Análises dialélicas envolvendo as capacidades geral e específica recíprocas e ensaios multiambientes e multigerações via modelos mistos

Abstract

Na análise dialélica, utilizando modelos mistos, é possível estimar as variâncias da capacidade geral de combinação (CGC), capacidade específica de combinação (CEC), CGC recíproca (RCGC), CEC recíproca (RCEC), mesmo para conjuntos de dados desbalanceados. Entretanto, devido à interação genótipos por ambientes (G×A), estas informações podem mudar de um ambiente para outro. Para algumas espécies autógamas, devido à interação G×A e a limitação de sementes F 1 , os dialelos são conduzidos em experimentos sequenciais denominados aqui de multi-environment and multi-generation trials (MEGT). A abordagem mais recente sugere que a forma mais lógica, do ponto de vista genético, para modelar dados sob interação G×A é tratar um mesmo caractere avaliado em uma série de ambientes como caracteres diferentes. Neste sentido, assume-se uma estrutura de (co)variância genotípica capaz de acomodar a heterogeneidade de variâncias e covariâncias. A estimação dos parâmetros de variância na análise dialélica via modelos mistos pode ser realizada maximizando-se a função de verossimilhança residual via algoritmos numéricos como: expectation maximization (EM), average information (AI) e EM-AI. Assim, o objetivo deste trabalho foi descrever os detalhes para se realizar a análise dialélica envolvendo as capacidades geral e específica recíprocas, bem como análise dialélica envolvendo ensaios multiambientes e multigerações via modelos mistos usando os algoritmos EM, AI e EM- AI. O primeiro capítulo, publicado no periódico Crop Science 59(4):1494-1503, 2019, (Estimação das variâncias dos efeitos recíprocos de capacidade geral e específica de combinação por meio do algoritmo EM-AI) teve como foco a avaliação da eficiência computacional dos algoritmos EM, AI e EM-AI na estimação de componentes de variância para três modelos dialélicos (Modelo 1 de Griffing, Modelo 1 de Griffing + RCGC e Model 3, um modelo dialélico geral com os efeitos de CGC, CEC, RCGC, RCEC e parentais). Os resultados revelaram que o algoritmo AI falhou em convergir para todos os modelos, enquanto os demais algoritmos convergiram normalmente (EM e EM-AI). Dentre os dois últimos, o algoritmo EM-AI foi o mais eficiente computacionalmente e o modelo dialélico geral (Modelo 3) forneceu estimativas mais precisas dos componentes de variância. Assim, o algoritmo EM-AI e o modelo geral têm potencial para uso em análises dialélicas no melhoramento de plantas. O segundo capítulo (Análise dialélica multiambientes e multigerações no melhoramento de plantas autógamas) focou na avaliação da eficiência computacional dos algoritmos EM, AI e EM-AI e escolha de modelo para a análise dialélica em MEGT. A combinação entre diferentes estruturas de (co)variância possibilitou a definição de quatro modelos. Para avaliar o potencial das populações segregantes foi utilizado um índice baseado na distância genótipos-ideótipo (IGI). Os resultados mostraram que os algoritmos AI e EM-AI foram os mais eficientes computacionalmente quando a convergência foi verificada. Além disso, o modelo que assume heterogeneidade de variâncias para os efeitos genéticos e não genético, bem como correlação uniforme para os efeitos genéticos foi o mais adequado. Assim, a modelagem de estruturas de (co)variância na análise dialélica em MEGT via algoritmo AI associada à utilização do IGI têm potencial para uso nos programas de melhoramento de plantas autógamas. Palavras-chave: Capacidade combinatória. Máxima verossimilhança. Estruturas de (co)variância.In diallel analysis, using mixed models, it is possible to estimate the variance components of general combining ability (GCA), specific combining ability (SCA), reciprocal GCA (RGCA), and reciprocal SCA (RSCA), even in unbalanced datasets. However, due to the genotype by environment (G×E) interaction, this information may change through environments. For some autogamous species, due to the G×E interaction and limitation of F 1 seeds, the diallel trials are sequential i.e. in multi-environment and multi-generations trials (MEGT). The most recent approach suggests that the most logical way to model data under G×E interaction, from the genetic point of view, is to treat the same trait evaluated through several environments as different traits. In this context, a genotypic (co)variance structure is assumed to modeling the heterogeneity of variances and covariances. The estimation of variance parameters in diallel analysis via mixed models can be performed by maximizing the restricted likelihood by numerical algorithms such as: expectation maximization (EM), average information (AI), and EM-AI. Thus, the objective of this work was to describe the details for performing the diallel analysis involving the reciprocal general and specific combining ability, as well as diallel analysis involving multi-environment and multi-generation trials via mixed models using the EM, AI and EM-AI algorithms. The first chapter, published in the periodical Crop Science 59(4):1494-1503, 2019, (Estimation of variance for reciprocal general and specific combining ability effects by EM-AI algorithm) focused on the evaluation of computational efficiency of the EM, AI and EM-AI algorithms in the estimation of variance components for three diallel models (Griffing’s Model 1, Griffing’s Model 1 + RGCA, and Model 3, a general diallel model with the effects of GCA, SCA, RGCA, RSCA, and parents). The results revealed that the AI algorithm failed to converge for the three diallel models, while the other algorithms converged normally (EM and EM-AI). Of the last two, the EM-AI algorithm was the most computationally efficient and the general diallel model (Model 3) provided more accurate estimates of variance components. Thus, the EM-AI algorithm and the general model have potential for use in diallel analysis in plant breeding. The second chapter (Diallel analysis for multi-environment and multi-generation trials in the autogamous plant breeding) focused on the computational efficiency evaluation of the EM, AI, and EM-AI algorithms and choice of model for the MEGT diallel analysis. The combination of different (co)variance structures allowed the fit of four models. To assess the potential of segregating populations, an index based on genotypes-ideotype distance was used (GID). The results showed that the AI and EM-AI algorithms were the most computationally efficient when convergence was verified. In addition, the model that assumes variance heterogeneity for genetic and non-genetic effects, as well as a uniform correlation for genetic effects, was the most appropriate. Thus, the modeling of the (co)variance structures of the diallel analysis of MEGT data via AI algorithm associate to the GID, have potential for use in diallel analysis in autogamous plant breeding. Keywords: Combining ability. Maximum likelihood. (Co)variance structures.