LGN 5799 - SEMINÁRIOS EM
GENÉTICA E MELHORAMENTO DE PLANTAS
Programa de Pós-Graduação em
Genética e Melhoramento de Plantas
Departamento de Genética
Avenida Pádua Dias, 11 - Caixa Postal 83, CEP: 13400-970 - Piracicaba - São Paulo - Brasil
Telefone: (0xx19) 3429-4250 / 4125 / 4126 - Fax: (0xx19) 3433-6706 - http://www.genetica.esalq.usp.br/semina.php
Interação de genótipos com ambientes no melhoramento de plantas
Aluno: Sanzio Carvalho Lima Barrios
Índice
• Interação Genótipos x Ambientes (GA): conceito, natureza e importância no melhoramento de plantas
• Identificação de genótipos superiores: seleção em anos individuais ou em múltiplos anos?
• Métodos de estudo da interação GA e suas implicações no melhoramento de plantas
- AMMI - GGE
• Estratificação de ambientes (sub-regiões): efeito na resposta à seleção
Interação Genótipos x Ambientes (GA): conceito
• Ausência de interação GA ∆1 = ∆2 ou ∆3 = ∆4 • Presença de interação GA ∆1 ≠ ∆2 ou ∆3 ≠ ∆4
Kang (1998)
Representação do valor fenotípico de dois genótipos em dois ambientes
∆4 = c - d ∆3 = a - b Diferença genotípica ∆2 = b - d d b G2 ∆1 = a - c c a G1 A2 A1 Diferença ambiental Ambientes Genótipos
• Modelo: F = G + A
• Conceito: efeito diferencial dos ambientes sobre os genótipos
ou resposta diferencial dos genótipos à variação
ambiental
Efeito de não-aditividade dos efeitos principais
Interação Genótipos x Ambientes (GA): natureza
Kang (1998) F en ót ip o F en ót ip o F en ót ip o F en ót ip o F en ót ip oAmbiente Ambiente Ambiente
Ambiente Ambiente a b d c e G1 G1 G1 G1 G1 G2 G2 G2 G2 G2
a – Ausência de interação GA b – Interação GA do “tipo simples”
Interação Genótipos x Ambientes (GA): importância no melhoramento
• Implicações da interação GA na fase de melhoramento:
- Contribuição genética (G), ambiental (A) e interação GA (GA) - Redução na resposta a seleção
- Programas de melhoramento adicionais
- Aumento no custo de avaliação dos genótipos
- Dificulta identificação de cultivares superiores (“F distante do G”) - Aumento no custo dos ensaios de avaliação de cultivares
• Implicações da GA na fase de recomendação de cultivares:
Capitalizar interação GA
Interação Genótipos x Ambientes (GA): importância no melhoramento
Como lidar com a interação GA?
1. Ignorá-la
2. Evitá-la
3. Explorá-la
Seleção com base em médias mesmo na presença de interação GA?
Minimizar o impacto de interações GA significativas
Adaptação específica
Kang (1998)
Melhoramento:
contornar os efeitos indesejáveis da interação
GA ou aproveitar os seus efeitos benéficos
Componentes da variação fenotípica
Vencovsky & Barriga (1992)
• Magnitude relativa dos componentes de variância: , e
Informação importante para o melhorista
• Resposta à seleção é função da h2 (modelo aleatório)
• Avaliação individual (único local e ano)
Estratégias de melhoramento 2 GA
σ
2 GLAσ
2 GLσ
2 2 2 2 2 ' G GL GA GLA Gσ
σ
σ
σ
σ
)
=
)
+
)
+
)
+
)
r
h
E G G y 2 2 ' ' 2σ
σ
σ
)
)
)
)
+
=
“inflacionada pela interação”
2 '
G
σ
Componentes da variação fenotípica
rla la a l h E GLA GA GL G G y 2 2 2 2 2 2 2σ
σ
σ
σ
σ
σ
+ + + + =• Avaliação em múltiplos ambientes (vários locais e anos)
Vencovsky & Barriga (1992)
onde: l – nº de locais a – nº de anos
r – nº de repetições
Interação GA: impacto negativo na h2
• Qual a combinação ideal entre l, a e r para maximizar a
Informações importantes em um programa de melhoramento
2
y
h
• São importantes?
Qual a contribuição para a variação total?
