4 RESULTADOS E DISCUSSÃO
4.4 PREDIÇÃO GENÔMICA DE HÍBRIDOS VIA MODELOS MISTOS
4.4.2 Predição genômica utilizando coeficiente de similaridade genética
-80 Tabela 22. Predições de capacidade específica de combinação dos híbridos, obtidas com uso de informação do coeficiente de similaridade genética para os caracteres área abaixo da curva de progresso da doença – ferrugem branca (AACPD) e produtividade de grãos – PROD (kg.ha-1).
Híbridos AACPD PROD Híbridos AACPD PROD
D1LF1 259,44 1616,85 D5LF6 351,83 2180,57
D1LF2 -108,37 1161,17 D5LF7 -102,66 283,56
D1LF4 21,34 1464,10 D5LF8 -266,33 1198,38
D1LF5 235,20 932,68 D5LF9 401,03 90,89
D1LF6 362,92 2359,80 D6LF1 194,82 2051,79
D1LF7 104,36 -666,56 D6LF2 243,02 1989,36
D1LF8 -548,04 352,79 D6LF4 521,23 1415,59
D1LF9 190,60 -70,90 D6LF5 68,05 1285,01
D2LF1 86,63 1918,32 D6LF6 518,54 1950,73
D2LF2 -7,29 395,37 D6LF7 -104,52 686,61
D2LF4 164,43 143,62 D6LF8 -316,94 1215,75
D2LF5 -79,34 924,35 D6LF9 330,93 398,28
D2LF6 459,04 2403,57 D8LF1 325,04 1993,12
D2LF7 -315,71 -318,22 D8LF2 -206,67 234,69
D2LF8 -665,38 2438,32 D8LF4 216,94 893,48
D2LF9 40,64 2050,77 D8LF5 -25,86 405,53
D3LF1 -50,32 1100,78 D8LF6 637,80 1403,30
D3LF2 -323,40 1150,40 D8LF7 -30,44 -1510,90
D3LF4 58,93 1056,04 D8LF8 -603,33 611,06
D3LF5 55,12 501,08 D8LF9 237,48 -4,95
D3LF6 -255,74 762,86 D9LF1 454,09 721,42
D3LF7 -143,86 1232,93 D9LF2 265,09 378,43
D3LF8 -420,15 484,143 D9LF4 203,38 -132,86
D3LF9 104,55 -625,81 D9LF5 12,51 -942,13
D4LF1 137,45 16916,90 D9LF6 487,95 140,29
D4LF2 253,81 1219,12 D9LF7 162,47 -929,31
D4LF4 -55,81 705,89 D9LF8 -459,25 -922,95
D4LF5 241,01 866,49 D9LF9 448,62 -1131,20
D4LF6 337,50 1082,75 D10LF1 105,83 1302,29
D4LF7 -117,32 -1591 D10LF2 201,70 289,04
D4LF8 -374,2 685,94 D10LF4 307,25 797,78
D4LF9 406,80 -740,03 D10LF5 224,57 -45,86
D5LF1 196,81 1304,60 D10LF6 712,80 805,22
D5LF2 -48,17 237,30 D10LF7 20.63 -638,53
D5LF4 273,03 1350,49 D10LF8 -475,18 11,33
D5LF5 487,31 480,52 D10LF9 -12,32 505,68
81 AACPD. Para o caráter PROD, destacam-se os híbridos D2LF6, D2LF8, D1LF6, D5LF6, D6LF1, D2LF9, D6LF2, D6LF6, D8LF1, D2LF1.
Tabela 23. Híbridos preditos via seleção genômica utilizando a matriz de similaridade genética de Rogers modificado no estado, para os caracteres área abaixo da curva de progresso da doença – ferrugem branca (AACPD) e produtividade de grãos – PROD (kg.ha-1).
Híbrido AACPD PROD Híbrido AACPD PROD Híbrido AACPD PROD D1LF1 1796,70 4431,02 D4LF1 1668,75 4511,05 D8LF1 1868,10 4777,09 D1LF2 1422,65 3945,79 D4LF2 1789,56 4040,81 D8LF2 1327,09 2950,30 D1LF4 1551,54 4243,00 D4LF4 1475,71 3514,40 D8LF4 1754,32 3621,90 D1LF5 1778,23 3776,09 D4LF5 1779,83 3543,28 D8LF5 1506,67 3155,48 D1LF6 1896,66 5134,85 D4LF6 1870,08 3729,99 D8LF6 2174,79 4160,78 D1LF7 1641,71 2121,29 D4LF7 1414,43 1050,56 D8LF7 1502,33 1233,44 D1LF8 984,48 3162,17 D4LF8 1170,38 3391,97 D8LF8 933,55 3343,27 D1LF9 1727,65 2746,01 D4LF9 1942,09 1897,64 D8LF9 1768,12 2697,76 D2LF1 1619,37 4722,06 D5LF1 1735,72 3955,07 D9LF1 1983,91 3418,41 D2LF2 1528,38 3210,63 D5LF2 1485,90 2909,30 D9LF2 1808,54 3139,94 D2LF4 1693,86 2929,33 D5LF4 1811,55 4030,02 D9LF4 1736,73 2560,28 D2LF5 1449,27 3704,33 D5LF5 2021,61 3146,88 D9LF5 1549,48 1763,81 D2LF6 2000,48 5248,07 D5LF6 1890,66 5048,14 D9LF6 2020,09 2867,77 D2LF7 1216,44 2457,91 D5LF7 1429,92 3121,59 D9LF7 1699,05 1805,70 D2LF8 870,38 5227,26 D5LF8 1265,44 4030,68 D9LF8 1073,12 1798,88 D2LF9 1571,57 4861,22 D5LF9 1945,62 2987,71 D9LF9 1987,05 1622,55 D3LF1 1485,05 3918,78 D6LF1 1730,13 4880,24 D10LF1 1638,02 4026,53 D3LF2 1207,75 3955,22 D6LF2 1781,94 4830,61 D10LF2 1733,08 3007,56 D3LF4 1594,97 3874,98 D6LF4 2055,31 4278,37 D10LF4 1851,45 3580,81 D3LF5 1584,92 3290,48 D6LF5 1606,58 4155,33 D10LF5 1759,49 2668,81 D3LF6 1273,24 3546,53 D6LF6 2052,86 4807,87 D10LF6 2251,33 3532,70 D3LF7 1397,95 4081,11 D6LF7 1432,76 3441,34 D10LF7 1554,33 2110,46 D3LF8 1112,36 3263,96 D6LF8 1214,10 3940,93 D10LF8 1062,95 2767,87 D3LF9 1640,69 2166,81 D6LF9 1861,16 3117,75 D10LF9 1521,59 3249,04
82 5 CONCLUSÕES
i) Houve nítida diferenciação genética entre os híbridos quanto ao caráter relacionado à severidade da doença (ferrugem branca – Physopella zeae), o que não ocorreu estatisticamente para produtividade de grãos.
ii) Os híbridos P30LF35H, 2B587, D2LF8, D8LF8, D1LF8 e D7LF8 apresentaram menor severidade de sintomas de ferrugem branca; os dois primeiros são cultivares comerciais, e os outros, híbridos experimentais.
iii) Os melhores valores de capacidade geral de combinação (CGC), para o caráter relacionado à resistência à doença (AACPD), foram apresentados pelas linhagens LF8, LF2 e LF5, do grupo Flint. Entre estes genitores apenas LF2 mostrou CGC favorável também para produtividade de grãos neste conjunto de dados.
iv) Os métodos de predição genômica apresentaram acurácia máxima de 0,58 para AACPD e 0,46 para PROD, e praticamente não diferiram entre si em suas predições nos diferentes modelos.
v) O melhor desempenho computacional do modelo GBLUP, relativamente a outros métodos de predição genômica, foi corroborado neste estudo.
vi) A incorporação de efeitos de dominância e epistasia no modelo puramente aditivo de predição genômica não contribuiu para a melhoria das predições, nos dois caracteres. Especificamente, houve discreta melhoria nas acurácias preditivas para produtividade de grãos (valores em torno de 0,57), enquanto para o caráter AACPD, em geral, as acurácias reduziram para cerca de 0,37.
