Ruas, Paulo MaurícioInocente, Gabriela2024-10-152024-10-152020-09-03https://repositorio.uel.br/handle/123456789/18041Nos 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.porZea mays L.Híbridos Parcialmente EndogâmicosMarcadores Moleculares dominantesRedes Neurais ArtificiaisAgronomiaMilho - Marcadores genéticosZea mays - Marcadores molecularesMilho - Melhoramento genético - Ferramentas computacionais (Redes neurais artificiais)TeseCiências Agrárias - AgronomiaCiências Agrárias - AgronomiaZea mays L.Partially Inbreeding HybridsDominant Molecular MarkersArtificial Neural NetworksMaize - Biological markersMaize - Genetic improvement - Computational tools (Artificial neural networks)