Estimativas de parâmetros genéticos de resistência à ferrugem em Coffea Canephora usando modelos lineares generalizados mistos

Abstract

O café é uma das bebidas mais consumidas e uma das commodities mais comercializadas globalmente. O Coffee Canephora, é uma espécie perene conhecida pelo alto potencial produtivo, alto teor de sólidos solúveis, e se sobressai por ser uma espécie que se adapta melhor a diversos estresses ambientais e por ser mais resistente. Nos programas de melhoramento, estimativas precisas de parâmetros genéticos são primordiais para desenvolver objetivos de criação eficazes e abrangentes. Os métodos para obtenção de parâmetros genéticos são mais bem desenvolvidos para características normalmente distribuídas. Porém, é comum que sejam coletadas informações advindas de características fenotípicas que possuem distribuição não normal. Nestes casos, os Modelos Lineares Generalizados Mistos (Mixed Generalized Linear Models - GLMM) apresentam-se como uma ferramenta útil pois permitem o ajuste do modelo quando a variável de interesse possui qualquer distribuição da chamada “família exponencial de distribuições”. Os GLMMs permitem que a relação entre a combinação linear das variáveis explicativas e a variável resposta seja mais geral do que no Modelo Linear (ML). Desta forma, ao estimar parâmetros genéticos com GLMMs, é crucial, além de considerar corretamente a distribuição da variável resposta Y, expressar os resultados na escala original das características medidas. Isso porque os GLMMs fornecem as estimativas dos parâmetros em uma escala latente, exigindo transformações para interpretações adequadas. Diante do exposto, este trabalho teve por objetivo a obtenção de parâmetros genéticos da característica relacionada a resistência à ferrugem da variedade Conilon de Coffee Canephora, mensurada de forma binária (1 = resistente e 0 = susceptível). Os resultados obtidos para as variâncias genética e fenotípica, herdabilidade e ganho de seleção foram comparados com os resultados advindos de modelos usuais e, com aqueles advindos de modelos GLMMs sem as correções de escala devidas. Para tanto, considerou- se informações referentes à 51 genótipos do grupo varietal Conilon. Como resultados, observou-se que, desconsiderar a não-normalidade dos caracteres avaliados (ou seja, utilizar o modelo tradicional, baseado em normalidade) fez com que as variâncias genéticas e fenotípicas fossem subestimadas. No entanto, a herdabilidade e o ganho deseleção apresentaram-se maior que aquelas advindas dos GLMMs com a correção da escala. Para a situação em que os GLMMs foram ajustados, mas omitiu-se as correções de escala, isto é, interpretou-se os resultados na escala latente observou-se superestimação de todos os parâmetros genéticos. A superestimação dos ganhos de seleção podem levar a conclusões equivocadas sobre a eficácia da seleção genética, fazendo parecer que a seleção para determinadas características resultará em maior progresso genético do que realmente seria possível. Neste caso, pode-se ocorrer a alocação indevida de recursos em pesquisas para essa característica, em detrimento de outras com maior potencial real de aprimoramento. Além disso, programas de melhoramento baseados em dados superestimados da herdabilidade e do ganho de seleção podem ser ineficazes e dispendiosos, gerando resultados abaixo das expectativas. Desta forma, destaca-se a importância da utilização de modelos GLMMs com correção da escala dos parâmetros, a fim de obter resultados mais precisos e confiáveis, auxiliando no desenvolvimento de programas de melhoramento genético mais eficientes e eficazes. Palavras-chave: Café; Distribuição Binomial; Modelos Mistos; Melhoramento Genético.Coffee is one of the most consumed beverages and globally traded commodities. Coffee canephora, a perennial species, stands out for its high productivity, soluble solids content, adaptability to diverse environmental stresses, and resistance. Accurate genetic parameter estimates are crucial for developing effective breeding objectives. However, methods for obtaining genetic parameters are better developed for normally distributed traits. Phenotypic data often exhibits non-normal distributions, making Mixed Generalized Linear Models (GLMMs) a valuable tool. GLMMs allow model adjustment when the response variable follows any distribution from the "exponential family of distributions." They enable a more general relationship between the linear combination of explanatory variables and the response variable compared to the Linear Model (ML). When estimating genetic parameters with GLMMs, it is crucial to consider the distribution of the response variable (Y) and express results in the original scale of the measured traits. GLMMs provide parameter estimates on a latent scale, requiring transformations for appropriate interpretations. This study aimed to estimate genetic parameters for rust resistance in the Conilon variety of Coffee canephora, measured binarily (1 = resistant and 0 = susceptible). Results for genetic and phenotypic variances, heritability, and selection gain were compared with those from usual models and GLMMs without proper scale corrections. Data from 51 Conilon genotypes were analyzed. As a result, disregarding non-normality (using the traditional normality-based model) underestimated genetic and phenotypic variances. However, heritability and selection gain were higher than those from GLMMs with scale correction. Fitting GLMMs without scale corrections misinterpreted results on the latent scale and overestimated all genetic parameters. Overestimated selection gains can lead to erroneous conclusions about breeding efficiency, suggesting greater genetic progress than possible. This could lead to misallocation of research resources and ineffective, costly breeding programs based on overestimated heritability and selection gain data. Therefore, using GLMMs with parameter scale correction is crucial for obtaining more accurate and reliable results, enabling the development of more efficient and effective breeding programs.Keywords: Coffee; Binomial Distribution; Mixed Models; Genetic Improvement.