83 vii) Para a maioria dos critérios de confiabilidade adotados para avaliar a qualidade das predições, os resultados sustentam que o tamanho “s” (número de cruzamentos entre grupos num dialelo circulante) não deve ser inferior a cinco.
viii) A predição genômica via modelo misto com uso apenas de informações da similaridade genética entre as linhagens de cada grupo e entre os respectivos híbridos, via coeficiente de similaridade de Rogers modificado, resulta em alta correlação entre médias preditas e fenotípicas (ex. 0,986 para AACPD e 0,996 para PROD), corroborando o potencial desta abordagem para predição genômica de híbridos em milho.
ix) A predição genômica ratificou o desempenho satisfatório dos seguintes híbridos simples (os dez genótipos superiores), quanto à resistência à ferrugem branca em milho: D2LF8, D1LF8, D10LF8, D9LF8, D3LF8, D4LF8, D3LF2, D6LF8 e D2LF7. Para produtividade de grãos, destacaram-se: D2LF6, D2LF8, D1LF6, D5LF6, D6LF1, D2LF9, D6LF2, D6LF6, D8LF1 e D2LF1. Note-se que o híbrido D2LF8 mostrou bom desempenho em ambos os caracteres.
84 6 REFERÊNCIAS
ALMEIDA, C. D. F. Identificação e estudo de genes diferencialmente expressos em modelos murinos de distrofia muscular. 2014. 237 f. Dissertação (Mestrado)–Instituto de Biociências da Universidade de São Paulo, São Paulo, 2014.
ARIF, I. A.; BAKIR, M. A.; KHAN, H. A.; AL FARHAN, A. H.; AL HOMAIDAN, A. A.;
BAHKALI, A. H.; SHOBRAK, M. A Brief Review of Molecular Techniques to Assess Plant Diversity. International Journal of Molecular Sciences, v. 11, n. 5, p. 2079-2096, 2010.
BERNARDO, R. Genetic models for predicting maize single-cross performance in unbalanced yield trial data Crop Science, v. 35, n. 1; p. 141-147, 1995.
BERNARDO, R. Best linear unbiased prediction of maize single-cross performance. Crop Science, v. 36, n. 4; p. 872-876, 1996.
BERNARDO, R. Molecular markers and selection for complex traits in plants: learning from the last 20 years. Crop Science, v. 48, n. 5, p. 1649-1664, 2009.
BERNARDO, R. Breeding for quantitative traits in plants. Woodburry: Stemma Press, 2010.
260 p.
BORÉM, A.; GIÚDICE, M. Cultivares transgênicos. In: GALVÃO, J. C. C.; MIRANDA, G. V.
(Eds.). Tecnologias de produtividade do milho. Viçosa: UFV, 2004. p. 85-108
BRIEGER, F. Estudos experimentais sobre a origem do milho. Anais da Escola Superior de Agricultura Luiz de Queiroz, v. 1, n.1, p. 225-277, 1944.
CAMPBELL, C. L.; MADDEN, L.V. Introduction to plant disease epidemiology. Carolina do Nortel: John Wiley & Sons, 1990.
CARNEIRO, C.; CRUZ, P. Modelos biómetricos aplicados ao melhoramento genético. Viçosa:
UFV, 2003.
CARVALHO, A. D. F.; SOUZA, J. C.; RIBEIRO, P.H.E. Desempenho de híbridos de linhagens parcialmente endogâmicas de milho em regiões dos Estados de Roraima e Minas Gerais. Ciência Agrotecnologia, v. 27, n. 5, p. 985-990, 2003.
CARVALHO, R. Resistência do milho a Physopella zeae (Mains) Cummins & Ramachar, agente causal da ferrugem tropical. 1995. 83 f. Dissertação (Mestrado em Fitopatologia) –Escola Superior de Agricultura de Luiz de Queiroz, Universidade de São Paulo, Piracicaba, 1995.
CARY, N. SAS Institute Inc. USA, SAS for Windows Release 8. 2002.
CASELA, C. R.; FERREIRA, A. S. Variability in isolates of Puccinia polysora in Brazil.
Fitopatologia Brasileira, v. 27, n. 4, p. 414-416, 2002.
CAVALCANTI, J. J. V.; RESENDE, M., Predição simultânea dos efeitos de marcadores
moleculares e seleção genômica ampla em cajueiro. Revista Brasileira de Fruticultura, v.34, p.
840-846, 2012.
85 CLARK, S. A.; HICKEY, J. M.; DAETWYLER, H.D.; VANDER WERF, J.H. The importance of information on relatives for the prediction of genomic breeding values and the implications for the makeup of reference data sets in livestock breeding schemes. Genetics Selection Evolution, v. 44, n. 1, p. 1, 2012.
COMSTOCK, R.; ROBINSON, H.; GOWEN, J. Estimation of average dominance of genes.
Heterosis, p. 494-516, 1952.
COMSTOCK, R. E.;ROBINSON, H. F. The components of genetic variance in populations of biparental progenies and their use in estimating the average degree of dominance. Biometrics, v. 4, n. 4, p. 254-266, 1948.
CRUZ, C.; REGAZZI, A.; CARNEIRO, P. Biometric models applied to genetic improvement.
Viçosa: Imprensa Universitária 2004.
CRUZ, J. C.; KARAM, D.; MONTEIRO, M. A. R.; MAGALHÃES.P.C. A cultura do Milho.
Sete Lagoas: Embrapa Milho e Sorgo, 2008, 517 p.
CRUZ, C.; REGAZZI, A.; CARNEIRO, P. Métodos biométricos aplicados ao melhoramento genético. 4. ed. Viçosa: UFV., 2012, 414 p.
COSTA, R. V.; COTA, L. V.; SILVA, D. D.; PARREIRA, D. F.; ROCHA, L. M. P.;
GUIMARÃES, L. J. M.; GUIMARÃES, P. E; PARENTONI, S. N; MACHADO, J. R.A.;
LAGOAS, M. Epidemias severas da ferrugem polissora do milho na região sul do Brasil na safra 2009/2010. Embrapa Milho e Sorgo. Circular técnica, 2010.
DAETWYLER, H. D.; CALUS, M.P, Genomic prediction in animals and plants: simulation of data, validation, reporting, and benchmarking. Genetics, v. 193, n. 2, p. 347-365, 2013.
DE LOS CAMPOS, G.; PEREZ-RODRIGUEZ, P. BGLR: Bayesian generalized linear regression. R package version, 2013.
DEKKERS, J. Prediction of response to marker‐assisted and genomic selection using selection index theory. Journal of Animal breeding and Genetics, v. 124, n. 6, p. 331-341, 2007.
DEKKERS, J. C. Commercial application of marker-and gene-assisted selection in livestock:
strategies and lessons. Journal of Animal Science, v. 82, n.13, p. 313-328, 2004.
DIAS, L. D. S.; ALFENAS, A. Análises multidimensionais. Eletroforese de isoenzimas e proteínas afins. Viçosa: Editora UFV, p. 405-475, 1998.
DUARTE, J. B.;VENCOVSKY, R. Estimação e predição por modelo linear misto com ênfase na ordenação de médias de tratamentos genéticos. Scientia Agricola, v. 58, n. 1, p. 109-117, 2001.
DUDIENAS, C.; SAWAZAKI, E.; PATERNIANI, M. E. A. G.; GALVÃO, J. C. C.; DE SORDI, G.; PEREIRA, J. Comportamento de cultivares de milho, em condições de campo, quanto à resistência a Physopella zeae. Summa Phytopathologica, v. 23, n.3, p. 259-262,1997.
ELLIOTT, C.; JENKINS, M. T. Helminthosporium turcicum leaf blight of corn. Phytopathology, St. Paul, v. 36, n. 8, p. 660-666,. 1946
ENDELMAN, J. B.; JANNICK, J. L. Shrinkage estimation of the realized relationship matrix. G3:
Genes| Genomes| Genetics, v. 2, n. 11, p. 1405-1413, 2012.
86 FARIA, J.; BEZERRA, I.; ZERBINI, F.; RIBEIRO, S.; LIMA, M. Situação atual das
geminiviroses no Brasil. Fitopatologia Brasileira, v. 25, n.2, p 125-137., 2000.
FARIA, G. M. P.;CORREIA, C. S. P. I. S.; GRANATO, M.D.; RESENDE, V.; FONSECA, F.;
SILVA, K. C. Z. F.; NOVAES, L.; ROSSE, C. P. S.; PETROLI, C. D.; GRATTAPAGLIA, D.
Controle de qualidade de dados genotípicos para estudos genômicos em clones de eucalipto. In:
CONGRESSO BRASILEIRO DE MELHORAMENTO DE PLANTAS, 7., 2013, Uberlândia.
Variedade melhorada: a força da nossa agricultura: Anais SBMP, 2013.
