programa de pós-graduação em genética e melhoramento de … · correlações entre valores...
TRANSCRIPT
LGN 5799 - SEMINÁRIOS EMGENÉTICA E MELHORAMENTO DE PLANTAS
Programa de Pós-Graduação em Genética e Melhoramento de Plantas
Departamento de GenéticaAvenida Pádua Dias, 11 - Caixa Postal 83, CEP: 13400-970 - Piracicaba - São Paulo - Brasil
Telefone: (0xx19) 3429-4250 / 4125 / 4126 - Fax: (0xx19) 3433-6706 - http://www.genetica.esalq.usp.br/semina.php
Interação de genótipos com ambientes no melhoramento de plantas
Aluno: Sanzio Carvalho Lima BarriosOrientador: Prof. Dr. Cláudio Lopes de Souza Júnior
Índice
• Interação Genótipos x Ambientes (GA): conceito, natureza e importância no melhoramento de plantas
• Identificação de genótipos superiores: seleção em anos individuais ou em múltiplos anos?
• Métodos de estudo da interação GA e suas implicações no melhoramento de plantas- AMMI
- GGE
• Estratificação de ambientes (sub-regiões): efeito na resposta àseleção
• Componentes da variação fenotípica
Interação Genótipos x Ambientes (GA): conceito
• Ausência de interação GA ∆1 = ∆2 ou ∆3 = ∆4
• Presença de interação GA ∆1 ≠ ∆2 ou ∆3 ≠ ∆4
Kang (1998)
Representação do valor fenotípico de dois genótipos em dois ambientes
∆4 = c - d∆3 = a - bDiferença genotípica
∆2 = b - ddbG2
∆1 = a - ccaG1
A2A1Diferença ambiental
AmbientesGenótipos
• Modelo: F = G + A
• Conceito: efeito diferencial dos ambientes sobre os genótipos ou resposta diferencial dos genótipos à variação ambiental
Efeito de não-aditividade dos efeitos principais+ GA
Interação Genótipos x Ambientes (GA): natureza
Kang (1998)
Fen
ótip
o
Fen
ótip
o
Fen
ótip
o
Fen
ótip
o
Fen
ótip
o
Ambiente Ambiente Ambiente
Ambiente Ambiente
a b
d
c
e
G1G1
G1
G1G1
G2G2
G2
G2
G2
a – Ausência de interação GA b – Interação GA do “tipo simples”
c, d e e – Interação GA do “tipo complexa”
Interação Genótipos x Ambientes (GA): importância no melhoramento
• Implicações da interação GA na fase de melhoramento:
- Contribuição genética (G), ambiental (A) e interação GA (GA)
- Redução na resposta a seleção
- Programas de melhoramento adicionais
- Aumento no custo de avaliação dos genótipos
- Dificulta identificação de cultivares superiores (“F distante do G”)
- Aumento no custo dos ensaios de avaliação de cultivares
• Implicações da GA na fase de recomendação de cultivares:
Kang (1998)
Capitalizar interação GA
Interação Genótipos x Ambientes (GA): importância no melhoramento
Como lidar com a interação GA?
1. Ignorá-la
2. Evitá-la
3. Explorá-la
Seleção com base em médias mesmo na presença de interação GA?
Minimizar o impacto de interações GA significativas
Adaptação específica
Kang (1998)
Melhoramento: contornar os efeitos indesejáveis da interação GA ou aproveitar os seus efeitos benéficos
Componentes da variação fenotípica
Vencovsky & Barriga (1992)
• Magnitude relativa dos componentes de variância: , e
Informação importante para o melhorista
• Resposta à seleção é função da h2 (modelo aleatório)
• Avaliação individual (único local e ano)
Estratégias de melhoramento
2
GAσ 2
GLAσ2
GLσ
22222
' GLAGAGLGG σσσσσ)))))
+++=
r
hE
G
G
y 22
'
'2
σσ
σ)
)
))
+
=
“inflacionada pela interação”2
'Gσonde: r – nº de repetições
Componentes da variação fenotípica
rlalaal
hEGLAGAGL
G
G
y 22222
2
2
σσσσσ
σ
++++
=
• Avaliação em múltiplos ambientes (vários locais e anos)
Vencovsky & Barriga (1992)
onde: l – nº de locais
a – nº de anos
r – nº de repetições
Interação GA: impacto negativo na h2
• Qual a combinação ideal entre l, a e r para maximizar a
Informações importantes em um programa de melhoramento
2
yh
•São importantes?
