Genomic prediction of single-crosses is a promising tool in maize breeding, increasing genetics gains and reducing selection time. A strategy that can increase accuracy is applying multiple-trait genomic prediction using selection indices, which take into account the performance under optimal and stress conditions. Moreover, factors such as dominance, structural variants, and population structure can influence the accuracy of estimates of genomic breeding values (GEBV). Therefore, the objectives were to apply genomic prediction (i) including multi-trait models, (ii) incorporating dominance deviation and copy number variation effects, and (iii) controlling population structure in maize hybrids. Hence, we used two maize datasets (HELIX and USP), consisting of 452 and 906 maize single-crosses. The traits evaluated were grain yield, plant and ear height, stay green, and four selection indices. From multi-trait GBLUP and GK, using the combination of selection indices in MTGP is a viable alternative, increasing the selective accuracy. Furthermore, our results suggest that the best approach is predicting hybrids including dominance deviation, mainly for complex traits. We also observed including copy number variation effects seems to be suitable, due to the increase of prediction accuracies and reduction of model bias. On the other hand, adding four different sets of population structure as fixed covariates to GBLUP did not improve the prediction accuracy for grain yield and plant height. However, using nonmetric multidimensional scaling dimensions and fineSTRUCTURE group clustering increased reliability of the GEBV for GY and PH, respectively. / Predição genômica de híbridos simples é uma promissora ferramenta no melhoramento de milho, pois permite aumentar os ganhos genéticos por unidade de tempo, principalmente por reduzir o tempo de seleção. Uma estratégia que pode aumentar a acurácia das predições genômicas é realizar esta para múltiplos caracteres considerando os mesmos simultâneamente, ou utilizar índices de seleção, os quais captam a performance dos genótipos tanto em condições ótimas como em condições de estresse. Além disso, fatores como dominância, variantes estruturais, e estruturação populacional podem influenciar a acurácia de estimativas dos valores genéticos genômicos (VGG). Portanto, os objetivos foram aplicar predição genômica em híbridos de milho (i) incluindo modelos multi-trait, (ii) incorporando desvios de dominância e efeitos da variação no número de cópias, e (iii) controlando a estruturação populacional. Para isto, dois conjuntos de milho (HELIX e USP) foram utilizados, consistindo de 452 e 906 híbridos simples. Os caracteres avaliados foram produtividade de grãos, altura de planta e espiga, senescência, e quatro índices de seleção. A partir das análises multi-trait dos modelos GBLUP e GK, pôde-se concluir que a combinação dos índices é uma alternativa viável, aumentando a acurácia seletiva. Além disso, os resultados sugerem que o melhor método é a predição de híbridos incluindo desvios de dominância, principalmente para caracteres complexos. Observou-se também que incluir efeitos relacionados a variação no número de cópias indica ser adequado, devido ao aumento da acurácia e redução do viés nos modelos de predição genômica. Por outro lado, a acurácia de predição não aumentou quando se adicionou quatro diferentes conjuntos de estruturação como covariáveis fixas no modelo GBLUP. No entanto, usando o escalonamento multidimensional não métrico e o agrupamento do fineSTRUCTURE aumentaram a confiabilidade de estimação do VGG para produtividade de grãos e altura de plantas, respectivamente.

