Machine Translated by Google

Ciência Rural, Santa Maria, v.52:5, e20210007, 2022

Inter-relações entre características produtivas, vegetativas e de qualidade de frutos em lima ácida Tahiti por meio de inferência bayesiana.
http://doi.org/10.1590/0103-8478cr20210007 1

ISSN 1678-4596
produção agrícola

Inter-relações entre características produtivas, vegetativas e de qualidade de

frutos em lima ácida Tahiti por meio de inferência Bayesiana

Renan Garcia Malikouski1 Emanuel Ferrari do Nascimento1 Andréia Lopes de Morais2

Marco Antônio Peixoto1 Moises Zucoloto3 Dimmy Herllen Silveira Gomes Barbosa4
Leonardo Lopes Bhering1*
1
Departamento de Biologia Geral, Universidade Federal de Viçosa (UFV), 36570-900, Viçosa, MG, Brasil. E-mail: leonardo.bhering@ufv.br.
*
Autor correspondente.
2
Departamento de Ciências Agrárias e Biológicas, Universidade Federal do Espírito Santo (UFES), São Mateus, ES, Brasil.
3
Departamento de Agronomia, Universidade Federal do Espírito Santo, Alegre, ES, Brasil
4
Embrapa Mandioca e Fruticultura Tropical, Cruz das Almas, BA, Brasil.

RESUMO: Embora a produção de frutos tenha uma importância central nos programas de melhoramento de limão ácido Tahiti, outras características se destacam entre
as características de qualidade de frutos e vegetativas como aquelas que ainda precisam ser melhoradas na seleção de genótipos superiores. A aplicação de ferramentas
eficientes visando a seleção, como a inferência bayesiana, torna-se uma alternativa em culturas perenes. Este estudo aplicou a inferência Bayesiana na avaliação
genética de genótipos de limão ácido Tahiti e estimou a inter-relação entre características vegetativas, produtivas e de qualidade dos frutos. Vinte e quatro genótipos de
cal ácida foram avaliados quanto ao número de frutos, produção de frutos, volume da copa, diâmetro do caule, teor de sólidos solúveis, espessura da casca e produção
de suco. Os valores genotípicos foram estimados por inferência bayesiana e modelos com diferentes estruturas residuais foram testados pelo critério de informação
deviance. A correlação de Pearson e a análise de trilha foram estimadas, removendo o efeito de multicolinearidade. A inferência bayesiana estima valores genotípicos
com alta precisão seletiva. As correlações obtidas entre caracteres de diferentes grupos podem ser úteis em estratégias de seleção para melhoramento da lima ácida
Tahiti. A inferência bayesiana demonstrou ser uma ferramenta importante e deve ser considerada em programas de melhoramento perene.

Palavras-chave: Citrus latifolia Tanaka, dados longitudinais, cadeia de Markov Monte Carlo, correlação de Pearson, efeitos diretos e indiretos.

Inter-relações entre características produtivas, vegetativas e de qualidade de fruto em

lima ácida Tahiti através de inferência Bayesiana

RESUMO: Embora a produtividade seja uma característica fundamental em programas de melhoramento da lima ácida Tahiti, outras características se destacam por
proporcionar uma seleção mais eficiente ou mesmo influenciar na expressão de atributos produtivos. A aplicação de inferência Bayesiana, pode tornar o processo de
identificação de indivíduos superiores e o estudo das correlações entre as características ainda mais acurado. Objetivou-se, por meio deste estudo, estimar valores
genéticos em genótipos de lima ácida Tahiti através de inferência Bayesiana e estimar coeficientes de correlação e de trilha entre características vegetativas, produtivas
e de qualidade de frutos.
Vinte e quatro genótipos de lima ácida foram avaliados durante dois anos para peso e número de frutos, volume de copa, diâmetro de caule, teor de sólidos solúveis dos
frutos, espessura de casca e rendimento de suco. Os valores genéticos foram estimados por meio de inferência Bayesiana e modelos com diferentes estruturas residuais
foram testados via critério de informação de deviance. Coeficiente de correlação de Pearson e de análise de trilha foram determinados, removendo o efeito de
multicolinearidade. A estimação de valores genéticos via inferência Bayesiana apresentou alta acurácia seletiva. As correlações obtidas entre caracteres de diferentes
grupos podem ser úteis em estratégias de seleção para melhoramento da lima ácida Tahiti. A inferência Bayesiana demonstrou ser uma ferramenta importante e deve
ser considerada em programas de melhoramento de culturas perenes.

Palavras-chave: Citrus latifolia Tanaka, dados longitudinais, cadeias de Markov Monte Carlo, correlação de Pearson, efeitos diretos e indiretos.

