Causal models have been used in different areas of knowledge in order to comprehend the causal associations between variables. Over the past decades, the amount of studies using these models have been growing a lot, especially those related to biological systems where studying and learning causal relationships among traits are essential for predicting the consequences of interventions in such system. Graph analysis (GA) and structural equation modeling (SEM) are tools used to explore such associations. While GA allows searching causal structures that express qualitatively how variables are causally connected, fitting SEM with a known causal structure allows to infer the magnitude of causal effects. Also SEM can be viewed as multiple regression models in which response variables can be explanatory variables for others. In quantitative genetics studies, SEM aimed to study the direct and indirect genetic effects associated to individuals through information related to them, beyond the observed characteristics, such as the kinship relations. In those studies typically the assumptions of linear relationships among traits are made. However, in some scenarios, nonlinear relationships can be observed, which make unsuitable the mentioned assumptions. To overcome this limitation, this paper proposes to use a mixed effects polynomial structural equation model, second or superior degree, to model those nonlinear relationships. Two studies were developed, a simulation and an application to real data. The first study involved simulation of 50 data sets, with a fully recursive causal structure involving three characteristics in which linear and nonlinear causal relations between them were allowed. The second study involved the analysis of traits related to dairy cows of the Holstein breed. Phenotypic relationships between traits were calving difficulty, gestation length and also the proportion of perionatal death. We compare the model of multiple traits and polynomials structural equations models, under different polynomials degrees in order to assess the benefits of the SEM polynomial of second or higher degree. For some situations the inappropriate assumption of linearity results in poor predictions of the direct, indirect and total of the genetic variances and covariance, either overestimating, underestimating, or even assign opposite signs to covariances. Therefore, we conclude that the inclusion of a polynomial degree increases the SEM expressive power. / Modelos causais têm sido muitos utilizados em estudos em diferentes áreas de conhecimento, a fim de compreender as associações ou relações causais entre variáveis. Durante as últimas décadas, o uso desses modelos têm crescido muito, especialmente estudos relacionados à sistemas biológicos, uma vez que compreender as relações entre características são essenciais para prever quais são as consequências de intervenções em tais sistemas. Análise do grafo (AG) e os modelos de equações estruturais (MEE) são utilizados como ferramentas para explorar essas relações. Enquanto AG nos permite buscar por estruturas causais, que representam qualitativamente como as variáveis são causalmente conectadas, ajustando o MEE com uma estrutura causal conhecida nos permite inferir a magnitude dos efeitos causais. Os MEE também podem ser vistos como modelos de regressão múltipla em que uma variável resposta pode ser vista como explanatória para uma outra característica. Estudos utilizando MEE em genética quantitativa visam estudar os efeitos genéticos diretos e indiretos associados aos indivíduos por meio de informações realcionadas aos indivíduas, além das característcas observadas, como por exemplo o parentesco entre eles. Neste contexto, é tipicamente adotada a suposição que as características observadas são relacionadas linearmente. No entanto, para alguns cenários, relações não lineares são observadas, o que torna as suposições mencionadas inadequadas. Para superar essa limitação, este trabalho propõe o uso de modelos de equações estruturais de efeitos polinomiais mistos, de segundo grau ou seperior, para modelar relações não lineares. Neste trabalho foram desenvolvidos dois estudos, um de simulação e uma aplicação a dados reais. O primeiro estudo envolveu a simulação de 50 conjuntos de dados, com uma estrutura causal completamente recursiva, envolvendo 3 características, em que foram permitidas relações causais lineares e não lineares entre as mesmas. O segundo estudo envolveu a análise de características relacionadas ao gado leiteiro da raça Holandesa, foram utilizadas relações entre os seguintes fenótipos: dificuldade de parto, duração da gestação e a proporção de morte perionatal. Nós comparamos o modelo misto de múltiplas características com os modelos de equações estruturais polinomiais, com diferentes graus polinomiais, a fim de verificar os benefícios do MEE polinomial de segundo grau ou superior. Para algumas situações a suposição inapropriada de linearidade resulta em previsões pobres das variâncias e covariâncias genéticas diretas, indiretas e totais, seja por superestimar, subestimar, ou mesmo atribuir sinais opostos as covariâncias. Portanto, verificamos que a inclusão de um grau de polinômio aumenta o poder de expressão do MEE.