Qual a contribuição para a variação total?
2
GAσ 2
GLAσ2
GLσ , e
• Para que a subdivisão seja vantajosa, os ganhos obtidos pela exploração da adaptação local devem ser maiores do que a perda de precisão devido a subdivisão
Até que ponto o efeito da subdivisão é vantajoso?
• Seleção: adaptação ampla x adaptação específica (local)
Estratificação de ambientes (sub-regiões): efeito na resposta à seleção
Subdivisão da região original (ampla) em sub-regiões (menores)
Redução na precisão das estimativas dentro de sub-regiões
Divisão dos recursos(< número de locais)
Atlin et al. (2000)
Estratificação de ambientes (sub-regiões): efeito na resposta à seleção
0,650,750,892,67AustráliaTrigo de verão
0,920,950,980,37Oeste do CanadáTrigo de verão
0,980,991,000,08Leste do CanadáTrigo de inverno
0,50,30,1RegiãoCultura
Correlações entre valores genotípicos obtidos em regiões amplas (não divididas) e em sub-regiões (divididas), para valores de variando de 0,1 a 0,5 e diferentes estimativas de
Gr
22
GLGS σσ22
GGL σσ
)( Gr
22
GLGS σσ22
GGL σσ
2
)(
22
SGLGSGL σσσ += sendo : G (genótipos), S (sub-região) e L (locais)•
• alta: classificação dos genótipos é consistente entre região/sub-regiãoGr
• baixa: classificação dos genótipos não é consistente região/sub-regiãoGr
Crop Sci. 40:7-13(2000)
Estratificação de ambientes (sub-regiões): efeito na resposta à seleção
i
GH
HrRDRC =
Atlin et al. (2000)
2
22
F
GSGiH
σ
σσ +=
Capitaliza (+)
0,490,540,620,490,530,610,5
0,630,680,790,620,670,790,3
0,870,941,110,870,941,110,1
Trigo de verão - Austrália
0,900,931,010,910,961,170,5
0,950,981,070,961,011,200,3
1,011,041,141,021,071,240,1
Trigo de verão – Canadá
0,991,011,081,011,051,150,5
1,001,031,091,021,061,170,3
1,021,041,111,031,071,180,1
Trigo de inverno - Canadá
l = 6l = 4l = 2l = 6l = 4l = 22 anos1 ano
Efeito da ,número de locais (l) e anos em cada sub-região na razão entre a resposta predita na sub-região devido a seleção indireta na região ampla (não dividida) e a resposta predita devida a seleção direta na sub-região individual
22
GLGS σσ
22
GLGS σσ
08,022 =GGL σσ
37,022 =GGL σσ
67,222 =GGL σσ
RDRC
)( RDRC
Seleção em ambientes favoráveis x ambientes desfavoráveis (estresse)
Estratificação de ambientes (sub-regiões): efeito na resposta à seleção
0,382,515,52baixo NMéxicomilhoBanziger et al. (1997)
0,503,775,93baixo NMéxicomilhoLafitte & Edmeades (1994)
0,512,454,45baixo NMéxicomilhoLafitte & Edmeades (1994)
0,201,663,48secaOklahomatrigoUd-Die et al. (1992)
-0,120,22-1,081,81-6,77secaSyriacevadaCeccarelli et al. (1992)
0,001,503,97semeadura tardia
IowaaveiaAtlin & Frey (1989)
0,521,142,71baixo PIowaaveiaAtlin & Frey (1989)
rGAD
(t/ha)
AF
(t/ha)
EstresseRegiãoEspécieEstudo
Estimativas de correlação genética (rG) para produção de grãos em ambientes favoráveis (AF) e desfavoráveis (AD) entre cultivares.