INTRODUÇÃO valor, as frutas cítricas são consumidas in natura ou

Pertencente à família Rutaceae , o gênero
Citrus é uma das frutíferas mais importantes no cenário
agrícola mundial (LADANIYA et al., 2020). Caracterizado
por seu alto teor nutricional
utilizadas na preparação de alimentos e bebidas,
enquanto seus óleos essenciais são utilizados na
fabricação de perfumes, cosméticos e até medicamentos
(DENARO et al., 2020; DOSOKY & SETZER, 2018).
Entre todas as espécies de Citrus, a lima ácida Tahiti (Citrus latifolia

Recebido em 01.06.21 Aprovado em 30.06.21 Devolvido pelo autor em 10.09.21

CR-2021-0007.R1 Ciência Rural, v.52, n.5, 2022.
Editors: Leandro Souza da Silva Alberto Cargnelutti Filho
Machine Translated by Google
2 Malikouski et ai.
Tanaka L.) tem se destacado no Brasil por sua boa
adaptação às condições edafoclimáticas e alto valor
econômico (BASTOS et al., 2017). Tendo em vista a
crescente demanda interna e externa por frutas frescas
no mercado cítrico, principalmente para a lima ácida
Tahiti, é fundamental maximizar a produtividade dos
pomares (MORAIS et al., 2020).
A seleção de genótipos superiores em termos
de produção de frutos é uma importante forma de
contribuir para o aumento da produção em espécies de
Citrus (IMAI et al., 2016). No entanto, a produção de
frutos é uma característica quantitativa e complexa
visando à seleção, pois possui baixa herdabilidade e é
resultado da associação de vários componentes produtivos (LI etem
O conhecimento das correlações entre pares de
caracteres permite identificar caracteres adequados para
realizar a seleção indireta, sendo de grande importância
quando a seleção direta do caráter alvo é dificultada por
baixa herdabilidade ou alto custo de mensuração
(CREVELARI et al., 2018). Entretanto, os coeficientes de
correlação isoladamente não fornecem os efeitos diretos
e indiretos sobre a produção de frutos, sendo a análise
de trilha uma excelente estratégia para tal fim. Ele
estabelece informações de causa e efeito entre
correlações e tem sido aplicado a diferentes culturas
frutíferas de importância econômica, como cacau (DEVY
et al., 2018), goiaba (SANTOS et al., 2017), pêssego
(MATIAS et al., 2016). , e uva (DOLKAR et al., 2017).
A metodologia de modelo misto é considerada
a metodologia padrão em plantas perenes (OLIVEIRA et
al., 2014; SILVA et al., 2020).
No entanto, apresenta algumas limitações estatísticas,
como fornecer apenas intervalos de confiança
aproximados e a suposição de normalidade assintótica
(RESENDE, 2000). Assim, a inferência bayesiana supera
tais problemas e apresenta uma ótima alternativa em
relação à análise frequentista, pois permite o uso de
informações a priori sobre os parâmetros do modelo e a
estimação de intervalos de credibilidade exatos
(RESENDE, 2000).
Apesar de seu potencial, para o limão ácido
Tahiti não há estudos que envolvam estimativa de valores
genotípicos por inferência bayesiana e sua aplicação na
seleção genética, bem como a utilização dos valores
para estimativa de correlações e coeficientes de análise
de trilha entre caracteres. Diante do exposto, os objetivos
deste estudo foram: i) implementar a inferência bayesiana
para avaliação genética da lima ácida Tahiti; ii) obter
estimativas de correlação e efeitos diretos e indiretos
entre as principais características em Lima Tahiti com
base em valores genotípicos preditos bayesianos e; iii)
Explorar as estimativas obtidas através de estratégias de
seleção no melhoramento de plantas.
MATERIAIS E MÉTODOS
Rede experimental e medições de características
O experimento foi implantado no município
de São Mateus, Espírito Santo, Brasil (18°48'21”S,
39°53'30”W, 35 metros de altitude) e conduzido entre
julho de 2017 e janeiro de 2019. Vinte e quatro cal ácida
Tahiti os genótipos foram cultivados no espaçamento de
3 m entre plantas e 6 m entre linhas, em delineamento
em blocos ao acaso para corrigir a heterogeneidade da
área, com 4 repetições. A unidade experimental foi
composta por três plantas por parcela, totalizando 288
indivíduos. Foram medidas sete características divididas
al.,três grupos: duas características do grupo de
2017).
desenvolvimento vegetativo: diâmetro do caule (DP, em
mm), medido com paquímetro digital cinco centímetros
acima da região do enxerto; e volume da copa (CV, em
m³) obtido através da equação proposta por ZEKRI
(2000) onde PH é a altura da planta, DR e DS são,
diâmetros de projeção da copa na linha e entre as linhas
de cultivo respectivamente, PH, DR e DS foram medidos
através de uma fita métrica em metros. O outro grupo foi
o grupo produtivo, com duas características medidas:
produção de frutos por planta (AF, em kg planta-1), onde
foram colhidos e pesados os frutos de cada planta com
diâmetro mínimo de 47 mm, casca lisa e cor verde clara
com auxílio de balança digital; e número de frutos por
planta (NF) por contagem. O terceiro grupo foi de
qualidade dos frutos com três características: espessura
da casca (ST, em mm) onde os frutos foram cortados ao
meio e a casca medida com auxílio de paquímetro digital;
rendimento de suco (JY, em %) calculado a partir da
relação peso do fruto/peso do bagaço do fruto, e teor de
sólidos solúveis (SS, em °brix) verificado com refratômetro
digital portátil tipo Palette PR - 32, marca ATAGO, com
compensação automática de temperatura. Foram
realizadas quatro avaliações para o grupo de
desenvolvimento vegetativo (aos 736, 918, 1083 e 1249
dias após o plantio), oito avaliações para o grupo
produtivo (aos 736, 808, 861, 918, 972, 1083, 1200 e
1249 dias após o plantio). e três avaliações no grupo
qualidade dos frutos (aos 972, 1083 e 1200 dias após o
plantio).
