Statistical genetics tools for empowered data-driven decisions

Detalhes bibliográficos
Autor(a) principal: Chaves, Saulo Fabrício da Silva
Data de Publicação: 2024
Tipo de documento: Tese
Idioma: eng
Título da fonte: LOCUS Repositório Institucional da UFV
Texto Completo: https://locus.ufv.br//handle/123456789/32302
https://doi.org/10.47328/ufvbbt.2024.122
Resumo: A pressão para acelerar os resultados dos programas de melhoramento de plantas está a intensificar-se. Em contraste, há um declínio preocupante na diversidade genética das principais culturas, tornando cada vez mais difícil obter ganhos genéticos consistentes. Consequentemente, a alocação eficiente de recursos nos programas de melhoramento requer a implementação estratégica de ferramentas de genética-estatística. Esta mudança exige uma tomada de decisão baseada em dados, colocando os profissionais proficientes neste conjunto de ferramentas numa vantagem significativa para enfrentar desafios tradicionais e emergentes. Esta tese serve como uma demonstração prática da utilização da genética-estatística em várias vertentes dod melhoramento de plantas. Dividido em seis capítulos, cada um com objetivos distintos, o trabalho apresenta uma gama de aplicações. No Capítulo 1 determinamos o número ideal de colheitas para seleção no melhoramento de cacau, considerando recomendação e recombinação. O Capítulo 2 explora a aplicação da modelagem de estrutura de covariância em dois cenários comuns de melhoramento de plantas perenes: análise de dados de múltiplas colheitas e de múltiplos locais. O Capítulo 3 demonstra o uso de modelos fator analítico no melhoramento de milho, incluindo a incorporação de ferramentas de seleção para agilizar a tomada de decisões. Notavelmente, este capítulo destaca a vantagem da seleção sazonal para alcançar maiores ganhos genéticos em comparação com uma abordagem combinada. No Capítulo 4 avaliamos a eficácia do esquema de seleção recorrente recíproca (SRR) dentro de um programa de melhoramento genético de eucalipto. Este capítulo reconhece o prazo alargado associado ao SRR, mas também demonstra o seu sucesso no aumento da população híbrida. Além disso, o capítulo enfatiza a importância de considerar os efeitos de dominância durante o processo de seleção. O Capítulo 5 oferece um tutorial abrangente sobre a condução de análises baseadas em modelos lineares mistos no melhoramento de plantas perenes. O capítulo cobre várias análises, incluindo ensaios individuais, ensaios multiambientais, análise espacial e análise de concorrência. Finalmente, o Capítulo 6 apresenta o pacote do R ProbBreed, que utiliza princípios bayesianos e conceitos probabilísticos para apoiar a seleção em ensaios multiambientes. ProbBreed estima o risco associado à seleção de candidatos, capacitando uma tomada de decisão mais informada. Este capítulo também apresenta um novo modelo de múltiplos anos e locais e compara os resultados dos pacotes ProbBreed e ASReml-R usando dados simulados. Ao mostrar as aplicações de ferramentas de genética-estatística e facilitar o compartilhamento de conhecimento através de códigos e exemplos reproduzíveis, esta tese enfatiza a versatilidade e a importância deste campo no enfrentamento de diversos desafios no dinâmico campo do melhoramento de plantas. Palavras-chave: Análise de dados. Modelos Lineares Mistos. Modelos Bayesianos. Interação Genótipos-Ambientes. Análise Espacial. Seleção Recorrente Recíproca
id UFV_db3793b0fe3ccfe4d06c3b029bc4ab62
oai_identifier_str oai:locus.ufv.br:123456789/32302
network_acronym_str UFV
network_name_str LOCUS Repositório Institucional da UFV
repository_id_str 2145
spelling Dias, Kaio Olimpio das GraçasAlves, Rodrigo SilvaChaves, Saulo Fabrício da Silvahttp://lattes.cnpq.br/7323802421710943Dias, Luiz Antônio dos Santos2024-06-05T15:33:56Z2024-06-05T15:33:56Z2024-03-18CHAVES, Saulo Fabrício da Silva. Statistical genetics tools for empowered data-driven decisions. 2024. 208 f. Tese (Doutorado em Genética e Melhoramento) - Universidade Federal de Viçosa, Viçosa. 