Seleção precoce em famílias de cana-de-açúcar via procedimentos BLUP e BLUPIS
AUTOR(ES)
Oliveira, Ricardo Augusto de, Daros, Edelclaiton, Resende, Marcos Deon Vilela de, Bespalhok Filho, João Carlos, Zambon, José Luis Camargo, Ruaro, Lucimeris
FONTE
Acta Sci., Agron.
DATA DE PUBLICAÇÃO
2013-12
RESUMO
O objetivo deste trabalho foi comparar a seleção precoce de famílias através da melhor predição linear não viesada (BLUP) correlacionando-se os resultados com o procedimento BLUP individual simulado (BLUPIS). Foram testadas 80 famílias de irmãos-germanos conduzidas a campo em delineamentos em blocos incompletos. As análises estatísticas foram realizadas utilizando os modelos mistos. As variáveis determinadas no ciclo de cana-soca foram: toneladas de colmos por hectare (TCH), porcentagem de sólidos solúveis no caldo da cana (Brix) e toneladas de brix por hectare (TBH). Os componentes de variância foram estimados utilizando a máxima verossimilhança restrita (REML) e os valores das famílias foram preditos pelos procedimentos BLUP e BLUPIS. O procedimento BLUPIS indicou a seleção de 30 famílias com um total de 344 indivíduos para a variável TBH e ganho com a seleção de 28%. A correlação entre o BLUPIS e BLUP foi de 0,83; 0,93 e 0,91 para Brix, TCH e TBH, respectivamente, sendo validado o procedimento BLUPIS com dados em cana-de-açúcar. O procedimento BLUPIS demonstra vantagem na seleção de famílias, pois se baseia na colheita total de parcela, diferente do procedimento BLUP que exige a mensuração de todos os indivíduos presente na parcela.
ASSUNTO(S)
saccharum spp. melhoramento vegetal modelos mistos seleção de famílias famílias de irmãos-germanos
Documentos Relacionados
- Procedimento Blupis e seleção massal em cana-de-açúcar
- Seleção via BLUP individual simulado baseado nos efeitos genotípicos de famílias em cana-de-açúcar
- Eficiência da seleção dentro de famílias de cana-de-açúcar via BLUP individual simulado
- Seleção de famílias de cana-de-açúcar via modelos mistos.
- Seleção dentro de famílias de cana-de-açúcar via redes neurais artificiais