2 GA
σ
2 GLAσ
2 GLσ
, e• Para que a subdivisão seja vantajosa, os ganhos obtidos pela exploração da adaptação local devem ser maiores do que a perda de precisão devido a subdivisão
Até que ponto o efeito da subdivisão é vantajoso?
• Seleção: adaptação ampla x adaptação específica (local)
Estratificação de ambientes (sub-regiões): efeito na resposta à seleção
Subdivisão da região original
(ampla) em sub-regiões (menores)
Redução na precisão das estimativas dentro de sub-regiões
Divisão dos recursos
(< número de locais)
Estratificação de ambientes (sub-regiões): efeito na resposta à seleção
0,65 0,75 0,89 2,67 Austrália Trigo de verão 0,92 0,95 0,98 0,37 Oeste do Canadá Trigo de verão 0,98 0,99 1,00 0,08 Leste do Canadá Trigo de inverno 0,5 0,3 0,1 Região CulturaCorrelações entre valores genotípicos obtidos em regiões amplas (não divididas) e em sub-regiões (divididas), para valores de variando de 0,1 a 0,5 e diferentes estimativas de G
r
2 2 GL GS σ σ 2 2 G GL σ σ ) (rG 2 2 GL GSσ
σ
2 2 G GL σ σ 2 ) ( 2 2 S GL GS GLσ
σ
σ
=
+
sendo : G (genótipos), S (sub-região) e L (locais)•
•
r
G alta: classificação dos genótipos é consistente entre região/sub-região•
r
G baixa: classificação dos genótipos não é consistente região/sub-regiãoEstratificação de ambientes (sub-regiões): efeito na resposta à seleção
i GH
H
r
RD
RC
=
Atlin et al. (2000) 2 2 2 F GS G iH
σ
σ
σ
+
=
Capitaliza (+) 0,49 0,54 0,62 0,49 0,53 0,61 0,5 0,63 0,68 0,79 0,62 0,67 0,79 0,3 0,87 0,94 1,11 0,87 0,94 1,11 0,1Trigo de verão - Austrália
0,90 0,93 1,01 0,91 0,96 1,17 0,5 0,95 0,98 1,07 0,96 1,01 1,20 0,3 1,01 1,04 1,14 1,02 1,07 1,24 0,1
Trigo de verão – Canadá
0,99 1,01 1,08 1,01 1,05 1,15 0,5 1,00 1,03 1,09 1,02 1,06 1,17 0,3 1,02 1,04 1,11 1,03 1,07 1,18 0,1
Trigo de inverno - Canadá
l = 6 l = 4 l = 2 l = 6 l = 4 l = 2 2 anos 1 ano
Efeito da ,número de locais (l) e anos em cada sub-região na razão entre a resposta predita na sub-região devido a seleção indireta na região ampla (não dividida) e a resposta predita devida a seleção direta na sub-região individual
2 2 GL GS σ σ 2 2 GL GS σ σ 08 , 0 2 2 = G GL σ σ 37 , 0 2 2 = G GL σ σ 67 , 2 2 2 = G GL σ σ RD RC ) (RC RD
Seleção em ambientes favoráveis x ambientes desfavoráveis (estresse)
Estratificação de ambientes (sub-regiões): efeito na resposta à seleção
0,38 2,51 5,52 baixo N México milho Banziger et al. (1997) 0,50 3,77 5,93 baixo N México milho
Lafitte & Edmeades (1994)
0,51 2,45 4,45 baixo N México milho
Lafitte & Edmeades (1994)
0,20 1,66 3,48 seca Oklahoma trigo Ud-Die et al. (1992) -0,12 0,22-1,08 1,81-6,77 seca Syria cevada Ceccarelli et al. (1992) 0,00 1,50 3,97 semeadura tardia Iowa aveia
Atlin & Frey (1989)
0,52 1,14 2,71 baixo P Iowa aveia
Atlin & Frey (1989)
rG AD (t/ha) AF (t/ha) Estresse Região Espécie Estudo
Estimativas de correlação genética (rG) para produção de grãos em ambientes favoráveis (AF) e desfavoráveis (AD) entre cultivares.