2024.https://locus.ufv.br//handle/123456789/32302https://doi.org/10.47328/ufvbbt.2024.122A pressão para acelerar os resultados dos programas de melhoramento de plantas está a intensificar-se. Em contraste, há um declínio preocupante na diversidade genética das principais culturas, tornando cada vez mais difícil obter ganhos genéticos consistentes. Consequentemente, a alocação eficiente de recursos nos programas de melhoramento requer a implementação estratégica de ferramentas de genética-estatística. Esta mudança exige uma tomada de decisão baseada em dados, colocando os profissionais proficientes neste conjunto de ferramentas numa vantagem significativa para enfrentar desafios tradicionais e emergentes. Esta tese serve como uma demonstração prática da utilização da genética-estatística em várias vertentes dod melhoramento de plantas. Dividido em seis capítulos, cada um com objetivos distintos, o trabalho apresenta uma gama de aplicações. No Capítulo 1 determinamos o número ideal de colheitas para seleção no melhoramento de cacau, considerando recomendação e recombinação. O Capítulo 2 explora a aplicação da modelagem de estrutura de covariância em dois cenários comuns de melhoramento de plantas perenes: análise de dados de múltiplas colheitas e de múltiplos locais. O Capítulo 3 demonstra o uso de modelos fator analítico no melhoramento de milho, incluindo a incorporação de ferramentas de seleção para agilizar a tomada de decisões. Notavelmente, este capítulo destaca a vantagem da seleção sazonal para alcançar maiores ganhos genéticos em comparação com uma abordagem combinada. No Capítulo 4 avaliamos a eficácia do esquema de seleção recorrente recíproca (SRR) dentro de um programa de melhoramento genético de eucalipto. Este capítulo reconhece o prazo alargado associado ao SRR, mas também demonstra o seu sucesso no aumento da população híbrida. Além disso, o capítulo enfatiza a importância de considerar os efeitos de dominância durante o processo de seleção. O Capítulo 5 oferece um tutorial abrangente sobre a condução de análises baseadas em modelos lineares mistos no melhoramento de plantas perenes. O capítulo cobre várias análises, incluindo ensaios individuais, ensaios multiambientais, análise espacial e análise de concorrência. Finalmente, o Capítulo 6 apresenta o pacote do R ProbBreed, que utiliza princípios bayesianos e conceitos probabilísticos para apoiar a seleção em ensaios multiambientes. ProbBreed estima o risco associado à seleção de candidatos, capacitando uma tomada de decisão mais informada. Este capítulo também apresenta um novo modelo de múltiplos anos e locais e compara os resultados dos pacotes ProbBreed e ASReml-R usando dados simulados. Ao mostrar as aplicações de ferramentas de genética-estatística e facilitar o compartilhamento de conhecimento através de códigos e exemplos reproduzíveis, esta tese enfatiza a versatilidade e a importância deste campo no enfrentamento de diversos desafios no dinâmico campo do melhoramento de plantas. Palavras-chave: Análise de dados. Modelos Lineares Mistos. Modelos Bayesianos. Interação Genótipos-Ambientes. Análise Espacial. Seleção Recorrente RecíprocaThe pressure to accelerate results in plant breeding programs is intensifying. Conversely, there is a concerning decline in the genetic diversity of staple crops, making it increasingly difficult to achieve genetic gains. Consequently, efficient resource allocation within breeding programs requires the strategic implementation of statistical genetics tools. This shift necessitates data-driven decision-making, placing professionals proficient in this toolkit at a significant advantage for addressing both traditional and emerging challenges. This thesis serves as a practical demonstration of utilizing statistical genetics in various plant breeding endeavours. Divided into six chapters, each with distinct objectives, the work showcases a range of applications. In Chapter 1, we determined the optimal number of harvests for selection in cacao breeding, considering both recommendation and recombination. Chapter 2 explores the application of covariance structure modelling in two common scenarios of perennial plant breeding: multi-harvest and multi-site data analysis. Chapter 3 demonstrates the use of factor analytic mixed models in maize breeding, including the incorporation of selection tools for streamlined decision-making. Notably, this chapter highlights the advantage of seasonal selection for achieving greater genetic gains compared to a combined approach. In Chapter 4, we evaluated the efficacy of the reciprocal recurrent selection (RRS) scheme within a eucalyptus breeding program. This chapter acknowledges the extended timeframe associated with RRS but also demonstrates its success in enhancing