Biometria de dados ambientais aplicada na modelagem e caracterização de mega-ambientes no melhoramento genético da cana-de-açúcar

Abstract

A identificação de clones com alto potencial produtivo e estabilidade, representa um desafio para os melhoristas diante da complexa interação genótipo × ambiente (G×A), onde genótipos produtivos em um ambiente podem não ser em outros. A incorporação de informações ambientais em estudos com cana-de-açúcar é crucial para aumentar a precisão da avaliação dos clones. Ignorar os efeitos do ambiente pode levar a interpretações equivocadas e à exclusão de genótipos com potencial adaptativo. A expressão fenotípica é influenciada pela constituição genética e pelos fatores ambientais como tipo de solo, posição geográfica e fatores climáticos variáveis. Esses fatores podem ser utilizados para agrupar ambientes semelhantes, conhecidos como mega-ambientes. O agrupamento de ambientes com base em limitações geográficas pode ser insuficiente para orientar estratégias de melhoramento genético. Uma abordagem alternativa define mega-ambientes com base nos genótipos, identificando áreas onde eles mostram respostas semelhantes em diferentes ambientes. No entanto, confiar exclusivamente nos genótipos para formar mega-ambientes pode ser problemático, pois os métodos são sensíveis à remoção de genótipos, alterando a configuração dos agrupamentos. Para melhorar a precisão na seleção de genótipos e nas predições fenotípicas em locais não testados, são fundamentais o procedimento Envirotyping, que coleta, armazena e processa dados ambientais, e a abordagem Enviromics, que obtém dados em larga escala. Modelos como os Modelos Mistos e Modelo Aditivo Generalizado são úteis em compreender a relação entre dados ambientais e produtividade, permitindo prever e explorar o comportamento dos genótipos com maior precisão. Além disso, outro fator que afeta a qualidade das predições é a falta de dados fenotípicos, que pode levar a estimativas tendenciosas. Para contornar isso, a simulação de dados fenotípicos amplia a população de treinamento com novos indivíduos. Este estudo buscou comparar a formação de mega- ambientes com base em características fenotípicas e em variáveis climáticas, avaliando se ambas as abordagens resultariam em grupos de ambientes consistentes. Adicionalmente, investigou-se como a inclusão de covariáveis ambientais em modelos bayesianos e o aumento do número de genótipos na simulação influenciariam na precisão das predições de produtividade da cana-de-açúcar em locais não testados. Para isso, este estudo foi estruturado em três capítulos para explorar diferentes aspectos da formação de mega-ambientes e aprimorar a predição da produtividade da cana-de-açúcar em ambientes não testados. O primeiro capítulo investigou como a exclusão de genótipos específicos afeta a formação de mega-ambientes e examinou a correspondência desses mega-ambientes com os locais recomendados para futuros experimentos de melhoramento da cultura. No segundo capítulo, foi realizada uma análise da formação de mega-ambientes usando variáveis climáticas, avaliando a consistência desses grupos ao longo dos estádios fenológicos da cultura. Adicionalmente, identificaram-se as variáveis ambientais mais relevantes na performance dos clones de cana-de-açúcar por meio do Modelo Aditivo Generalizado (GAM) em diferentes grupos de clones (estáveis, instáveis e de alta produtividade). Por fim, o terceiro capítulo abordou o impacto da inclusão de covariáveis ambientais em modelos mistos bayesianos e investigou se o aumento do número de genótipos na simulação reduziria os erros de predição da produtividade. Palavras-chave: Covariáveis; Remoção de Clones; Interação G×A; GGE biplot; dados climáticos.

Identifying clones with high productivity and stability potential is a challenge for breeders given the complex genotype × environment (G×E) interaction, where productive genotypes in one environment may not be productive in others. Incorporating environmental information into sugarcane studies is crucial to increase the accuracy of clone assessment. Ignoring environmental effects can lead to misinterpretations and the exclusion of genotypes with adaptive potential. Phenotypic expression is influenced by genetic composition and environmental factors, such as soil type, geographic position and variable climatic factors. These factors can be used to group similar environments together, known as megaenvironments. Grouping environments based on geographic limitations may be insufficient to guide genetic improvement strategies. An alternative approach defines megaenvironments based on genotypes, identifying areas where they show similar responses in different environments. However, relying solely on genotypes for the formation of megaenvironments can be problematic due to sensitivity to removing genotypes through changing group configurations. To improve the accuracy of genotype selection and phenotypic predictions in untested sites, Envirotyping proce- dures, which collect, store and process environmental data, and Enviromics approaches, which obtain large-scale data, are crucial. Models such as Mixed Models and Generalized Additive Models are useful for understanding the relationship between environmental data and productivity, allowing for more accurate prediction and exploration of genotypic behavior. Furthermore, the lack of phenotypic data affects the quality of the prediction, potentially leading to biased estimates. To overcome this, simulating phenotypic data expands the training population with new individuals. This study aimed to compare the formation of megaenvironments based on phenotypic characteristics and climatic variables, evaluating whether both approaches would result in consistent environmental groups. Furthermore, we investigated how including environmental covariates in Bayesian models and increasing the number of genotypes in the simulation would influence the accuracy of sugarcane yield predictions in untested locations. Therefore, this study was structured into three chapters to explore different aspects of megaenvironment formation and improve prediction of sugarcane productivity inuntested environments. The first chapter explored how the exclusion of specific genotypes affects the formation of megaenvironments and examined the alignment of these megaenvironments with recommended locations for future crop improvement experiments. In the second chapter, an analysis of the formation of megaenvironments using climatic variables evaluated the consistency of these groups throughout the phenological stages of the crop. Additionally, the most relevant environmental variables that influence the performance of sugarcane clones were identified through Generalized Additive Models in different groups of clones (stable, unstable and high productivity). Finally, the third chapter addressed the impact of including en- vironmental covariates in Bayesian mixed models and investigated whether increasing the number of genotypes in the simulation would reduce yield prediction errors. Keywords: Covariates; Clone Removal; G×E Interaction; GGE biplot; Climatic Data.