FANTIN, G. M.; DUARTE, A. P. Manejo de doenças na cultura do milho safrinha. Campinas:
Instituto Agronômico, 2009, 100 p.
FERREIRA, F. M.; RIBEIRO JÚNIOR, J. I.; PACHECO, C. A. P.; SILVA, C. H. O.;
CRUZ, C. D. Efficiency of circulant diallels as compared to complete diallels for
the estimation of combining ability. Crop Breeding and Applied Biotechnology, v.4, n. 1, p.145-151, 2004.
FIGUEIREDO, M.; HENNEN,J. Detection of telia of Physopella zeae in Piracicaba, state of São Paulo. Summa Phytopathologica, v.21, n.15,p. 38-40, 1995.
FRARY, A.; NESBITT, T. C.; FRARY, A. ; GRANDILLO, S.; VAN DER KNAAP, E. ; CONG, B.; LIU, J.; MELLER, J.; ELBER, R.; ALPERT, K. B.fw2. 2: a quantitative trait locus key to the evolution of tomato fruit size. Science, v. 289, n.5476, p. 85-88, 2000.
FRITSCHE-NETO, R.; DO VALE, J. C.; LANES, E. C. M.;.RESENDE, M. D. V.; MIRANDA, G.
V. Genome-Wide Selection for tropical maize root traits under conditions of nitrogen and phosphorus stress. Acta Scientiarum Agronomy, v.34, n.4, p.389-395, 2012.
FUZATTO, S.R. Dialelo parcial circulante interpopulacional em milho ( Zea mays L.): efeito do número (s) de cruzamentos . 2003 131 p. Tese (doutorado)– Escola Superior de Agricultura Luiz de Queiroz, ESALQ/USP, 2003.
FUZATTO, S. R.; FERREIRA, D. F.;. RAMALHO, M. A. P; RIBEIRO, P. H. E. Divergência genética e sua relação com os cruzamentos dialélicos na cultura do milho. Ciência
Agrotecnologia, v.26, n.1, p.22-32,2002.
GAMA EL-DIEN, O.; RATCLIFFE, B.; KLAPSTE, J.; PORTH, I.;CHEN, C.; EL-KASSABY, Y.A. Implementation of the realized genomic relationship matrix to open-pollinated white spruce family testing for disentangling additive from nonadditive genetic effects. G3, v. 6, n. 3, p. 743-753, 2016
GARDNER, C.; EBERHART, S. Analysis and interpretation of the variety cross diallel and related populations. Biometrics, v. 22, n.3, p. 439-452, 1966.
GERALDI, I. O.; MIRANDA-FILHO J. B. Adapted models for the analysis of combining ability of varieties in partial diallel crosses. Brazilian Journal of Genetics, v. 11, n. 2, p. 419-430, 1998.
GODDARD, M. E.; HAYES, B. Genomic selection. Journal of Animal Breeding and Genetics, Oxford, v. 124, n. 6, p.323-330, 2007.
GOMES, E. E.; SANTOS,R. G.; MEIRELES, G.; NETO, C.; GUIMARÃES, P.
Potencial genético de um sintético de milho de grãos duros para formação de híbridos. Ciência Rural, v. 33, n. 4, p. 615-619, 2003.
87 GOUY, M.; ROUSSELLE, Y.; BASTIANELLI, D.; LECOMTE, P.; L. BONNAL, L.;
ROQUES,D.; EFILE, J.C.; ROCHER, S.; DAUGROIS, J.; TOUBI, L.Experimental assessment of the accuracy of genomic selection in sugarcane.Theoretical and Applied Genetics, v. 126, n. 10, p. 2575-2586, 2013.
GRIFFING, B. Concept of general and specific combining ability in relation to diallel crossing systems. Australian Journal of Biological Sciences, v. 9, n. 4, p. 463-493, 1956.
HALLAUER, A.; MIRANDA FILHO, J. Quantitative genetics in maize breeding. 2. ed. Iowa State University Press: Ames, IA, 1988.
HALLAUER, A. R.; CARENA, M. J.; MIRANDA FILHO, J. B. Quantitative genetics in maize breeding. 3. ed. Ames:Iowa States University Press, 2010, 664 p.
HAYES, B.; GODDARD, M. Prediction of total genetic value using genome-wide dense marker maps. Genetics, v. 157, n. 4, p. 1819-1829, 2001.
HAZEL, L.; DICKERSON, G.; FREEMAN, A. The selection index: then, now, and for the future.
Journal of Dairy Science, v. 77, n. 10, p. 3236-3251, 1994.
HILL, W.; GODDARD , M.; VISSCHER, P. Data and theory point to mainly additive genetic variance for complex traits. PLoS Genet, v. 4, n. 2, p. 2-10, 2008.
JINKS, J.; HAYMAN, B.The analysis of diallel crosses. Maize Genetics Cooperation Newsletter, v. 27, n. 1, p. 48-54, 1953.
JOHNSON, R. A.; WICHERN, D. W. Applied multivariate statistical analysis. Prentice Hall Englewood Cliffs, NJ, 1992.
KEMPTHORNE, O.; CURNOW, R. The partial diallel cross. Biometrics, v. 17, n. 2, p. 229-250, 1961.
KNUEPPEL, S.; ROHDE, K.; KNUEPPEL, M.S. Package ‘HapEstXXR. Multi-locus stepwise (MSR), Respository CRAN, 2015.
KOHAVI, R. A study of cross-validation and bootstrap for accuracy estimation and model selection. Appers in the International Joint Conference on Artificial Intelligence (IJCAI), Stanford: Computer Science Department, Santford University. 1995.
KUMAR, S.; CHAGNÉ, D.; BINK, M. C.;. VOLZ, R. K; WHITWORTHAND, C.; CARLISLE, C.Genomic selection for fruit quality traits in apple (Malus× domestica Borkh.). PloS one, v. 7, n.
5, p. e36674, 2012.
LANA, U. P.; GOMES, P.; TINOCO, C. S.; OLIVEIRA, B.; GUIMARAES, C.; MAGALHAES, J.
Procedimento da Embrapa Milho e Sorgo para extração de DNA de tecido vegetal em larga escala.
Embrapa Milho e Sorgo. Documentos. 2010.
LEGARRA, A.; ROBERT-GRANIÉ, C.; MANFREDI, E.; ELSEN, J.M.Performance of genomic selection in mice. Genetics, v. 180, n. 12, p. 611-618, 2008.
LIMA, M.; SOUZA, E.; RAMALHO, M. A. P. Procedimento para escolha de populações de milho promissoras para extração de linhagens. Bragantia, v. 59, n. 2, p. 153-158, 2000.
88 LO; S.C., WEIERGANG, I; BONHAM, C; HIPSKIND, J; WOOD, K; NICHOLSON, R.L.
Phytoalexin accumulation in sorghum: identification of a methyl ether of
luteolinidin. Physiological and Molecular Plant Pathology, v. 29, n. 61, p.179–188, 1996.
LYNCH, M.; WALSH, B. Genetics and analysis of quantitative traits Sinauer Sunderland. 1998.
LU, P. X.; HUBER, D. A.; WHITE, T. L. Potential biases of incomplete linear 639 models in heritability estimation and breeding value prediction. Canadian Journal of Forest Research, v.
640, n. 29, p. 724–736 , 1999.
MAGALHÃES, P. C.; DURÃES, P. O. M.; CARNEIRO, N. P.; PAIVA, E. Fisiologia do milho.
Sete Lagoas: Embrapa. Circular Técnica 22. dez. 2002
MARIC, S.; BOLARIC, S.; MARTINCIC, J.; PEJIC, I.;. KOZUMPLINK, V Genetic diversity of hexaploid wheat cultivars estimated by RAPD markers, morphological traits and coefficients of parentage. Plant Breeding, v. 123, n. 4, p. 366-369, 2004.
MELCHINGER, A. E. Means, variance, and covariance between relatives in hybrid populations with disequilibrium in the parent populations. In: Proceedings of the 2nd International Conference on Quantitative Genetics, Raleigh, N.C., Sinauer Associates, Publishers, Sunderland, MA, USA p.
400-417. 1988.
MELO, W. M. C. Modelos mistos no estudo da heterose e predição do desempenho de híbridos de milho. 2013. 120 p. Tese (doutorado)–Universidade Federal de Lavras, Lavras, UFLA, 2013.
MENDES, M. P. Predição genômica de híbridos simples de milho. 2015. 105 p. Tese (doutorado)–Universidade Federal de Lavras, Lavras, UFLA, 2015.
