“Inteligência Artificial: A Nova Fronteira da Ciência Brasileira”

19 a 24 de outubro de 2020

Trabalho 13651

ISSN 2237-9045
Instituição Universidade Federal de Viçosa
Nível Pós-graduação
Modalidade Pesquisa
Área de conhecimento Ciências Agrárias
Área temática Genética
Setor Departamento de Biologia Geral
Bolsa FAPEMIG
Conclusão de bolsa Não
Apoio financeiro FAPEMIG
Primeiro autor Jeniffer Santana Pinto Coelho Evangelista
Orientador LEONARDO LOPES BHERING
Outros membros Emanuel Ferrari do Nascimento
Título Inferência Bayesiana e seleção via FAID: aplicação no melhoramento de soja.
Resumo A interação genótipo por ambiente (G × E), pode causar dificuldades na seleção genética, pois esta influencia a expressão gênica. Nesse contexto, é necessário utilizar métodos precisos para a predição dos valores genéticos. Atualmente a inferência Fisheriana é a mais utilizada para as estimativas dos componentes de (co) variância e valores genéticos. Entretanto, muitas pesquisas, ao comparar inferências Bayesiana x Fisheriana, relatam aumento na precisão preditiva ao utilizar inferência Bayesiana. Diante do exposto, o objetivo deste estudo foi: Avaliar a aplicabilidade e eficiência do índice análise de fatores e ideótipos desejados (FAID) na seleção de genótipos adaptados e estáveis de soja via inferência Bayesiana. Foram utilizados dados referentes à avaliação de 30 genótipos de soja, em 10 municípios, em relação à característica produtividade de grãos em kg ha-1. O delineamento experimental utilizado foi blocos ao acaso, com três repetições. O melhor ajuste de modelo foi testado utilizando o critério de informação de desvio (DIC). Os componentes de variância dos parâmetros genéticos e não genéticos e valores genotípicos foram obtidos através da amostragem de Gibbs via algoritmo de Monte Carlo Cadeia de Markov (MCMC). O índice FAID foi utilizado como estratégia para identificar os genótipos com adaptabilidade e estabilidade, e a intensidade de seleção aplicada foi 20%. Valores de DIC indicam que o melhor ajuste de modelo é o completo, ou seja, todos os efeitos aleatórios do modelo estatístico são significativos. O intervalo HPD das densidades posteriores dos parâmetros genéticos e não genético, constatou significância para todos os componentes de variância, isto é, ambos os intervalos não contiveram o valor zero, para nenhum componente de variância estimado. Os efeitos associados aos genótipos, interação G × E e resíduos explicaram 19%, 21% e 60%, respectivamente, da variância fenotípica. Correlação genótipo x ambiente de magnitude fraca foi detectada através dos locais, indicando interação GE do tipo complexa. A acurácia seletiva indica uma precisão experimental muito alta (0.90). Os genótipos 5, 6, 9, 15, 21 e 28 foram selecionados com maior adaptabilidade, estabilidade e produtividade, e o ganho previsto com a seleção, para todos os ambientes simultaneamente, foi de 4.81%. A inferência Bayesiana juntamente com o índice FAIG, demonstram sua eficiência e aplicabilidade, selecionando genótipos adaptáveis, estáveis e produtivos, alcançando ganhos consideráveis para os ambientes avaliados.
Palavras-chave MCMC, DIC, seleção genética.
Forma de apresentação..... Painel
Link para apresentação Painel
Gerado em 0,70 segundos.