análise estatística
Os componentes de variância e os valores
genotípicos foram estimados pelo algoritmo Markov
Chain Monte Carlo (MCMC). O modelo de repetibilidade,
baseado nas médias das parcelas, foi determinado de
acordo com QUINTAL et al. (2017), seguindo a estrutura:
y=Xÿ+Zg+Wi+Ts+e,
onde y é o vetor de dados fenotípicos, com a distribuição
condicional assumida como: y | ÿ, g, i, s, ,
Ciência Rural, v.52, n.5, 2022.
Machine Translated by Google
Inter-relações entre características produtivas, vegetativas e de qualidade de frutos em lima ácida Tahiti por meio de inferência bayesiana.
, , R ~ N(Xÿ+Zg+Wi+Ts+e, R ÿ I), onde é
a matriz de (co)variância genotípica, é a
interação do genótipo por medição (G × M), é a
matriz de (co)variância ambiental permanente ,
R é a matriz de (co)variância residual e I é uma
matriz de identidade; é o vetor de combinações de
replicação de medidas (efeito sistemático), que
compreende os efeitos de medição, replicações e
interação replicação x medição, assumido como ; g
é o vetor de efeitos
genotípicos, assumido como g| ~ N(0, ÿ I); i é o
vetor de efeitos G×M, assumido como i | ~ N(0, ÿ I);
s é o vetor de efeito ambiental permanente,
assumido como s| ~ N(0, ÿ I). Os termos X, Z, W e
T referem-se à matriz de incidência para os efeitos
sistemáticos, genotípicos, interação G × M e efeitos
ambientais permanentes, respectivamente.
Nós assumimos que , , , eR
seguem uma distribuição de Wishart invertida WI (v, V),
com hiperparâmetros v e V (SORENSEN & GIANOLA,
2002). Os hiperparâmetros para todas as distribuições
anteriores foram selecionados para fornecer distribuição
prévia não informativa ou plana. Para os efeitos
sistemáticos ÿ, atribuiu-se uma distribuição a priori uniforme.
Além disso, os parâmetros ÿ, g, i, s e
, , , R foram estimados, seguindo a
distribuição posterior conjunta:
P (ÿ, g, i, , , , R|y) ÿ P(y| ÿ, g, i, ,
, , s, R × P (ÿ, g, i, s, , , s, , R).
Modelando variância residual
Modelos que contabilizam diferentes
estruturas de variância residual (diagonal – DIAG e
componente de variância – IDV) foram testados por
meio do critério de informação de desvio (DIC)
(SPIEGELHALTER et al., 2002) para cada característica.
O DIC foi calculado da seguinte forma: DIC = D(ÿ) +
2pD, onde D(ÿ) é uma estimativa pontual da deviance
obtida substituindo os parâmetros por suas estimativas
médias posteriores na função de verossimilhança, e pD
é o número efetivo de parâmetros estimados. Além
disso, o DIC foi usado para testar a significância dos efeitos aleatórios
O algoritmo MCMC por amostragem de
Gibbs, foi implementado como um processo iterativo.
Para o processo de estimação iterativa, foi
considerado um total de 2.000.000 iterações, sendo
200.000 cadeias consideradas como período de
burn-in e um intervalo de amostragem de 10 (thin
period) foi utilizado. No total, foram realizadas 180.000 correntes.
Após a conclusão do processo iterativo, a convergência
da cadeia foi verificada pelo critério de HEIDELBERGER
& WELCH (1983). Além disso, a média seletiva
3
a acurácia (rÿ ÿgi) foi estimada como (RESENDE et al., 20
onde representa o padrão
14): desvio do valor genotípico estimado.
Análise de caminho e correlações
Os valores genotípicos estimados por meio
do algoritmo MCMC foram; portanto, submetido à
análise de correlação de Pearson, com verificação da
significância do coeficiente por meio do teste t, com
probabilidade de erro de 5%. A análise de trilha foi
precedida por um diagnóstico de teste de
multicolinearidade. Para tanto, estimam-se os
coeficientes de correlação entre as variáveis
explicativas por meio da análise do número de
condição (CN). A análise de caminho foi realizada em
dois cenários diferentes. O primeiro cenário foi
realizado considerando o caráter FY como o principal
devido a sua importância econômica e o caráter
poligênico, enquanto o segundo cenário considerou o
caráter SS como o principal, por ser um caráter que necessita de equ
As análises bayesianas foram realizadas no
software R (R DEVELOPMENT CORE TEAM,
2020) por meio dos pacotes 'MCMCglmm' (HADFIELD,
2010) e 'boa' (SMITH, 2007). As correlações de
Pearson e a análise de trilha foram realizadas por
meio do software Genes (CRUZ, 2016).
RESULTADOS E DISCUSSÃO
O diagnóstico de convergência da cadeia (o teste
de estacionaridade de Heidelberg) indicou que todos os
componentes de (co)variância convergiram quando 180.000
amostras efetivas foram usadas (Figura 1). Além disso, os
valores de DIC indicaram o modelo com variância residual
como diagonal o melhor ajuste para todas as características
analisadas (Tabela 1). No melhoramento perene, os modelos
mais bem ajustados apresentam, em geral, estruturas de
variâncias residuais heterogêneas, como diagonais ou não
estruturadas (GIRI et al., 2019). Por exemplo, a variação
espacial é reconhecida como o principal fator perturbador
para as culturas perenes e pode diferir em função das
mudanças sazonais e do estágio de crescimento das culturas
(FAVERI doetmodelo.
al., 2015; RESENDE, 2002). Os resultados
evidenciaram que todos os efeitos do modelo foram
significativos por DIC, exceto para as características do grupo
de qualidade dos frutos (características SS e ST) (Tabela 1).
Assim, o modelo Bayesiano foi capaz de predizer os valores
genotípicos das características analisadas (Figura 2). O
intervalo de alta densidade posterior (HPD) obtido por
inferência Bayesiana tende a ser mais curto ou pelo menos
igual ao intervalo de confiança, e deve ser preferido (SILVA et al., 2020).
Os valores de precisão seletiva variam
de 0,69 a 0,95 (NF: 0,83; FY: 0,84; SD: 0,69; CV:
Ciência Rural, v.52, n.5, 2022.
Machine Translated by Google

