Marcadores AFLP e redes neurais na obtenção de híbridos intermediários

Página do item simplificado
dc.contributor.advisorRuas, Paulo Maurício
dc.contributor.authorInocente, Gabriela
dc.contributor.bancaBaba, Viviane Yumi
dc.contributor.bancaGarbuglio, Deoclécio Domingos
dc.contributor.bancaFonseca Junior, Nelson da Silva
dc.contributor.bancaSouza, Silvia Graciele Hulse de
dc.contributor.coadvisorAraújo, Pedro Mario de
dc.coverage.extent65 p.
dc.coverage.spatialLondrina - PR
dc.date.accessioned2024-10-15T14:20:03Z
dc.date.available2024-10-15T14:20:03Z
dc.date.issued2020-09-03
dc.description.abstractNos programas de melhoramento genético de milho para reconhecer genótipos com alto rendimento de grãos são necessários métodos de seleção eficiente que identifiquem as frequências alélicas e complementariedades das linhagens, de modo a maximizar a viabilidade do vigor híbrido. O uso de linhagens nas gerações iniciais de autofecundação (S2) tendem a reduzir o número de cruzamentos teste, minimizando tempo e custos além de, apresentar alta produtividade de grãos e menor sensibilidade às variações ambientais. Buscando a otimização desse processo, o surgimento de marcadores moleculares e ferramentas computacionais garante a eficiência e resultados promissores. Os marcadores moleculares dominantes são ferramentas econômicas e altamente informativos para identificar genótipos associados as características de interesse, já para o modelo de aprendizado de máquinas Multilayer Perceptron (MLP) é possível a classificação e reconhecimento de padrões heteróticos de genótipos produtivos, mesmo quando a distribuição de probabilidade são desconhecidas. Além das tecnologias para identificações dos genótipos, o conhecimento meteorológico é fundamental para seleção do melhor híbrido intermediário. Nesse contexto, objetiva-se identificar padrões heteróticos a partir de Linhagens Parcialmente Endogâmicas (S2) por meio de quatro combinações de primers AFLP e comparar com os seus respectivos cruzamentos (híbridos intermediários) em diferentes ambientes no Estado do Paraná. Os resultados obtidos pelos marcadores e os dados meteorológicos de cada ambiente testado, foram inseridos em um modelo de rede neural MLP, a fim de desenvolver um modelo de classificação voltado à seleção e descarte de genótipos de milho, visando alto rendimento de grãos e maximização do ganho genético. Os marcadores moleculares dominantes AFLP foram eficientes na identificação e clusterização dos padrões heteróticos mesmo em estágios de endogamia parcial (S2) e a arquitetura de rede neural construída também foi eficiente na classificação de genótipos produtivos, visto que, a utilização conjunta de dados de marcadores moleculares e meteorológicos promoveram o aumento da capacidade preditiva do modelo.
dc.description.abstractother1In maize breeding programs to recognize genotypes with high grain yield, efficient selection methods are needed to identify the allele frequencies and complementarities of the lines, in order to maximize the viability of the hybrid vigor. The use of lines in the initial generations of self-fertilization (S2) tends to reduce the number of test crosses, minimizing time and costs, besides presenting high grain productivity and less sensitivity to environmental variations. Seeking to optimize this process, the rise of molecular markers and computational tools guarantees efficiency and promising results. The dominant molecular markers are economical and highly informative tools to identify genotypes associated with the characteristics of interest, for the Multilayer Perceptron (MLP) machine learning model, it is possible to classify and recognize heterotic patterns of productive genotypes, even when the distribution of probability are unknown. In addition to the technologies for genotype identification, meteorological knowledge is essential for selecting the best intermediate hybrid. In this context, the objective is to identify heterotic patterns from Partially Endogamic Lines (S2) by means of four combinations of AFLP primers and compare with their respective crosses (intermediate hybrids) in different environments in the State of Paraná. The results obtained by the markers and the meteorological data of each tested environment, were inserted in a model of neural network MLP, in order to develop a classification model aimed at the selection and disposal of maize genotypes, aiming high grain yield and maximizing genetic gain. The dominant molecular markers AFLP were efficient in the identification and clustering of heterotic patterns even in stages of partial inbreeding (S2) and the built neural network architecture was also efficient in the classification of productive genotypes since the joint use of molecular marker and meteorological data promoted the increase in the predictive capacity of the model.
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/18041
dc.languagepor
dc.language.isopor
dc.relation.departamentCCA - Departamento de Agronomia
dc.relation.institutionnameUniversidade Estadual de Londrina - UEL
dc.relation.ppgnamePrograma de Pós-Graduação em Agronomia
dc.subjectZea mays L.
dc.subjectHíbridos Parcialmente Endogâmicos
dc.subjectMarcadores Moleculares dominantes
dc.subjectRedes Neurais Artificiais
dc.subjectAgronomia
dc.subjectMilho - Marcadores genéticos
dc.subjectZea mays - Marcadores moleculares
dc.subjectMilho - Melhoramento genético - Ferramentas computacionais (Redes neurais artificiais)
dc.subject.capesCiências Agrárias - Agronomia
dc.subject.cnpqCiências Agrárias - Agronomia
dc.subject.keywordsZea mays L.
dc.subject.keywordsPartially Inbreeding Hybrids
dc.subject.keywordsDominant Molecular Markers
dc.subject.keywordsArtificial Neural Networks
dc.subject.keywordsMaize - Biological markers
dc.subject.keywordsMaize - Genetic improvement - Computational tools (Artificial neural networks)
dc.titleMarcadores AFLP e redes neurais na obtenção de híbridos intermediários
dc.title.alternativeAFLP markers and neural networks to obtain intermediate hybrids
dc.typeTesept_BR
dcterms.educationLevelDoutoradopt_BR
dcterms.provenanceCentro de Ciências Agráriaspt_BR

Arquivos

Pacote Original
Agora exibindo 1 - 2 de 2
Imagem de Miniatura
Nome:
CA_AGR_Dr_2020_Inocente_Gabriela.pdf
Tamanho:
938.03 KB
Formato:
Adobe Portable Document Format
Descrição:
Texto completo. Id. 190438
Baixar
Nenhuma Miniatura disponível
Nome:
CA_AGR_Dr_2020_Inocente_Gabriela_TERMO.pdf
Tamanho:
323.33 KB
Formato:
Adobe Portable Document Format
Descrição:
Termo de autorização.
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
555 B
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

01 - Doutorado - Agronomia