the hybrid population. Additionally, the chapter emphasizes the importance of considering dominance effects during the selection process. Chapter 5 offers a comprehensive tutorial on conducting linear mixed model analyses in perennial plant breeding. The chapter covers various analyses, including individual trials, multi- environment trials, spatial analysis, and competition analysis. Finally, Chapter 6 introduces the R package ProbBreed, which utilizes Bayesian principles and probabilistic concepts to support selection in multi-environment trials. ProbBreed estimates the risk associated with selecting candidates, empowering more informed decision-making. This chapter also introduces a novel multi-location-year model and compares the outcomes of ProbBreed and ASReml-R using simulated data. By showcasing the applications of statistical genetics tools and facilitating knowledge sharing through open-source code and reproducible examples, this thesis emphasizes the versatility and importance of this field in tackling diverse challenges within the dynamic field of plant breeding. Keywords: Data Analysis. Linear Mixed Models. Bayesian models. Genotype-by-Environment interaction. Spatial Analysis. Reciprocal Recurrent SelectionengUniversidade Federal de ViçosaGenética e MelhoramentoPlantas - Melhoramento genéticoGenética quantitativaMelhoramento VegetalStatistical genetics tools for empowered data-driven decisionsFerramentas de genética estatística para decisões qualificadas baseadas em dadosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisUniversidade Federal de ViçosaDepartamento de AgronomiaDoutor em Genética e MelhoramentoViçosa - MG2024-03-18Doutoradoinfo:eu-repo/semantics/openAccessreponame:LOCUS Repositório Institucional da UFVinstname:Universidade Federal de Viçosa (UFV)instacron:UFVORIGINALtexto completo.pdftexto completo.pdftexto completoapplication/pdf5280240https://locus.ufv.br//bitstream/123456789/32302/1/texto%20completo.pdf849495279e87d62365c2b0f07bf184f4MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://locus.ufv.br//bitstream/123456789/32302/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52123456789/323022024-06-05 12:33:57.544oai:locus.ufv.br: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Repositório InstitucionalPUBhttps://www.locus.ufv.br/oai/requestfabiojreis@ufv.bropendoar:21452024-06-05T15:33:57LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV)false
dc.title.en.fl_str_mv Statistical genetics tools for empowered data-driven decisions
dc.title.pt-BR.fl_str_mv Ferramentas de genética estatística para decisões qualificadas baseadas em dados
title Statistical genetics tools for empowered data-driven decisions
spellingShingle Statistical genetics tools for empowered data-driven decisions
Chaves, Saulo Fabrício da Silva
Plantas - Melhoramento genético
Genética quantitativa
Melhoramento Vegetal
title_short Statistical genetics tools for empowered data-driven decisions
title_full Statistical genetics tools for empowered data-driven decisions
title_fullStr Statistical genetics tools for empowered data-driven decisions
title_full_unstemmed Statistical genetics tools for empowered data-driven decisions
title_sort Statistical genetics tools for empowered data-driven decisions
author Chaves, Saulo Fabrício da Silva
author_facet Chaves, Saulo Fabrício da Silva
author_role author
dc.contributor.authorLattes.pt-BR.fl_str_mv http://lattes.cnpq.br/7323802421710943
dc.contributor.none.fl_str_mv Dias, Kaio Olimpio das Graças
Alves, Rodrigo Silva
dc.contributor.author.fl_str_mv Chaves, Saulo Fabrício da Silva
dc.contributor.advisor1.fl_str_mv Dias, Luiz Antônio dos Santos
contributor_str_mv Dias, Luiz Antônio dos Santos
dc.subject.pt-BR.fl_str_mv Plantas - Melhoramento genético
Genética quantitativa
topic Plantas - Melhoramento genético
Genética quantitativa
Melhoramento Vegetal
dc.subject.cnpq.fl_str_mv Melhoramento Vegetal
