CONCLUSÕES GERAIS

6.1. Modelos Lineares Generalizados

O presente estudo confirmou a efetividade e a eficiente aplicabilidade dos Modelos Lineares Generalizados em experimentos relacionados ao melhoramento vegetal. Por meio desta técnica foi possível: 1. O mapeamento de QTLs que controlam características binárias, realizada em características medidas repetidamente sobre a mesma unidade experimental (análise longitudinal), 2. O mapeamento de QTLs que controlam características contínuas com viés da distribuição normal, e 3. Avaliação de experimentos com cultivares de oliveira para variáveis reposta com distribuição Gama (produção de frutos), e Binomial (produção precoce e sobrevivência). Confirma-se que a informação acerca da distribuição dos dados agronômicos deve ser considerada nos programas de melhoramento de plantas, para melhorar a confiabilidade das inferências dos resultados dos experimentos de avaliação genética.

6.2. Contexto Bayesiano

A abordagem Bayesiana utilizada como ferramenta cientifica de análise estatística foi útil para propósitos de melhoramento e para entender como as características são controladas geneticamente. O método Bayesiano permitiu a avaliação genética de genótipos em diferentes programas de melhoramento, como oliveira, acácia e eucalipto, e baseado em diferentes situações de pressupostos de análise. Características binárias, como a sobrevivência das plantas, precocidade da produção, e florescimento precoce, também são possíveis de incluir no programas de melhoramento usando o conceito do modelo

de limiar (threshold) e os diferentes métodos de Monte Carlo, via Cadeias de

Markov (MCMC). A seleção baseada em características econômicas e a habilidade da inferência Bayesiana para predizer os valores genéticos de clones, procedências, famílias e plantas individuais (modelo animal) são suficientes para os programas de avaliação genética de plantas.

APÊNDICE

Rotinas do SAS consideradas nas diferentes análises do estudo.

Exemplo de rotinas para a seleção de co-fatores no mapeamento de QTLs (Intervalo Composto) nas linhas clássica e generalizadas.

PROCSTEPWISE DATA=QTL;

MODEL Q=M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 / SLENTRY=0.05

SLSTAY=0.05 STEPWISE DETAILS;

RUN;

PROCGENMOD DATA=QTL;

MODEL Q=M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 / TYPE1 DISTRIBUTION=GAMMA LINK=LOG;

RUN; /*utilizar o quadro das estimativas dos parâmetros e suas significâncias,

incluindo intervalos de confiança de WALD */

/*LINK=LOG não é a canônica para D=GAMMA, mas é preferida devido a sua interpretação e simplicidade matemática*/

Exemplo de rotina para a abordagem Bayesiana /*Distribuições a priori informativas*/

DATA PRIOR;

INPUT DENSITY TYPE $ PARM1 PARM2; CARDS;

1 IG 18.336 16251 2 IG 508.02 124516

; /*Data prior é próprio para cada conjunto de dados, o qual é obtido por meio do quadro de densidades base, gerado a partir de uma análise prévia usando JEFFREYS*/

PROCMIXED DATA=EUCA;

CLASS FAM BLOCK; MODEL D = BLOCK; RANDOM FAM / S;

PRIOR DATA=PRIOR / OUT=BAYES2 NSAMPLE=50000;

RUN;

PROCUNIVARIATE DATA=BAYES2; WHERE SAMPLE >1000;

VAR COVP1 COVP2 H GAM1 GAM2 GAM3 GAM4 GAM5 GAM6 GAM7 GAM8 GAM9 GAM10 GAM11 GAM12 GAM13 GAM14 GAM15 GAM16 GAM17 GAM18 GAM19 GAM20 GAM21 GAM22 GAM23 GAM24 GAM25 GAM26 GAM27 GAM28 GAM29 GAM30 GAM31 GAM32 GAM33 GAM34 GAM35 GAM36 GAM37 GAM38 GAM39;

RUN;

/* Distribuições a priori não informativas */

PROCMIXED DATA=EUCA;

CLASS FAM BLOCK; MODEL D = BLOCK;

RANDOM FAM / S;

PRIOR JEFFREYS / OUT=BAYES2 NSAMPLE=50000;

RUN;

PROCUNIVARIATE DATA=BAYES2; WHERE SAMPLE >1000;

VAR COVP1 COVP2 H GAM1 GAM2 GAM3 GAM4 GAM5 GAM6 GAM7 GAM8 GAM9 GAM10 GAM11 GAM12 GAM13 GAM14 GAM15 GAM16 GAM17 GAM18 GAM19 GAM20 GAM21 GAM22 GAM23 GAM24 GAM25 GAM26 GAM27 GAM28 GAM29 GAM30 GAM31 GAM32 GAM33 GAM34 GAM35 GAM36 GAM37 GAM38 GAM39;

RUN;

