Menu



Exportar registro bibliográfico

Metrics:

Tese

Enviromics, nonlinear kernels and optimized training sets for a climate-smart genomic prediction of yield plasticity in maize (2021)

  • Authors:
  • Autor USP: COSTA NETO, GERMANO MARTINS FERREIRA - ESALQ
  • Unidade: ESALQ
  • Sigla do Departamento: LGN
  • DOI: 10.11606/T.11.2021.tde-11102021-134352
  • Subjects: APRENDIZADO COMPUTACIONAL; FENÓTIPOS; GENÔMICA; INTERAÇÃO GENÓTIPO-AMBIENTE; MILHO; PREDIÇÃO; SELEÇÃO GENÉTICA
  • Keywords: Tipagem de ambientes
  • Language: Inglês
  • Abstract: A tipagem de ambientes em larga escala, ou simplesmente a envirômica, é um campo emergente de ciência de dados, tanto na pesquisa agrícola como nas rotinas de programas de melhoramento. Esta "omica" consiste em reunir e processar informações ambientais, respeitando a ecofisiologia do cultivo para, por fim, integrá-las na genômica quantitativa e na seleção baseada em modelos preditivos. No entanto, a maioria das atuais plataformas baseadas em predição aplicáveis ao melhoramento de plantas são baseadas nas relações genótipo-fenótipo, isto é; na modelagem a variação fenotípica em função da variação genômica caracterizada por marcadores moleculares, na qual o estado da arte é denominado por seleção ou predição genômica (GP). Apesar do sucesso de seu uso em estágios preliminares de melhoramento, sob condições restritas variações ambientais (p.ex: poucos ambientes ou um único ambiente), baixas acurácias ainda são observadas sob múltiplas condições ambientais, na presença de "interação genótipo por ambiente" (G×E). Por outro lado, o conhecimento da ecofisiologia dos cultivos pode ser a alternativa para impulsionar aumentar a acurácia da GP sob G×E. Esta variação ambiental molda respostas fenotípicas específicas de cada genótipo a um dado gradiente de fatores de solo, clima e manejo isto é, a norma de reação. Nesta tese, buscamos estudar esses aspectos, através da realização de três estudos voltados para o uso de envirômica com GP sob cenários de G×E, usando para isso orendimento de grãos de dois conjuntos de dados de híbridos de milho tropical. O primeiro estudo desta tese envolve o desenvolvimento do primeiro software de código aberto dedicado a ambitipagem (tradução proposta para o termo envirotyping) em predição genômica. Neste estudo, elucidamos o uso de sensoriamento remoto para popularizar o uso da ambitipagem, assim como aspectos de ecofisiologia úteis para compreender e definir os conceitos de 'ambiente', 'envirômica' e 'ambitipagem'. No segundo capítulo, verificamos os ganhos de acurácia adquiridos pela adoção de kernels não lineares (Gaussian Kernel, GK; Deep Kernel, DK) para modelagem de efeitos não-aditivos (p.ex: dominância e ambitipagem), usando o tradicional GBLUP (genomic best linear unbiased predictor) como método de referência. Nossos resultados sugerem que os kernels não lineares (GK e DK) são a melhor alternativa para modelar efeitos não-aditivos e de norma de reação. A adoção de GK ou DK reduziu o tempo computacional na execução dos modelos, como também aumentou a precisão para prever interações G×E complexas/cruzadas (variações no rank dos genótipos através dos ambientes). Por fim, observamos que o uso de GK ou DK para modelagem de efeitos não-aditivos é fundamental para expandir a resolução da GP em predizer a interação de um hibrido de milho particular através de múltiplos ambientes. Finalmente, no terceiro capítulo propomos o conceito de "marcador qualitativo de ambiente", desenvolvido conciliandoconceitos clássicos de ecofisiologia (Lei de Shelford) e caracterização da tipologia ambiental (isto é, frequência de ocorrência de classes qualitativas de fatores ambientais através do tempo e do espaço). A abordagem foi exemplificada com dois estudos de caso abrangendo o uso hipotético de GP sob ensaios de avaliação de em híbridos de milho em diversos ambientes. O uso combinado de envirômica e genômica possibilitou conceber uma plataforma de predição (denominada E-GP) que concilia fenotipagem seletiva (redução das populações de treinamento para GP) e predição de cenários futuros (isto é, G×E desconhecidas). Observamos que o aumento de informações fenotípicas em vários ambientes nem sempre corresponde ao aumento de acurácia da GP. Portanto, a representatividade da rede de avaliação de híbridos (genótipos mais representativos, avaliados nos ambientes "chave") é mais importante que o número de genótipos e ambientes considerados. Através de E-GP juntamente a algoritmos genéticos, fomos capazes de selecionar as combinações G×E mais representativas, o que refletiu diretamente em uma redução drástica do tamanho da rede experimental, conciliando aumento de acurácia. Por fim, constatamos que o GBLUP sem nenhuma informação de ambitipagem é ineficiente em predizer a plasticidade fenotípica dos híbridos de milho sob múltiplos ambientes e G×E desconhecida. Com E-GP foi possível realizar uma triagem dos melhores híbridos, em termos de plasticidade fenotípica, usando reduzidasinformações fenotípicas e suplementadas pelo amplo uso de genômica e envirômica. Tais resultados permitem vislumbrar abordagens inteligentes para o clima, envolvendo a redução drástica dos esforços de testes de campo à medida que aumenta o uso consciente de envirômica (e ambitipagem) combinada com genômica
  • Imprenta:
  • Data da defesa: 22.07.2021
    • Acesso à fonteAcesso à fonteDOI
    Informações sobre o DOI: 10.11606/T.11.2021.tde-11102021-134352 (Fonte: oaDOI API)
    • Este periódico é de acesso aberto
    • Este artigo é de acesso aberto
    • URL de acesso aberto
    • Cor do Acesso Aberto: gold
    • Licença: cc-by-nc-sa
    How to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

    • ABNT

      COSTA NETO, Germano Martins Ferreira. Enviromics, nonlinear kernels and optimized training sets for a climate-smart genomic prediction of yield plasticity in maize. 2021. Tese (Doutorado) – Universidade de São Paulo, Piracicaba, 2021. Disponível em: https://www.teses.usp.br/teses/disponiveis/11/11137/tde-11102021-134352/. Acesso em: 28 dez. 2025.

    • APA

      Costa Neto, G. M. F. (2021). Enviromics, nonlinear kernels and optimized training sets for a climate-smart genomic prediction of yield plasticity in maize (Tese (Doutorado). Universidade de São Paulo, Piracicaba. Recuperado de https://www.teses.usp.br/teses/disponiveis/11/11137/tde-11102021-134352/

    • NLM

      Costa Neto GMF. Enviromics, nonlinear kernels and optimized training sets for a climate-smart genomic prediction of yield plasticity in maize [Internet]. 2021 ;[citado 2025 dez. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11137/tde-11102021-134352/

    • Vancouver

      Costa Neto GMF. Enviromics, nonlinear kernels and optimized training sets for a climate-smart genomic prediction of yield plasticity in maize [Internet]. 2021 ;[citado 2025 dez. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11137/tde-11102021-134352/

    Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

Digital Library of Intellectual Production of Universidade de São Paulo     2012 - 2025