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
- Status:
- Artigo publicado em periódico de acesso aberto (Gold Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
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: 31 mar. 2026. -
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 2026 mar. 31 ] 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 2026 mar. 31 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11137/tde-07012022-094055/
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
