Predicción de valores genéticos aditivos en genotipos de guayabo (Psidium guajava) (Myrtaceae) / Prediction of breeding values in guava (Psidium guajava) (Myrtaceae) genotypes

Leneidy Pérez Pelea, Evelyn Bandera Fernández, Juliette Valdés-Infante Herrero, Bárbara Velázquez Palenzuela, María Teresa Cornide Hernández

Resumen


RESUMEN

Durante el proceso de selección en plantas, es importante obtener estimados más precisos de la superioridad genética de los individuos. En las plantas perennes, se realizan mediciones durante varias cosechas en las mismas plantas, por lo que se debe utilizar un método de análisis que tenga en cuenta las medidas repetidas. El procedimiento óptimo para la estimación-predicción de parámetros genéticos en las especies perennes, es el de Máxima Verosimilitud Restringida-Mejor Predictor Lineal Insesgado. El presente trabajo se realizó con el objetivo de seleccionar la estructura de covarianza que mejor ajusta los datos y predecir el valor genético individual en progenies de guayabo (Psidium guajava), como criterio de selección de genotipos. Se evaluaron 10 caracteres cuantitativos vegetativos y del fruto durante tres años, en tres familias de hermanos completos de guayabo en Cuba. Se realizaron procedimientos MIXED para seleccionar la estructura de covarianza que mejor ajustaba los datos, para cada de uno de los caracteres, en las tres familias. Posteriormente, se emplearon procedimientos GLIMMIX en los cuales se consideraron los factores genotipo e interacción genotipo-año como aleatorios, se especificó el factor año como medida repetida y la estructura de covarianza. Los análisis se realizaron en el programa SAS versión 9.3. Se determinó que la estructura de covarianza Toeplitz era la más adecuada. Se seleccionaron ocho genotipos con los mayores valores genéticos para varios caracteres en las tres familias, que pueden considerarse promisorios para disímiles propósitos.

 Palabras clave: modelos lineales generalizados, mejor predictor lineal insesgado, máxima verosimilitud restringida, medidas repetidas

 

ABSTRACT

During the plant selection process, it is important to make more precise estimates of the genetic superiority of individuals. In perennial plants, repeated measurements are made during several crops in the same plants; therefore, an analysis method involving repeated measures is appropriate. The optimum procedure for the estimation-prediction of genetic parameters in perennial species is Restricted Maximum Likelihood – Best Linear Unbiased Predictor. The objective of the present work is to select the best covariance structure to the data and predict the individual breeding value in guava (Psidium guajava) progenies, as genotype selection criteria. Ten quantitative plant and fruit traits were evaluated during three years, in three guava full-sib families in Cuba. MIXED procedures were made to select the best covariance structure, for each trait in the three families. After that, GLIMMIX procedures were used, in which genotype and genotype-year interaction as random factors, year as repeated measure and covariance structure were specified. The analysis were made with the employ of SAS program version 9.3. It was determined that the Toeplitz covariance structure was the best. A group of eight genotypes promissories for dissimilar purposes were selected with the highest breeding values for various traits in the three families.

 Keywords: generalized linear models, best linear unbiased predictor, restricted maximum likelihood, repeated measures


Palabras clave


modelos lineales generalizados; mejor predictor lineal insesgado; máxima verosimilitud restringida; medidas repetidas

Texto completo:

PDF

Enlaces refback

  • No hay ningún enlace refback.


Copyright (c) 2019 Leneidy Pérez Pelea, Evelyn Bandera Fernández, Juliette Valdés-Infante Herrero, Bárbara Velázquez Palenzuela, María Teresa Cornide Hernández

Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento 4.0 Internacional.

ISSN 0253-5696 RNPS 0060 (IMPRESA)

ISSN 2410-5546 RNPS 2372 (DIGITAL)