Malikouski et ai.
4

Figura 1 - Cadeia de distribuição das estimativas médias de efeito genotípico para todas as características
analisadas. O lado direito representa a densidade de distribuição posterior para a variância genotípica estimada.
O lado esquerdo representa todos os valores de iteração gerados pelo algoritmo MCMC. NF = número
de frutos; FY = produção de frutos; SD = diâmetro do caule; CV = volume da copa; SS = Teor de
sólidos solúveis; JY = rendimento de suco; ST = espessura da casca.

0,92; SS: 0,94; JY: 0,95; e ST: 0,91). Segundo RESENDE & ALVES
(2020) os valores de acurácia seletiva foram considerados
adequados, permitindo a seleção de genótipos com desempenho
superior e estudos de inter-relação entre caracteres.
Maiores valores de correlações foram observados
entre o par ou características NF e FY (0,99). Em
Além disso, ambas as características apresentaram alta correlação
com a característica JY (0,73 e 0,70 para NF e FY, respectivamente).
Os caracteres referentes ao grupo de qualidade do fruto apresentaram
alta correlação entre si (0,77 para JY x SS e 0,80 para ST x SS),
com exceção do par de caracteres JY x ST, onde a correlação foi de
0,45. Todas as características do grupo de produtividade (NF e FY)
mostraram um não

Ciência Rural, v.52, n.5, 2022.

Machine Translated by Google

Inter-relações entre características produtivas, vegetativas e de qualidade de frutos em lima ácida Tahiti por meio de inferência bayesiana. 5

Tabela 1 - Critério de inferência deviance para um modelo homogêneo (IDV) e heterogêneo (DIAG) de variância residual e significância dos efeitos para o
modelo escolhido para todas as características analisadas. NF = número de frutos; FY = produção de frutos; SD = diâmetro do caule; CV =
volume da copa; SS = Teor de sólidos solúveis; JY = rendimento de suco; ST = espessura da casca.

Estrutura -------------------------------------------------- ---------------Característica---------------------------------- -------------------------------------

nota fiscal MEU SD cv SS VOCÊ ST

IDV 7283.92 3567,27 2747,23 1205,43 450,15 1817,73 227.338
DIAG 7050.25# 3258.72# 1015.87# 2610.58#
---------------------------------------------- 434.91# 1808.98# 209.462#
Efeito ----------Teste de significância de efeitos-------------------------------------- -------------------
Genotípico 7078.69 3296,22 2612.38 1026,37 435.576 1807,47* 209,88*
Interação 7086.08 3384,36 2619,4 1094,95 581.05 1878,83 358.07
Permanente 7173,95 3316,85 2676,91 1149,63 438.052 1829.09 213.11
modelo completo 7050,25* 3258,72* 2610,58* 1015,87* 434.911* 1808.98 209,46

#
indica a variância do erro residual que apresentou o melhor ajuste aos dados.
*
modelo com o melhor ajuste baseado em DIC.