• rG baixa entre ambientes favoráveis e ambientes desfavoráveis
Atlin et al. (2001)
• ambientes desfavoráveis h2 é menor
Estratificação de ambientes (sub-regiões): efeito na resposta à seleção
Seleção em ambientes favoráveis x ambientes desfavoráveis (estresse)
• Estresse: desafio é manter a h2 o mais alto possível
Estimativas de herdabilidade (h2) no sentido amplo para produção de grãos
0,490,130,130,07Tailândiaarroz
0,800,370,440,29Tailândiaarroz
0,720,280,320,20Reino UnidoBatata
0,790,360,400,27Reino Unidotrigo
0,630,200,220,13Austráliatrigo
0,790,310,420,28Leste Canadáaveia
0,710,290,290,18Leste Canadácevada
4 repetições em 5 locais e 2 anos
4 repetições em 1 local
Parcela única em 2 locais
Parcela única em 1 local
h2 para seleção em:RegiãoEspécie
• Reduzir : “aproximar o Fenótipo do Genótipo”2
Fσ
Atlin et al. (2001)
S2X1: Roemer (1917)
EBRAS: Eberhart & Russell (1966)
TAI: Tai (1971)
SHUKLA: Shukla (1972)
CV: Francis & Kannenberg (1978)
PI: Lin & Binns (1988)
Paramétricos univariados
UPGMA: Sokal & Michener (1958)
LIN: Lin (1982)
FOXROS: Fox & Rosielle (1982)
AMMI: Zobel et al. (1988)
PPCC: Westcott (1987)
CA: Lopez (1990)
GGE: Yan et al. (2000)
YIELD: Cubero & Flores (1994)
Multivariados
Não-paramétricos
STAR: Flores (1993)
KETYIELD: Ketata et al. (1989)
KETRANK: Ketata et al. (1989)
S1O, S2O, S3O e S6O: Huhn (1979)
KANG: Kang (1988)
FOXRANK: Fox et al. (1990)
univariados
Métodos de estudo da interação GA
AMMI (Additive Main effects and Multiplicative Interaction analysis)
Modelo:
jiij egY ++= µ ∑=
p
k
jkikk
1
αγλijε
Parte aditiva (ge)ij : multiplicativa
+ +
: K-ésimo valor singular da matriz GE
: elemento do genótipo i do vetor coluna associado a
: elemento do ambiente j do vetor linha associado a
kλ
ikγ
jkα kλkλ
Duarte & Vencovsky (1999)
AMMI combina, em um único modelo, componentes aditivos para os efeitos principais (gi e ej) e componentes multiplicativos para o efeito de interação (ge)ij
Soma das p parcelas recompõe toda a variação: ∑ ==
p
k kGESQ1
2)( λ
IDÉIA : Recuperar parte da (Padrão)GESQ
jiij egY ++= µ ∑ ∑= +=
+n
k
p
nk
jkikkjkikk
1 1
αγλαγλijε
Parte aditivaPadrão
+ +
Ruído com n < p
AMMI (Additive Main effects and Multiplicative Interaction analysis)
Duarte & Vencovsky (1999)
2 etapas1) Ajuste dos efeitos principais por ANOVA
2) Ajuste da interação GE por DVS(Decomposição por valores singulares - DVS)
= GE(gxa)
...1 2 a
12
g
...
geni \ ambj
Matriz de interações:
)( gxaY1) ANOVA (univariada) aplicada à matriz de médias
ijjiij egY εµ +++=Modelo:
....)( YYYYegYY jiijijijijij +−−=⇔−=)))
ε
Resíduo de não aditividade dos efeitos principais
AMMI (Additive Main effects and Multiplicative Interaction analysis)
2) Ajuste da interação GE por DVS
Duarte & Vencovsky (1999)
Origem do BiplotProf. Ruben Gabriel
“The founder of biplot”• Gabriel (1971)
• Um dos grandes avanços na análise de dados nas últimas décadas
• Atualmente...