/*Abordagem Bayesiana usando um Modelo Linear Generalizado Misto*/

%GLIMMIX(DATA=VER, PROCOPT=METHOD=REML, STMTS=%STR(

CLASS FAM BLOCK; MODEL D = BLOCK;

RANDOM FAM / SOLUTION;

PRIOR / OUT=BAYES3 NSAMPLE=50000;), ERROR=BINOMIAL,

LINK=LOGIT);

RUN; /*precisa rodar previamente a Macro, obtida do site do SAS*/

PROCUNIVARIATE DATA=BAYES3; WHERE SAMPLE >1000;

VAR COVP1 COVP2 H GAM1 GAM2 GAM3 GAM4 GAM5 GAM6 GAM7 GAM8 GAM9 GAM10 GAM11 GAM12 GAM13 GAM14 GAM15 GAM16 GAM17 GAM18 GAM19 GAM20 GAM21 GAM22 GAM23 GAM24 GAM25 GAM26 GAM27 GAM28 GAM29 GAM30 GAM31 GAM32 GAM33 GAM34 GAM35 GAM36 GAM37 GAM38 GAM39;

RUN;

Exemplo de rotina para intervalos de confiança Bootstrap para os coeficientes de correlação de Spearman.

PROCSURVEYSELECT DATA=BVALUES METHOD=URS REP=1000

N=200 OUT=BOOT SEED=999155 OUTHITS;

PROCCORR DATA=BOOT NOPRINT OUTS=SPEARMAN;

VAR Q IS;

BY REPLICATE;

DATA ALLMEANS;

SET SPEARMAN;

IF _TYPE_ = 'CORR' AND _NAME_ = 'IS' THEN OUTPUT;

PROCUNIVARIATE DATA=ALLMEANS CIBASIC;

VAR Q;

RUN;

PROCCORR Spearman DATA=M_I;

VAR Q IS;

RUN;

Exemplo de rotina para o mapeamento de QTL por intervalo composto /*a rotina considera apenas uma posição do genoma*/

MODEL C = ADITIVO DOMINANCIA COFATOR;

RUN;

PROC MIXED METHOD=ML;

MODEL C = ADITIVO DOMINANCIA COFATOR;

RUN;

PROCGENMOD;

MODEL C = ADITIVO DOMINANCIA COFATOR / D=GAMMA LINK=LOG TYPE1;

RUN;

/*para obter resultados sem efeitos*/

PROC MIXED METHOD=ML;

MODEL C = ;

RUN;

PROC GENMOD;

MODEL C = / D=GAMMA LINK=LOG TYPE1;

RUN;

Exemplo de rotina para o mapeamento de QTL (intervalos simples) para medidas repetidas e dados de distribuição binomial (Equações de estimação Generalizadas).

/*a rotina considera apenas uma posição do genoma e alguns exemplos de estruturas de (co) variâncias*/

PROC GENMOD DESC;

CLASS SUBJ;

MODEL BIN = AD DM / D=B TYPE3;

REPEATED SUBJECT=SUBJ / TYPE=AR CORRW;

RUN;

PROCGENMOD DESC;

CLASS SUBJ;

MODEL BIN = AD DM / D=B TYPE3;

REPEATED SUBJECT=SUBJ / TYPE=EXCH CORRW;

RUN;

PROCGENMOD DESC;

CLASS SUBJ;

MODEL BIN = AD DM / D=B TYPE3;

REPEATED SUBJECT=SUBJ / TYPE=UN CORRW;

RUN;

PROC GENMOD DESC;

CLASS SUBJ;

MODEL BIN = AD DM / D=B TYPE3;

REPEATED SUBJECT=SUBJ / TYPE=IND CORRW;

RUN;

Exemplo de rotina para o mapeamento de QTL (intervalos simples) para medidas repetidas e distribuição normal.

/*a rotina considera apenas uma posição do genoma e alguns exemplos de estruturas de (co) variâncias*/

PROC MIXED;

MODEL C = AD DM /S;

REPEATED / SUBJECT=SUBJ TYPE=VC R RCORR;

RUN;

PROC MIXED;

CLASS SUBJ;

MODEL C = AD DM /S;

REPEATED / SUBJECT=SUBJ TYPE=CS R RCORR;

RUN;

PROC MIXED;

CLASS SUBJ;

MODEL C = AD DM /S;

REPEATED / SUBJECT=SUBJ TYPE=UN R RCORR;

RUN;

PROC MIXED;

CLASS SUBJ;

MODEL C = AD DM /S;

REPEATED / SUBJECT=SUBJ TYPE=UN(1) R RCORR;

RUN;

PROC MIXED;

CLASS SUBJ;

MODEL C = AD DM /S;

REPEATED / SUBJECT=SUBJ TYPE=TOEP R RCORR;

RUN;

PROC MIXED;

CLASS SUBJ;

MODEL C = AD DM /S;

REPEATED / SUBJECT=SUBJ TYPE=TOEPH R RCORR;