correlação nula com as características do grupo de qualidade
do fruto (NF x SS: 0,45; NF x AF: 0,99 e SS x AF: 0,46). No
entanto, nenhuma das características apresentadas nesses
dois grupos apresentou correlação significativa com as
características do grupo vegetativo (CV e SD), sendo que a
correlação entre esses dois foi a segunda maior relatada nas
análises (0,86). As demais correlações não foram
estatisticamente diferentes de zero.
Esses resultados destacam as correlações mais
altas entre pares de características do mesmo grupo. É
resultado dos mesmos genes controlando essas características,
o que não foi indicado para pares de características de grupos
diferentes. A exceção, característica JY, apresentou alta
correlação com as características do grupo produtivo. No
entanto, esta característica pode ser considerada como uma
resposta direta das demais (FY e NF), implicando na alta correlação observada.
em ambos os cenários. Além disso, apresentou correlação
O diagnóstico de multicolinearidade identificou
multicolinearidade severa para a matriz dos valores genotípicos
estimados por inferência bayesiana (NC > 100) para ambos os
cenários (FY e SS como característica principal). Quando o
traço NF foi retirado da análise, a análise de diagnóstico de
multicolinearidade obtida foi considerada fraca em ambos os
casos (NC igual a 34,04 e 27,18 para FY e SS como traço
principal, respectivamente) (Tabela 2).
A análise de trilha considerando FY como
característica principal revelou um efeito direto positivo para
CV (0,2306) e JY (0,7740). Por outro lado, as características
SD, ST e SS apresentaram valores negativos e menores de
efeito direto (-0,1392, -0,0333 e -0,1474, respectivamente)
(Mesa 2). Quanto aos efeitos indiretos, destaca-se a contribuição
do SS via JY (0,6009). Na soma total dos efeitos (diretos e
indiretos) houve maior contribuição do traço JY (0,7065) e
menor
contribuição do traço SD (0,1142) na expressão de FY. Os
parâmetros de qualidade da análise apresentaram coeficiente
de determinação (R²) moderado de 53,45% e efeito residual de
0,6823 (Tabela 2).
Resultados semelhantes foram observados no
segundo cenário (SS como característica principal). O maior
valor de efeito direto positivo foi relatado pelo traço JY1
(0,5913). O traço ST demonstrou um efeito direto de magnitude
semelhante (0,5409). Para efeitos indiretos na expressão do
traço SS, a maior contribuição foi observada para SD via JY
(0,45), JY pelo traço SD (0,4178). Além disso, foram superiores
ao efeito residual (0,37), enquanto o coeficiente de determinação
foi considerado maior (85,99%) (Tabela 2).
O traço JY foi responsável pelo maior efeito direto
genotípica significativa com FY e SS, mostrando que há uma
boa ocorrência de relação de causa e efeito. Pode-se dizer que
JY é importante para explicar FY e SS, além de ser uma
característica relevante na determinação da qualidade do fruto
(DUBEY & SHARMA, 2016).
Maior eficiência foi observada na análise de trilha considerando
SS como principal, pois FY, SD, CV, ST e JY explicaram
85,99% de SS, além de apresentar efeito residual menor que
o cenário que considerou FY como principal. Essa característica
requer equipamentos especializados para realizar a medição;
uma boa explicação da SS baseada nos efeitos diretos e
indiretos dos caracteres secundários pode permitir sua exclusão
em avaliações e pesquisas futuras, o que proporciona economia
de recursos, infraestrutura e mão de obra.
Com exceção de JY em ambos os cenários e ST
no cenário em que SS foi considerado o principal

Ciência Rural, v.52, n.5, 2022.

Machine Translated by Google

Malikouski et ai.
6

Figura 2 - Valores genotípicos a posteriori e alto intervalo de densidade posterior (HPD) de 24

genótipos de limão ácido Tahiti para as características com efeito genotípico
significativo. SD = diâmetro do caule; CV = volume da copa; FY = produção de frutos;
NF = número de frutos; JY = rendimento de suco.

característica, houve baixos efeitos diretos sobre as demais
características e alta correlação genotípica entre as características
de produção e qualidade dos frutos. Isso é um indicativo de que
a seleção truncada no caráter auxiliar pode não proporcionar
ganho satisfatório com a seleção, sendo a estratégia de seleção
simultânea de caráter a melhor a ser empregada (CRUZ et al.,
2014). Apesar de não ter efeito genotípico significativo, JY
mostra-se uma ótima alternativa para seleção indireta em
genótipos que apresentam variação genotípica para a referida
característica.
Embora a característica FY seja uma característica
fácil de medir, a análise de trilha que considera a FY como
característica principal demonstra não ser adequada para este
estudo, uma vez que fornece um coeficiente de determinação menor do programa de melhoramento.
regressão e maior efeito residual. Difere do traço SS como
cenário principal. A discussão sobre a melhor análise de trilha
para o estudo da lima ácida Tahiti foi validada por esses dois
indicadores. Além disso, a escolha do traço SS é a mais aceita.
Esses resultados mostram a importância de se
realizar análises de relação entre os caracteres, uma vez que o
desempenho produtivo das culturas envolve outros fatores que
podem influenciar mais ou menos incidentes em sua expressão.
Além disso, medir muitas características requer equipamentos
sofisticados para sua mensuração, e a identificação de
alternativas mais fáceis e baratas para a caracterização de
genótipos pode diminuir consideravelmente os custos de um

Ciência Rural, v.52, n.5, 2022.

Machine Translated by Google

Inter-relações entre características produtivas, vegetativas e de qualidade de frutos em lima ácida Tahiti por meio de inferência bayesiana. 7

Tabela 2 - Análise do coeficiente de trilha mostrando efeitos diretos e indiretos na produção de frutos (AF) (Cenário 1) e teor de sólidos solúveis (SS)
(Cenário 2) características.

efeitos -------------------------------------------------- --------Características(1)-------------------------------------- ----------------------

-------------------------------------------------- -----Cenário 1------------------------------------------- ----------------

SD cv ST SS VOCÊ

Direto no FY -0,1392 0,2306 -0,0333 -0,1474 0,7740

Indireto via SD -- -0,1209 -0,0036 -0,0046 -0,0106
Indireta via currículo 0,2003 -- 0,0038 0,0309 0,0729
Indireto via ST -0,0009 -0,0005 -- -0,0267 -0,0152
Indireto via SS -0,0048 -0,0197 -0,1183 -- -0,1145
Indireto via VOCÊ 0,0589 0,2445 0,3537 0,6009 --