• rG baixa entre ambientes favoráveis e ambientes desfavoráveis
Atlin et al. (2001)
Estratificação de ambientes (sub-regiões): efeito na resposta à seleção
Seleção em ambientes favoráveis x ambientes desfavoráveis (estresse) • Estresse: desafio é manter a h2 o mais alto possível
Estimativas de herdabilidade (h2) no sentido amplo para produção de grãos
0,49 0,13 0,13 0,07 Tailândia arroz 0,80 0,37 0,44 0,29 Tailândia arroz 0,72 0,28 0,32 0,20 Reino Unido Batata 0,79 0,36 0,40 0,27 Reino Unido trigo 0,63 0,20 0,22 0,13 Austrália trigo 0,79 0,31 0,42 0,28 Leste Canadá aveia 0,71 0,29 0,29 0,18 Leste Canadá cevada 4 repetições em 5 locais e 2 anos 4 repetições em 1 local Parcela única em 2 locais Parcela única em 1 local
h2para seleção em:
Região Espécie
• Reduzir : “aproximar o Fenótipo do Genótipo”
σ
F2S2X1: Roemer (1917)
EBRAS: Eberhart & Russell (1966)
TAI: Tai (1971)
SHUKLA: Shukla (1972)
CV:Francis & Kannenberg (1978)
PI: Lin & Binns (1988)
Paramétricos univariados
UPGMA: Sokal & Michener (1958)
LIN: Lin (1982)
FOXROS: Fox & Rosielle (1982)
AMMI: Zobel et al. (1988)
PPCC: Westcott (1987)
CA: Lopez (1990)
GGE: Yan et al. (2000)
YIELD: Cubero & Flores (1994) Multivariados
Não-paramétricos
STAR: Flores (1993)
KETYIELD: Ketata et al. (1989)
KETRANK: Ketata et al. (1989)
S1O, S2O, S3O e S6O: Huhn (1979)
KANG: Kang (1988)
FOXRANK: Fox et al. (1990) univariados
AMMI
(
A
dditive
M
ain effects and
M
ultiplicative
I
nteraction analysis)
Modelo: j i ijg
e
Y
=
µ
+
+
∑
= p k jk ik k 1α
γ
λ
ijε
Parte aditiva (ge)
ij : multiplicativa
+
+
: K-ésimo valor singular da matriz GE
: elemento do genótipo i do vetor coluna associado a : elemento do ambiente j do vetor linha associado a
k
λ
ikγ
jkα
λ
k kλ
Duarte & Vencovsky (1999)
AMMI combina, em um único modelo, componentes aditivos para os efeitos principais (gi e ej) e componentes multiplicativos para o efeito de interação (ge)ij
Soma das p parcelas recompõe toda a variação:
∑
==
p k k GESQ
1 2)
(
λ
IDÉIA : Recuperar parte da (Padrão)
SQ
GEj i ij
g
e
Y
=
µ
+
+
∑
∑
= = ++
n k p n k jk ik k jk ik k 1 1α
γ
λ
α
γ
λ
ijε
Parte aditiva Padrão+
+
Ruído com n < pAMMI
(
A
dditive
M
ain effects and
M
ultiplicative
I
nteraction analysis)
Duarte & Vencovsky (1999)
2 etapas
1) Ajuste dos efeitos principais por ANOVA 2) Ajuste da interação GE por DVS
= GE(gxa) ... 1 2 a 1 2 g ... geni\ ambj Matriz de interações: ) ( gxa
Y
1) ANOVA (univariada) aplicada à matriz de médias
ij j i ij
g
e
Y
=
µ
+
+
+
ε
Modelo: .. . .)
(
g
e
Y
Y
Y
Y
Y
Y
ij ij ij ij i j ij=
−
⇔
=
−
−
+
)
)
)
ε
Resíduo de não aditividade dos efeitos principais
AMMI
(
A
dditive
M
ain effects and
M
ultiplicative
I
nteraction analysis)
2) Ajuste da interação GE por DVS
Origem do Biplot
Prof. Ruben Gabriel “The founder of biplot”
• Gabriel (1971)
•
Um dos grandes avanços na análise de dados nas últimas décadas• Atualmente...
