Machine Translated by Google

Biometria 59, 375–381

junho de 2003

Planejamento de experimentos de blocos incompletos quando tratamentos

são geneticamente relacionados

J´ulio S. de S. Bueno Filho

Departamento de Ciências Exatas, CP 37-UFLA 37200-000 Lavras, MG-Brasil
e-mail: jssbueno@ufla.br
e
Steve G. Gilmour
Escola de Ciências Matemáticas, Queen Mary, Universidade de Londres,
Mile End Road, Londres E1 4NS, Reino Unido
e-mail: sggilmour@qmul.ac.uk

Resumo. Os ensaios de seleção em melhoramento vegetal e animal, em blocos incompletos, são descritos por
modelos com parâmetros de efeito aleatório associados a tratamentos com estrutura de covariância genética conhecida.
Sabe-se agora que as informações sobre parentes podem melhorar a análise e muitas extensões deste
modelos foram propostos, mas nenhum estudo foi feito sobre as consequências desse parentesco genético
entre os tratamentos para a otimização de delineamentos de blocos. Usando um critério de otimalidade adequado, mostramos que
o conhecimento sobre parentesco pode implicar que o projeto ideal não está na classe de projetos que são
ideal para tratamentos não relacionados. Implicações para aplicações práticas são discutidas.

Palavras-Chave: Melhoramento; Design de experimentos; Estrutura familiar; Modelos mistos; Projeto ideal.

1. O Problema
Em ensaios de seleção em melhoramento de plantas e animais, o parente
os méritos genéticos dos indivíduos devem ser estimados. Por razões
históricas, a palavra “previsão” é amplamente usada em vez de
“estimativa” para este propósito (Robinson, 1991). Um procedimento de
estimativa apropriado envolve o ajuste de um modelo linear
com blocos aleatórios e efeitos de tratamento. Como o número de
tratamentos a serem testados é geralmente muito grande para ser associado
a blocos completos para um bom controle local,
blocos (raramente balanceados) são normalmente usados.
Os criadores de animais geralmente mantêm registros precisos no pedigree
dados, enquanto os criadores de plantas não, embora mesmo em plantas
reprodução é possível ter acesso a algumas informações sobre o grau de
parentesco genético dos indivíduos incluídos em um
julgamento. Isso pode ser feito seguindo um sistema de acasalamento que
gera populações estruturadas em famílias.
Com as informações do pedigree é possível calcular as probabilidades de
identidade por descendência (ibd). Estas são as probabilidades
que os indivíduos dentro de alguma população compartilham alelos de
ancestrais comuns. Estes foram reconhecidos como os mais
medidas úteis de relacionamento genético desde que Fisher (1918)
argumentou que a variabilidade genética entre as famílias é proporcional à
similaridade genética dentro das famílias. Desde então,
este conceito tem sido amplamente e com sucesso usado para prever
méritos genéticos e resposta à seleção nas espécies economicamente mais
importantes.
O uso de marcadores moleculares está se tornando barato e
agora é possível pensar em alternativas aos dados de pedigree; para
exemplo, a estimativa de coeficientes de relacionamento genético pareado a
partir de informações de marcadores moleculares (por exemplo, Lynch e
Ritland, 1999), ou o uso de similaridade molecular total (identidade no estado)
em vez de medidas ibid de parentesco (Nejati Javaremi, Smith e Gibson,
1997).
Ferramentas eficientes para analisar julgamentos cujo objetivo principal é
seleção estão bem estabelecidos e consistem em ajustar um modelo linear
com valores genéticos de reprodução tomados como aleatórios
efeitos do tratamento, sujeitos a uma covariância genética proporcional à
matriz de relacionamento pairwise (Henderson, 1975).
Henderson (1976) desenvolveu uma técnica de cálculo do
inverso da matriz de relacionamento diretamente dos dados de pedigree e
agora restrito a estimativas de probabilidade máxima
(REML) (Patterson e Thompson, 1971), ou uma classe mais ampla
de estimativas conjuntas a posteriori (Searle, Casella e McCulloch,
1992) são vistos como o estado da arte para a análise de tais
um modelo linear, seja na criação de animais (Harville, 1974)
ou no melhoramento vegetal (Bernardo, 1994). Muitas extensões de
este modelo foi proposto e especialmente no Bayesian
muito progresso foi feito desde Gianola e
Fernando (1986), mas não foram realizados estudos sobre as consequências
da suposição de parentesco genético entre
tratamentos no planejamento de experimentos. Isso é abordado neste
artigo.
Pouco trabalho sobre projetos ótimos aplicados à seleção e
criação foi publicado. Chai e Mukerjee (1999) consideraram designs de blocos
ótimos para cruzamentos dialélicos quando habilidades específicas de
combinação não são desprezíveis. De acordo com estes

