Submitted by CAMILA DA COSTA BARROS null (mila_costabarros@hotmail.com) on 2017-08-17T13:24:57Z No. of bitstreams: 1 Tese_Camila - FINAL.docx: 737000 bytes, checksum: e40825f52af0f1575f9e2f615ec5d0b8 (MD5) / Rejected by Luiz Galeffi (luizgaleffi@gmail.com), reason: Solicitamos que realize uma nova submissão seguindo as orientações abaixo: A versão final da dissertação/tese deve ser submetida no formato PDF (Portable Document Format). O arquivo PDF não deve estar protegido e a dissertação/tese deve estar em um único arquivo, inclusive os apêndices e anexos, se houver. Inserir o número do processo de financiamento FAPESP nos agradecimentos da tese/dissertação Por favor, corrija as informações e realize uma nova submissão. Agradecemos a compreensão on 2017-08-23T17:39:46Z (GMT) / Submitted by CAMILA DA COSTA BARROS null (mila_costabarros@hotmail.com) on 2017-08-23T18:30:22Z No. of bitstreams: 1 Tese_Camila_reposit.pdf: 1109917 bytes, checksum: e1e4366545eb2571fb7432f8e1635b49 (MD5) / Approved for entry into archive by Luiz Galeffi (luizgaleffi@gmail.com) on 2017-08-23T18:49:36Z (GMT) No. of bitstreams: 1 barros_cc_dr_jabo.pdf: 1109917 bytes, checksum: e1e4366545eb2571fb7432f8e1635b49 (MD5) / Made available in DSpace on 2017-08-23T18:49:36Z (GMT). No. of bitstreams: 1 barros_cc_dr_jabo.pdf: 1109917 bytes, checksum: e1e4366545eb2571fb7432f8e1635b49 (MD5) Previous issue date: 2017-07-21 / Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) / Objetivou-se com o presente trabalho comparar diferentes métodos Bayesianos de predição genômica para as características de produção de leite (PL) e as porcentagens de gordura (%G) e proteína (%P) no leite de búfalas e, realizar um estudo de associação genômica ampla, a fim de identificar regiões cromossômicas e genes possivelmente relacionados às mesmas, utilizando informações de indivíduos genotipados e não genotipados. O número de animais com fenótipo foi 3.355, o arquivo de pedigree continha 15.495 animais, dos quais 322 foram genotipados com o 90 K Axiom® Buffalo Genotyping array. Os seguintes critérios de controle de qualidade dos SNPs foram utilizados: MAF < 0,05; Call Rate < 0,95 e Equilíbrio de Hardy-Weinberg p-value < 10-6. Em relação à amostra foi considerado call rate <0,90. Para as predições genômicas, os seguintes modelos Bayesianos foram utilizados: Bayes A (BA), Bayes B (BB), Bayes C (BC) e Bayes LASSO (BL). O fenótipo corrigido para os efeitos fixos (Y*) foi utilizado como variável resposta nas análises genômicas. A habilidade de predição dos diferentes modelos foi avaliada usando o método leave-one-out de validação cruzada. As acurácias de predição foram calculadas através da correlação de Pearson entre o valor genético genômico estimado (GEBV) e a variável resposta (Y*) para cada modelo e característica avaliados. Em relação ao estudo de associação genômica ampla, um processo iterativo foi realizado para calcular os pesos dos marcadores em função do quadrado dos efeitos dos SNPs e das frequências alélicas (ssGWAS). Em geral, todos os modelos Bayesianos demonstraram semelhantes acurácias de predição, variando de 0,41 a 0,42, 0,38 a 0,39 e 0,39 a 0,40 para a PL, %G e %P, respectivamente. Portanto, os métodos BA, BB, BC e BL podem ser utilizados nas predições dos efeitos dos SNPs, obtendo-se, praticamente, as mesmas acurácias de predição. Os dez SNPs de maiores efeitos para a PL, %G e %P explicaram 7,48, 9,94 e 6,56% da proporção da variância genética, respectivamente. Os resultados do ssGWAS revelaram regiões cromossômicas e genes que podem estar relacionados com as características analisadas. Tais regiões e genes identificados poderão contribuir para o melhor entendimento sobre a influência dos mesmos nas características produção de leite e as porcentagens de gordura e proteína no leite de búfalas. / The aim of this study was to compare different Bayesian methods of genomic prediction for milk yield (MY), fat (%F) and protein (%P) percentages in dairy buffaloes in Brazil, and to perform a genome-wide association study for the purpose of identify chromosomal regions and genes possibly related to the these traits, using information from genotyped and non-genotyped individuals. The number of animals with phenotype was 3,355, the pedigree file contained 15,495 animals, of which 322 were genotyped. The animals were genotyped using a 90K SNP panel (Axiom® Buffalo Genotyping Array). The following criteria for quality control of SNPs were used: MAF < 0.05, Call Rate < 0.95 and Hardy-Weinberg Equilibrium p-value < 10-6 . In relation to the sample, a Call Rate <0.90 was used. Four methods for genomic prediction were used: Bayes A (BA), Bayes B (BB), Bayes C (BC) and Bayes LASSO (BL). Phenotypes for the fixed effects (Y*) were used as response variables. The predictive ability of the different models was evaluated using a leave-one-out cross-validation approach. The prediction accuracy was calculated by Pearson's correlation between estimated genomic genetic value (GEBV) and response variable (Y*) for each model. In relation to genome-wide association studies, an iterative process was performed to derive SNP weights as function of squares of SNP effects and allele frequencies (ssGWAS). In general, all Bayesian models showed similar prediction accuracy, ranging from 0.41 to 0.42, 0.38 to 0.39 and 0,39 to 0,40 for MY, %F and %P, respectively. Therefore, the methods BA, BB, BC and BL can be used in the predictions of the effects of SNPs, obtaining, practically, the same prediction accuracy. The proportions of variance explained by the top 10 SNPs for MY, %F and %P were: 7.48, 9.94 and 6.56%, respectively. The results of ssGWAS revealed chromosomal regions and genes that may be related with the analyzed traits. These regions and genes may contribute to a better understanding of their influence on milk yield and fat and protein percentages in buffalo milk. / FAPESP: 2013/24427-3 / FAPESP: 2015/18614-0

