A elevada relação entre os scores da IPC1 e os QTL, evidente nas Figuras 8.1 (pai- nel da direita) e 8.3, levanta a questão sobre a possibilidade de prever QTL scans tendo por base apenas os IPC1 scores. Para analisar essa possibilidade foram utili- zados dados de mais três ambientes, observados durante o ano de 2006, resultando num total de 14 ambientes em análise. Quando se adiciona (ou remove) dados, é sempre possível que os parâmetros do modelo AMMI sofram alterações radicais, apesar disso ser menos provável quando os ambientes adicionados (ou removidos)
Figura 8.3: LOD scores dos seis QTL detectados, ao longo dos scores da IPC1 (Gauch et al., 2011).
são similares aos restantes. Neste caso, os parâmetros do modelo AMMI para 11 e 14 ambientes são bastante similares, tal como confirmado pela correlação de 0.9943 entre os IPC1 scores para os 11 ambientes em comum, ao considerar o conjunto de dados formado por 11 e 14 ambientes separadamente. Assim, a previsão para o QTL scan de cada um dos três novos ambientes pode ser obtida simplesmente con- siderando o scan do ambiente antigo com o IPC1 score mais próximo do novo. Na Figura 8.4 são apresentados os QTL scans para cada um dos novos ambientes, jun- tamente com o QTL scan dos ambientes antigos com o IPC1 score mais próximo do do novo ambiente. Nos três casos, os QTL scans preditos estão praticamente so- brepostos aos correspondentes QTL scans observados. De referir que, desta forma, cada QTL scan é predito com apenas um valor, o IPC1 score obtido apenas com base nos dados fenotípicos (Gauch et al., 2011).
8.4
Conclusões
A utilização de modelos AMMI permite melhorar a detecção de QTL, assim como alcançar um melhor entendimento da interação entre QTL e ambiente. Este objetivo é alcançado através da AQ analysis, isto é, quando os QTL scans são realizados nos valores preditos do modelo AMMI mais parcimônio, em vez de os obter com base nos dados originais. O entendimento de como os QTL interagem com o ambiente permite aos melhoradores de plantas obter informação para melhorar a colheita em
Figura 8.4: QTL scans para os três novos ambientes de 2006, em comparação com os ambientes antigos com IPC1 score mais próximo do IPC1 score do novo ambi- ente.
diferentes ambientes (Figura 8.3). Esta análise também permite aos melhorado- res de plantas selecionar localizações que otimizem a detecção de um determinado QTL, tal como a localização Hel para o QTL1 na Figura 8.3. Essa localização maximiza consistentemente o LOD score para o QTL1 ao longo dos anos.
Apesar da ilustração apresentada ser direcionada para melhoramento vegetal, as estratégias apresentadas para detectar e entender IQA são baseadas em princípios estatísticos de igual aplicabilidade em populações microbiais e vegetais quando es- tudadas em vários ambientes, e podem ser adaptadas a estudos genéticos em animais e humanos (Gauch et al., 2011).
Generalização dos modelos
AMMI
9.1
Introdução
Os experimentos multi-ambientais (MET) são conduzidos através de vários anos para os principais produtos agrícolas no mundo, constituindo um passo caro mas essencial para a liberação de um novo genótipo de um produto agrícola e, con- seqüentemente, a recomendação de cultivar.
O objetivo primário de um MET é identificar cultivares superiores. A prática mais comum usada para este fim é comparar o rendimento de um genótipo em vários ambientes de teste (normalmente combinações de locais e anos). O segundo objetivo de análise de dados multi-ambientais, deveria ser investigar as relações entre os ambientes de teste e a possibilidade de diferenciação do mega-ambiente (YAN; HUNT, 2002).
Para a descrição da resposta média de genótipos em ambientes e para o estudo e interpretação da interação genótipos × ambientes (GE) em METs agrícolas, duas classes de modelos são comumente utilizadas: modelos lineares e modelos lineares- bilineares. Em princípio, as abordagens para a análise da interação GE incluem a apresentação dos dados em tabela de duas entradas (matriz), sendo que cada casela desta tabela contém a resposta média de cada genótipo em cada ambiente.
Considere agora o caso em que os METs são avaliados através de vários anos ( ou seja, genótipos × locais × anos) (GLA), em que os dados podem ser organizados em arranjo de três entradas onde, neste caso, as entradas se referem a genótipos, locais ou anos.
Em alguns casos o investigador pode estar interessado em saber se existe uma estrutura comum encoberta pelos locais com relação aos anos e como os vários
genótipos respondem através da estrutura formada por ambientes e anos. Alguns genótipos podem ter altas respostas em alguns locais, mas não em outros e, alguns locais podem estar mais associados com alguns genótipos do que a outros por alguns anos. Um procedimento para ganhar uma compreensão clara em arranjo GLA de três-entradas é determinar uma estrutura dimensional menor, expressado em com- ponentes principais, para a interação genótipos × locais × anos e, então, estudar as relações entre estes componentes. Esta aproximação é mais útil que combinar dois dos três fatores de maneira que os dados formem um arranjo de duas entradas. Outro procedimento menos útil é excluir um fator diretamente (por exemplo anos) e analisar um arranjo de duas entradas dos genótipos × locais em cada ano e, neste caso, o problema está em encontrar uma interpretação global para os anos.
Para os dados organizados em arranjo de três-entradas existem alguns modelos para analisá-los, como por exemplo, os modelos propostos por Tucker: Tucker1, Tucker2 e Tucker3 e o modelo proposto por Harshman que é denominado de modelo PARAFAC, que fornecem uma decomposição trilinear dos dados organizados no arranjo.