Aplicación del modelo AMMI-bayesiano en el estudio de la estabilidad genotípica y la adaptabilidad en los datos de mostaza
DOI:
https://doi.org/10.33448/rsd-v9i9.7023Palabras clave:
Interacción; Regiones de credibilidad; Biplot.Resumen
El análisis de conjuntos de datos de pruebas multi-ambientales es de fundamental importancia en las etapas finales de los programas de fitomejoramiento. En este contexto, el Modelo de Efectos Aditivos Principales e Interacción Multiplicativa (AMMI) se ha convertido en un método popular para evaluar las respuestas de genotipo en diferentes entornos. En el presente trabajo, el modelo AMMI se aplicó, bajo el enfoque bayesiano, a un conjunto de datos de un experimento de bloques al azar con 12 genotipos (variedades) de mostaza en 6 entornos diferentes. El objetivo fue analizar la estabilidad genotípica y la adaptabilidad a través de la representación biplot AMMI-2, destacando las diferencias en este enfoque en relación con el análisis AMMI clásico. Los resultados mostraron la gran flexibilidad del método bayesiano para incorporar un efecto aleatorio para los genotipos, así como la inferencia al biplot a través de regiones de credibilidad para puntajes genotípicos y ambientales que describen el efecto de la interacción entre genotipos por medio ambiente (GEI). Las regiones de credibilidad creadas para los efectos principales y los parámetros bilineales permitieron identificar genotipos más productivos y visualizar subgrupos homogéneos de genotipos y entornos en relación con el efecto de GEI. Los genotipos más productivos fueron G8 y G10 y solo G2 se consideró estadísticamente estable.
Citas
Box, G. E. P., & Tiao, G. C. (1973). Bayesian inference in statistical analysis. New York: John Wiley.
Chen, M. H., & Shao, Q. M. (1999). Monte Carlo estimation of bayesian credible and HPD intervals. Journal of Computational and Graphical Statistics, 8(1), 69-92.
Crossa, J., Perez-Elizalde, S., Jarquin, D., Cotes, J. M., Viele, K; Liu, G., & Cornelius, P. L. (2011). Bayesian estimation of the additive main effects and multiplicative interaction model. Crop Science, 51(4), 1458-1469. https://doi.org/10.2135/cropsci2010.06.0343
Denis, J. B., & Gower, J. C. (1994). Asymptotic covariances for parameters of biadditive models. Utilitas Mathematica, v. 46, 193-205.
Duarte, J. B., & Vencovsky, R. (1999). Interação genótipos × ambientes: uma introdução à análise “AMMI”. Ribeirão Preto: Sociedade Brasileira de Genética.
Gabriel, K. R. (1971). The biplot graphic display of matrices with application to principal components analysis. Biometrika, 58(3), 453-467.
Heidelberger, P., & Welch, P. (1983). Simulation run length control in the presence of an initial transient. Operations Research, 31(6), 1109-1144.https://doi.org/10.1287/opre.31.6.1109
Indian Agricultural Statistics Research Institute. IASRI. (2014). Recuperado de http://www.iasri.res.in/design/Analysis%20of%20data/combined_anlysis_rcbd.html
Jarquin, D., Perez-Elizalde, S., Burgueño, J., & Crossa, J. (2016). A hierarchical Bayesian estimation model for multi-environment plant breeding trials in successive years. Crop Science, 56(5), 2260-2276. https://doi.org/10.2135/cropsci2015.08.0475
Júnior, L. A. Y. B., Silva, C. P., Oliveira, L. A., Nuvunga, J. J., Pires, L. P. M., Pinho, R. G. V., & Balestre, M. (2018). AMMI Bayesian Models to Study Stability and Adaptability in Maize. Agronomy Journal, 110(5), 1765-1776. https://doi.org/10.2134/agronj2017.11.0668
Kempton, R. A. (1984). The use of biplots in interpreting variety by environment interactions. Journal of Agricultural Science, 103(1), 123-135. https://doi.org/10.1017/S0021859 600043392
Liu, G. (2001). Bayesian computations for general linear-bilinear models. (Thesis, University of Kentucky).