Sorghum (Sorghum bicolor L. Moench spp.) is a bioenergy crop with several appealing biological features to be explored in plant breeding for increasing efficiency in bioenergy production. The possibility to connect the influence of quantitative trait loci over time and between traits highlight the Bayesian networks as a powerful probabilistic framework to design novel genomic prediction models. In this study, we phenotyped a diverse panel of 869 sorghum lines in four different environments (2 locations in 2 years) with biweekly measurements from 30 days after planting (DAP) to 120 DAP for plant height and dry biomass at the end of the season. Genotyping-by-sequencing was performed, resulting in the scoring of 100,435 biallelic SNP markers. We developed and evaluated several genomic pre- diction models: Bayesian Network (BN), Pleiotropic Bayesian Network (PBN), and Dynamic Bayesian Network (DBN). Assumptions for BN, PBN, and DBN were independence, dependence between traits, and dependence between time points, respectively. For benchmarking, we used multivariate GBLUP models that considered only time points for plant height (MTi- GBLUP), and both time points for plant height and dry biomass (MTr-GBLUP) modeling unstructured variance-covariance matrix for genetic effects and residuals. Coincidence indices (CI) were computed for understanding the success in selecting for dry biomass using plant height measurements, as well as a coincidence index based on lines (CIL) using the posterior draws from the Bayesian networks to understand genetic plasticity over time. In the 5-fold cross-validation scheme, prediction accuracies ranged from 0.48 (PBN) to 0.51 (MTr- GBLUP) for dry biomass and from 0.47 (DBN-DAP120) to 0.74 (MTi-GBLUP-DAP60) for plant height. The forward-chaining cross-validation showed a substantial increment in prediction accuracies when using the DBN model, with r = 0.6 (train on slice 30:45 to predict 120 DAP) to 0.94 (train on slice 30:90 to predict 105 DAP) compared to the BN and PBN, and similar to multivariate GBLUP models. Both the CI and CIL indices showed that the ranking of promising inbred lines changed minimally after 45 DAP for plant height. These results suggest that 45 DAP is an optimal developmental stage for imposing the two-level indirect selection framework, where indirect selection for plant height at the end of the season (first-level target trait) can be done based on its ranking with 45 DAP (secondary trait) as well as for dry biomass (second-level target trait). With the advance of robotic technologies for field-based phenotyping, the development of novel approaches such as the two-level indirect selection framework will be imperative to boost genetic gain per unit of time. / O sorgo (Sorghum bicolor L. Moench spp.) é uma cultura bioenergética com várias características atrativas para serem exploradas no melhoramento de plantas para aumentar a eficiência de produção de bioenergia. A possibilidade de conectar informações genômicas em caracteres quantitativos ao longo do tempo, e entre caracteres, destacam as Redes Bayesianas como uma ferramenta probabilística poderosa para delinear novos modelos de predição genômica. Neste estudo, um painel diverso de 869 linhagens de sorgo foi fenotipado em quatro ambientes diferentes (2 locais em 2 anos) com medidas a cada duas semanas de 30 a 120 dias após o plantio (DAP), para altura de plantas e biomassa seca no fim da safra. Um procedimento de Genotipagem por sequenciamento foi executado, resultando na chamada de 100.435 marcadores baseados em Polimorfismos de Nucleotídeos Únicos (SNPs) bialélicos. Neste estudo foram desenvolvidos e avaliados os modelos de predição genômica: Rede Bayesiana (BN), Rede Bayesiana Pleiotrópica (PBN), e Rede Bayesiana Dinâmica (DBN). Os pressupostos para BN, PBN, e DBN foram independência, dependência entre caracteres, e dependência entre pontos no tempo, respectivamente. Para fins comparativos, formulações de modelos multivariados GBLUP foram utilizados considerando dependência entre pontos de tempo para altura de plantas (MTi-GBLUP), e ambos os pontos de tempo para a altura de plantas e biomassa seca (MTr-GBLUP), modelando matriz de variância-covariância não estruturada para efeitos genéticos e residuais. Índices de coincidência (IC) foram calculados para entender o sucesso na seleção indireta de biomassa seca usando medidas de altura de plantas, bem como um índice de coincidência baseado em linhagens (CIL), usando as amostras das posteriores das redes Bayesianas para entender a plasticidade genética ao longo do tempo. No esquema de validação cruzada 5-fold, as acurácias das predições variaram de 0,48 (PBN) a 0,51 (MTr-GBLUP) para biomassa seca e de 0,47 (DBN-DAP120) a 0,74 (MTi-GBLUP-DAP60) para altura de plantas. A validação cruzada forward-chaining mostrou um incremento substancial nas acurácias das predições ao usar o modelo DBN, com r = 0,6 (treinando no intervalo 30:45 para prever 120 DAP) até 0,94 (treinando no intervalo 30:90 para prever 105 DAP) em comparação com o BN e PBN, e semelhante aos modelos multivariados GBLUP. Os índices CI e CIL mostraram que o ranking de linhagens promissoras mudou minimamente após 45 DAP para altura de plantas. Estes resultados sugerem que 45 DAP é um estágio de desenvolvimento ideal para impor a estrutura de seleção indireta em dois níveis, onde a seleção indireta para a altura da planta no final da estação (caractere alvo de primeiro nível) pode ser feita com base na sua classificação com 45 DAP (caractere secundário), bem como para a biomassa seca (caractere alvo de segundo nível). Com o avanço das tecnologias robóticas para a fenotipagem baseada em campo, o desenvolvimento de novas abordagens, como a estrutura de seleção indireta em dois níveis, serão imperativas para aumentar o ganho genético por unidade de tempo.

