USE OF SIMULATIONS TO OPTIMIZE SPATIAL MODELING AND LONG-TERM GENETIC GAINS IN SOYBEAN IN THE POST-GENOMIC ERA

Abstract

Este estudo abrange dois tópicos principais: (1) A seleção genômica tornou-se uma ferramenta importante no melhoramento da soja. No entanto, o impacto de diferentes abordagens de seleção genômica em curto e longo prazo não é bem compreendido. Para melhor compreensão disso, foi realizada uma simulação com 200 ciclos de melhoramento, com combinações de tamanhos de famílias, modelos de seleção de predição genômica (BayesA, BayesB, FLM, GBLUP, Random Forest, Fenotípica, Verdadeiro valor genético), estratégias de melhoramento (AC: Entre de Famílias, WPSF: Entre e dentro de famílias, WF: Dentro de famílias) e níveis de intensidade de seleção (2,5, 5, 7,5 e 10%). As seleções foram simuladas na geração F4, em que os indivíduos foram fenotipados e genotipados. As seleções de WF forneceram os maiores ganhos genéticos de longo prazo. Os métodos GBLUP e Bayesianos superaram o Random Forest e forneceram a maioria dos ganhos genéticos nas primeiras 100 gerações, sendo superados pela seleção fenotípica após centésimo ciclo. Todos os métodos forneceram desempenho semelhante nas seleções WPSF. Quando os indivíduos foram selecionados AC e WPSF, houve a perda mais rápida na variância genética, uma vez que 80% da variância genética foi esgotada dentro de 28 a 58 ciclos, enquanto as seleções WF preservaram a variância até o ciclo 184. Surpreendentemente, a pressão de seleção teve menos impacto sobre ganhos de longo prazo do que as estratégias de melhoramento. Os estudos sustentam que os ganhos genéticos podem ser otimizados a longo prazo com combinações específicas de modelos de predição, tamanho da família, estratégias de seleção e intensidade de seleção. (2) A modelagem da variação espacial em experimento de campo é uma prática padrão, para a análise de ensaios de melhoramento genético, visando melhorar a precisão das estimativas dos parâmetros genéticos. Este estudo tem como objetivo quantificar a precisão e o viés das estimativas dos parâmetros por meio de diferentes abordagens. Comparamos três configurações para o relacionamento genético entre os indivíduos: nenhuma relação (I), relação de parentesco (A) e relação baseada em marcadores moleculares (G); e um conjunto de abordagens para a modelagem espacial: Sem ajuste espacial (NS), covariável de média móvel (MA), ajuste linha-coluna (RC), auto-regressivo AR1×AR1 (AR), Equações Diferenciais Parciais Estocásticas ou SPDE (SD), grafo do vizinho mais próximo (NG) e kernel Gaussiano (GK). As simulações foram definidas para representar os ensaios de campo da soja na geração F2:4, em que os indivíduos foram genotipados em alta densidade. A relação resíduo:sinal simulada entre a variância residual e a variância espacial (Ve:Vs) variou de 9:1 a 1:9. O delineamento experimental simulado foi em design de blocos aumentados. As informações de relacionamento tiveram um impacto substancial na precisão dos valores genéticos (G>A>I) e contribuíram para a melhoria na precisão da estimativa dos efeitos espaciais (30,63–42,27%). Em cenários que a variação espacial foi igual ou inferior à variância residual, diferenças desprezíveis na precisão da estimativa dos parâmetros genéticos foram observadas entre modelos espaciais. Em termos gerais, a melhoria média atribuída ao ajuste espacial adequado entre os cenários foi de 7 a 9%. Os modelos espaciais foram classificados com base na melhoria da precisão da estimativa dos parâmetros genéticos como SD ≥ GK ≥ AR ≥ NG ≥ MA > RC ≥ NS, e para a precisão espacial como GK ≥ SD ≥ NG > AR ≥ MA > RC. As estimativas de variância genética e espacial foram geralmente enviesadas negativamente, enquanto as variâncias residuais foram enviesadas positivamente. Ambos os estudos demonstraram que a modelagem estatística em programas de melhoramento de forma ampla e conjunta é benéfica na seleção dos melhores genótipos.