Total 0,1142 0,3339 0,2023 0,4530 0,7065

-------------------------------------------------- ----Cenário 2-------------------------------------------- ----------------
efeitos
MEU SD cv ST VOCÊ

Direto no SS -0,0444 0,0802 -0,1167 0,5409 0,5913

Indireto via FY -- -0,0051 -0,0148 -0,0090 -0,0314
Indireto via SD 0,0092 -- 0,0697 0,0021 0,0061
Indireta via currículo -0,0390 -0,1013 -- -0,0019 -0,0369
Indireto via ST 0,1094 0,0141 0,0090 -- 0,2472
Indireto via VOCÊ 0,4178 0,4500 0,1868 0,2702 --

Total 0,4530 0,0329 0,1339 0,8022 0,7763

R² (%)(2) ---------------------------53.45---------------------- ----- -----------------------------85,99------------------ -------

Efeito Residual(2) ----------------------------0.6823---------------------- ---- ----------------------0.3743---------------------- ----
NC(3) -----------------------34.04---------------------- ----- ----------------------27.18---------------------- -----

(1) Diâmetro do caule (ST), volume da copa (CV), espessura da casca (ST) e rendimento de suco (JY) sobre o teor de sólidos solúveis (SS).
(2) Coeficiente de determinação (R²) e Efeito residual para os cenários 1 (esquerda) e 2 (direita), respectivamente.
(3) Diagnóstico de multicolinearidade. Número de condição (NC) obtido pela razão entre o maior e o menor autovalor da matriz de correlação para os cenários 1
(esquerda) e 2 (direita), respectivamente. Valor menor que 100 não é um problema para a análise (MONTGOMERY; et al, 2012).

CONCLUSÕES RECONHECIMENTOS

Os valores de acurácia seletiva demonstraram a
confiabilidade da inferência Bayesiana para estimativa de valores
genotípicos. O uso de abordagens bayesianas combinadas com
The authors are grateful to the Bello Fruit company, which provided
the facilities for the development of the experiment, Empresa Brasileira de Pesquisa
Agropecuária (EMBRAPA) and Frucafé company, the source of the genotypes. We
are thankful to the Universidade Federal do Espírito Santo and to the Universidade

análise de correlação e análise de trilha são estratégias eficazes
e devem ser consideradas na avaliação estatística de programas
de melhoramento de lima ácida Tahiti e outras espécies frutíferas
e perenes.
Federal de Viçosa for their contribution for human resource training. We appreciate
the financial support from the Conselho Nacional de Desenvolvimento Científico e
Tecnológico (CNPq), Coordenação de Aperfeiçoamento de Pessoal de Nível Superior
(CAPES), the Espírito Santo Research and Innovation Support Foundation (FAPES),
and the Fundação de Amparo a Pesquisa do Estado de Minas Gerais (Fapemig).
This study was financed in part by the CAPES - Finance Code 001.

De acordo com a análise de trilha, o traço JY

apresenta a maior influência na expressão do traço FY, e os
traços JY com ST influenciam na expressão do traço SS. A CONTRIBUIÇÕES DOS AUTORES
inter-relação entre essas características é importante para
determinar quais estratégias de seleção são adequadas para Todos os autores contribuíram igualmente para a concepção e
redação do manuscrito. Todos os autores revisaram criticamente o manuscrito e
serem aplicadas em um programa de melhoramento.
aprovaram a versão final.

DECLARAÇÃO DE CONFLITO DE
REFERÊNCIAS
INTERESSE
BASTOS, DC e cols. Desenvolvimento inicial de limeira ácida Tahiti sobre diferentes
Os autores declaram não haver conflito de interesses. porta-enxertos no semiárido cearense,

Ciência Rural, v.52, n.5, 2022.