Submitted by HERMENEGILDO LUCAS JUSTINO CHIAIA null (chiaia1@yahoo.com.br) on 2017-10-26T12:35:23Z No. of bitstreams: 1 Tese_Hermenegildo_Lucas_Justino_Chiaia.pdf: 1161047 bytes, checksum: 270c67e433de8ecdefbd997478489876 (MD5) / Approved for entry into archive by Monique Sasaki (sayumi_sasaki@hotmail.com) on 2017-10-31T17:44:43Z (GMT) No. of bitstreams: 1 chiaia_hlj_dr_jabo.pdf: 1161047 bytes, checksum: 270c67e433de8ecdefbd997478489876 (MD5) / Made available in DSpace on 2017-10-31T17:44:43Z (GMT). No. of bitstreams: 1 chiaia_hlj_dr_jabo.pdf: 1161047 bytes, checksum: 270c67e433de8ecdefbd997478489876 (MD5) Previous issue date: 2017-10-19 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Existem diferentes métodos e pseudo-fenótipos utilizados em predições genômicas, sendo necessário determinar o ideal para a característica de interesse. Os ácidos graxos da carne que contribuem de forma prejudicial para a saúde humana têm recebido considerável atenção nos últimos anos. O objetivo desse estudo foi avaliar a acurácia de predição genômica de diferentes métodos (SNP-BLUP, BayesC, BayesCπ e Bayesian Lasso) e pseudo-fenótipos (fenótipo ajustado para os efeitos fixos, valor genético estimado via pedigree e valor genético genômico obtido pelo método single step GBLUP) em dados simulados e reais de perfil de ácidos graxos no músculo Longissimus thoracis da raça Nelore terminados em confinamento. A proposta de inclusão do GEBV obtido pelo método passo único genômico BLUP (ssGBLUP) como pseudofenótipo nesta pesquisa é inédita em predição genômica, para responder um dos problemas frequentes ao utilizar a matriz advinda da informação genealógica, pela maioria dos produtores de gado de corte utilizarem o sistema de acasalamento que utiliza reprodutores multiplos. Foram utilizados cerca de 963 bovinos machos inteiros da raça Nelore terminados em confinamento e genotipados com um painel de 777.962 SNPs do Ilumina BovineSNP BeadChip. A informação genômica pode servir para melhorar o perfil de ácidos graxos em animais do grupo Zebu, por ter-se observado valores genômicos preditos com com acurácia de baixa a moderada magnitude. Nenhum dos métodos foi melhor para todos os ácidos graxos em termos de acurácia, no entanto, o método SNP-BLUP permitiu realizar avaliação menos viesada. O método ssGBLUP apresentou-se como ferramenta alternativa para obter GBVs como pseudo-fenôtipo mais acurado em situações de pedigree incompleto, pela alta proporção de de reprodutores múltiplos, sendo mais apropriado que o EBV e o fenótipo ajustado aos efeitos fixos para predizer o valor genômico dos animais. / There are different methods and pseudo-phenotypes used in genomic predictions, being necessary to determine the ideal for each trait of interest. Beef fatty acids that contribute to human health have received considerable attention in the last years. Thus, the objective of this study was to evaluate genomic predition accuracy of different methodologies (SNP-BLUP, BayesCπ, BayesC and Bayesian Lasso) pseudo-phenotypes (adjusted phenotype, estimated breeding value and genomic estimated breeding value by ssGBLUP) in simulated and real data of fatty acid profile in the Longissimus thoracis muscle of Nelore cattle finished in feedlot. The inclusion of the GEBV obtained by single step genomic BLUP (ssGBLUP) method as pseudo-phenotype in this research is innovator in genomic prediction, to answer one of the frequent problems when using the matrix derived from pedigree, by the mating system that uses multiple sires for many cattle breeders. A total of 963 Nelore bulls with phenotype for fatty acid profiles, were genotyped using the Illumina Bovine HD Bead Chip with 777,962 SNPs. Genomic information can assist in improving fatty acid profile in Zebu animals, since the use of genomic information yielded genomic values for fatty acid profile with accuracies ranging from low to moderate. None of the methods excelled in terms of accuracy, however the SNP-BLUP method allows obtaining less biased genomic evaluations. The ssGBLUP model is an appropriate alternative to obtaining more reliable and less biased GEBVs as pseudo-phenotypes in situations of missing pedigree, due to high proportion of multiple sires, being more appropriate than the EBVs or adjusted phenotypes for fixed effect to predict direct genomic values.

Métodos de predição podem aumentar consideravelmente a eficiência dos programas de melhoramento de milho. O objetivo deste estudo foi predizer a performance de 250 híbridos simples de milho avaliados em múltiplos ambientes utilizando a informação de marcadores moleculares. Para isso, 50 linhagens endogâmicas provenientes de diferentes populações foram cruzadas com cinco linhagens elite, também endogâmicas, para obtenção dos 250 híbridos simples. As matrizes moleculares das linhagens e dos híbridos foram obtidas a partir da genotipagem das 55 linhagens com 614 marcadores AFLP. Os híbridos simples foram avaliados para produção de grãos em 13 ambientes. A predição dos híbridos foi realizada utilizando o modelo misto BLUP considerando diferentes coeficientes de parentesco e similaridade no estado na predição dos efeitos das capacidades geral e específica de combinação dos genitores. As médias preditas dos híbridos a partir de cada coeficiente foram correlacionadas com as médias fenotípicas para obtenção da acurácia de predição. A predição também foi realizada utilizando o modelo de seleção genômica ampla RR-BLUP. Nesse caso, a matriz molecular dos híbridos foi utilizada diretamente no modelo misto de estimação dos efeitos dos marcadores e da contribuição de cada um deles para o valor genético dos híbridos. Foram realizadas validações cruzadas entre e dentro de ambientes e entre e dentro de grupos de híbridos relacionados a fim de verificar os efeitos do tamanho da população de treinamento (N), número de marcas (NM), interação híbridos x ambientes (H x A) e da estrutura da população na estimativa da acurácia de predição. A predição genômica foi comparada com a seleção fenotípica quanto à eficiência em identificar híbridos superiores em um esquema de melhoramento de milho. Todos os coeficientes de parentesco e similaridade no estado apresentaram elevadas estimativas de acurácia, contudo foi possível observar considerável superioridade dos coeficientes Wang e Rogers Modificado tanto na predição quanto na seleção dos híbridos superiores, demonstrando o potencial dessas metodologias como ferramentas a serem utilizadas nos programas de melhoramento de milho. Os resultados da predição utilizando o modelo de seleção genômica ampla indicaram que o aumento de N e NM não alteraram significativamente as estimativas de acurácia. As estimativas da acurácia na validação cruzada dentro de ambientes foram superiores às obtidas entre ambientes, inferindo que o efeito da interação H x A foi expressivo. Também foram observadas estimativas de acurácia expressivamente maiores para populações de treinamento e validação compostas por híbridos relacionados. Em todos os casos, as estimativas de acurácia apresentaram amplos intervalos em função da amostra de híbridos utilizada nas populações de treinamento e validação, indicando que a seleção genômica pode não ser eficiente dependendo da população amostrada. Os resultados deste estudo sugerem que a predição genômica é uma ferramenta para aumentar a eficiência da seleção nos programas de melhoramento se utilizada de forma adequada pelo melhorista, considerando os efeitos de estrutura de população e interação H x A de forma a maximizar a acurácia e, consequentemente, o sucesso da predição. / Prediction using molecular markers information can greatly increase the efficiency of maize breeding programs. This study aimed to predict the performance of maize single-crosses evaluated in multiple environments and using molecular markers information. Five inbred lines used as testers were crossed to 50 inbred lines from multiple populations to obtain 250 maize single-crosses. 