• > 60.000 web pages
• Vários artigos científicos
• Incluído na maioria dos pacotes estatísticos
• Ainda é uma técnica muito nova para a maioria dos cientistas
Yan (2006)
-4 -3 -2 -1 0 1 2 3 4 5 -4 -3 -2 -1 0 1 2 3 4 5 O PC1 P C 2
Defini
Defini
ç
ç
ão
ão
matem
matem
á
á
tica
tica
do
do
Biplot
Biplot
G1 G2 G3 G4 A1 A2 A3 5.0 cosα = 0.8944 4.4
“
Produto interno de vetores”
•
P
ij=OG
i*OA
j*cosα
ijAMMI
(
A
dditive
M
ain effects and
M
ultiplicative
I
nteraction analysis)
Yan (2006) P11 = 5 x 4.4 x 0.8944 = 20 − − − − − 12 12 8 4 9 6 10 3 15 12 6 2 6 9 20 1 3 2 1 g g g g a a a
MÉDIAS (kg/ha) IP C A 1 (kg/ha)1/2 800 1000 1200 1400 -10 10 0 A1 A2 A3 A4 A5 G1 G2 G3 G4 G5 G6 G7 G8 G9 G10 Biplot AMMI1 Mais estáveis
Duarte & Vencovsky (1999)
Duarte & Vencovsky (1999) IPCA1 (kg/ha)1/2 (kg/ha)1/2 Biplot AMMI2 IP C A 2 -10 10 -10 10 0 A1 A2 A3 A4 A5 G1 G2 G3 G4 G5 G6 G7 G8 G9 G10 Mais estáveis Melhoramento:
Adaptação ampla (estabilidade) x adaptação específica Biplot AMMI2 + efeitos principais (alta produtividade)
Crop Sci. 40: 597-605 (2000)
G + GE =
G + GE =
biplot
biplot
?
?
• Modelo linear geral:
F = M + G + E + GE
GGE Biplot
• “tabelas” de dupla entrada (Y):
Y = F – M – G – E =
G
E
duplo-centrada: biplot
G
E
Y = F – M – E =
G
+
GE
coluna-centrada: biplot
G
GE
DVS
“
“
Produto
Produto
interno
interno
de
de
vetores
vetores
”
”
Yan (2006)
Classifica
Classifica
ç
ç
ão
ão
em
em
ambientes
ambientes
individuais
individuais
Yan (2006)
GGE Biplot
Dados de
Dados de produproduççãoão de de grãosgrãos de 18 de 18 gengenóótipostipos de de trigotrigo avaliadosavaliados emem 9 9 locais
locais, 1993, Ontario, , 1993, Ontario, CanadCanadáá
Tabela de “dupla-entrada” (g- linhas x e- colunas)
Exemplo
Yan (2006)
An
An
á
á
lise
lise
de dados
de dados
AN
AN
Á
Á
LISE DE MEGA
LISE DE MEGA
-
-
AMBIENTES*
AMBIENTES*
AVALIA
AVALIA
Ç
Ç
ÃO DE AMBIENTES TESTE
ÃO DE AMBIENTES TESTE
AVALIA
AVALIA
Ç
Ç
ÃO DE GEN
ÃO DE GEN
Ó
Ó
TIPOS
TIPOS
* Mega-ambiente: grupo de locais geográficos que compartilham o mesmo conjuno de genótipos superiores ao longo dos anos de forma consistente Yan (2006)
GGE Biplot
Para cada mega-ambienteRela
Rela
ç
ç
ão
ão
entre
entre
ambientes
ambientes
Comparação entre “vetores ambientes”
• Ângulo vs.
correlação
• Agrupamento
de ambientes
Yan (2006)GGE Biplot
“Which-won-where”
G12 G7 G18 G8 G13Interação GE
do tipo complexa
mudanças de classificação dos genótipos nos diferentesambientes
Yan (2006)
A
A
intera
intera
ç
ç
ão
ão
GE do
GE do
tipo
tipo
complexa
complexa
é
é
consistente
consistente
ao
ao
longo
longo
dos
dos
anos
anos
?
?