MEUWISSEN, T.; GODDARD, M. E. Prediction of identity by descent probabilities from marker-haplotypes. Genetics Selection Evolution, v. 33, n. 6, p. 605-634, 2001.
MILACH, S. C. K.; LACA, V.; BUTRUILLE, M. G.; LIMBERGER, E.;. ALVES, E. D. Genetic loci associated with resistance to tropical rust in maize. U.S. Patent n. 8,809,623, 19 ago,. 2014 MILLIGAN, G. W.; COOPER, M. C. An examination of procedures for determining the number of clusters in a data set. Psychometrika, v. 5, n. 2, p. 159-179, 1985.
MIRANDA FILHO, J.; PATERNIANNI, E.; VIEGAS, G. Melhoramento e producao de milho.
v. 2., Fundação Cargill, 1987.
MIRANDA, G. V.; COIMBRA, R. R.;GODOY, C.L.; SOUZA, L.V.; GUIMARÃES, L.J.M.;
MELO, A. Potencial de melhoramento e divergência genética de cultivares de milho-pipoca.
Pesquisa agropecuária brasileira, v. 38, n. 6 ,p. 681-688, 2003.
MUÑOZ, P. R.; RESENDE M. F.; HUBER, D. A.; QUEZADA, T.; RESENDE, M. D. Genomic relationship matrix for correcting pedigree errors in breeding populations: impact on genetic parameters and genomic selection accuracy. Crop Science, v. 54 , n. 1, p.1115-1123 , 2014 NASHIMOTO, K.; WRIGHT, F. Multiple comparison procedures for detecting differences in simply ordered means. Computational Statistics & Data Analysis, v. 48, n. 2, p. 291-306, 2005.
NASS, L. Recursos genéticos e melhoramento de plantas. Rondonópolis: Fundação MT, 2001.
89 NEJATI-JAVAREMI, A.; SMITH, C.; GIBSON, J. Effect of total allelic relationship on accuracy of evaluation and response to selection. Journal of Animal Science, v. 75, n.7,p. 1738-1745, 1997.
NODARILL, R. L. V. R. O. Diversidade genética de cultivares de alho avaliada por marcadores RAPD. Ciência Rural, v. 37, n.1, 2007.
OLIVEIRA, A. L. R.; LOPES, B. F. R.Estratégia logística do milho brasileiro e a prática da intermodalidade: Uma avalliação de rotas selecioandas Revista Produtividade e Engenharia, v.
7, n.1, p. 613-622, 2016.
OLIVEIRA, E. J.; RESENDE, M. D. V.; SILVA,V.S.; FERREIRA, C. F.; OLIVEIRA, G. A. F.; da SILVA, M. S.; OLIVEIRA, L. A.; AGUILAR-VILDOSO, C. I. Genome-wide selection in cassava.
Euphytica, v. 187, n. 2, p. 263-276, 2012.
PARK, T.; CASELLA, G The bayesian lasso. Journal of the American Statistical Association, v.
103, n. 482, p. 681-686, 2008.
PATERNIANI, E.; CAMPOS, M. S. Melhoramento do milho. In: BORÉM, A. Melhoramento de espécies cultivadas. Viçosa, UFV, p.429-485, 1999.
PATERNIANI, M. Use of heterosis in maize breeding: History, Methods and Perpectives. Crop Breeding and Applied Biotechnology, v. 1 , n. 2, p. 159-178, 2001.
PAVAN, B. E. Competição em testes de progênies de eucalipto e suas implicações na seleção e no melhoramento, 2009. 135 f. Tese (Doutorado)–Faculdade de Ciências Agrárias e Veterinárias-Universidade Estadual Paulista "Júlio de Mesquita Filho" UNESP, Jaboticabal, 2009.
PEREZ, P.; DE LOS CAMPOS, G. Genome-wide regression & prediction with the BGLR statistical package. Genetics, v. 198, n.9 , p. 483-495,2014.
PESEK, J; BAKER, R. Desired improvement in relation to selection indices. Canadian Journal of Plant Science, v. 49, n. 6, p. 803-804, 1969.
PIEPHO, H.P. Best linear unbiased prediction (BLUP) for regional yield trials: a comparison to additive main effects and multiplicative interaction (AMMI) analysis. Theoretical and Applied Genetics, v. 89, n.5, p. 647-654, 1994.
PIMENTEL, A. J. B.; RIBEIRO, G.; SOUZA, M.; MOURA, L.M.; ASSIS, J.; MACHADO, J.C.
Comparação de métodos de seleção de genitores e populações segregantes aplicados ao melhoramento de trigo. Bragantia, v. 72, n.2, p.113-121, 2013.
PINHO, R. V.; RAMALHO, M.A.P.; SILVA,H.P.; RESENDE, I.C. Comparação de métodos para a quantificação da severidade das ferrugens polissora e tropical do milho.Ciência e
Agrotecnologia, v. 24, n.1,p. 22-37, 2000.
PINTO, R. J. B. Introdução ao melhoramento genético de plantas EDUEM, 1995.
PINTO, N. F. J. A.; OLIVEIRA, E.; FERNANDES, F. T. Manejo das principais doenças do milho.
Circular Técnica 92, 2007.
POLAND, J. A.; RIFE, T. W. Genotyping-by-sequencing for plant breeding and genetics.The Plant Genome, v. 5, n. 3, p. 92-102, 2012.
90 PEREIRA, H.D. Predição genômica ampla de híbridos simples de milho considerando modelo não aditivo. 2015.78 f. Dissertação (Mestrado) -Universidade Federal de Lavras, 2015.
R. CORE TEAM. A language and environmet for statistical computing. R Foundation for Statistical Computing. 2016.
RAMALHO, M.; SANTOS, J.B.; PINTO, C.A.B.P. Genética na agropecuária, Lavras: Ed.
UFLA, 2000.
RAMALHO, M.A.P.; SANTOS, J.B., ZIMMERMANN, M.J.O. Genética quantitativa em plantas autógamas. Aplicações no melhoramento do feijoeiro. Goiânia: Editora da UFG, 1993.
271 p.
RANGEL, R. M.; AMARAL JÚNIOR, A. T.; GONÇALVES, L.S.; JUNIOR, S.P.F.;CANDIDO, L.S. Análise biométrica de ganhos por seleção em população de milho pipoca de quinto ciclo de seleção recorrente. Revista Ciência Agronômica, v. 42, n. 2,p. 473-481, 2011.
REIF, J. C.; ZHANG, P. Wheat genetic diversity trends during domestication and breeding.
Theoretical and applied genetics, v. 110, n. 5, p. 859-864, 2005.
RESENDE, M. D.V.; RESENDE JÚNIOR, M. F. R., AGUIAR, A.M., ABAD, J. I. M.,
MISSIAGGIA, A. A., SANSALONI, C., PETROLI, C, GRATTAPAGLIA, D., Computação da seleção genômica ampla (GWS), Embrapa Florestas, 2010.
RESENDE, M. D.V.; SILVA, F. F.; VIANA, J.M.S.; PETERNELLI, L.A.; RESENDE JR, M. F.
R.; DEL VALLE, P. M. Métodos estatísticos na seleção genômica ampla, Embrapa Florestas, 2011.
RESENDE, M. D.V.; SILVA, F. F., LOPES, P. S., AZEVEDO, C.F., . Seleção genômica ampla (GWS), via modelos mistos (REML/ BLUP), inferência bayesiana (MCMC), regressão aleatória multivariada (RR/M) e estatística espacial, EViçosa: Universidade Federal de Viçosa, 2012 .291 p.
RESENDE, M. Genômica quantitativa e seleção no melhoramento de plantas perenes e animais, Embrapa Florestas, 2008.
RESENDE, M..; MUNHOZ, P. Accelerating the domestication of trees using genomic selection:
accuracy of prediction models across ages and environments. New Phytologist, v. 193, n. 3, p.
617-624, 2012.
RESENDE, M. D., FURLANI JÚNIOR, E. Estimativas de parâmetros genéticos e predição de valores genotípicos no melhoramento do cafeeiro pelo procedimento REML/BLUP. Bragantia, v.
60, n. 3, p.185-193, 2001.
RESENDE JÚNIOR, M. F. R. Seleçâo genômica ampla no melhoramento vegetal. 2010. 67 f.
Dissertação (mestrado) - Universidade Federal de Viçosa, Viçosa, MG, 2010.