614 AFLP markers were used to asses molecular matrices of the inbred lines and single-crosses. The 250 single-crosses were evaluated for grain yield in 13 environments. Genomic prediction was performed using the mixed model BLUP considering different genomic relationship and similarity in state coefficients to predict the effect of general and specific combining abilities of the parents. Predicted means from each coefficient were correlated with phenotypic means for obtaining prediction accuracy. Genomewide prediction was also performed using the linear regression model RR-BLUP in the estimation of markers genotypic values and its contribution to hybrids genetic values. Cross-validations between and within environments and between and within groups of related single-crosses were performed to verify the effects of training population size (N), number of markers (NM), genotype-by-environment interaction (G x E) and population structure in estimating accuracy. Genomic prediction was compared with phenotypic selection in efficiency of selecting better hybrids in a maize breeding program. All relationship coefficients and similarity in state coefficients showed high values of accuracy, however we observed superiority of Wang relationship coefficient and Modified Rogers similarity coefficient both in predicting and in identifying the best single-crosses, showing the potential of these approaches as tools to be used in maize breeding programs. Genomewide prediction results showed that increasing N and NM did not led to higher accuracy estimates. Predicted accuracies of cross validation analysis within environments were higher than between environments, indicating that the effect of G x E interaction was significant. Greater accuracies were achieved when training and validation set were from related single-crosses. In all scenarios, wide intervals of accuracy were found, meaning that genomic prediction may not be effective depending on the sample used. Therefore, the results of this study suggest that genomic prediction is a tool to increase the efficiency of selection in breeding programs if used properly by breeders, considering the population structure and G x E interaction effect so as to reduce sample problems and maximize accuracy and hence the success of prediction.

A predição da variância fenotípica é de grande importância para que os sistemas de produção de bovinos de corte consigam aumentar a rentabilidade otimizando o uso de recursos. Modelos mecanicistas dinâmicos do crescimento bovino vêm sendo utilizados como ferramentas de suporte à tomada de decisão em sistemas de manejo individual do gado. Entretanto, a aplicação desses modelos ainda fundamenta-se em parâmetros populacionais, sem qualquer abordagem para que se consiga capturar a variabilidade entre sujeitos nas simulações. Assumindo que modelos mecanicistas sejam capazes de simular o componente de desvio ambiental da variância fenotípica e considerando que marcadores SNPs possam predizer o componente genético dessa variância, esse projeto objetivou evoluir em direção a um modelo matemático que considere a variabilidade entre animais em seu nível genético. Seguindo conceitos de fisiologia genômica computacional, nós assumimos que a variância genética da característica complexa (i.e. produto do comportamento do modelo) surge de características componentes (i.e. parâmetros dos modelos) em níveis hierárquicos mais baixos do sistema biológico. Esse estudo considerou dois modelos mecanicistas do crescimento de bovinos - Cornell Cattle Value Discovery System (CVDS) e Davis Growth Model (DGM) - e ao questionar se os parâmetros de tais modelos mapeariam regiões genômicas que englobam QTLs já descritos para a característica complexa, verificou as suas interpretações biológicas esperadas. Tal constatação forneceu uma prova de conceito de que os parâmetros do CVDS e do DGM são de fato fenótipos cuja interpretação pode ser confirmada através das regiões genômicas mapeadas. Um método de predição genômica foi então utilizado para computar os parâmetros do CVDS e do DGM. Os efeitos dos marcadores SNPs foram estimados tanto para os parâmetros quanto para os fenótipos observados. Nós buscamos qual o melhor cenário de predição - simulações dos modelos com parâmetros computados a partir das informações genômicas ou predição genômica conduzida diretamente nos fenótipos complexos. Nós encontramos que enquanto a predição genômica dos fenótipos complexos pode ser uma melhor opção em relação aos modelos de crescimento, simulações conduzidas com parâmetros obtidos a partir de dados genômicos estão condizentes com simulações geradas com parâmetros obtidos a partir de métodos regulares. Esse é o principal argumento para chamar atenção da comunidade científica de que a abordagem apresentada nesse projeto representa um caminho para o desenvolvimento de uma nova geração de modelos nutricionais aplicados capazes de capturar a variabilidade genética entre bovinos de corte confinados e produzir simulações com variáveis de entrada específicas de cada genótipo. Esse projeto é a primeira abordagem no Brasil conhecida dos autores a usar genótipos Bos indicus para o estudo da aplicação de genômica integrada à modelos mecanicistas para o manejo e comercialização de animais na pecuária. / The prediction of phenotypic variance is important for beef cattle operations to increase profitability by optimizing resource use. Dynamic mechanistic models of cattle growth have been used as decision support tools for individual cattle management systems. However, the application of such models is still based on population parameters, with no further approach to capture between-subject variability. By assuming that mechanistic models are able to simulate environmental deviations components of phenotypic variance and considering that SNPs markers may predict the genetic component of this variance, this project aimed at evolving towards a mathematical model that takes between-animal variance to its genetic level. Following the concepts of computational physiological genomics, we assumed that genetic variance of the complex trait (i.e. outcome of model behavior) arises from component traits (i.e. model parameters) in lower hierarchical levels of biological systems. This study considered two mechanistic models of cattle growth - Cornell Cattle Value Discovery System (CVDS) and Davis Growth Model (DGM) - and verified their expected biological interpretation by asking whether model parameters would map genomic regions that harbors QTLs already described for the complex trait. This provided a proof of concept that CVDS and DGM parameters are indeed phenotypes whose expected interpretations may be stated by means of their mapped genomic regions. A method of genomic prediction to compute parameters for CVDS and DGM was then used. SNP marker effects were estimated both for their parameters and observed phenotypes. We looked for the best prediction scenario - model simulation with parameters computed from genomic data or genomic prediction on complex phenotypes directly. We found that while genomic prediction on complex phenotypes may still be a better option than predictions from growth models, simulations conducted with genomically computed parameters are in accordance with those performed with parameters obtained from regular methods. This is the main argument to call attention from the research community that this approach may pave the way for the development of a new generation of applied nutritional models capable of representing genetic variability among beef cattle under feedlot conditions and performing simulation with inputs from individual\'s genotypes. To our knowledge, this project is the first of this kind in Brazil and the first using Bos indicus genotypes to study the application of genomics integrated with mechanistic models for the management and marketing of commercial livestock.

