Enfoque bayesiano: una alternativa al Efecto principal aditivo y multiplicativo Modelos de interacción para genotipos mediante Interacciones ambientales
DOI:
https://doi.org/10.31413/nat.v12i4.17484Palabras clave:
Bayesian Approach,, Von Mises-Fisher Distribution, MCMC, Genotype, Wheat cropResumen
Los genotipos de diferentes estructuras genéticas se comportan de manera diferente en diferentes condiciones ambientales.
La interacción genotipo-ambiente (GEI) se conoce como respuestas diferenciales de
diferentes genotipos en diferentes entornos; GEI tiene gran importancia debido a la
mayor rendimiento de los genotipos que serán evaluados por el GEI. Sin embargo, la presencia de GEI hace
análisis más complicado. Para erradicar estas complicaciones de la evaluación se han desarrollado varios métodos.
propuestos como Análisis de Componentes Principales (PCA), Análisis de Conglomerados, Efectos Principales Aditivos
y modelos de interacción multiplicativa (AMMI), y genotipo más genotipo por entorno
interacción (GGE). Estos métodos no superan el problema de la parametrización excesiva ni
utilizar la información previa. Este estudio tiene como objetivo utilizar una técnica que pueda abordar estos
problemas. Para este propósito, los datos del cultivo de trigo se componen de 30 genotipos probados en 13 diferentes
Se utilizaron ubicaciones de Punjab, Pakistán, durante dos años consecutivos. El diseño del experimento.
Fue un diseño de bloques completos al azar (RCBD). En este estudio se hizo una comparación
entre los métodos clásicos AMMI, GGE biplot y el enfoque bayesiano utilizando Von-Mises Fisher
distribución como antes. Los métodos clásicos demostraron que el genotipo V-11098 era el más deseable.
Genotipo basado en estabilidad y rendimiento de alto rendimiento. Se utilizó el enfoque bayesiano.
para GEI porque facilita bastante la interpretación estadística al relajar algunas restricciones.
utiliza la información anterior y también proporciona soluciones para estos mediante el uso del algoritmo MCMC.
Se utilizó la estrategia bayesiana para el análisis de GEI para evaluar el desempeño general y específico de
Genotipos y riesgo relacionado con el genotipo. El análisis reveló que los términos bilineales u25,1 para genotipo
El genotipo NS-10 y v13,1 para el entorno S13 (Piplan-14) se encontraron significativos, lo que indica que
estos afectan la interacción. Se observó que el enfoque bayesiano podría explorar muy bien la GE
interacción.
Referencias
BURGUENOA, J.; CROSSA, J.; CORNELIUSB, P. L.; YANG, R.-C. Using factor analytic models for joining environments and genotypes without crossover genotype environment interaction. Crop Science, v. 48, n. 4, p. 1291-1305, 2008. https://doi.org/10.2135/cropsci2007.11.0632
CROSSA, J.; GAUCH, H. G.; ZOBEL, R. W. Additive main effects and multiplicative interaction analysis of two international maize cultivar trials. Crop Science, v. 30, n. 3, p. 493-500, 1990. https://doi.org/10.2135/cropsci1990.0011183X003000030003x
DA SILVA, C. P.; DE OLIVEIRA, L. A.; NUVUNGA, J. J.; PAMPLONA, A. K. A.; BALESTRE, M. A bayesian shrinkage approach for ammi models. Plos One, v. 10, n. 7, e0131414, 2015. https://doi.org/10.1371/journal.pone.0131414
GELMAN, A.; CARLIN, J. B.; STERN, H. S.; RUBIN, D. B. Bayesian Data Analysis. Chapman & Hall/CRC, 2004. 675p. https://doi.org/10.1201/b16018
HOFF, P. D. Model averaging and dimension selection for the singular value decomposition. Journal of the American Statistical Association, v. 102, p. 675-684, 2007. https://doi.org/10.48550/arXiv.math/0609042
JOSSE, J.; van EEUWIJK, F.; PIEPHO, H.-P.; DENIS, J.-B. Another look at bayesian analysis of ammi models for genotype-environment data. Journal of Agricultural, Biological, and Environmental Statistics, v. 19, p. 240-257, 2014. https://doi.org/10.1007/s13253-014-0168-z
PEREZ-ELIZALDE, S.; JARQUIN, D.; CROSSA, J. A general Bayesian estimation method of linearbilinear models applied to plant breeding trialswith genotype × environment interaction. Journal of Agricultural, Biological, and Environmental Statistics, v. 17, p. 15-37, 2011. https://doi.org/10.1007/s13253-011-0063-9
RODRIGUES, P. C.; MONTEIRO, A.; LOURENCO, V. M. A robust ammi model for the analysis of genotype-by-environment data. Bioinformatics, v. 32, p. 58-66, 2015. https://doi.org/10.1093/bioinformatics/btv533
UHLEN, A. K.; HAFSKJOLD, R.; KALHOVD, A.-H.; SAHLSTROM, S.; LONGVA, A.; MAGNUS, E. M. Effects of cultivar and temperature during grain filling on wheat protein content, composition, and dough mixing properties. Cereal Chemistry, v. 75, p. 460-465, 1998. https://doi.org/10.1094/cchem.1998.75.4.460
VIELE, K.; SRINIVASAN, C. Parsimonious estimation of multiplicative interaction in analysis of variance using kullback-leibler information. Journal of Statistical Planning and Inference, v. 84, p. 201-219, 2000. https://doi.org/10.1016/S0378-3758(99)00151-2
YAN, W.; TINKER, N. A. An integrated biplot analysis system for displaying, interpreting and exploring genotype × environment interaction. Crop Science, v. 45, p. 1004-1016. 2005. https://doi.org/10.2135/cropsci2004.0076
Descargas
Publicado
Número
Sección
Cómo citar
Licencia
Derechos de autor 2024 Nativa
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Los derechos de autor de los artículos publicados en esta revista pertenecen al autor, con los derechos de primera publicación de la revista. En virtud de aparecer en esta revista de acceso público, los artículos son de libre uso, con sus propias atribuciones, en aplicaciones educativas y no comerciales.
Los artículos publicados en esta revista pueden ser reproducidos parcialmente o utilizados como referencia por otros autores, siempre que se mencione la fuente, es decir, Revista Nativa.