• > 60.000 web pages
• Vários artigos científicos
• Incluído na maioria dos pacotes estatísticos
• Ainda é uma técnica muito nova para a maioria dos cientistas
Yan (2006)
AMMI
-4
-3
-2
-1
0
1
2
3
4
5
-4 -3 -2 -1 0 1 2 3 4 5
O
PC1
PC
2
DefiniDefiniççãoão matemmatemááticatica do do BiplotBiplot
G1G2
G3
G4
A1
A2
A3
5.0
cosα =0.89444.4
“Produto interno de vetores”
• Pij =OGi*OAj*cosαij
AMMI (Additive Main effects and Multiplicative Interaction analysis)
Yan (2006)
P11 = 5 x 4.4 x 0.8944 = 20
−
−−
−
−
121284
96103
151262
69201
321
g
g
g
g
aaa
GE(4, 3)Função cosseno
MÉDIAS (kg/ha)
IPC
A1
(kg/ha)1/2
800 1000 1200 1400
-10
10
0
A1
A2
A3
A4A5
G1
G2
G3
G4
G5G6
G7
G8
G9
G10
Biplot AMMI1
Mais estáveis
Duarte & Vencovsky (1999)
AMMI (Additive Main effects and Multiplicative Interaction analysis)
Duarte & Vencovsky (1999)
IPCA1
(kg/ha)1/2
(kg/ha)1/2
Biplot AMMI2
IPC
A2
-10 10
-10
10
0
A1
A2A3
A4
A5
G1
G2
G3G4
G5
G6
G7
G8
G9
G10
Maisestáveis
Melhoramento:Adaptação ampla (estabilidade) x adaptação específica
Biplot AMMI2 + efeitos principais (alta produtividade)
AMMI (Additive Main effects and Multiplicative Interaction analysis)
Crop Sci. 40: 597-605 (2000)
G + GE = G + GE = biplotbiplot ??
• Modelo linear geral:F = M + G + E + GE
GGE Biplot
• “tabelas” de dupla entrada (Y):
Y = F – M – G – E = GE duplo-centrada: biplot GEY = F – M – E = G + GE coluna-centrada: biplot GGE
DVS
Matriz
““ProdutoProduto internointerno de de vetoresvetores””
Yan (2006)
GGE Biplot
ClassificaClassificaççãoão emem ambientesambientes individuaisindividuais
Yan (2006)
GGE Biplot
Eixo E7
Dados de Dados de produproduççãoão de de grãosgrãos de 18 de 18 gengenóótipostipos de de trigotrigo avaliadosavaliados emem 9 9 locaislocais, 1993, Ontario, , 1993, Ontario, CanadCanadáá
Tabela de “dupla-entrada” (g- linhas x e- colunas)
Exemplo
Yan (2006)
GGE Biplot
AnAnááliselise de dadosde dados
ANANÁÁLISE DE MEGALISE DE MEGA--AMBIENTES*AMBIENTES*
AVALIAAVALIAÇÇÃO DE AMBIENTES TESTEÃO DE AMBIENTES TESTE
AVALIAAVALIAÇÇÃO DE GENÃO DE GENÓÓTIPOSTIPOS
* Mega-ambiente: grupo de locais geográficos que compartilham o mesmo conjuno de genótipos superiores ao longo dos anos de forma consistente
Yan (2006)
GGE Biplot
Para cada mega-
ambiente
RelaRelaççãoão entre entre ambientesambientesComparação entre “vetores ambientes”
• Ângulo vs.
correlação
• Agrupamento
de ambientes
Yan (2006)
GGE Biplot
“Which-won-where”
G12
G7G18
G8G13
Interação GE do tipo complexa
mudanças de classificação
dos genótipos nos diferentes
ambientes
Yan (2006)
GGE Biplot
A A interainteraççãoão GE do GE do tipotipo complexacomplexa ééconsistenteconsistente aoao longolongo dos dos anosanos??