Métodos de predição podem aumentar consideravelmente a eficiência dos programas de melhoramento de milho. O objetivo deste estudo foi predizer a performance de 250 híbridos simples de milho avaliados em múltiplos ambientes utilizando a informação de marcadores moleculares. Para isso, 50 linhagens endogâmicas provenientes de diferentes populações foram cruzadas com cinco linhagens elite, também endogâmicas, para obtenção dos 250 híbridos simples. As matrizes moleculares das linhagens e dos híbridos foram obtidas a partir da genotipagem das 55 linhagens com 614 marcadores AFLP. Os híbridos simples foram avaliados para produção de grãos em 13 ambientes. A predição dos híbridos foi realizada utilizando o modelo misto BLUP considerando diferentes coeficientes de parentesco e similaridade no estado na predição dos efeitos das capacidades geral e específica de combinação dos genitores. As médias preditas dos híbridos a partir de cada coeficiente foram correlacionadas com as médias fenotípicas para obtenção da acurácia de predição. A predição também foi realizada utilizando o modelo de seleção genômica ampla RR-BLUP. Nesse caso, a matriz molecular dos híbridos foi utilizada diretamente no modelo misto de estimação dos efeitos dos marcadores e da contribuição de cada um deles para o valor genético dos híbridos. Foram realizadas validações cruzadas entre e dentro de ambientes e entre e dentro de grupos de híbridos relacionados a fim de verificar os efeitos do tamanho da população de treinamento (N), número de marcas (NM), interação híbridos x ambientes (H x A) e da estrutura da população na estimativa da acurácia de predição. A predição genômica foi comparada com a seleção fenotípica quanto à eficiência em identificar híbridos superiores em um esquema de melhoramento de milho. Todos os coeficientes de parentesco e similaridade no estado apresentaram elevadas estimativas de acurácia, contudo foi possível observar considerável superioridade dos coeficientes Wang e Rogers Modificado tanto na predição quanto na seleção dos híbridos superiores, demonstrando o potencial dessas metodologias como ferramentas a serem utilizadas nos programas de melhoramento de milho. Os resultados da predição utilizando o modelo de seleção genômica ampla indicaram que o aumento de N e NM não alteraram significativamente as estimativas de acurácia. As estimativas da acurácia na validação cruzada dentro de ambientes foram superiores às obtidas entre ambientes, inferindo que o efeito da interação H x A foi expressivo. Também foram observadas estimativas de acurácia expressivamente maiores para populações de treinamento e validação compostas por híbridos relacionados. Em todos os casos, as estimativas de acurácia apresentaram amplos intervalos em função da amostra de híbridos utilizada nas populações de treinamento e validação, indicando que a seleção genômica pode não ser eficiente dependendo da população amostrada. Os resultados deste estudo sugerem que a predição genômica é uma ferramenta para aumentar a eficiência da seleção nos programas de melhoramento se utilizada de forma adequada pelo melhorista, considerando os efeitos de estrutura de população e interação H x A de forma a maximizar a acurácia e, consequentemente, o sucesso da predição. / Prediction using molecular markers information can greatly increase the efficiency of maize breeding programs. This study aimed to predict the performance of maize single-crosses evaluated in multiple environments and using molecular markers information. Five inbred lines used as testers were crossed to 50 inbred lines from multiple populations to obtain 250 maize single-crosses. 614 AFLP markers were used to asses molecular matrices of the inbred lines and single-crosses. The 250 single-crosses were evaluated for grain yield in 13 environments. Genomic prediction was performed using the mixed model BLUP considering different genomic relationship and similarity in state coefficients to predict the effect of general and specific combining abilities of the parents. Predicted means from each coefficient were correlated with phenotypic means for obtaining prediction accuracy. Genomewide prediction was also performed using the linear regression model RR-BLUP in the estimation of markers genotypic values and its contribution to hybrids genetic values. Cross-validations between and within environments and between and within groups of related single-crosses were performed to verify the effects of training population size (N), number of markers (NM), genotype-by-environment interaction (G x E) and population structure in estimating accuracy. Genomic prediction was compared with phenotypic selection in efficiency of selecting better hybrids in a maize breeding program. All relationship coefficients and similarity in state coefficients showed high values of accuracy, however we observed superiority of Wang relationship coefficient and Modified Rogers similarity coefficient both in predicting and in identifying the best single-crosses, showing the potential of these approaches as tools to be used in maize breeding programs. Genomewide prediction results showed that increasing N and NM did not led to higher accuracy estimates. Predicted accuracies of cross validation analysis within environments were higher than between environments, indicating that the effect of G x E interaction was significant. Greater accuracies were achieved when training and validation set were from related single-crosses. In all scenarios, wide intervals of accuracy were found, meaning that genomic prediction may not be effective depending on the sample used. Therefore, the results of this study suggest that genomic prediction is a tool to increase the efficiency of selection in breeding programs if used properly by breeders, considering the population structure and G x E interaction effect so as to reduce sample problems and maximize accuracy and hence the success of prediction.