Machine Translated by Google
Malikouski et ai.
8
Brasil. Citrus Research & Technology, v.38, n.1, p.77–82, 2017.
Disponível em: <https://citrusrt.ccsm.br/article/10.4322/crt.
ICC045/pdf/citrusrt-38-1-77.pdf>. Acesso: 12 de novembro de 2020. doi:
10.4322/crt.icc045.
CREVELARI, JA et al. Correlações entre características agronômicas e análise
de trilha para produção de silagem em híbridos de milho.
Bragantia, v.77, n.2, p.243–252, 2018. Disponível em: <http://
www.scielo.br/scielo.php?script=sci_arttext&pid=S0006870
52018000200243&tlng=en>. Acesso: 03 de novembro de 2020. doi:
10.1590/1678-4499.2016512.
CRUZ, CD Genes Software-estendido e integrado com o R, Matlab e Selegen.
Acta Scientiarum. Agronomy, v.38, n.4, p.547–552, 2016. Disponível em:
<https://doi.org/10.4025/
actasciagron.v38i4.32629>. Acesso em: 15 out. 2020. doi: 10.4025/
actasciagron.v38i4.32629.
CRUZ, C. D et al. Modelos biométricos aplicados ao melhoramento
genético. Viçosa: Editora UFV, 2014. 668p.
DENARO, M. et al. Novas percepções sobre o gênero Citrus: de frutas antigas
a novos híbridos. Food Frontiers, v.1, n.3, p.305ÿ328, 2020.
Disponível em: <https://onlinelibrary.wiley.com/doi/epdf/10.1002/
fft2.38>. Acesso: 04 dez. 2020. doi: 10.1002/fft2.38.
DEVY, L. et al. Identificação de Marcador Molecular Baseado no Fator de
Transcrição MYB para a Seleção de Cacau Fino da Indonésia (Theobroma
cacao L.). Pelita Perkebunan (a Coffee and Cocoa Research Journal),
v.34, n.2, p.59–68, 2018. Disponível em: <https://
doi.org/10.22302/iccri.jur.pelitaperkebunan.v34i2.314>. Acesso em: 19 out.
2020. doi: 10.22302/iccri.jur.pelitaperkebunan.v34i2.314.
DOLKAR, T. et al. Variabilidade genética e estudos de correlação em uvas
(Vitis vinifera L.) no distrito de Leh de Jammu e Caxemira.
Advances in Horticultural Science, v.31, n.4, p.241–247, 2017.
Disponível em: <https://doi.org/10.13128/ahs-22376>. Acesso em: 22 out.
2020. doi: 10.13128/ahs-22376.
DOSOKY, NS; SETZER, WN Atividades biológicas e segurança de Citrus spp.
Óleos essenciais. International Journal of Molecular Sciences, v.19, n.7,
p.1–25, 2018. Disponível em: <https://www.
ncbi.nlm.nih.gov/pmc/articles/PMC6073409/>. Acesso em: 04 de novembro
de 2020. doi: 10.3390/ijms19071966.
DUBEY, A.; SHARMA, RM Efeito de porta-enxertos no crescimento arbóreo,
produção, qualidade e composição mineral foliar de limão (Citrus limon (L.)
Burm.). Horticultural Scientia, v.200, p.131–136, 2016.
Disponível em: <https://doi.org/10.1016/j.scienta.2016.01.013>.
Acesso em: 27 out. 2020. doi: 10.1016/j.scienta.2016.01.013.
FAVERI, J. et al. Métodos estatísticos para análise de dados de multicolheitas
de ensaios de seleção de variedades de pastagens perenes. Crop and
Pasture Science, v.66, n.9, p.947–962, 2015. Disponível em: <https://
www.publish.csiro.au/cp/cp14312>. Acesso: 09 nov. 2020. doi: 10.1071/
CP14312.
GIRI, K. et al. Modelagem e previsão do rendimento de matéria seca de
cultivares de azevém perene semeadas em ensaios multiambientais de
colheita múltipla no sudeste da Austrália. Field Crops Research, v.243,
p.107614, 2019. Disponível em: <https://linkinghub.
elsevier.com/retrieve/pii/S0378429019306471>. Acesso em: 05 nov. 2020.
doi: 10.1016/j.fcr.2019.107614.
HADFIELD, JD MCMC Métodos para modelos mistos lineares generalizados
de múltiplas respostas: o pacote MCMCglmm R.
Journal of Statistical Software, v.33, n.2, p.1–22, 2010. Disponível em:
<http://www.jstatsoft.org/v33/i02/>. Acesso: 10 de novembro de 2020. doi:
10.18637/jss.v033.i02.
HEIDELBERGER, P.; WELCH, PD Controle de comprimento de execução de
simulação na presença de um transiente inicial. Operations Research, v.31,
p.1109–1144, 1983. Disponível em: <https://
doi.org/10.1287/opre.31.6.1109>. Acesso: 01 dez. 2020. doi: 10.1287/
opre.31.6.1109.
IMAI, A. et al. Avaliação do melhor método de predição linear imparcial para
valores genéticos de características de qualidade de frutas em citros. Tree
Genetics & Genomes, v.12, n.s6, p.119, 2016. Disponível em: <https://
link.springer.com/article/10.1007/s1129501610788>.
Acesso: 12 de novembro de 2020. doi: 10.1007/s11295-016-1078-8.
LADANIYA, MS et al. Estudos de plantio adensado em calcário ácido (Citrus
aurantifolia Swingle). Scientia Horticulturae, v.261, p.108935, 2020.
Disponível em: <https://linkinghub.elsevier.com/
recuperar/pii/S0304423819308210>. Acesso em: 03 dez. 2020. doi: 10.1016/
j.scienta.2019.108935.
LI, Y. et al. Interações genótipo por ambiente no melhoramento de árvores
florestais: revisão da metodologia e perspectivas de pesquisa e aplicação.
Tree Genetics & Genomes, v.13, n.3, p.60, 2017.