description A pressão para acelerar os resultados dos programas de melhoramento de plantas está a intensificar-se. Em contraste, há um declínio preocupante na diversidade genética das principais culturas, tornando cada vez mais difícil obter ganhos genéticos consistentes. Consequentemente, a alocação eficiente de recursos nos programas de melhoramento requer a implementação estratégica de ferramentas de genética-estatística. Esta mudança exige uma tomada de decisão baseada em dados, colocando os profissionais proficientes neste conjunto de ferramentas numa vantagem significativa para enfrentar desafios tradicionais e emergentes. Esta tese serve como uma demonstração prática da utilização da genética-estatística em várias vertentes dod melhoramento de plantas. Dividido em seis capítulos, cada um com objetivos distintos, o trabalho apresenta uma gama de aplicações. No Capítulo 1 determinamos o número ideal de colheitas para seleção no melhoramento de cacau, considerando recomendação e recombinação. O Capítulo 2 explora a aplicação da modelagem de estrutura de covariância em dois cenários comuns de melhoramento de plantas perenes: análise de dados de múltiplas colheitas e de múltiplos locais. O Capítulo 3 demonstra o uso de modelos fator analítico no melhoramento de milho, incluindo a incorporação de ferramentas de seleção para agilizar a tomada de decisões. Notavelmente, este capítulo destaca a vantagem da seleção sazonal para alcançar maiores ganhos genéticos em comparação com uma abordagem combinada. No Capítulo 4 avaliamos a eficácia do esquema de seleção recorrente recíproca (SRR) dentro de um programa de melhoramento genético de eucalipto. Este capítulo reconhece o prazo alargado associado ao SRR, mas também demonstra o seu sucesso no aumento da população híbrida. Além disso, o capítulo enfatiza a importância de considerar os efeitos de dominância durante o processo de seleção. O Capítulo 5 oferece um tutorial abrangente sobre a condução de análises baseadas em modelos lineares mistos no melhoramento de plantas perenes. O capítulo cobre várias análises, incluindo ensaios individuais, ensaios multiambientais, análise espacial e análise de concorrência. Finalmente, o Capítulo 6 apresenta o pacote do R ProbBreed, que utiliza princípios bayesianos e conceitos probabilísticos para apoiar a seleção em ensaios multiambientes. ProbBreed estima o risco associado à seleção de candidatos, capacitando uma tomada de decisão mais informada. Este capítulo também apresenta um novo modelo de múltiplos anos e locais e compara os resultados dos pacotes ProbBreed e ASReml-R usando dados simulados. Ao mostrar as aplicações de ferramentas de genética-estatística e facilitar o compartilhamento de conhecimento através de códigos e exemplos reproduzíveis, esta tese enfatiza a versatilidade e a importância deste campo no enfrentamento de diversos desafios no dinâmico campo do melhoramento de plantas. Palavras-chave: Análise de dados. Modelos Lineares Mistos. Modelos Bayesianos. Interação Genótipos-Ambientes. Análise Espacial. Seleção Recorrente Recíproca
publishDate 2024
dc.date.accessioned.fl_str_mv 2024-06-05T15:33:56Z
dc.date.available.fl_str_mv 2024-06-05T15:33:56Z
dc.date.issued.fl_str_mv 2024-03-18
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv CHAVES, Saulo Fabrício da Silva. Statistical genetics tools for empowered data-driven decisions. 2024. 208 f. Tese (Doutorado em Genética e Melhoramento) - Universidade Federal de Viçosa, Viçosa. 2024.
dc.identifier.uri.fl_str_mv https://locus.ufv.br//handle/123456789/32302
dc.identifier.doi.pt-BR.fl_str_mv https://doi.org/10.47328/ufvbbt.2024.122
identifier_str_mv CHAVES, Saulo Fabrício da Silva. Statistical genetics tools for empowered data-driven decisions. 2024. 208 f. Tese (Doutorado em Genética e Melhoramento) - Universidade Federal de Viçosa, Viçosa. 2024.
url https://locus.ufv.br//handle/123456789/32302
https://doi.org/10.47328/ufvbbt.2024.122
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Viçosa
dc.publisher.program.fl_str_mv Genética e Melhoramento
publisher.none.fl_str_mv Universidade Federal de Viçosa
dc.source.none.fl_str_mv reponame:LOCUS Repositório Institucional da UFV
instname:Universidade Federal de Viçosa (UFV)
instacron:UFV
instname_str Universidade Federal de Viçosa (UFV)
instacron_str UFV
institution UFV
reponame_str LOCUS Repositório Institucional da UFV
collection LOCUS Repositório Institucional da UFV
bitstream.url.fl_str_mv https://locus.ufv.br//bitstream/123456789/32302/1/texto%20completo.pdf
https://locus.ufv.br//bitstream/123456789/32302/2/license.txt
bitstream.checksum.fl_str_mv 849495279e87d62365c2b0f07bf184f4
8a4605be74aa9ea9d79846c1fba20a33
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv LOCUS Repositório Institucional da UFV - Universidade Federal de Viçosa (UFV)
repository.mail.fl_str_mv fabiojreis@ufv.br
_version_ 1801212842175627264