ESTUDIO DE LA ROBUSTEZ DEL MODELO SREG PARA ENSAYOS MULTI-AMBIENTALES DE DURAZNERO

ARROYO, L; QUAGLINO M; ANGELINI, J; VALENTINI HG; DAORDEN ME; CERVIGNI DGL

Rosario

Jornada; XI Jornada de Ciencia y Tecnología; 2017

UNR

La identificación de genotipos superiores para diferentes ambientes es una de las tareas más complejas del mejoramiento genético. En las etapas finales de la selección, los materiales son evaluados en diversos ambientes y el factor interacción genotipo x ambiente (IGA) debe ser considerado especialmente. El modelo de regresión por sitio (SREG ? Site Regression), que combina el usual ANOVA considerando únicamente el efecto ambiente con el análisis de componentes principales (CP) sobre el residuo, ha tenido una gran difusión y aceptación entre los fitomejoradores. En este modelo, los efectos genotípicos (G) más el de la IGA (GE) se presentan en un gráfico biplot. En un ensayo comparativo de rendimiento en múltiples ambientes, el biplot G + GE permite identificar mega-ambinetes, el patrón de interacción y seleccionar los mejores genotipos para cada mega-ambiente. La validez de este modelo depende del cumplimiento de dos supuestos, que los errores se ajusten a una distribución normal y que la varianzas de los mismos, entre campañas, sean homogéneas, los que raramente se evalúan o verifican en datos agronómicos.El objetivo del presente trabajo fue evaluar la influencia de la falta del cumplimiento de los supuestos necesarios para la identificación de mega-ambientes y la selección de genotipos con alto rendimiento y estabilidad.Se analizaron datos de rendimiento (kg/planta) de 29 genotipos de duraznero, obtenidos de siete campañas (2005-2011) en el INTA San Pedro, usando un diseño completamente aleatorizado con tres repeticiones. El índice de selección fue establecido en 20% de los genotipos evaluados. Los supuestos exigidos por SREG no se cumplieron. Por lo tanto, se buscó una transformación adecuada utilizando el método de Box-Cox, la cual resultó en la potencia 0,28.En el ANOVA, que considera solamente el efecto de ambiente, la transformación normalizó la distribución de los errores y estabilizó la varianza entre campañas. Por el contrario, cuando en el análisis se incluyeron los efectos G y GE los supuestos no se cumplieron debido a la presencia de valores atípicos en la mayoría de las campañas. Las dos primeras CP explicaron el 61,35% y 56,21%, considerando la variable original y trasformada, respectivamente. En ambos casos se definieron dos mega-ambientes, uno formado por las campañas 2006/07, 2007/08, 2009/10, 2010/11 y 2011/12; y el otro por las campañas 2005/06 y 2008/09. Seleccionando seis genotipos más rendidores, cinco fueron consistentes usando la variable transformada u original. La mayor eficiencia de la selección es más evidente cuando se comparan los coeficiente de correlación (r) entre el orden (ascendente) de los genotipos establecido por SREG y el rendimiento promedio de los mismos. El valor de r fue -0,77 y -0,97 para la variable original y transformada, respectivamente. El carácter estabilidad fue más afectado por la transformación que la adaptabilidad. Solo un genotipo entre los seis seleccionados como estables fue seleccionado con ambas variables, mientras que la coincidencia fue de cuatro en seis cuando se seleccionó para estabilidad (rendidores y estables). La correlación entre el rendimiento y la estabilidad no fue significativa considerando ambos tipos de variables. La eficiencia de selección del método SREG se incrementa cuando sus supuestos se cumplen, permitiendo seleccionar genotipos superiores para ambientes o mega-ambientes específicos.