A predição da variância fenotípica é de grande importância para que os sistemas de produção de bovinos de corte consigam aumentar a rentabilidade otimizando o uso de recursos. Modelos mecanicistas dinâmicos do crescimento bovino vêm sendo utilizados como ferramentas de suporte à tomada de decisão em sistemas de manejo individual do gado. Entretanto, a aplicação desses modelos ainda fundamenta-se em parâmetros populacionais, sem qualquer abordagem para que se consiga capturar a variabilidade entre sujeitos nas simulações. Assumindo que modelos mecanicistas sejam capazes de simular o componente de desvio ambiental da variância fenotípica e considerando que marcadores SNPs possam predizer o componente genético dessa variância, esse projeto objetivou evoluir em direção a um modelo matemático que considere a variabilidade entre animais em seu nível genético. Seguindo conceitos de fisiologia genômica computacional, nós assumimos que a variância genética da característica complexa (i.e. produto do comportamento do modelo) surge de características componentes (i.e. parâmetros dos modelos) em níveis hierárquicos mais baixos do sistema biológico. Esse estudo considerou dois modelos mecanicistas do crescimento de bovinos - Cornell Cattle Value Discovery System (CVDS) e Davis Growth Model (DGM) - e ao questionar se os parâmetros de tais modelos mapeariam regiões genômicas que englobam QTLs já descritos para a característica complexa, verificou as suas interpretações biológicas esperadas. Tal constatação forneceu uma prova de conceito de que os parâmetros do CVDS e do DGM são de fato fenótipos cuja interpretação pode ser confirmada através das regiões genômicas mapeadas. Um método de predição genômica foi então utilizado para computar os parâmetros do CVDS e do DGM. Os efeitos dos marcadores SNPs foram estimados tanto para os parâmetros quanto para os fenótipos observados. Nós buscamos qual o melhor cenário de predição - simulações dos modelos com parâmetros computados a partir das informações genômicas ou predição genômica conduzida diretamente nos fenótipos complexos. Nós encontramos que enquanto a predição genômica dos fenótipos complexos pode ser uma melhor opção em relação aos modelos de crescimento, simulações conduzidas com parâmetros obtidos a partir de dados genômicos estão condizentes com simulações geradas com parâmetros obtidos a partir de métodos regulares. Esse é o principal argumento para chamar atenção da comunidade científica de que a abordagem apresentada nesse projeto representa um caminho para o desenvolvimento de uma nova geração de modelos nutricionais aplicados capazes de capturar a variabilidade genética entre bovinos de corte confinados e produzir simulações com variáveis de entrada específicas de cada genótipo. Esse projeto é a primeira abordagem no Brasil conhecida dos autores a usar genótipos Bos indicus para o estudo da aplicação de genômica integrada à modelos mecanicistas para o manejo e comercialização de animais na pecuária. / The prediction of phenotypic variance is important for beef cattle operations to increase profitability by optimizing resource use. Dynamic mechanistic models of cattle growth have been used as decision support tools for individual cattle management systems. However, the application of such models is still based on population parameters, with no further approach to capture between-subject variability. By assuming that mechanistic models are able to simulate environmental deviations components of phenotypic variance and considering that SNPs markers may predict the genetic component of this variance, this project aimed at evolving towards a mathematical model that takes between-animal variance to its genetic level. Following the concepts of computational physiological genomics, we assumed that genetic variance of the complex trait (i.e. outcome of model behavior) arises from component traits (i.e. model parameters) in lower hierarchical levels of biological systems. This study considered two mechanistic models of cattle growth - Cornell Cattle Value Discovery System (CVDS) and Davis Growth Model (DGM) - and verified their expected biological interpretation by asking whether model parameters would map genomic regions that harbors QTLs already described for the complex trait. This provided a proof of concept that CVDS and DGM parameters are indeed phenotypes whose expected interpretations may be stated by means of their mapped genomic regions. A method of genomic prediction to compute parameters for CVDS and DGM was then used. SNP marker effects were estimated both for their parameters and observed phenotypes. We looked for the best prediction scenario - model simulation with parameters computed from genomic data or genomic prediction on complex phenotypes directly. We found that while genomic prediction on complex phenotypes may still be a better option than predictions from growth models, simulations conducted with genomically computed parameters are in accordance with those performed with parameters obtained from regular methods. This is the main argument to call attention from the research community that this approach may pave the way for the development of a new generation of applied nutritional models capable of representing genetic variability among beef cattle under feedlot conditions and performing simulation with inputs from individual\'s genotypes. To our knowledge, this project is the first of this kind in Brazil and the first using Bos indicus genotypes to study the application of genomics integrated with mechanistic models for the management and marketing of commercial livestock.

Orientador: Lucia Galvão de Albuquerque / Resumo: A seleção de animais geneticamente superiores com base na informação genômica tem sido uma tendência crescente e promissora em programas de melhoramento. No entanto, os principais métodos de predição genômica envolvem modelos paramétricos, que em sua maioria, assumem somente variância aditiva para o efeito dos marcadores, ignorando-se possíveis relações não-lineares. A consideração de tais efeitos pode ser importante para melhorar a habilidade de predição em características com arquitetura genética complexa. Recentemente, tem crescido o interesse em métodos de predição semi e não paramétricos. Dentro desse contexto, os métodos de aprendizagem de máquina tais como Redes Neurais Artificiais (ANN), “Random Forest” (RF) e “Support Vector Machines” (SVM) são alternativas interessantes. Os objetivos do presente estudo foram: i) Comparar o desempenho preditivo do modelo “Genomic Best Linear Unbiased Predictor” (GBLUP) e de métodos de aprendizagem de máquina em populações simuladas de bovinos de corte, apresentando diferentes níveis para efeitos de dominância; ii) Investigar a habilidade de predição de diferentes métodos de aprendizagem de máquina para predição genômica de características reprodutivas em bovinos da raça Nelore; iii) Desenvolver um estudo de associação genômica ampla (GWAS) utilizando a metodologia “Random Forest”, a fim de buscar genes candidatos para idade ao primeiro parto em novilhas da raça Nelore. No primeiro estudo, o genoma simulado compreendeu um painel de SN... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: The selection of genetically superior animals based on genomic information has been an increasing and promising trend in breeding programs. However, the main methods used for genome-enabled prediction involve parametric models that mostly assume only additive variance for markers effects, ignoring possible nonlinear relationships. Accounting for such effects may be important to improve the predictive ability for traits with complex genetic architecture. The interest in semi and non-parametric prediction methods has recently increased. Within this context, machine learning methods such as Artificial Neural Networks (ANN), Random Forest (RF) and Support Vector Machines (SVM) are an interesting alternative. The aims of the present study were: i) To compare the predictive performance of Genomic Best Linear Unbiased Predictor (GBLUP) and machine learning methods in simulated beef cattle populations presenting different degrees of dominance; ii) To investigate the predictive ability of different machine learning for genome-enabled prediction of reproductive traits in Nellore cattle and compare their performance with parametric approaches (GBLUP and BLASSO); iii) To perform a genome-wide association study (GWAS) using the Random Forest approach for scanning candidate genes for age at first calving in Nellore heifers. In the first study, the simulated genome comprised 50k single nucleotide polymorphisms (SNPs) and 300 QTL (Quantitative Trait Loci), both biallelic and randomly distrib... (Complete abstract click electronic access below) / Doutor