Disponível em: <http://link.springer.com/10.1007/s11295-017-
1144-x>. Acesso: 09 de novembro de 2020. doi: 10.1007/s11295-017-1144-x.
MATIAS, RGP et al. Diversidade genética em cultivares de pessegueiro.
Comunicata Scientiae, v.7, n.3, p.293, 2016. Disponível em: <https://
www.comunicatascientiae.com.br/comunicata/article/
ver/1254/410>. Acesso em: 26 out. 2020. doi: 10.14295/
cs.v7i3.1254.
MONTGOMERY, DC e cols. Introdução à análise de regressão linear. Nova
York: John Wiley and Sons, 2012. 672p.
MORAIS, AL DE et al. Desenvolvimento vegetativo e produção de seleções
de clones de lima ácida 'Tahiti' enxertados sobre diferentes porta-enxertos.
Revista Brasileira de Fruticultura, v.42, n.3, e-585, 2020.
Disponível em: <https://doi.org/10.1590/0100-29452020585>.
Acesso em: 28 out. 2020. doi: 10.1590/0100-29452020585.
OLIVEIRA, EJ e cols. Parâmetros genéticos e predição de valores genotípicos
para características de qualidade de raízes em mandioca usando REML/
BLUP. Genética e Pesquisa Molecular, v.13, n.3, p.6683–
6700, 2014. Disponível em: <https://www.geneticsmr.com/
artigos/3476>. Acesso em: 05 nov. 2020. doi: 10.4238/2014.
28.13.agosto.
QUINTAL, S. S et al. Análise de estruturas de covariância e repetibilidade em
populações segregantes de goiaba. Revista Caatinga, v.30, n.4, p.885-891,
2017. Disponível em: <https://periodicos.
ufersa.edu.br/index.php/caatinga/article/view/6211/pdf>.
Acesso: 10 abr. 2021. doi: 10.1590/0100-29452018462.
EQUIPE CORE DE DESENVOLVIMENTO R. R: Uma linguagem e ambiente
para computação estatística. 2020. On-line. Disponível em: <https://www.r-
project.org/>. Acessado em: 17 de novembro de 2020.
RESENDE, M. D. V. Genética biométrica e estatística no melhoramento
de plantas perenes. Brasilia: Embrapa Informação Tecnológica: Colombo:
Embrapa Florestas, 2002. 975p.
RESENDE, M. D. V. et al. Estatística matemática, biométrica e
computacional: modelos mistos, multivariados, categóricos e
Ciência Rural, v.52, n.5, 2022.
Machine Translated by Google
Inter-relações entre características produtivas, vegetativas e de qualidade de frutos em lima ácida Tahiti por meio de inferência bayesiana.
generalizados (REML/BLUP), inferência bayesiana, regressão aleatória,
seleção genômica, QTL-QWAS, estatística espacial e temporal, competição,
sobrevivência. Viçosa: UFV, 2014. 881p.
RESENDE, M. D. V. Inferência bayesiana e simulação estocástica na
estimação de componentes de variância e valores genéticos em plantas
perenes. Colombo: Embrapa Florestas, 2000. 68p.
RESENDE, MDV; ALVES RS Modelos mistos de regressão linear, generalizada,
hierárquica, bayesiana e aleatória em genética/genômica no melhoramento de
plantas. Functional Plant Breeding Journal, v.2, p.1–31, 2020. Disponível
em: <https://doi.
org/10.35418/2526-4117/v2n2a1>. Acesso em: 12 abr. 2021. doi:
10.35418/2526-4117/v2n2a1.
SANTOS, WNL Dos et al. Determinação simultânea de 13 compostos fenólicos
bioativos em goiaba (Psidium guajava L.) por HPLC-PAD com avaliação por
PCA e Análise de Rede Neural (NNA). Microchemical Journal, v.133, p.583–
592, 2017.
Disponível em: <https://doi.org/10.1016/j.microc.2017.04.029>.
Acesso em: 23 out. 2020. doi: 10.1016/j.microc.2017.04.029.
SILVA, FA DA et al. Impacto da Inferência Bayesiana na Seleção de Psidium
guajava. Scientific Reports, v.10, n.1, p.1999, 2020. Disponível em: <http://
www.nature.com/articles/
9
s41598-020-58850-6>. Acesso em: 18 out. 2020. doi: 10.1038/
s41598-0205885-06.
SMITH, BJ boa: Um Pacote R para Avaliação de Convergência de Saída
MCMC e Inferência Posterior. Jornal de Estatística
Software, v.21, n.11, p.1–37, 2007. Disponível em: <http://www.
jstatsoft.org/v21/i11/>. Acesso em: 30 out. 2020. doi: 10.18637/jss.
v021.i11.
SORENSEN, D.; GIANOLA, D. Métodos de Verossimilhança, Bayesiano e
MCMC em Genética Quantitativa. Nova York: Springer Verlag, 2002. 740p.
SPIEGELHALTER, DJ e outros. Medidas bayesianas de complexidade e ajuste
do modelo. Journal of the Royal Statistical Society: Series B (Statistical
Methodology), v.64, n.4, p.583–639, 2002. Disponível em: <https://
rss.onlinelibrary.wiley.com/doi/
pdfdirect/10.1111/-1467-9868.00353>. Acesso: 19 de novembro de 2020. doi:
10.1111/1467-9868.00353.
ZEKRI, M. Porta-enxertos cítricos afetam a nutrição da copa, a qualidade dos
frutos, o crescimento, a produtividade e o retorno econômico. Fruits, v.55, n.4,
p.231–239, 2000. Disponível em: <https://journals.ashs.org/hortsci/view/
journals/hortsci/35/3/article-p499C.xml>. Acesso em: 15 de abril de 2021. doi:
10.21273/HORTSCI.35.3.499C.
Ciência Rural, v.52, n.5, 2022.