RESENDE, M. D. V.; LOPES, P. S.; da SILVA, R.L.; PIRES, I.E. Seleção genômica ampla (GWS) e maximização da eficiência do melhoramento genético. Pesquisa Florestal Brasileira , v.
56, n. 63-78, 2008.
RESENDE, M. Genômica quantitativa e seleção no melhoramento de plantas perenes e animais, Embrapa Florestas, 2008.
91 RESENDE, M. F.; MUNHOZ, P. Accuracy of genomic selection methods in a standard data set of loblolly pine (Pinus taeda L.). Genetics, v. 190, n. 4,p. 1503-1510, 2012.
SANTACRUZ-VARELA, A.; WIDRLECHNER, M. P.; ZIEGLER,K.; SALVADOR,R.;
MILLARD, M.; BRETTING, P.Phylogenetic relationships among North American popcorns and their evolutionary links to Mexican and South American popcorns. Crop Science, v. 44, n. 4, p.1456-1467, 2004.
SANTOS, P. G.; JULIATTI, F. C. Avaliação do desempenho agronômico de híbridos de milho em Uberlândia, MG. Pesquisa Agropecuária Brasileira, v.3 7, n. 5, p. 597-602, 2002.
SEARLE, S.; CASSELLA, G.; McCULLOUCH,C. Variance Components.New York: Jonh Wiley
& Sons, Inc, Genetic,1992.
SMITH, H. F. A discriminant function for plant selection. Annals of Human Genetics, v. 7, n. 3, p. 240-250, 1936.
SOKAL, R. R.; ROHLF, F. J. The comparison of dendrograms by objective methods. Taxon, p.33-40, 1962.
SPRAGUE, G. F.; TATUM, L. A. General vs. specific combining ability in single crosses of corn.
Agronomy Journal, v. 34, n. 10, p. 923-932, 1942.
USAI, M. G.; GODDARD, M. E.; HAYES, B.J. LASSO with cross-validation for genomic selection. Genetics Research, v. 91, n. 6, p. 427-436, 2009.
VENCOVSKY, R.; BARRIGA, P. Genética biométrica no fitomelhoramento. Sociedade Brasileira de Genética, Ribeirão Preto, 496 p., 1992.
VENCOVSKY, R.; PATERNIANI, E. Herança quantitativa. Melhoramento e produtividade de milho, v. 2, p. 137-214, 1987.
VERBYLA, K.; CALUS, M. Predicting energy balance for dairy cows using high-density single nucleotide polymorphism information. Journal of Dairy Science, v. 93, n. 6,p. 2757-2764, 2010.
VITEZICA, Z. G.; VARONA L.; LEGARRA A. On the additive and dominantvariance and covariance of individuals within the genomic selection scope. Genetics , v. 195, n. 4, p. 1223–
1230, 2013.
VON PINHO, R. G. Metodologias de avaliacao, quantificacao de danos e controle genetico da resistencia do milho a Puccinia polysora e Physopella zeae. 1998. 140 f. Tese de Doutorado.
Universidade Federal de Lavras,MG, 1998.
WHITTAKER, J. C.; THOMPSON, R.; DENHAM, M.C. Marker-assisted selection using ridge regression. Genetical Research, v.75, n. 2, p. 249-252, 2000.
WILLIAMS, J. The evaluation of a selection index. Biometrics ,v. 18, n. 3.p. 375-393, 1962.
YANO, M.; KATAYOSE, Y.; ASHIKARI, M.; YAMANOUCHI, U. ; MONNA, L.; FUSE, T. ; BABA, T.; YAMAMOTO, K. ; UMEHARA, Y.; NAGAMURA, Y. Hd1, a major photoperiod sensitivity quantitative trait locus in rice, is closely related to the Arabidopsis flowering time gene.
The Plant Cell, v. 12, n. 12, p. 2473-2483, 2000.
92 YUEFU, L.; JANSEN, G. B.; LIN, C.Y. The covariance between relatives conditional on genetic markers. Genetics Selection Evolutio, Canada, n 9686,v. 34, p. 657-678, 2002.
ZHAO, J. H. Gap: Genetic analysis package. J Stat Softw, v. 23, n.8, p. 1-18, 2007.
ZUK, O.; HECHTER,E.; SUNYAEV, S.R.; LANDER, E.S. The mystery of missing heritability:
genetic interactions create phantom heritability. Proceedings of the National Academy of Sciences, v. 109, n. 4, p. 1193-1198, 2012.
93 APÊNDICES
94 Apêndice A. Matriz de similaridade genética de Rogers Modificado entre linhagens do grupo Dent.
Linhagem D1 D2 D3 D4 D5 D6 D8 D9 D10
D1 1,00 0,64 0,58 0,71 0,58 0,57 0,67 0,67 0,68
D2 0,64 1,00 0,59 0,62 0,58 0,58 0,61 0,61 0,62
D3 0,58 0,59 1,00 0,58 0,59 0,59 0,58 0,58 0,58
D4 0,71 0,62 0,58 1,00 0,58 0,57 0,68 0,69 0,71
D5 0,58 0,58 0,59 0,58 1,00 0,70 0,58 0,57 0,58
D6 0,57 0,58 0,59 0,57 0,70 1,00 0,57 0,57 0,58
D8 0,67 0,61 0,58 0,68 0,58 0,57 1,00 0,67 0,69
D9 0,67 0,61 0,58 0,69 0,57 0,57 0,67 1,00 0,71
D10 0,68 0,62 0,58 0,71 0,58 0,58 0,69 0,71 1,00
Apêndice B. Matriz de similaridade genética de Rogers Modificado entre linhagens do grupo Flint.
