To cite this paper use one of the standards below:
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.
With nearly 200,000 papers published, Galoá empowers scholars to share and discover cutting-edge research through our streamlined and accessible academic publishing platform.
Learn more about our products:
This proceedings is identified by a DOI , for use in citations or bibliographic references. Attention: this is not a DOI for the paper and as such cannot be used in Lattes to identify a particular work.
Check the link "How to cite" in the paper's page, to see how to properly cite the paper