• Se sim…– A região “alvo” deve ser subdividida em mega-ambientes
– Interação GE pode ser explorada através da seleção em cadamega-ambiente
– GE� G
• Se não…– A região “alvo” não pode ser subdividida em vários mega-ambientes
– Interação GE não pode ser explorada
– Interação GE deve ser minimizada através de avaliações em
diversos locais e anos
Yan (2006)
GGE Biplot
ANANÁÁLISE DE MEGALISE DE MEGA--AMBIENTES*AMBIENTES*
AVALIAAVALIAÇÇÃO DE AMBIENTES TESTEÃO DE AMBIENTES TESTE
AVALIAAVALIAÇÇÃO DE GENÃO DE GENÓÓTIPOSTIPOS
AnAnááliselise de dadosde dados
* Mega-ambiente: grupo de locais geográficos que compartilham o mesmo conjuno de genótipos superiores ao logo dos anos de forma consistente
Para cada mega-
ambiente
Yan (2006)
GGE Biplot
HabilidadeHabilidade discriminatdiscriminatóóriaria e e representatividaderepresentatividade
Eixo do Ambiente-Médio(EAM)
Ambiente médio
Comprimento do vetor: habilidade discriminatóriaÂngulo com o EAM: representatividade
Yan (2006)
GGE Biplot
Ambienteteste ideal
Yan (2006)
AmbienteAmbiente testeteste ideal:ideal:discriminantediscriminante e e representativorepresentativo
GGE Biplot
ANANÁÁLISE DE MEGALISE DE MEGA--AMBIENTES*AMBIENTES*
AVALIAAVALIAÇÇÃO DE AMBIENTES TESTEÃO DE AMBIENTES TESTE
AVALIAAVALIAÇÇÃO DE GENÃO DE GENÓÓTIPOSTIPOS
* Mega-ambiente: grupo de locais geográficos que compartilham o mesmo conjuno de genótipos superiores ao logo dos anos de forma consistente
AnAnááliselise de dadosde dados
Yan (2006)
GGE Biplot
Para cada mega-
ambiente
Contribuição paraGE (instabilidade)
Contribuição para G (performance média)
Yan (2006)
ComprimentoComprimento vetorvetor = GGE = G + GE= GGE = G + GE
GGE Biplot
Yan (2006)
MMéédiadia vs. vs. EstabilidadeEstabilidade
GGE Biplot
ClassificaClassificaççãoão dos dos gengenóótipostipos com base com base ememmméédiasdias e e estabilidadeestabilidade
“GenótipoIdeal”
Yan (2006)
GGE Biplot
ClassificaClassificaççãoão dos dos gengenóótipostiposMédia
Estabilidade
Performance média alta
Performance média baixa
AltaEstabilidade
Adaptação geral(MUITO BOM)
Ruim em todo local
(MUITO RUIM)
Baixaestabilidade
Adaptação específica(BOM)
Ruim em alguns locais
(RUIM)
Yan (2006)
GGE Biplot
• Aproximação com 2 eixos singulares é adequada?
- Quanto da variação está sendo explicada?
- Porção da variação explicada é consistente ao longo dos anos?
• Biplot como ferramenta gráfica descritiva?
- Interpretação gráfica sem nenhum teste estatístico associado !
intervalos de confiança para os escores de genótipos e ambientesIdéia
Crop Sci. 49: 1564-1576 (2009)
• Padrão “which-won-where” é confiável e consistente ao longo dos anos?
- Cultivar “ganhadora” em um vértice pode não ser estatisticamente diferente de outra adjacente (não “ganhadora”) no mesmo setor
- Padrão pode não ser consistente ao longo dos anos
• Efeito aleatório para genótipos e/ou ambientes
- AMMI e GGE biplot são para modelos fixos
Crop Sci. 49: 1564-1576 (2009)
• Interação Genótipo x local x ano
• Ensaios conduzidos em múltiplos locais e anos
Números de anos em que um genótipo é avaliado
confiabilidade na avaliação/recomendação
• Dados de múltiplos anos são mais informativos do que dados de anos individuais para prever a performance dos genótipos no próximo ano?