In plant breeding, genomic prediction (GP) may be an efficient tool to increase the accuracy of selecting genotypes, mainly, under multi-environments trials. This approach has the advantage to increase genetic gains of complex traits and reduce costs. However, strategies are needed to increase the accuracy and reduce the bias of genomic estimated breeding values. In this context, the objectives were: i) to compare two strategies to obtain markers subsets based on marker effect regarding their impact on the prediction accuracy of genome selection; and, ii) to compare the accuracy of four GP methods including genotype × environment interaction and two kernels (GBLUP and Gaussian). We used a rice diversity panel (RICE) and two maize datasets (HEL and USP). These were evaluated for grain yield and plant height. Overall, the prediction accuracy and relative efficiency of genomic selection were increased using markers subsets, which has the potential for build fixed arrays and reduce costs with genotyping. Furthermore, using Gaussian kernel and the including G×E effect, there is an increase in the accuracy of the genomic prediction models. / No melhoramento de plantas, a predição genômica (PG) é uma eficiente ferramenta para aumentar a eficiência seletiva de genótipos, principalmente, considerando múltiplos ambientes. Esta técnica tem como vantagem incrementar o ganho genético para características complexas e reduzir os custos. Entretanto, ainda são necessárias estratégias que aumentem a acurácia e reduzam o viés dos valores genéticos genotípicos. Nesse contexto, os objetivos foram: i) comparar duas estratégias para obtenção de subconjuntos de marcadores baseado em seus efeitos em relação ao seu impacto na acurácia da seleção genômica; ii) comparar a acurácia seletiva de quatro modelos de PG incluindo o efeito de interação genótipo × ambiente (G×A) e dois kernels (GBLUP e Gaussiano). Para isso, foram usados dados de um painel de diversidade de arroz (RICE) e dois conjuntos de dados de milho (HEL e USP). Estes foram avaliados para produtividade de grãos e altura de plantas. Em geral, houve incremento da acurácia de predição e na eficiência da seleção genômica usando subconjuntos de marcadores. Estes poderiam ser utilizados para construção de arrays e, consequentemente, reduzir os custos com genotipagem. Além disso, utilizando o kernel Gaussiano e incluindo o efeito de interação G×A há aumento na acurácia dos modelos de predição genômica.

In plant breeding, genomic prediction (GP) may be an efficient tool to increase the accuracy of selecting genotypes, mainly, under multi-environments trials. This approach has the advantage to increase genetic gains of complex traits and reduce costs. However, strategies are needed to increase the accuracy and reduce the bias of genomic estimated breeding values. In this context, the objectives were: i) to compare two strategies to obtain markers subsets based on marker effect regarding their impact on the prediction accuracy of genome selection; and, ii) to compare the accuracy of four GP methods including genotype × environment interaction and two kernels (GBLUP and Gaussian). We used a rice diversity panel (RICE) and two maize datasets (HEL and USP). These were evaluated for grain yield and plant height. Overall, the prediction accuracy and relative efficiency of genomic selection were increased using markers subsets, which has the potential for build fixed arrays and reduce costs with genotyping. Furthermore, using Gaussian kernel and the including G×E effect, there is an increase in the accuracy of the genomic prediction models. / No melhoramento de plantas, a predição genômica (PG) é uma eficiente ferramenta para aumentar a eficiência seletiva de genótipos, principalmente, considerando múltiplos ambientes. Esta técnica tem como vantagem incrementar o ganho genético para características complexas e reduzir os custos. Entretanto, ainda são necessárias estratégias que aumentem a acurácia e reduzam o viés dos valores genéticos genotípicos. Nesse contexto, os objetivos foram: i) comparar duas estratégias para obtenção de subconjuntos de marcadores baseado em seus efeitos em relação ao seu impacto na acurácia da seleção genômica; ii) comparar a acurácia seletiva de quatro modelos de PG incluindo o efeito de interação genótipo × ambiente (G×A) e dois kernels (GBLUP e Gaussiano). Para isso, foram usados dados de um painel de diversidade de arroz (RICE) e dois conjuntos de dados de milho (HEL e USP). Estes foram avaliados para produtividade de grãos e altura de plantas. Em geral, houve incremento da acurácia de predição e na eficiência da seleção genômica usando subconjuntos de marcadores. Estes poderiam ser utilizados para construção de arrays e, consequentemente, reduzir os custos com genotipagem. Além disso, utilizando o kernel Gaussiano e incluindo o efeito de interação G×A há aumento na acurácia dos modelos de predição genômica.