• Se sim…
– A região “alvo” deve ser subdividida em mega-ambientes
– Interação GE pode ser explorada através da seleção em cada mega-ambiente
– GE G
• Se não…
– A região “alvo” não pode ser subdividida em vários mega-ambientes – Interação GE não pode ser explorada
– Interação GE deve ser minimizada através de avaliações em diversos locais e anos
Yan (2006)
AN
AN
Á
Á
LISE DE MEGA
LISE DE MEGA
-
-
AMBIENTES*
AMBIENTES*
AVALIA
AVALIA
Ç
Ç
ÃO DE AMBIENTES TESTE
ÃO DE AMBIENTES TESTE
AVALIA
AVALIA
Ç
Ç
ÃO DE GEN
ÃO DE GEN
Ó
Ó
TIPOS
TIPOS
An
An
á
á
lise
lise
de dados
de dados
* Mega-ambiente: grupo de locais geográficos que compartilham o mesmo conjuno de genótipos superiores ao logo dos anos de forma consistente Para cada mega-ambiente Yan (2006)
GGE Biplot
Habilidade
Habilidade
discriminat
discriminat
ó
ó
ria
ria
e
e
representatividade
representatividade
Eixo do Ambiente-Médio (EAM)
Ambiente médio
Comprimento do vetor: habilidade discriminatória Ângulo com o EAM: representatividade
Yan (2006)
Ambiente teste ideal
Yan (2006)
Ambiente
Ambiente
teste
teste
ideal:
ideal:
discriminante
discriminante
e
e
representativo
representativo
AN
AN
Á
Á
LISE DE MEGA
LISE DE MEGA
-
-
AMBIENTES*
AMBIENTES*
AVALIA
AVALIA
Ç
Ç
ÃO DE AMBIENTES TESTE
ÃO DE AMBIENTES TESTE
AVALIA
AVALIA
Ç
Ç
ÃO DE GEN
ÃO DE GEN
Ó
Ó
TIPOS
TIPOS
* Mega-ambiente: grupo de locais geográficos que compartilham o mesmo conjuno de genótipos superiores ao logo dos anos de forma consistente
An
An
á
á
lise
lise
de dados
de dados
Yan (2006)
GGE Biplot
Para cada mega-ambiente
Contribuição para GE (instabilidade) Contribuição para G (performance média) Yan (2006)
Comprimento
Comprimento
vetor
vetor
= GGE = G + GE
= GGE = G + GE
Yan (2006)
M
M
é
é
dia
dia
vs.
vs.
Estabilidade
Estabilidade
Classifica
Classifica
ç
ç
ão
ão
dos
dos
gen
gen
ó
ó
tipos
tipos
com base
com base
em
em
m
m
é
é
dias
dias
e
e
estabilidade
estabilidade
“Genótipo Ideal”
Yan (2006)
Classifica
Classifica
ç
ç
ão
ão
dos
dos
gen
gen
ó
ó
tipos
tipos
Média
Estabilidade
Performance
média alta
Performance
média baixa
Alta
Estabilidade
Adaptação geral
(MUITO BOM)
Ruim em todo local
(MUITO RUIM)
Baixa
estabilidade
Adaptação específica
(BOM)
Ruim em alguns locais
(RUIM)
Yan (2006)
• Aproximação com 2 eixos singulares é adequada?
- Quanto da variação está sendo explicada?- Porção da variação explicada é consistente ao longo dos anos?
• Biplot como ferramenta gráfica descritiva?
- Interpretação gráfica sem nenhum teste estatístico associado !
intervalos de confiança para os escores de genótipos e ambientes
Idéia
• Padrão “which-won-where” é confiável e consistente
ao longo dos anos?
- Cultivar “ganhadora” em um vértice pode não ser estatisticamente
diferente de outra adjacente (não “ganhadora”) no mesmo setor
- Padrão pode não ser consistente ao longo dos anos
• Efeito aleatório para genótipos e/ou ambientes
- AMMI e GGE biplot são para modelos fixos• Interação Genótipo x local x ano
• Ensaios conduzidos em múltiplos locais e anos
Números de anos em que um genótipo é avaliado confiabilidade na avaliação/recomendação
• Dados de múltiplos anos são mais informativos do que
dados de anos individuais para prever a performance dos
genótipos no próximo ano?