Linhagem LF1 LF2 LF4 LF5 LF6 LF7 LF8 LF9
LF1 1,00 0,61 0,57 0,58 0,59 0,56 0,58 0,58
LF2 0,61 1,00 0,58 0,58 0,58 0,56 0,59 0,58
LF4 0,57 0,58 1,00 0,65 0,57 0,57 0,57 0,58
LF5 0,58 0,58 0,65 1,00 0,57 0,57 0,57 0,58
LF6 0,59 0,58 0,57 0,57 1,00 0,56 0,57 0,58
LF7 0,56 0,56 0,57 0,57 0,56 1,00 0,56 0,57
LF8 0,58 0,59 0,57 0,57 0,57 0,56 1,00 0,58
LF9 0,58 0,58 0,58 0,58 0,58 0,57 0,58 1,00
95 Apêndice C. Matriz de similaridade genética de Rogers Modificado entre os híbridos simples.
Híbrido D1LF1 D1LF2 D1LF4 D1LF5 D1LF6 D1LF7 D1LF8 D1LF9 D2LF1 D2LF2 D2LF4 D2LF5 D2LF6 D2LF7 D2LF8 D2LF9
D1LF1 1,00 0,61 0,57 0,58 0,59 0,56 0,58 0,58 0,64 0,47 0,42 0,41 0,46 0,48 0,45 0,45
D1LF2 0,61 1,00 0,58 0,58 0,58 0,56 0,59 0,58 0,47 0,64 0,43 0,42 0,45 0,48 0,46 0,45
D1LF4 0,57 0,58 1,00 0,65 0,57 0,57 0,57 0,58 0,46 0,47 0,64 0,48 0,47 0,52 0,46 0,47
D1LF5 0,58 0,58 0,65 1,00 0,57 0,57 0,57 0,58 0,48 0,48 0,50 0,64 0,48 0,53 0,47 0,48
D1LF6 0,59 0,58 0,57 0,57 1,00 0,56 0,57 0,58 0,45 0,44 0,41 0,40 0,64 0,48 0,44 0,44
D1LF7 0,56 0,56 0,57 0,57 0,56 1,00 0,56 0,57 0,38 0,38 0,37 0,36 0,39 0,64 0,39 0,39
D1LF8 0,58 0,59 0,57 0,57 0,57 0,56 1,00 0,58 0,44 0,45 0,41 0,40 0,44 0,48 0,64 0,44
D1LF9 0,58 0,58 0,58 0,58 0,58 0,57 0,58 1,00 0,44 0,44 0,42 0,41 0,45 0,49 0,45 0,64
D2LF1 0,64 0,47 0,46 0,48 0,45 0,38 0,44 0,44 1,00 0,61 0,57 0,58 0,59 0,56 0,58 0,58
D2LF2 0,47 0,64 0,47 0,48 0,44 0,38 0,45 0,44 0,61 1,00 0,58 0,58 0,58 0,56 0,59 0,58
D2LF4 0,42 0,43 0,64 0,50 0,41 0,37 0,41 0,42 0,57 0,58 1,00 0,65 0,57 0,57 0,57 0,58
D2LF5 0,41 0,42 0,48 0,64 0,40 0,36 0,40 0,41 0,58 0,58 0,65 1,00 0,57 0,57 0,57 0,58
D2LF6 0,46 0,45 0,47 0,48 0,64 0,39 0,44 0,45 0,59 0,58 0,57 0,57 1,00 0,56 0,57 0,58
D2LF7 0,48 0,48 0,52 0,53 0,48 0,64 0,48 0,49 0,56 0,56 0,57 0,57 0,56 1,00 0,56 0,57
D2LF8 0,45 0,46 0,46 0,47 0,44 0,39 0,64 0,45 0,58 0,59 0,57 0,57 0,57 0,56 1,00 0,58
D2LF9 0,45 0,45 0,47 0,48 0,44 0,39 0,44 0,64 0,58 0,58 0,58 0,58 0,58 0,57 0,58 1,00
96 Apêndice C. (cont.)
Híbrido D3LF1 D3LF2 D3LF4 D3LF5 D3LF6 D3LF7 D3LF8 D3LF9 D4LF1 D4LF2 D4LF4 D4LF5 D4LF6 D4LF7 D4LF8 D4LF9
D1LF1 0,58 0,43 0,42 0,42 0,38 0,47 0,40 0,41 0,71 0,52 0,49 0,49 0,50 0,46 0,49 0,49
D1LF2 0,42 0,58 0,42 0,42 0,37 0,46 0,41 0,41 0,52 0,71 0,49 0,49 0,49 0,46 0,50 0,49
D1LF4 0,38 0,39 0,58 0,45 0,35 0,46 0,38 0,40 0,49 0,50 0,71 0,54 0,49 0,47 0,48 0,49
D1LF5 0,39 0,39 0,45 0,58 0,35 0,46 0,38 0,40 0,49 0,50 0,55 0,71 0,49 0,47 0,48 0,49
D1LF6 0,45 0,44 0,45 0,45 0,58 0,50 0,43 0,45 0,50 0,49 0,48 0,48 0,71 0,46 0,49 0,49
D1LF7 0,32 0,32 0,35 0,34 0,30 0,58 0,32 0,34 0,49 0,50 0,50 0,50 0,50 0,71 0,50 0,50
D1LF8 0,40 0,41 0,41 0,41 0,37 0,47 0,58 0,41 0,49 0,50 0,48 0,48 0,49 0,46 0,71 0,49
D1LF9 0,40 0,40 0,41 0,41 0,37 0,47 0,40 0,58 0,49 0,49 0,49 0,49 0,49 0,47 0,49 0,71
D2LF1 0,59 0,44 0,45 0,45 0,38 0,42 0,41 0,42 0,62 0,46 0,45 0,46 0,44 0,36 0,43 0,43
D2LF2 0,43 0,59 0,45 0,46 0,37 0,42 0,41 0,41 0,45 0,62 0,46 0,46 0,43 0,36 0,43 0,42
D2LF4 0,37 0,38 0,59 0,46 0,33 0,39 0,36 0,38 0,40 0,42 0,62 0,49 0,40 0,35 0,40 0,41
D2LF5 0,36 0,37 0,45 0,59 0,33 0,39 0,36 0,37 0,40 0,41 0,47 0,62 0,40 0,34 0,39 0,40
D2LF6 0,46 0,45 0,48 0,49 0,59 0,46 0,44 0,45 0,44 0,44 0,45 0,46 0,62 0,36 0,43 0,43
D2LF7 0,37 0,37 0,42 0,42 0,34 0,59 0,37 0,39 0,48 0,49 0,52 0,53 0,48 0,62 0,48 0,49
D2LF8 0,41 0,42 0,45 0,45 0,38 0,43 0,59 0,42 0,44 0,45 0,45 0,46 0,43 0,36 0,62 0,43
D2LF9 0,41 0,40 0,44 0,45 0,37 0,42 0,40 0,59 0,44 0,44 0,46 0,46 0,43 0,37 0,43 0,62
97 Apêndice C. (cont.)
Híbrido D5LF1 D5LF2 D5LF4 D5LF5 D5LF6 D5LF7 D5LF8 D5LF9 D6LF1 D6LF2 D6LF4 D6LF5 D6LF6 D6LF7 D6LF8 D6LF9
D1LF1 0,58 0,43 0,41 0,41 0,42 0,46 0,41 0,41 0,57 0,42 0,41 0,41 0,41 0,46 0,41 0,41
D1LF2 0,43 0,58 0,42 0,41 0,41 0,45 0,41 0,40 0,42 0,57 0,42 0,41 0,41 0,46 0,41 0,40
D1LF4 0,39 0,40 0,58 0,44 0,39 0,45 0,39 0,39 0,39 0,39 0,57 0,44 0,39 0,45 0,39 0,39
D1LF5 0,39 0,40 0,45 0,58 0,40 0,46 0,39 0,40 0,39 0,40 0,45 0,57 0,40 0,46 0,39 0,40
D1LF6 0,41 0,40 0,40 0,40 0,58 0,45 0,40 0,40 0,40 0,40 0,40 0,40 0,57 0,45 0,40 0,40
D1LF7 0,33 0,33 0,35 0,35 0,34 0,58 0,34 0,34 0,33 0,33 0,34 0,34 0,33 0,57 0,33 0,34
D1LF8 0,40 0,41 0,40 0,40 0,40 0,45 0,58 0,40 0,40 0,40 0,40 0,39 0,40 0,45 0,57 0,40
D1LF9 0,41 0,40 0,42 0,41 0,41 0,46 0,41 0,58 0,40 0,40 0,41 0,40 0,40 0,46 0,40 0,57
D2LF1 0,58 0,43 0,44 0,44 0,42 0,41 0,41 0,41 0,58 0,43 0,44 0,44 0,42 0,41 0,41 0,41
D2LF2 0,42 0,58 0,44 0,44 0,41 0,40 0,41 0,40 0,43 0,58 0,44 0,44 0,41 0,41 0,41 0,41
D2LF4 0,37 0,38 0,58 0,45 0,37 0,38 0,36 0,37 0,37 0,38 0,58 0,45 0,37 0,39 0,37 0,38
D2LF5 0,37 0,37 0,45 0,58 0,37 0,38 0,36 0,37 0,37 0,38 0,45 0,58 0,37 0,39 0,37 0,37