Oliveira, L. A., Silva, C. P., Nuvunga, J. J., Silva, A. Q., & Balestre, M. (2015). Credible intervals for scores in the AMMI with random effects for genotype. Crop Science, 55(2), 465-476. https://doi.org/10.2135/cropsci2014.05.0369
Oliveira, L. A., Silva, C. P., Teodoro, P. E., Torres, F. E., Corrêa, A. M., & Bhering, L. L. (2017). Performance of Cowpea Genotypes in the Brazilian Midwest Using the Bayesian Additive Main Effects and Multiplicative Interaction Model. Agronomy Journal, 110(1), 147-154. https://doi.org/10.2134/agronj2017.03.0183
Ooms, J. C. L. (2009). The highest posterior density posterior prior for Bayesian model selection. (Master's thesis). https://dspace.library.uu.nl/handle/1874/34234
Perez-Elizalde, S., Jarquin, D., & Crossa, J. (2012). A general Bayesian estimation method of linear–bilinear models applied to plant breeding trials with genotype× environment interaction. Journal of Agricultural, Biological, and Environmental Statistics, 17(1), 15-37. https://doi.org/10.1007/s13253-011-0063-9
R Core Team (2018). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/
Raftery, A. E., & Lewis, S. (1992). How many iterations in the Gibbs sampler? In: Bernardo, J. M. et al. (Ed.), Bayesian statistics, 763-773. Oxford: Oxford University.
Resende, M. D. V., & Duarte, J. B. (2007). Precisão e controle de qualidade em experimentos de avaliação de cultivares. Pesquisa Agropecuária Tropical, 37(3), 182-194. Recuperado de https://www.revistas.ufg.br/pat/article/view/1867.
Silva, C. P., Oliveira, L. A., Nuvunga, J. J., Pamplona, A. K. A., & Balestre, M. (2015). A Bayesian Shrinkage approach for AMMI Models. PLoS One, 10(7), 1-27. https://doi.org/10.1371/journal.pone.0131414
Silva, C. P., Oliveira, L. A., Nuvunga, J. J., Pamplona, A. K. A., & Balestre, M. (2019). Heterogeneity of Variances in the Bayesian AMMI Model for Multienvironment Trial Studies. Crop Science, 59(6), 2455-2472. https://doi.org/10.2135/cropsci2018.10.0641
Smith, A. B., Cullis, B. R., & Thompson, R. (2005). The analysis of crop cultivar breeding and evaluation trials: an overview of current mixed model approaches. Journal of Agricultural Science, 143(6), 449-462. https://doi.org/10.1017/S0021859605005587
Smith, B. J. (2007). Boa: An R Package for MCMC Output Convergence Assessment and Posterior Inference. Journal of Statistical Software, 21(11), 1-37.
Viele, K., & Srinivasan, C. (2000). Parsimonious estimation of multiplicative interaction in analysis of variance using Kullback-Leibler information. Journal of Statistical Planning and Inference, 84(1-2), 201-219. https://doi.org/10.1016/S0378-3758(99)00151-2
Yan, W., Glover, K. D., & Kang, M. S. (2010). Comment on “Biplot analysis of Genotype × environment interaction: proceed with caution”, by R.-C. Yang, J. Crossa, PL Cornelius, and J. Burgueño in 2009 49, 1564-1576. Crop Science, 50(4), 1121-1123. https://doi.org/10.2135/cropsci2010.01.0001le
Yang, R. C., Crossa, J., Cornelius, P. L., & Burgueño, J. (2009). Biplot analysis of genotype × environment interaction: proceed with caution. Crop Science, 49(5), 1564-1576. https://doi.org/10.2135/cropsci2008.11.0665
Zobel, R. W., Wright, M. J., & Gauch, H. G. (1988). Statistical analysis of a yield trial. Agronomy Journal, 80(3), 388-393. https://doi.org/10.2134/agronj1988.00021962008 000030002x
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2020 Alessandra Querino da Silva, Luciano Antonio de Oliveira, Carlos Pereira da Silva, Cristian Tiago Erazo Mendes, Elias Silva de Medeiros, Thelma Sáfadi
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