The inoculation with Azospirillum brasilense is one of the main strategies to supplement the inorganic inputs of nitrogen (N) and to increase the root development in maize. However, the beneficial inoculation effects are not always reached, which, in part, is due to genotypic variation in the plant host, resulting in different degrees of outcome. In this context, we aimed to study the genetic control and genomic prediction of maize traits related to the responsiveness to A. brasilense inoculation. For this, 118 maize hybrids were conducted under N stress and N stress plus A. brasilense treatments in controlled conditions over 2016 and 2017 seasons. We evaluated root and shoot traits and performed diallel analyses, association mapping, and genomic prediction methods considering 59,215 Single-Nucleotide Polymorphism (SNP) markers. Our results revealed a quantitative inheritance of the partnership-related maize traits, with both additive and non-additive genetic effects involved in the genetic control. Furthermore, several candidate genes were identified for the maize-A. brasilense association, especially with heterozygous (dis)advantage effects. In general, the prediction accuracies were higher mostly for the inoculated treatment compared to the non-inoculated. Finally, our findings enable a deeper understanding towards the genetic basis of the maize responsiveness to A. brasilense and may support plant breeders to establish selection strategies aiming the development of superior genotypes for this association. / A inoculação com Azospirillum brasilense é uma das principais estratégias para suplementar os insumos inorgânicos de nitrogênio (N) e aumentar o desenvolvimento radicular do milho. No entanto, os efeitos benéficos da inoculação nem sempre são alcançados, o que, em parte, é devido à variação genotípica da planta hospedeira, que ocasiona diferentes graus de resultados. Neste contexto, nosso objetivo foi estudar o controle genético e a predição genômica de caracteres de milho relacionados à responsividade para a inoculação com A brasilense. Para isso, 118 híbridos de milho foram conduzidos sob estresse de N e estresse de N mais A brasilense em condições controladas nos anos de 2016 e 2017. Nós avaliamos características de raiz e parte aérea e realizamos análises dialélicas, mapeamento associativo e métodos de predição genômica considerando 59.215 marcadores Single-Nucleotide Polymorphism (SNP). Nossos resultados revelaram uma herança quantitativa das características do milho relacionadas à essa parceria, com efeitos genéticos aditivos e não-aditivos envolvidos no controle genético. Além disso, vários genes candidatos foram encontrados para a associação milho-A brasilense, especialmente com efeitos de (des)vantagens de heterozigotos. Em geral, as acurácias de predição foram mais maiores principalmente para o tratamento inoculado em comparação ao não inoculado. Finalmente, nossos resultados possibilitam uma compreensão mais aprofundada das bases genéticas da responsividade do milho à A. brasilense e podem auxiliar os melhoristas de plantas a estabelecerem estratégias de seleção visando o desenvolvimento de genótipos superiores para essa associação.

Submitted by Luciana Ferreira (lucgeral@gmail.com) on 2017-04-18T14:36:39Z No. of bitstreams: 2 Tese - Odilon Peixoto de Morais Júnior - 2016.pdf: 4169553 bytes, checksum: 1841a99cece6656c30b62fbd8fda9da5 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2017-04-18T14:36:54Z (GMT) No. of bitstreams: 2 Tese - Odilon Peixoto de Morais Júnior - 2016.pdf: 4169553 bytes, checksum: 1841a99cece6656c30b62fbd8fda9da5 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2017-04-18T14:36:54Z (GMT). No. of bitstreams: 2 Tese - Odilon Peixoto de Morais Júnior - 2016.pdf: 4169553 bytes, checksum: 1841a99cece6656c30b62fbd8fda9da5 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2016-12-15 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / Genetic gains for quantitative traits associated with the maintenance of genetic variability are important factors in recurrent selection programs. With advances in the area of statistical genomics, selection strategies potentially faster to achieve genetic gains are being developed, such as genomic selection. Using a subtropical population of irrigated rice (CNA12S), conducted during three cycles of recurrent selection, this study had as general objective to evaluate the potential of use of genomic recurrent selection (GRS) in a rice breeding program. Three specific studies were developed. In the first chapter, the efficiency of the genotypic recurrent selection (RS) used in the Embrapa’s rice breeding program was evaluated, in order to obtain genetic gains and maintain the population genetic variability. Ten yield trials of S1:3 progenies were used in the analyses. The evaluated traits were grain yield, plant height and days-to-flowering. Variance and covariance components were obtained using Bayesian approach. Using single nucleotide polymorphisms (SNP) markers, the population diversity and genetic structure also were estimated. Adjusted means of progenies in each cycle were computed and, genetic progress was estimated by generalized linear regression using frequentist approach. The magnitudes of effective population size and genetic variance indicated maintenance of genetic variability over selection cycles. The genetic progress achieved for grain yield was 760 kg ha-1 per cycle (1.95% per year), and for days-to-flowering, it was -6.3 days per cycle (-1.28% per year). It was concluded that the genetic progress already achieved and the genetic variability available in the population demonstrate the efficiency of RS in the improvement of rice populations. In the second chapter, in the context of genomic selection, the relative efficiency of GRS on RS was assessed, as well as the accuracy of different models of genomic prediction, in order to propose a GRS scheme for population breeding of self-pollinating species such as rice. In this study, the genetic material was the S1:3 progenies yield trial of the third selection cycle. From a group of 196 progenies that were phenotyped for eight traits with different heritabilities and genetic architectures, a group of 174 progenies was genotyped for SNP markers. Ten predictive models were fitted to the data set. The proposed GRS scheme, when compared to the RS method, showed higher efficiency, especially in genetic gain per unit of time. From the predictive models assessed, HBLUP (hybrid best linear unbiased prediction, using hybrid relationship matrix based in pedigree and SNP