D2LF6 0,41 0,41 0,43 0,44 0,58 0,41 0,40 0,40 0,41 0,41 0,43 0,44 0,58 0,41 0,40 0,41
D2LF7 0,38 0,38 0,42 0,42 0,38 0,58 0,38 0,38 0,37 0,38 0,42 0,42 0,38 0,58 0,38 0,38
D2LF8 0,40 0,41 0,43 0,44 0,40 0,41 0,58 0,40 0,40 0,41 0,43 0,43 0,40 0,41 0,58 0,41
D2LF9 0,41 0,41 0,44 0,44 0,41 0,42 0,41 0,58 0,41 0,41 0,44 0,44 0,41 0,42 0,41 0,58
98 Apêndice C. (cont.)
Híbrido D7LF1 D7LF2 D7LF4 D7LF5 D7LF6 D7LF7 D7LF8 D7LF9 D8LF1 D8LF2 D8LF4 D8LF5 D8LF6 D8LF7 D8LF8 D8LF9
D1LF1 0,67 0,49 0,46 0,46 0,47 0,43 0,46 0,46 0,67 0,49 0,45 0,46 0,48 0,44 0,47 0,47
D1LF2 0,49 0,67 0,47 0,46 0,46 0,43 0,47 0,46 0,49 0,67 0,46 0,47 0,47 0,44 0,47 0,46
D1LF4 0,46 0,47 0,67 0,51 0,46 0,44 0,45 0,46 0,47 0,48 0,67 0,52 0,47 0,46 0,47 0,48
D1LF5 0,47 0,47 0,52 0,67 0,46 0,44 0,46 0,47 0,47 0,47 0,51 0,67 0,46 0,46 0,46 0,47
D1LF6 0,47 0,46 0,45 0,45 0,67 0,43 0,46 0,46 0,48 0,47 0,45 0,46 0,67 0,44 0,46 0,47
D1LF7 0,47 0,47 0,48 0,47 0,47 0,67 0,47 0,48 0,46 0,46 0,46 0,47 0,46 0,67 0,46 0,47
D1LF8 0,46 0,47 0,45 0,45 0,46 0,43 0,67 0,46 0,47 0,47 0,45 0,45 0,46 0,45 0,67 0,47
D1LF9 0,47 0,46 0,46 0,46 0,47 0,44 0,46 0,67 0,47 0,47 0,46 0,46 0,47 0,45 0,47 0,67
D2LF1 0,61 0,45 0,45 0,45 0,43 0,35 0,42 0,43 0,61 0,45 0,43 0,45 0,43 0,36 0,42 0,42
D2LF2 0,45 0,61 0,45 0,46 0,43 0,35 0,43 0,42 0,45 0,61 0,44 0,45 0,42 0,35 0,42 0,42
D2LF4 0,40 0,41 0,61 0,48 0,40 0,34 0,39 0,40 0,40 0,41 0,61 0,48 0,40 0,35 0,40 0,41
D2LF5 0,40 0,41 0,47 0,61 0,39 0,33 0,39 0,40 0,39 0,40 0,46 0,61 0,39 0,34 0,38 0,39
D2LF6 0,44 0,43 0,45 0,45 0,61 0,35 0,42 0,43 0,44 0,43 0,44 0,45 0,61 0,36 0,42 0,43
D2LF7 0,49 0,49 0,52 0,53 0,48 0,61 0,48 0,49 0,47 0,47 0,49 0,51 0,46 0,61 0,47 0,47
D2LF8 0,43 0,44 0,45 0,45 0,43 0,36 0,61 0,43 0,43 0,44 0,43 0,45 0,42 0,36 0,61 0,42
D2LF9 0,43 0,43 0,45 0,46 0,43 0,36 0,43 0,61 0,43 0,43 0,44 0,45 0,42 0,37 0,42 0,61
99 Apêndice C. (cont.)
Híbrido D1LF1 D1LF2 D1LF4 D1LF5 D1LF6 D1LF7 D1LF8 D1LF9 D2LF1 D2LF2 D2LF4 D2LF5 D2LF6 D2LF7 D2LF8 D2LF9
D3LF1 0,58 0,42 0,38 0,39 0,45 0,32 0,40 0,40 0,59 0,43 0,37 0,36 0,46 0,37 0,41 0,41
D3LF2 0,43 0,58 0,39 0,39 0,44 0,32 0,41 0,40 0,44 0,59 0,38 0,37 0,45 0,37 0,42 0,40
D3LF4 0,42 0,42 0,58 0,45 0,45 0,35 0,41 0,41 0,45 0,45 0,59 0,45 0,48 0,42 0,45 0,44
D3LF5 0,42 0,42 0,45 0,58 0,45 0,34 0,41 0,41 0,45 0,46 0,46 0,59 0,49 0,42 0,45 0,45
D3LF6 0,38 0,37 0,35 0,35 0,58 0,30 0,37 0,37 0,38 0,37 0,33 0,33 0,59 0,34 0,38 0,37
D3LF7 0,47 0,46 0,46 0,46 0,50 0,58 0,47 0,47 0,42 0,42 0,39 0,39 0,46 0,59 0,43 0,42
D3LF8 0,40 0,41 0,38 0,38 0,43 0,32 0,58 0,40 0,41 0,41 0,36 0,36 0,44 0,37 0,59 0,40
D3LF9 0,41 0,41 0,40 0,40 0,45 0,34 0,41 0,58 0,42 0,41 0,38 0,37 0,45 0,39 0,42 0,59
D4LF1 0,71 0,52 0,49 0,49 0,50 0,49 0,49 0,49 0,62 0,45 0,40 0,40 0,44 0,48 0,44 0,44
D4LF2 0,52 0,71 0,50 0,50 0,49 0,50 0,50 0,49 0,46 0,62 0,42 0,41 0,44 0,49 0,45 0,44
D4LF4 0,49 0,49 0,71 0,55 0,48 0,50 0,48 0,49 0,45 0,46 0,62 0,47 0,45 0,52 0,45 0,46
D4LF5 0,49 0,49 0,54 0,71 0,48 0,50 0,48 0,49 0,46 0,46 0,49 0,62 0,46 0,53 0,46 0,46
D4LF6 0,50 0,49 0,49 0,49 0,71 0,50 0,49 0,49 0,44 0,43 0,40 0,40 0,62 0,48 0,43 0,43
D4LF7 0,46 0,46 0,47 0,47 0,46 0,71 0,46 0,47 0,36 0,36 0,35 0,34 0,36 0,62 0,36 0,37
D4LF8 0,49 0,50 0,48 0,48 0,49 0,50 0,71 0,49 0,43 0,43 0,40 0,39 0,43 0,48 0,62 0,43
D4LF9 0,49 0,49 0,49 0,49 0,49 0,50 0,49 0,71 0,43 0,42 0,41 0,40 0,43 0,49 0,43 0,62
100 Apêndice C. (cont.)
Híbrido D3LF1 D3LF2 D3LF4 D3LF5 D3LF6 D3LF7 D3LF8 D3LF9 D4LF1 D4LF2 D4LF4 D4LF5 D4LF6 D4LF7 D4LF8 D4LF9
D3LF1 1,00 0,61 0,57 0,58 0,59 0,56 0,58 0,58 0,58 0,43 0,38 0,39 0,45 0,31 0,40 0,40
D3LF2 0,61 1,00 0,58 0,58 0,58 0,56 0,59 0,58 0,43 0,58 0,39 0,39 0,44 0,31 0,41 0,39
D3LF4 0,57 0,58 1,00 0,65 0,57 0,57 0,57 0,58 0,42 0,42 0,58 0,45 0,45 0,33 0,41 0,41
D3LF5 0,58 0,58 0,65 1,00 0,57 0,57 0,57 0,58 0,42 0,42 0,45 0,58 0,45 0,33 0,41 0,41
D3LF6 0,59 0,58 0,57 0,57 1,00 0,56 0,57 0,58 0,38 0,37 0,35 0,35 0,58 0,28 0,37 0,36
D3LF7 0,56 0,56 0,57 0,57 0,56 1,00 0,56 0,57 0,48 0,48 0,47 0,47 0,52 0,58 0,48 0,48
D3LF8 0,58 0,59 0,57 0,57 0,57 0,56 1,00 0,58 0,40 0,41 0,38 0,38 0,43 0,31 0,58 0,39
D3LF9 0,58 0,58 0,58 0,58 0,58 0,57 0,58 1,00 0,41 0,41 0,39 0,39 0,45 0,33 0,41 0,58
D4LF1 0,58 0,43 0,42 0,42 0,38 0,48 0,40 0,41 1,00 0,61 0,57 0,58 0,59 0,56 0,58 0,58
D4LF2 0,43 0,58 0,42 0,42 0,37 0,48 0,41 0,41 0,61 1,00 0,58 0,58 0,58 0,56 0,59 0,58
D4LF4 0,38 0,39 0,58 0,45 0,35 0,47 0,38 0,39 0,57 0,58 1,00 0,65 0,57 0,57 0,57 0,58
D4LF5 0,39 0,39 0,45 0,58 0,35 0,47 0,38 0,39 0,58 0,58 0,65 1,00 0,57 0,57 0,57 0,58
D4LF6 0,45 0,44 0,45 0,45 0,58 0,52 0,43 0,45 0,59 0,58 0,57 0,57 1,00 0,56 0,57 0,58
D4LF7 0,31 0,31 0,33 0,33 0,28 0,58 0,31 0,33 0,56 0,56 0,57 0,57 0,56 1,00 0,56 0,57
