tese
Challenges in phenotypic data analysis and genomic selection application for maize hybrid prediction in tropical regions
Carregando...
Notas
Data
Autores
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)
Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)
Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)
Tipo de impacto
Áreas Temáticas da Extenção
Objetivos de Desenvolvimento Sustentável
Dados abertos
Resumo
O processo de obtenção de híbridos simples (HS) de milho é muito dinâmico. Nas fases iniciais, inúmeras combinações genotípicas são geradas. À medida que as etapas avançam, muitos HS vão sendo descartados ao passo que o número de repetições e locais de avaliação aumentam. Assim, é comum que os dados oriundos de programas de melhoramento de milho sejam muito desbalanceados, devido à baixa coincidência dos HS que são avaliados ao longo dos diferentes locais e anos. Nos últimos anos, a seleção genômica tem sido proposta como uma ferramenta para acelerar os ganhos genéticos e reduzir os custos na seleção e recomendação de HS de milho. Contudo, resta a dúvida se os dados obtidos desses experimentos altamente desbalanceados, podem contribuir para aumentar a acurácia dos modelos preditivos. Assim, o objetivo desse estudo foi, em uma primeira etapa, analisar criticamente os dados de produtividade de grãos de 2770 híbridos de milho, oriundos da avaliação de experimentos conduzidos em diferentes anos e épocas de semeadura e verificar os impactos das condições de desbalanceamento na estimativa de parâmetros genéticos e fenotípicos. Adicionalmente em um segundo momento, utilizando o mesmo conjunto de dados, foi comparada a capacidade preditiva do modelo GBLUP (Genomic Best Linear Unbiased Prediction) considerando efeitos aditivos e de dominância. Para isso, as 447 linhagens parentais foram genotipadas utilizando 23.153 marcadores Darts. Os resultados evidenciam o grande desafio de analisar as informações de todas as safras sob condições de alto desbalanceamento e significativo efeito da interação genótipo por ambientes. Esses fatores comprometem as estimativas dos componentes de variância, da herdabilidade e dos valores genéticos dos indivíduos e consequentemente podem afetar as acurácias preditivas dos modelos de seleção genômica. As análises envolvendo informações genômicas demonstraram que é possivel obter ganhos genéticos com a predição de HS não avaliados e que a inclusão dos efeitos de dominância no modelo GBLUP melhora sua capacidade preditiva.
Abstract
The process to obtain maize single-cross hybrids (SH) is very dynamic. In the initial stages, numerous genotypic combinations are produced. As the process progresses, many SH are discarded, and the number of repetitions and sites that these SH are evaluated increases. Thus, it is common that data from maize breeding programs are very unbalanced due to the low coincidence of SH that are evaluated over different sites and years. In the recent years, genomic selection has been proposed as a tool to accelerate the genetic gains and to reduce the cost with the selection and the recommendation of maize SH. However, a pending question is if the data obtained from these highly unbalanced experiments, can contribute to increase the accuracy of predictive models. Therefore, the purpose of the present study, in a first moment, was to critically analyze the grain yield data of 2770 maize hybrids, from experiments conducted in different years and sowing seasons; and to verify the impacts of unbalanced designs to the estimates of genetic and phenotypic parameters. Additionally, in a second step, using the same data set, the predictive capacity of the GBLUP (Genomic Best Linear Unbiased Prediction) model was compared considering additive and dominance effects. For this, the 447 parental lines were genotyped using 23,153 Darts markers. The results show the complexities of analyzing information from all crop seasons under conditions of high experimental unbalance and significant effect of genotype by environment interaction. These factors compromise the estimates of variance components, heritability, genetic values of individuals and, consequently, may affect the predictive accuracy of genomic selection models. Nonetheless, the analysis involving genomic information showed that it is possible to obtain genetic gains with the prediction of SH not evaluated and that the inclusion of dominance effects in the GBLUP model can improve its predictive ability.
Descrição
Área de concentração
Agência de desenvolvimento
Palavra chave
Marca
Objetivo
Procedência
Impacto da pesquisa
Resumen
ISBN
DOI
Citação
PEREIRA, F. de C. Challenges in phenotypic data analysis and genomic selection application for maize hybrid prediction in tropical regions. 2021. 84 p. Tese (Doutorado em Genética e Melhoramento de Plantas) – Universidade Federal de Lavras, Lavras, 2021.