.available.fl_str_mv |
2019-06-07T13:47:26Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
SILVA, Priscila Carvalho da. Divergência genética entre linhagens parcialmente endogâmicas de milho pipoca por métodos multivariados e redes neurais artificiais. 2018. 86 f. Dissertação (Mestrado em Agronomia) – Faculdade de Ciências Agrárias, Universidade Federal da Grande Dourados, Dourados, MS, 2018. |
dc.identifier.uri.fl_str_mv |
http://repositorio.ufgd.edu.br/jspui/handle/prefix/1032 |
identifier_str_mv |
SILVA, Priscila Carvalho da. Divergência genética entre linhagens parcialmente endogâmicas de milho pipoca por métodos multivariados e redes neurais artificiais. 2018. 86 f. Dissertação (Mestrado em Agronomia) – Faculdade de Ciências Agrárias, Universidade Federal da Grande Dourados, Dourados, MS, 2018. |
url |
http://repositorio.ufgd.edu.br/jspui/handle/prefix/1032 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal da Grande Dourados |
dc.publisher.program.fl_str_mv |
Programa de pós-graduação em Agronomia |
dc.publisher.initials.fl_str_mv |
UFGD |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Faculdade de Ciências Agrárias |
publisher.none.fl_str_mv |
Universidade Federal da Grande Dourados |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFGD instname:Universidade Federal da Grande Dourados (UFGD) instacron:UFGD |
instname_str |
Universidade Federal da Grande Dourados (UFGD) |
instacron_str |
UFGD |
institution |
UFGD |
reponame_str |
Repositório Institucional da UFGD |
collection |
Repositório Institucional da UFGD |
bitstream.url.fl_str_mv |
https://repositorio.ufgd.edu.br/jspui/bitstream/prefix/1032/3/PriscilaCarvalhodaSilva.pdf.txt https://repositorio.ufgd.edu.br/jspui/bitstream/prefix/1032/2/license.txt https://repositorio.ufgd.edu.br/jspui/bitstream/prefix/1032/1/PriscilaCarvalhodaSilva.pdf |
bitstream.checksum.fl_str_mv |
816da6ba974e29a91190e4f010ec607c 43cd690d6a359e86c1fe3d5b7cba0c9b 160c7aeabe848f45ecba79e749966f66 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFGD - Universidade Federal da Grande Dourados (UFGD) |
repository.mail.fl_str_mv |
|
_version_ |
1798042054186500096 |