Estudou-se a especiação dos metais pesados (Cu, Cd, Cr, Zn, Pb e Ni) em sedimentos do rio Tietê, coletados nos reservatórios de Rasgão, Tecelagem e Barra Bonita. Para isto, adotou-se o protocolo de extração seqüencial proposta por Community Bureau of Reference (BCR), que consiste em três etapas de tratamento, as soluções extratores utilizados foram: etapa 1, solução de ácido acético 0,11 mol/L; Etapa 2, solução de cloridrato de hidroxilamina 0,1 mol/L pH 2 (ajustado com HNO3); Etapa 3, ataque com peróxido de hidrogênio em meio ácido e posterior extração dos metais com solução de acetato de amônio pH 2 (ajustado com HNO3). Nas mesmas amostras efetuou-se uma extração com ácido clorídrico 0,1 mol/L, no sentido de avaliar a concentração de metais potencialmente biodisponíveis. Realizou-se ainda a determinação do teor total de metais. Tanto a extração seqüencial como a extração parcial em ácido diluído foram conduzidas em ambientes anaeróbico (mantendo o EH da amostra) e aeróbicos (após secagem em estufa - simulando material dragado e depositado às margens do rio). As concentrações dos metais presentes nos extratos foram determinadas através das técnicas de absorção atômica, espectrometria de emissão atômica, voltametria de redissolução anódica com eletrodo de gota pendente e a técnica proposta por este trabalho, voltametria de redissolução anódica com eletrodo de filme de mercúrio acoplada ao sistema de injeção seqüencial. A técnica de voltametria de redissolução anódica acoplada ao sistema de injeção sequencial apresentou vantagens em relação a voltametria de redissolução com eletrodo de gota pendente, apresentando maior reprodutibilidade e sensibilidade, redução do tempo de análise e consumo de reagentes, e completa automação dos parâmetros instrumentais, como: vazão, número de reagentes, volumes e seqüência dos reagentes aspirados. / Speciation of heavy metals (Cu, Pb, Cd, Zn, Ni and Cr) in sediments of the Tietê river (SP), collected at Rasgão, Tecelagem e Barra Bonita reservoirs, was studied by the sequential extraction protocol proposed by the Community Bureau of Reference (BCR). This protocol is composed of three steps, that use the following reagent extractors. Step1: 0,11 mol/L acetic acid. Step 2: Hydroxylamine hydrochloride, acidified to pH 2 with nitric acid. Step 3: Oxidation with acidified 30 % (v/v) hydrogen peroxide followed by extraction with 1mol/L ammonium acetate acidified to pH 2 with nitric acid. Samples were also extracted with 0.10 mol/l hydrochloric acid in order to evaluate the bioavailable metal concentrations. The total concentration of metals was also determined. The sequential extraction and the extraction with hydrochloric acid were performed in anoxic (keeping the negative Eh of samples, as in the time of sampling) and oxidant conditions (after drying samples at 60ºC in the atmosphere, simulating dredged material). Metal determination was performed by Flame Atomic Absorption Spectrometry (FAAS), Induced Coupled Plasma-Atomic Emission Spectrometry (ICP-EAS), Anodic Stripping Voltammetry with the Mercury Hanging Drop Electrode (ASV-HMDE), and the technique proposed in this work: ASV automated by Sequential Injection (ASV-SI) using the Thin Film Mercury Electrode (TFME). The proposed technique presented improved reproducibility and shorter time of analysis in comparison to conventional ASV-HMDE. In addition, the ASV-SI permits easy and fast change of operational parameters such as flow rate and sample volume, that have direct influence on the deposition time.