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

• Ano de defesa: 2024
• Autor(a) principal: Faria, Sheila Gonçalves
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa; Estatística Aplicada e Biometria
• Palavras-chave em Português: Distribuição binomial; Modelos multiníveis (Estatística); Café - Melhoramento genético; Estatística Aplicada e Biometria
• Link de acesso: https://locus.ufv.br/handle/123456789/33156; https://doi.org/10.47328/ufvbbt.2024.417

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.