• Hipótese pouco testada na literatura
Yan & Rajcan (2003)
Seleção de genótipos superiores: anos individuais x múltiplos anos
• Ensaio de avaliação de cultivares de soja: 4 locais x 10 anos
• Correlação entre o desempenho produtivo estimado em um ano com o ano individual seguinte, entre genótipos
• Correlação entre o desempenho produtivo estimado em um número prévio de anos com o ano individual seguinte, entre genótipos
Número de genótipos comumente avaliados no período de 1991 a 2000
12367916223460
2000199919981997199619951994199319921991
Crop Sci. 43: 549-555 (2003)
Seleção de genótipos superiores: anos individuais x múltiplos anos
0,571999 vs. 2000
0,611998 vs. 1999
0,561997 vs. 1998
0,531996 vs. 1997
0,471995 vs. 1996
0,711994 vs. 1995
0,411993 vs. 1994
0,471992 vs. 1993
0,061991 vs. 1992
rAnos
Coeficientes de correlação (r) entre o desempenho médio de genótipos obtidos em um ano, múltiplo locais, e aqueles obtidos no ano seguinte
• Coeficientes de correlação significativos (P<0,01), exceto 1991 vs.1992
Yan & Rajcan (2003)
Seleção de genótipos superiores: anos individuais x múltiplos anos
• Dados de anos individuais são suficientes para identificar genótipos
superiores e descartar inferiores
* +1 superior a média geral (P<0,05), -1 inferior a média geral (P<0,05) e 0 não diferiu significativamente da média geral.
....-1-1-1...T9313
.....-1-1-10-1MAPLE GLEN
000000....MS0747
...000000.KG62
...-1000000OAC ECLIPSE
.0.+1000+1.+1T8508
..000+1+1+1+1+1OAC SHIRE
2000199919981997199619951994199319921991Genótipo
Escores* dos genótipos nos anos individuais no período de 1991 a 2000...
Yan & Rajcan (2003)
Seleção de genótipos superiores: anos individuais x múltiplos anos
• Aumento no numero de anos não acarretou um aumento significativo na correlação
0,610,630,640,620,590,610,580,590,53Média
0,550,530,321994
0,680,650,650,711995
0,510,510,510,510,471996
0,540,530,520,520,560,511997
0,670,680,670,680,680,680,561998
0,650,650,650,650,660,570,570,571999
0,610,610,610,610,610,610,610,630,572000
987654321Ano presente
Número de anos prévios
Coeficientes de correlação entre o desempenho médio de genótipos baseando-se em um a nove anos prévios e no ano presente
• Entretanto, Genótipos superiores identificados em anos individuais devem ser avaliados em múltiplos anos, para permitir avaliações conclusivas
Yan & Rajcan (2003)
Seleção de genótipos superiores: anos individuais x múltiplos anos
Considerações finais
• Métodos multivariados: AMMI e GGE
- Bastante informativos: reúnem em um único gráfico: genótipos, ambientes e genótipos x ambientes
- Interpretação com cautela: variação explicada pelos eixos singulares
- Seleção de genótipos: incorporar testes estatísticos ao biplot
• Ensaios em anos individuais (múltiplos locais): seleção de genótipos superiores
• Importância dos componentes da interação GA e parâmetros genético-estatísticos ( , , RS , etc...)Gr
2h
DUARTE, J.B.; VENCOVSKY, R. Interação genótipo x ambiente: uma introdução àanálise AMMI. Série Monografias SBG, nº 9, 1999.
YAN, W.; RAJCAN, I. Prediction of Cultivar Performance Based on Single- versus Multiple- Year Tests in Soybean. Crop Science, v.43, p.549-555, 2003.
YANG, R.C.; CROSSA, J.; CORNELIUS, P.L.; BURGUEÑO, J. Biplot Analysis ofGenotype x Environment Interaction: Proceed with Caution. Crop Science, v.49, p.1564-1576, 2009.
ATLIN, G.N.; BAKER, R.J.; MCRAE, K.B.; LU, X. Selection Response in SubdividedTarget Regions. Crop Science, v.40, p.7-13, 2000.
YAN, W.; HUNT, L.A.; SHENG, Q.; SZLAVNICS, Z. Cultivar Evaluation and Mega-Environment Investigation Based on the GGE Biplot. Crop Science, v.40, p.597-605, 2000.
Referências
VENCOVSKY, R.; BARRIGA, P. Genética Biométrica no Fitomelhoramento. Ribeirão Preto. Sociedade Brasileira de Genética. 1992. 496p.
YAN, W. Biplot analyses of Multi-Environment Trial Data. 2006. Disponível em: <http://www.ggebiplot.com/workshop.htm>. Acesso em: 06 out. 2009.
Obrigado