Predição fenotípica em cana-de-açúcar via modelos multivariados com dados de espectroscopia no infravermelho próximo

Abstract

A produção da cana-de-açúcar desempenha papel fundamental na economia do país. Para o desenvolvimento de variedades que atendam as necessidades atuais e também as necessidades futuras é essencial buscar métodos de fenotipagem que proporcionem maior facilidade de utilização, além de rapidez, exatidão e consistência. Visando contribuir para o desenvolvimento de novas estratégias de fenotipagem, esse trabalho teve como objetivo principal construir modelos de predição fenotípica utilizando calibração multivariada. Foram construídos modelos empregando regressão por quadrados mínimos parciais (PLS), regressão por componentes principais (PCR), Ridge Regression (RR- BLUP) e Lasso bayesiano (BLASSO) a partir de dados obtidos com espectroscopia na região infravermelho próximo (NIR) em diferentes tipos de amostras de cana-de-açúcar. Esses modelos foram construídos com o objetivo de predizer o teor de fibra (FIB), o teor de sacarose aparente (PC) e o teor de lignina (LIG). O conjunto de calibração foi composto por 166 clones e o de previsão por 20 clones. Os valores de FIB, PC e LIG variaram respectivamente de 8,36% a 22,53%, 1,78% a 16,89% e 13,79% a 21,08%. Os modelos RR- BLUP e BLASSO apresentaram coeficientes de correlação entre 0,70 e 0,91, valores superiores ou iguais aos dos modelos PLS, que por sua vez foram superiores aos dos modelos obtidos por PCR. Para predição de PC e FIB é aconselhável utilizar amostras de colmo devido ao maior poder preditivo além de ser mais viável devido à maior praticidade quando comparado com as amostras de bagaço. Foi possível construir um modelo eficiente para predizer LIG utilizando amostras de bagaço seco. Todos os modelos escolhidos apresentaram bom desempenho para ranquear os melhores clones de acordo com os caracteres em estudo, apresentando medidas elevadas de acurácia, medidas pequenas da taxa de falso positivo e boa precisão.

Sugar cane production plays an important role in the economy of a country. In order to develop varieties that meet the current and the future needs, it is essential to find phenotyping methods that are fast, exact, consistent and easy to be used. Aiming at contributing to the development of new phenotyping strategies, the objective of this study was to build models for phenotypic predictions using multivariate calibration. Models using regression by partial least squares (PLS), principal component regression (PCR), Ridge Regression (RR-BLUP) and Bayesian Lasso (BLASSO) were built, using data obtained with Near-Infrared Spectroscopy (NIRS) from different types of sugarcane samples. These models were constructed in order to predict the fiber (FIB), the apparent sucrose (PC) and lignin (LIG) contents. The calibration group was composed of 166 clones, and the prediction group was composed of 20 clones. The amounts of FIB ranged from 8.36% to 22.53%, from 1.78% to 16.89% for PC and from 13.79% to 21.08% for LIG. The RR-BLUP and BLASSO models showed correlation coefficients between 0.70 and 0.91. Those values are higher than or equal to the PLS models, which in turn were higher than those of the models obtained by PCR. For PC and FIB predictions, it is recommended to use cane stalk samples due to its greater predictive power and feasibility when compared to the bagasse samples. It was possible to build an efficient model to predict LIG using dry sugar cane bagasse samples. All selected models showed good performance when ranking the best clones according to the characters studied. Furthermore, the models presented high accuracy measurements, small false positive rate measurements and good accuracy.