D4LF8 0,40 0,41 0,41 0,41 0,37 0,48 0,58 0,41 0,58 0,59 0,57 0,57 0,57 0,56 1,00 0,58
D4LF9 0,40 0,39 0,41 0,41 0,36 0,48 0,39 0,58 0,58 0,58 0,58 0,58 0,58 0,57 0,58 1,00
101 Apêndice C. (cont.)
Híbrido D5LF1 D5LF2 D5LF4 D5LF5 D5LF6 D5LF7 D5LF8 D5LF9 D6LF1 D6LF2 D6LF4 D6LF5 D6LF6 D6LF7 D6LF8 D6LF9
D3LF1 0,59 0,44 0,40 0,40 0,46 0,39 0,42 0,41 0,59 0,43 0,40 0,40 0,46 0,39 0,42 0,41
D3LF2 0,44 0,59 0,41 0,41 0,45 0,39 0,42 0,41 0,43 0,59 0,41 0,41 0,45 0,39 0,42 0,41
D3LF4 0,41 0,42 0,59 0,46 0,45 0,40 0,41 0,41 0,41 0,42 0,59 0,45 0,45 0,41 0,41 0,41
D3LF5 0,42 0,42 0,46 0,59 0,45 0,40 0,42 0,41 0,42 0,42 0,46 0,59 0,45 0,41 0,42 0,41
D3LF6 0,38 0,38 0,37 0,36 0,59 0,35 0,38 0,37 0,38 0,37 0,36 0,36 0,59 0,36 0,38 0,37
D3LF7 0,41 0,41 0,41 0,41 0,45 0,59 0,42 0,41 0,40 0,40 0,41 0,40 0,44 0,59 0,41 0,41
D3LF8 0,41 0,42 0,40 0,39 0,45 0,39 0,59 0,40 0,40 0,41 0,39 0,39 0,44 0,39 0,59 0,40
D3LF9 0,42 0,42 0,42 0,41 0,46 0,41 0,42 0,59 0,42 0,41 0,41 0,41 0,45 0,41 0,42 0,59
D4LF1 0,58 0,43 0,41 0,41 0,42 0,47 0,41 0,41 0,57 0,42 0,41 0,41 0,41 0,47 0,41 0,41
D4LF2 0,43 0,58 0,42 0,42 0,41 0,47 0,42 0,41 0,42 0,57 0,42 0,41 0,41 0,47 0,41 0,40
D4LF4 0,39 0,39 0,58 0,44 0,39 0,47 0,39 0,39 0,38 0,39 0,57 0,44 0,39 0,47 0,39 0,39
D4LF5 0,39 0,40 0,45 0,58 0,39 0,47 0,39 0,40 0,39 0,39 0,45 0,57 0,39 0,47 0,39 0,40
D4LF6 0,41 0,40 0,41 0,40 0,58 0,47 0,40 0,40 0,40 0,40 0,40 0,40 0,57 0,47 0,40 0,40
D4LF7 0,32 0,32 0,34 0,34 0,32 0,58 0,32 0,33 0,31 0,31 0,33 0,33 0,32 0,57 0,32 0,32
D4LF8 0,40 0,41 0,41 0,40 0,40 0,47 0,58 0,40 0,39 0,40 0,40 0,39 0,40 0,47 0,57 0,40
D4LF9 0,40 0,40 0,42 0,41 0,41 0,48 0,41 0,58 0,40 0,39 0,41 0,40 0,40 0,48 0,40 0,57
102 Apêndice C. (cont.)
Híbrido D7LF1 D7LF2 D7LF4 D7LF5 D7LF6 D7LF7 D7LF8 D7LF9 D8LF1 D8LF2 D8LF4 D8LF5 D8LF6 D8LF7 D8LF8 D8LF9
D3LF1 0,58 0,43 0,38 0,38 0,45 0,31 0,40 0,40 0,58 0,42 0,37 0,38 0,44 0,31 0,40 0,40
D3LF2 0,43 0,58 0,39 0,39 0,44 0,31 0,41 0,39 0,43 0,58 0,38 0,39 0,44 0,32 0,41 0,39
D3LF4 0,42 0,42 0,58 0,45 0,45 0,33 0,41 0,41 0,42 0,43 0,58 0,45 0,45 0,34 0,42 0,42
D3LF5 0,42 0,42 0,45 0,58 0,45 0,33 0,41 0,41 0,42 0,42 0,44 0,58 0,45 0,34 0,41 0,41
D3LF6 0,38 0,37 0,35 0,35 0,58 0,28 0,37 0,36 0,38 0,37 0,34 0,35 0,58 0,29 0,37 0,36
D3LF7 0,49 0,49 0,48 0,48 0,53 0,58 0,49 0,49 0,47 0,47 0,46 0,46 0,51 0,58 0,48 0,47
D3LF8 0,40 0,41 0,38 0,38 0,44 0,31 0,58 0,40 0,40 0,41 0,37 0,38 0,43 0,32 0,58 0,39
D3LF9 0,42 0,41 0,40 0,39 0,45 0,32 0,41 0,58 0,41 0,41 0,39 0,39 0,45 0,33 0,41 0,58
D4LF1 0,68 0,50 0,47 0,47 0,48 0,45 0,47 0,47 0,69 0,50 0,46 0,47 0,48 0,47 0,48 0,48
D4LF2 0,50 0,68 0,48 0,47 0,47 0,45 0,48 0,47 0,50 0,69 0,47 0,48 0,48 0,47 0,49 0,48
D4LF4 0,47 0,47 0,68 0,52 0,46 0,46 0,46 0,47 0,48 0,49 0,69 0,54 0,48 0,49 0,48 0,49
D4LF5 0,47 0,48 0,52 0,68 0,47 0,46 0,46 0,47 0,48 0,48 0,52 0,69 0,47 0,48 0,47 0,48
D4LF6 0,48 0,47 0,46 0,46 0,68 0,45 0,47 0,47 0,49 0,48 0,46 0,47 0,69 0,47 0,47 0,48
D4LF7 0,46 0,46 0,47 0,47 0,46 0,68 0,46 0,47 0,45 0,45 0,46 0,46 0,45 0,69 0,46 0,46
D4LF8 0,47 0,48 0,46 0,46 0,47 0,45 0,68 0,47 0,48 0,48 0,46 0,47 0,47 0,47 0,69 0,48
D4LF9 0,47 0,47 0,47 0,47 0,47 0,46 0,47 0,68 0,48 0,47 0,47 0,47 0,48 0,48 0,48 0,69
103 Apêndice C. (cont.)
Híbrido D1LF1 D1LF2 D1LF4 D1LF5 D1LF6 D1LF7 D1LF8 D1LF9 D2LF1 D2LF2 D2LF4 D2LF5 D2LF6 D2LF7 D2LF8 D2LF9
D5LF1 0,58 0,43 0,39 0,39 0,41 0,33 0,40 0,41 0,58 0,42 0,37 0,37 0,41 0,38 0,40 0,41
D5LF2 0,43 0,58 0,40 0,40 0,40 0,33 0,41 0,40 0,43 0,58 0,38 0,37 0,41 0,38 0,41 0,41
D5LF4 0,41 0,42 0,58 0,45 0,40 0,35 0,40 0,42 0,44 0,44 0,58 0,45 0,43 0,42 0,43 0,44
D5LF5 0,41 0,41 0,44 0,58 0,40 0,35 0,40 0,41 0,44 0,44 0,45 0,58 0,44 0,42 0,44 0,44
D5LF6 0,42 0,41 0,39 0,40 0,58 0,34 0,40 0,41 0,42 0,41 0,37 0,37 0,58 0,38 0,40 0,41
D5LF7 0,46 0,45 0,45 0,46 0,45 0,58 0,45 0,46 0,41 0,40 0,38 0,38 0,41 0,58 0,41 0,42
D5LF8 0,41 0,41 0,39 0,39 0,40 0,34 0,58 0,41 0,41 0,41 0,36 0,36 0,40 0,38 0,58 0,41
D5LF9 0,41 0,40 0,39 0,40 0,40 0,34 0,40 0,58 0,41 0,40 0,37 0,37 0,40 0,38 0,40 0,58
D6LF1 0,57 0,42 0,39 0,39 0,40 0,33 0,40 0,40 0,58 0,43 0,37 0,37 0,41 0,37 0,40 0,41
D6LF2 0,42 0,57 0,39 0,40 0,40 0,33 0,40 0,40 0,43 0,58 0,38 0,38 0,41 0,38 0,41 0,41
D6LF4 0,41 0,42 0,57 0,45 0,40 0,34 0,40 0,41 0,44 0,44 0,58 0,45 0,43 0,42 0,43 0,44
D6LF5 0,41 0,41 0,44 0,57 0,40 0,34 0,39 0,40 0,44 0,44 0,45 0,58 0,44 0,42 0,43 0,44
D6LF6 0,41 0,41 0,39 0,40 0,57 0,33 0,40 0,40 0,42 0,41 0,37 0,37 0,58 0,38 0,40 0,41
D6LF7 0,46 0,46 0,45 0,46 0,45 0,57 0,45 0,46 0,41 0,41 0,39 0,39 0,41 0,58 0,41 0,42
D6LF8 0,41 0,41 0,39 0,39 0,40 0,33 0,57 0,40 0,41 0,41 0,37 0,37 0,40 0,38 0,58 0,41
D6LF9 0,41 0,40 0,39 0,40 0,40 0,34 0,40 0,57 0,41 0,41 0,38 0,37 0,41 0,38 0,41 0,58