Análises dialélicas envolvendo as capacidades geral e específica recíprocas e ensaios multiambientes e multigerações via modelos mistos

• Autor(a) principal: Marçal, Tiago de Souza
• Data de Publicação: 2019
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: LOCUS Repositório Institucional da UFV
• Texto Completo: https://locus.ufv.br//handle/123456789/28699
• topic: Melhoramento genético; Estatística matemática; Análise multivariada; Melhoramento Vegetal

Na análise dialélica, utilizando modelos mistos, é possível estimar as variâncias da capacidade geral de combinação (CGC), capacidade específica de combinação (CEC), CGC recíproca (RCGC), CEC recíproca (RCEC), mesmo para conjuntos de dados desbalanceados. Entretanto, devido à interação genótipos por ambientes (G×A), estas informações podem mudar de um ambiente para outro. Para algumas espécies autógamas, devido à interação G×A e a limitação de sementes F 1 , os dialelos são conduzidos em experimentos sequenciais denominados aqui de multi-environment and multi-generation trials (MEGT). A abordagem mais recente sugere que a forma mais lógica, do ponto de vista genético, para modelar dados sob interação G×A é tratar um mesmo caractere avaliado em uma série de ambientes como caracteres diferentes. Neste sentido, assume-se uma estrutura de (co)variância genotípica capaz de acomodar a heterogeneidade de variâncias e covariâncias. A estimação dos parâmetros de variância na análise dialélica via modelos mistos pode ser realizada maximizando-se a função de verossimilhança residual via algoritmos numéricos como: expectation maximization (EM), average information (AI) e EM-AI. Assim, o objetivo deste trabalho foi descrever os detalhes para se realizar a análise dialélica envolvendo as capacidades geral e específica recíprocas, bem como análise dialélica envolvendo ensaios multiambientes e multigerações via modelos mistos usando os algoritmos EM, AI e EM- AI. O primeiro capítulo, publicado no periódico Crop Science 59(4):1494-1503, 2019, (Estimação das variâncias dos efeitos recíprocos de capacidade geral e específica de combinação por meio do algoritmo EM-AI) teve como foco a avaliação da eficiência computacional dos algoritmos EM, AI e EM-AI na estimação de componentes de variância para três modelos dialélicos (Modelo 1 de Griffing, Modelo 1 de Griffing + RCGC e Model 3, um modelo dialélico geral com os efeitos de CGC, CEC, RCGC, RCEC e parentais). Os resultados revelaram que o algoritmo AI falhou em convergir para todos os modelos, enquanto os demais algoritmos convergiram normalmente (EM e EM-AI). Dentre os dois últimos, o algoritmo EM-AI foi o mais eficiente computacionalmente e o modelo dialélico geral (Modelo 3) forneceu estimativas mais precisas dos componentes de variância. Assim, o algoritmo EM-AI e o modelo geral têm potencial para uso em análises dialélicas no melhoramento de plantas. O segundo capítulo (Análise dialélica multiambientes e multigerações no melhoramento de plantas autógamas) focou na avaliação da eficiência computacional dos algoritmos EM, AI e EM-AI e escolha de modelo para a análise dialélica em MEGT. A combinação entre diferentes estruturas de (co)variância possibilitou a definição de quatro modelos. Para avaliar o potencial das populações segregantes foi utilizado um índice baseado na distância genótipos-ideótipo (IGI). Os resultados mostraram que os algoritmos AI e EM-AI foram os mais eficientes computacionalmente quando a convergência foi verificada. Além disso, o modelo que assume heterogeneidade de variâncias para os efeitos genéticos e não genético, bem como correlação uniforme para os efeitos genéticos foi o mais adequado. Assim, a modelagem de estruturas de (co)variância na análise dialélica em MEGT via algoritmo AI associada à utilização do IGI têm potencial para uso nos programas de melhoramento de plantas autógamas. Palavras-chave: Capacidade combinatória. Máxima verossimilhança. Estruturas de (co)variância.