Integração entre dados genômicos e fenômicos e seus efeitos na acurácia de predição em milho tropical

Vol. 6, 2025 - 334701
Simple Abstract
Favorite this paper
How to cite this paper?
Abstract

Em programas de melhoramento, modelos de predição visam aumentar a eficiência, antecipando o desempenho dos genótipos e reduzindo o tempo dos ciclos de seleção. Com o avanço das ferramentas de genotipagem e fenotipagem de alto rendimento, tornou-se possível integrar diversas fontes de dados para explorar de forma mais abrangente a estrutura genética e fenotípica dos indivíduos em modelos de predição. Assim, este estudo teve como objetivo comparar a acurácia preditiva de distintos modelos genético-estatísticos que integram dados moleculares, imagens digitais e produtividade da cultura. Para isso utilizou-se um painel de 243 linhagens de milho tropical pertencentes ao Programa de Melhoramento Genético de Milho do Departamento de Genética, na USP/ESALQ. Os experimentos, conduzidos em 2023 em delineamento de blocos casualizados com duas repetições, foram realizados em Piracicaba e Anhembi (SP). Foram empregados 13.826 marcadores SNPs obtidos por genotipagem por sequenciamento (GBS), filtrados por controle de qualidade (Minor Allele Frequency > 0,05 e Call Rate > 0,95), e índices de RGB extraídos de imagens de espigas coletadas a partir da multiplicação de linhagens, processadas pelo pacote FIELDImageR. A análise foi conduzida em duas etapas, sendo a primeira destinada à estimação das médias ajustadas de produtividade dos genótipos (BLUEs – Best Linear Unbiased Estimators) obtidas a partir de modelos lineares mistos. Na segunda etapa, os valores de BLUEs foram utilizados como variáveis resposta nos modelos preditivos. A partir dessas informações, foram construídas matrizes de parentesco genético (G – SNPs) e fenotípico (M – RGB), que serviram de base para dois modelos de predição: GBLUP (G - Modelo 1), utilizando apenas a matriz genômica, e Multi-Kernel (G + M - Modelo 2), que combina as duas fontes de informação. A acurácia preditiva dos modelos foi avaliada por meio de validação cruzada com 5-folds e 50 repetições, conduzidas separadamente para o ambiente 1 (PIRA 2023), ambiente 2 (ANH 2023) e para a análise multiambiente. As diferenças de acurácia entre os modelos em cada ambiente foram testadas por meio de teste t pareado, considerando as repetições de validação cruzada. O Modelo 2 apresentou maior acurácia preditiva em Piracicaba (r = 0,294) em comparação ao Modelo 1 (r = 0,228), com diferença estatisticamente significativa (P < 0,001). Resultado semelhante foi observado na análise multiambiente, com acurácias de 0,382 (modelo 2) e 0,360 (Modelo 1) (P < 0,001). Em contrapartida, em Anhumas, o Modelo 1 apresentou desempenho superior (r = 0,370) em relação ao Modelo 2 (r = 0,362), também com diferença significativa (P < 0,001). Assim, em condições nas quais a predição baseada apenas em marcadores moleculares apresenta menor eficiência, a inclusão de informações obtidas por imagens RGB mostrou-se complementar, contribuindo para o aumento da acurácia preditiva. Embora o efeito dessa combinação seja influenciado pelas condições experimentais e ambientais, a integração entre dados genômicos e fenotípicos pode ampliar a capacidade preditiva dos modelos.

Share your ideas or questions with the authors!

Did you know that the greatest stimulus in scientific and cultural development is curiosity? Leave your questions or suggestions to the author!

Sign in to interact

Have a question or suggestion? Share your feedback with the authors!

Institutions
  • 1 Escola Superior de Agricultura Luiz de Queiroz da Universidade de São Paulo - USP
Track
  • 2. Biometrics, statistics, and quantitative genetics
Keywords
Predição Genômica
Predição Fenômica
Fenotipagem de alto rendimento
RGB