tese
New insights on genotypes by environments interaction using geographical coordinates
Carregando...
Notas
Data
Orientadores
Editores
Coorientadores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Lavras
Faculdade, Instituto ou Escola
Departamento
Departamento de Biologia
Programa de Pós-Graduação
Programa de Pós-Graduação em Genética e Melhoramento de Plantas
Agência de fomento
Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
Tipo de impacto
Áreas Temáticas da Extenção
Objetivos de Desenvolvimento Sustentável
Dados abertos
Resumo
Ensaios multiambientais estão entre os experimentos mais comumente conduzidos na área de
ciências agrárias. Devido à aplicabilidade do método AMMI (Additive Main Effects and
Multiplicative Interaction) e a forma como tem sido estudado e aplicado, o presente trabalho
explorou novas alternativas de estudo da interação genótipos x ambientes (GEI) por meio deste
modelo. O primeiro trabalho foi conduzido com o objetivo de propor um modelo de predição
das capacidades geral e específica de combinação, e suas interações com ambientes, associado
ao uso de regiões de credibilidade em biplots obtidas por meio do modelo AMMI-Bayesiano.
Em geral, para a análise de dados simulados, as predições obtidas tiveram alta correlação com
os valores reais. Para os efeitos das capacidades geral e específica de combinação (GCA e SCA,
respectivamente), as predições mantiveram o padrão de sinais e ranqueamento. Além disso, o
modelo foi eficiente em fornecer intervalos de credibilidade que cobriam os valores simulados.
Para a análise de dados reais, as estimativas de GCA e SCA para todos os genótipos avaliados
não diferiram de zero. Os biplots para as interações GCA x Ambientes e SCA x Ambientes
permitiram determinar quais genótipos apresentam efeitos de GCA e SCA estáveis de forma
mais precisa. As elipses nos biplots demonstraram a incerteza em torno das estimativas da
interação. O modelo mostra-se como ferramenta promissora para auxiliar na tomada de decisão
do melhorista na seleção e recomendação de genótipos. O segundo trabalho foi conduzido com
o objetivo de estudar GEI por meio do uso de variáveis ambientais no modelo AMMI sob
abordagem funcional com diferentes volumes de dados e níveis de desbalanceamento. Para isso,
visou-se avaliar o comportamento da análise de componentes principais de dados funcionais
(FPCA) em cenários de desbalanceamento de dados e integrá-la ao método EM-AMMI
(Expectation-Maximization Additive Main Effects and Multiplicative Interaction) para realizar
a predição genotípica sob uma perspectiva funcional. Por meio da análise de dados funcionais,
é possível captar informações que vão além de dados discretos que representam genótipos e
ambientes, o que permite captar o padrão de interação e o comportamento dos genótipos ao
longo dos ambientes. A integração do método smooth SVD (Singular Value Decomposition)
ou SSVD ao método EM-AMMI para realizar a imputação de dados e lidar com o
desbalanceamento pode alterar a perspectiva de estudo de GEI. A identificação de padrões de
efeitos da interação por meio do método EM-AMMI Funcional representa uma nova forma de
entender a interação, e abre diversas possibilidades para aplicação no melhoramento de plantas.
Abstract
Multi-environmental trials are among the most commonly conducted experiments in the field
of agricultural science. Due to the applicability of the AMMI method (Additive Main Effects
and Multiplicative Interaction) and the way it has been studied and applied, this work explored
new alternatives for the study of genotype x environment interaction (GEI) through this model.
The first work was conducted with the objective of proposing a model of prediction of general
and specific combining abilities, and their interactions with environments, associated with the
use of credible regions in biplots obtained by the AMMI-Bayesian model. In general, for the
analysis of simulated data, the predictions obtained had a high correlation with the real values.
For the general and specific combining capabilities effects (GCA and SCA, respectively), the
predictions maintained the signal pattern and ranking. In addition, the model was efficient in
providing credible intervals that covered the simulated values. For real data analysis, GCA and
SCA estimates for all evaluated genotypes did not differ from zero. The biplots for the GCA x
Environments and SCA x Environments interactions allowed us to determine which genotypes
have stable GCA and SCA effects in a more accurate way. Ellipses in the biplots demonstrated
the uncertainty around the interaction estimates. The model is a promising tool to help the
breeder's decision making in selecting and recommending genotypes. The second work was
conducted with the objective of studying GEI through the use of environmental variables in the
AMMI model under functional approach with different data volumes and unbalance levels. To
this end, it was aimed to evaluate the behavior of the principal component analysis of functional
data (FPCA) in data imbalance scenarios and integrate it with the EM-AMMI (Expectation-
Maximization Additive Main Effects and Multiplicative Interaction) method to perform the
genotypic prediction from a functional perspective. Through functional data analysis, it is
possible to capture information that goes beyond discrete data representing genotypes and
environments, which allows to capture the pattern of interaction and behavior of genotypes
across environments. Integrating the smooth SVD (Singular Value Decomposition) or SSVD
method with the EM-AMMI method to perform data imputation and deal with imbalance can
change the perspective of GEI study. The identification of interaction effect patterns through
the EM-AMMI Functional method represents a new way of understanding interaction, and
opens up several possibilities for application in plant breeding.
Descrição
Área de concentração
Agência de desenvolvimento
Palavra chave
Marca
Objetivo
Procedência
Impacto da pesquisa
Resumen
ISBN
DOI
Citação
BERNARDO JÚNIOR, L. A. Y. New insights on genotypes by environments interaction using geographical coordinates. 2019. 108 p. Tese (Doutorado em Genética e Melhoramento de Plantas) - Universidade Federal de Lavras, Lavras, 2019.