markers) and RForest (random forest) have greater potential for genomic prediction in irrigated rice, given the high accuracy of their predictions for a number of traits. The HBLUP model was notoriously superior for more complex traits, such as grain yield, while RForest stood out for less complex traits. The high extent of linkage disequilibrium in the population suggests that the marker density employed (approximately one SNP per 60 kb) is enough for the practice of genomic selection in populations with similar genetic structure. In the third chapter, the objective was to extend a class of HBLUP models based on reaction norm, in context of multi-environmental trials with genotype x environment interaction, for accommodation of hybrid genetic relationship and information of the assessed environments. The accuracy of alternative models for multi-environmental predictions was evaluated, as well as the relative importance of structures of additive and multiplicative components, using genetic relationship information and environmental covariates. This strategy allowed to evaluate the influence of different approaches to group the genetic-environmental information on the accuracy of models for prediction of breeding value of progenies for agronomic traits. The data consisted of the same ten trial of S1:3 progenies, carried out during three recurrent selection cycles. Six predictive HBLUP models of reaction norm were considered, using genetic and environmental covariates, as well as interactions between these effects. Genomic information was derived from SNP markers obtained for the 174 progenies of the third selection cycle. The 401 environmental covariates, the genetic information (hybrid genetic relationship) and the interactions among these effects explained an important portion of the phenotypic variance, allowing an increase in the predictive accuracy of models. The use of genetic information and environmental covariates only from the respective selection cycle is enough for accurate predictions of unphenotyped progenies, even in non-sampled environments. This is the first study to take into account simultaneously hybrid genetic relationship, stemming from pedigree information plus SNP markers, and environmental covariates in multi-environmental models based on reaction norm for breeding value prediction in target environments of a recurrent selection program. / A obtenção de ganhos genéticos para caracteres quantitativos associada à manutenção da variabilidade genética são fatores importantes em programas de seleção recorrente. Com os avanços no campo da estatística genômica, estratégias de seleção potencialmente mais rápidas para alcance de ganhos genéticos estão sendo desenvolvidas, como a seleção genômica. Partindo-se de uma população subtropical de arroz irrigado (CNA12S), conduzida durante três ciclos de seleção recorrente, este estudo teve como objetivo geral avaliar o potencial de emprego do esquema de seleção recorrente genômica (GRS) em programas de melhoramento genético de arroz. Três estudos específicos foram desenvolvidos. No primeiro deles, avaliou-se a eficiência do esquema de seleção recorrente genotípica (RS) utilizado no programa de melhoramento de arroz da Embrapa, na obtenção de ganhos genéticos e manutenção da variabilidade genética populacional. O material experimental utilizado constituiu-se de dez ensaios de rendimento de progênies S1:3 associadas a cada ciclo de seleção. Os caracteres avaliados foram produtividade de grãos, altura de planta e número de dias até o florescimento. Componentes de variância e covariância foram obtidos via abordagem Bayesiana e, com uso de marcadores SNP (single nucleotide polymorphisms) associados às progênies, também a diversidade e a estrutura genética populacional. Médias ajustadas de progênies em cada ciclo foram computadas e, por regressão linear generalizada, estimou-se o progresso genético, via abordagem frequentista. As magnitudes do tamanho efetivo populacional e da variância genética indicaram manutenção da variabilidade genética ao longo dos ciclos de seleção. O progresso genético alcançado para produtividade de grãos foi de 760 kg ha-1 por ciclo (1,95 % ao ano) e para dias para florescimento, -6,3 dias por ciclo (-1,28 % ao ano). Concluiu-se que, o progresso genético já alcançado e a variabilidade genética disponível na população demonstram a eficiência de RS no melhoramento de populações de arroz. Num segundo estudo, no contexto de seleção genômica, avaliou-se a eficiência relativa de GRS sobre o esquema de RS; além da acurácia de diferentes modelos de predição genômica, buscando-se propor um esquema de GRS para melhoramento populacional de espécies autógamas como o arroz. Nesse estudo, o material genético foi composto por um ensaio de rendimento de progênies S1:3 do terceiro ciclo de seleção. Do grupo de 196 progênies fenotipadas para oito caracteres, com herdabilidades e arquiteturas genéticas diferentes, um grupo de 174 progênies foi genotipado para marcadores SNP. Dez modelos preditivos foram ajustados ao conjunto de dados. O esquema de GRS, quando comparado ao de RS, apresentou maior eficiência, sobretudo em ganho genético por unidade de tempo. Dos modelos preditivos avaliados, HBLUP (hybrid best linear unbiased prediction, com uso de matriz híbrida de parentesco baseada em pedigree e marcadores SNP) e RForest (random forest) apresentaram maior potencial para predição genômica, haja vista a elevada acurácia de suas predições para maior número de caracteres. O modelo HBLUP foi notoriamente superior para caracteres mais complexos, como produtividade de grãos, enquanto RForest destacou-se para caracteres menos complexos. A alta extensão do desequilíbrio de ligação na população sugere que a densidade de marcadores empregada (aproximadamente um SNP por 60 kb) é suficiente para a prática de predição genômica em populações com estrutura genética similar. No terceiro estudo buscou-se estender uma classe de modelos preditivos HBLUP baseados em norma de reação (contexto de ensaios multiambientais com interação genótipos × ambientes), para acomodar informações de parentesco e de covariáveis associadas aos ambientes de avaliação. Assim, avaliouse a acurácia preditiva de modelos alternativos para predições multiambientais, bem como a importância relativa de estruturas de componentes aditivos e multiplicativos; além da influência de diferentes abordagens de agrupamento de informações genético-ambientais sobre a acurácia dos modelos. O material genético constituiu-se nos mesmos dez ensaios de rendimento de progênies S1:3, conduzidos durante três ciclos de seleção recorrente. Foi considerada uma sequência de seis modelos preditivos de norma de reação, do tipo HBLUP, com uso de covariáveis genéticas e ambientais, além de interações entre esses efeitos. A informação genômica foi proveniente de marcadores SNP obtidos por genotipagem de 173 progênies do terceiro ciclo de seleção. As covariáveis ambientais (num total de 401), informações genéticas (parentesco híbrido) e as interações entre esses efeitos explicaram importante porção da variância fenotípica, o que possibilitou aumento da acurácia preditiva dos modelos. O emprego de informações genéticas e de covariáveis ambientais apenas do respectivo ciclo de seleção mostrou-se suficiente para predições acuradas do desempenho de progênies não fenotipadas, mesmo em ambientes não amostrados. Este estudo é pioneiro em considerar conjuntamente parentesco híbrido, oriundo de informações de pedigree mais marcadores SNP, e covariáveis ambientais em modelos multiambientais baseados em norma de reação, para predição de valor genético em ambientes-alvo de programas de seleção recorrente.