Estratégias de seleção de linhagens de soja quanto a modelagem estatística e definição de ideótipo

• Ano de defesa: 2024
• Autor(a) principal: Rodrigues, Fernanda Cupertino
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa; Genética e Melhoramento
• Palavras-chave em Português: Soja - Melhoramento genético; Soja - Seleção; Analise espacial - Estatística; Modelos multiníveis - Estatística; CIENCIAS AGRARIAS::AGRONOMIA::FITOTECNIA::MELHORAMENTO VEGETAL
• Link de acesso: https://locus.ufv.br/handle/123456789/33398; https://doi.org/10.47328/ufvbbt.2024.538

Em um programada de melhoramento genético, a escolha de moledos estatísticos que forneçam valores genotípicos acurados é de extrema importância. Não obstante, índices que fazem uso da várias características de interesse agronômico para a seleção de genótipos superiores também são uma ferramenta importante para a obtenção de incremento em tais características. Este trabalho foi dividido em dois capítulos e objetivou: (1) Comparar modelos estatísticos, associados às estratégias de análises citadas, que favoreçam a maior eficiência na predição de valores genéticos de linhagens para características agronômicas de interesse; e (2) Comparar diferentes cenários para construção do ideótipo com o uso do MGIDI para a seleção de linhagens superiores de soja. Para tanto, ensaios foram implantados em Capinópolis nos anos agrícolaS de 2020/21 e 2021/22 e em Madre de Deus nos anos agrícolas de 20129/20 e 2021/22. As características avaliadas para os ensaios conduzidos em Capinópolis foram: produção (g), altura de planta (cm) e ciclo (dias), já em Madre de Deus a característica avaliada foi produção (g). No primeiro capítulo três modelos foram testados: (1) Delineamento em Blocos Aumentados (DBA); (2) Análise Espacial autorregressiva de duas dimensões (AR1 x AR1); e (3) Analise Espacial autorregressiva de duas dimensões com adição de bloco. Os componentes de variância foram obtidos pela metodologia de modelos mistos Restricted Maximum Likelihood (REML) e os valores genotípicos foram preditos utilizando Best Linear Unbased Predidction (BLUP). Analisou-se cada ambiente separadamente para cada variável. Para comparar os três modelos foram utilizadas a herdabilidade proposta por Cullis (h 2g ), a Acurácia com base na herdabilidade de Cullis (r ĝg ), Akaike Information Criterion (AIC) e Bayesian Information Criteria (BIC). Concluiu-se que os modelos que melhor se ajustam são os que consideram a correlação espacial entre as parcelas. Para três ambientes é preferencial a utilização da análise espacial sem a adição de blocos e para um abiente é preferível o modelo que abrange a análise espacial com a adição de blocos. De posse dos valores genétipos obtidos por meio dos modelos mistos, o MGIDI foi aplicado em diferentes cenários para verificação da melhor estratégia de definição do ideótipo. O ideotipo foi desenhado em seis diferentescenários: (1) considerando apenas o sentido; (2) considerando o sentido + peso; (3) considerando valores da média da melhor testemunha; (4) considerando valores da média da melhor testemunha + peso; (5) considerando valor de uma cultivar alvo para a região e (6) considerando valor de uma cultivar alvo para a região + peso. Os cenários foram comparados por meio do ganho de seleção (GS), do ganho de seleção ajustado (GSA) e do índice de coincidência (IC).As análses demonstraram que o cenário um é o que consegue maior ganho genético total quando consideradas todas as características simultaneamente, no entanto, o cenário cinco é o que consegue maiores ganhos de seleção para produção. Tendo em vista que não foram obtidos ganhos expressivos para ciclo, que a altura de planta da população selecionada já atende ao ideótipo requerido e que o incremento da produção é o maior objetivo de um programa de melhoramento, para este conjunto de dados, a melhor construção do ideótipo foi a utilizada no cenário cinco. Portanto, os genótipos selecionados foram: MDC1312S7, MDC139S3, MDC25101S2, MDC110S2, MDC292S7, MDC137S3, MDC141S5, MDC246S3, MDC13S2, MDC241S6, MDC82S2, MDC241S5, MDC248S1, MDC15S5, MDC141S6, MDC141S2, MDC81S5, MDC91S4 e MDC255S1. Keyword(s): Glycine max (L.) Merr.; Glycine max (L.) Merr.; Índice multi característico; MGIDI; Análise espacial; Modelos mistos; Delineamento aumentado