• Hipótese pouco testada na literatura
Yan & Rajcan (2003)
• Ensaio de avaliação de cultivares de soja: 4 locais x 10 anos
• Correlação entre o desempenho produtivo estimado em um ano com o ano individual seguinte, entre genótipos
• Correlação entre o desempenho produtivo estimado em um número prévio de anos com o ano individual seguinte, entre genótipos
Número de genótipos comumente avaliados no período de 1991 a 2000
1 2 3 6 7 9 16 22 34 60 2000 1999 1998 1997 1996 1995 1994 1993 1992 1991 Crop Sci. 43: 549-555 (2003)
0,57 1999 vs. 2000 0,61 1998 vs. 1999 0,56 1997 vs. 1998 0,53 1996 vs. 1997 0,47 1995 vs. 1996 0,71 1994 vs. 1995 0,41 1993 vs. 1994 0,47 1992 vs. 1993 0,06 1991 vs. 1992 r Anos
Coeficientes de correlação (r) entre o desempenho médio de genótipos obtidos em um ano, múltiplo locais, e aqueles obtidos no ano seguinte
• Coeficientes de correlação significativos (P<0,01), exceto 1991 vs.1992
Yan & Rajcan (2003)
• Dados de anos individuais são suficientes para identificar genótipos superiores e descartar inferiores
* +1 superior a média geral (P<0,05), -1 inferior a média geral (P<0,05) e 0 não diferiu significativamente da média
geral. . . . . -1 -1 -1 . . . T9313 . . . . . -1 -1 -1 0 -1 MAPLE GLEN 0 0 0 0 0 0 . . . . MS0747 . . . 0 0 0 0 0 0 . KG62 . . . -1 0 0 0 0 0 0 OAC ECLIPSE . 0 . +1 0 0 0 +1 . +1 T8508 . . 0 0 0 +1 +1 +1 +1 +1 OAC SHIRE 2000 1999 1998 1997 1996 1995 1994 1993 1992 1991 Genótipo
Escores* dos genótipos nos anos individuais no período de 1991 a 2000
...
Yan & Rajcan (2003)
• Aumento no numero de anos não acarretou um aumento significativo na correlação 0,61 0,63 0,64 0,62 0,59 0,61 0,58 0,59 0,53 Média 0,55 0,53 0,32 1994 0,68 0,65 0,65 0,71 1995 0,51 0,51 0,51 0,51 0,47 1996 0,54 0,53 0,52 0,52 0,56 0,51 1997 0,67 0,68 0,67 0,68 0,68 0,68 0,56 1998 0,65 0,65 0,65 0,65 0,66 0,57 0,57 0,57 1999 0,61 0,61 0,61 0,61 0,61 0,61 0,61 0,63 0,57 2000 9 8 7 6 5 4 3 2 1 Ano presente
Número de anos prévios
Coeficientes de correlação entre o desempenho médio de genótipos baseando-se em um a nove anos prévios e no ano presente
• Entretanto, Genótipos superiores identificados em anos individuais devem ser avaliados em múltiplos anos, para permitir avaliações conclusivas
Yan & Rajcan (2003)
Considerações finais
• Métodos multivariados: AMMI e GGE
- Bastante informativos: reúnem em um único gráfico: genótipos, ambientes e genótipos x ambientes
- Interpretação com cautela: variação explicada pelos eixos singulares - Seleção de genótipos: incorporar testes estatísticos ao biplot
• Ensaios em anos individuais (múltiplos locais): seleção de
genótipos superiores
• Importância dos componentes da interação GA e parâmetros
genético-estatísticos ( , ,
r
Gh
2 RS, etc...)
DUARTE, J.B.; VENCOVSKY, R. Interação genótipo x ambiente: uma introdução à
análise AMMI. Série Monografias SBG, nº 9, 1999.
YAN, W.; RAJCAN, I. Prediction of Cultivar Performance Based on Single- versus Multiple- Year Tests in Soybean. Crop Science, v.43, p.549-555, 2003.
YANG, R.C.; CROSSA, J.; CORNELIUS, P.L.; BURGUEÑO, J. Biplot Analysis of Genotype x Environment Interaction: Proceed with Caution. Crop Science, v.49, p.1564-1576, 2009.
ATLIN, G.N.; BAKER, R.J.; MCRAE, K.B.; LU, X. Selection Response in Subdivided Target Regions. Crop Science, v.40, p.7-13, 2000.
YAN, W.; HUNT, L.A.; SHENG, Q.; SZLAVNICS, Z. Cultivar Evaluation and Mega-Environment Investigation Based on the GGE Biplot. Crop Science, v.40, p.597-605, 2000.
Referências
VENCOVSKY, R.; BARRIGA, P. Genética Biométrica no Fitomelhoramento. Ribeirão Preto. Sociedade Brasileira de Genética. 1992. 496p.
YAN, W. Biplot analyses of Multi-Environment Trial Data. 2006. Disponível em: <http://www.ggebiplot.com/workshop.htm>. Acesso em: 06 out. 2009.