Enviromic-based kernels optimize resource allocation with multi-trait multi-environment genomic prediction for tropical maize (2021)
- Authors:
- Autor USP: GEVARTOSKY, RAYSA - ESALQ
- Unidade: ESALQ
- Sigla do Departamento: LGN
- DOI: 10.11606/D.11.2021.tde-07012022-094055
- Subjects: CARACTERIZAÇÃO AMBIENTAL; GENÔMICA; INTERAÇÃO GENÓTIPO-AMBIENTE; MILHO; POPULAÇÕES VEGETAIS; PREDIÇÃO; SELEÇÃO GENÉTICA
- Agências de fomento:
- Language: Inglês
- Abstract: O sucesso da predição genômica (GP) é diretamente dependente do estabelecimento de uma população de treinamento. A incorporação de dados de caracterização ambiental de alta qualidade aumenta a eficiência dos modelos GP, especialmente para ensaios em múltiplos ambientes, e fornece uma melhor explicação de fontes de variação. Assim, a caracterização ambiental pode ajudar em ensaios multi-características e multi-ambientais (MTMET), melhorando a capacidade preditiva (PA), selecionando informações de forma mais assertiva e capturando relações entre ambientes e genótipos. Portanto, neste estudo, objetivamos formar populações de treinamento otimizadas para MTMET. O trabalho de fenotipagem é diminuído devido a tamanhos populacionais menores, mas com indivíduos selecionados de forma otimizada, mantendo a capacidade preditiva em níveis satisfatórios. Para isso, avaliamos a capacidade preditiva de cinco modelos de GP usando o modelo GBLUP com efeitos aditivos e de dominância (M1) como padrão e, em seguida, adicionando interação genótipo por ambiente (G × E) (M2) , dados ambientais (W) (M3), W + G × E (M4) e, finalmente, W + G × W (M5), onde G × W denota a interação entre o genótipo e dados ambientais. Além disso, consideramos ensaios multi-ambientais de característica única (STMET) e MTMET, para três características: produtividade de grãos (GY), altura da planta (PH) e altura da espiga (EH), com dois conjuntos de dados e dois esquemas de validação cruzada. Posteriormente, construímosdois kernels para a interação de genótipo por ambiente por característica (GET) e interação de genótipo por dados ambientais por característica (GWT) para aplicar algoritmos genéticos e selecionar combinações de genótipo: ambiente: característica que representam 98% da variação existente no conjunto de dados e então formar a população de treinamento otimizada (OTS). Em seguida, realizamos GP e avaliamos sua PA e ganho genético por valor investido. Posteriormente, comparamos o cenário padrão (MTMET CV2) com as OTS em relação à PA e ganho genético por valor investido. Considerando o melhor cenário para OTS, que incluí o kernel GWT, houve uma redução de até 60% em termos de PA. Por outro lado, foi possível reduzir o número de parcelas: características a serem fenotipadas em até 98%. Além disso, utilizando OTS com base em dados ambientais, foi possível aumentar a resposta à seleção por valor investido em 142%. Dessa forma, nossos resultados sugerem que algoritmos genéticos de otimização associados a dados genômicos e ambientais são eficientes em formar populações de treinamento otimizadas para predição genômica e melhorar as respostas à seleção por dólar investido. Porém, é importante lembrar que existem interações específicas dentro dos conjuntos de dados que não devem ser ignoradas ao utilizar a abordagem proposta
- Imprenta:
- Publisher place: Piracicaba
- Date published: 2021
- Data da defesa: 20.04.2021
- 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
-
ABNT
GEVARTOSKY, Raysa. Enviromic-based kernels optimize resource allocation with multi-trait multi-environment genomic prediction for tropical maize. 2021. Dissertação (Mestrado) – Universidade de São Paulo, Piracicaba, 2021. Disponível em: https://www.teses.usp.br/teses/disponiveis/11/11137/tde-07012022-094055/. Acesso em: 28 dez. 2025. -
APA
Gevartosky, R. (2021). Enviromic-based kernels optimize resource allocation with multi-trait multi-environment genomic prediction for tropical maize (Dissertação (Mestrado). Universidade de São Paulo, Piracicaba. Recuperado de https://www.teses.usp.br/teses/disponiveis/11/11137/tde-07012022-094055/ -
NLM
Gevartosky R. Enviromic-based kernels optimize resource allocation with multi-trait multi-environment genomic prediction for tropical maize [Internet]. 2021 ;[citado 2025 dez. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11137/tde-07012022-094055/ -
Vancouver
Gevartosky R. Enviromic-based kernels optimize resource allocation with multi-trait multi-environment genomic prediction for tropical maize [Internet]. 2021 ;[citado 2025 dez. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11137/tde-07012022-094055/
Informações sobre o DOI: 10.11606/D.11.2021.tde-07012022-094055 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