375
Machine Translated by Google

376 Biometria, junho de 2003

autores, esta foi uma melhoria considerável em relação ao trabalho
anterior. No entanto, a suposição de efeitos fixos no modelo linear
para a estrutura dialélica é equivalente a ignorar a relação genética
real. S¨olkner (1993) considerou a escolha de indivíduos de cada
geração para construir um projeto de acasalamento ideal para
descrever as propriedades genéticas de uma população, como
ancestrais comuns é um quarto da soma das probabilidades de cada
alelo de um dos pais ser ibd de cada alelo de outro pai. Expressões
diretas para estabelecer essas probabilidades são descritas de forma
abrangente por Kempthorne (1966). Se a seleção for baseada em
estimativas de )/(ÿ2 + ÿ2), que
ÿ
, então a herdabilidade é definida por h2 = (ÿ2 ÿ ÿ

aditividade, dominância e efeitos epistáticos. implica ÿ = (1 ÿ h2)/h2.

Embora este trabalho trate de um tema genético, não trata do problema
da reprodução.
No presente artigo, a hipótese de trabalho é que informações sobre
parentesco genético podem melhorar o planejamento de experimentos,
especialmente experimentos em blocos incompletos, nos quais a
recuperação de informações interfatoriais (neste caso interrelativas)
pode desempenhar um papel importante. Na próxima seção
formalizamos o modelo e as ferramentas de análise, e na Seção 3
discutimos a escolha de um critério de projeto adequado. Os principais
resultados são descritos na Seção 4 e as ilustrações são dadas na
Seção 5. Algumas observações práticas são feitas na Seção 6.
2. O Modelo e a Análise Para a
estimativa de valores genéticos aditivos, ou valores genéticos, vamos
considerar um modelo linear da forma
y = Xÿ + Zÿ + ,
onde y é um vetor aleatório observável n × 1, X é uma matriz de
design n × b para parâmetros de incômodo (blocos), ÿ é um vetor ab
× 1 de meios de blocos aleatórios desconhecidos, Z é uma matriz de
design n × t para tratamentos, ÿ é vetor at × 1 de efeitos de tratamento
aleatórios desconhecidos, que não está correlacionado com ÿ, e é
um vetor n × 1 de erros aleatórios desconhecidos, que não está
correlacionado com ÿ e ÿ .
As características adicionais do modelo são as seguintes:
Se os rótulos dos blocos forem adequadamente randomizados
para blocos, é razoável analisar essas tentativas com recuperação de
interbloco em formação usando efeitos aleatórios para blocos. No
entanto, desenvolveremos um critério de projeto usando o modelo
com efeitos de bloco fixos. Embora o modelo com efeitos de blocos
aleatórios possa ser melhor para análise, as variâncias dos parâmetros
de tratamento estimados dependem da razão entre as variâncias entre
e dentro do bloco. Como essa razão é desconhecida, é mais seguro
projetar para o pior caso, ou seja, aquele que leva às maiores
variações dos parâmetros de tratamento estimados. Isso ocorre
quando a variância entre blocos tende ao infinito, o que equivale ao
caso de blocos fixos. A escolha de efeitos aleatórios para
tratamentos modelo, entretanto, não é uma aproximação da distribuição
de aleatorização, mas surge da suposição de uma população de
genótipos da qual foram selecionados os tratamentos e entre os quais
o parentesco genético é dado por um modelo genético determinístico
que resulta na matriz A. Para este modelo , V(y) = ZGZ + R, a matriz
de informação pode ser escrita como
X Rÿ1X X Rÿ1Z
M=
Z Rÿ1X Z Rÿ1Z + Gÿ1
e a solução para o vetor de parâmetros pode ser calculada (Henderson
et al., 1959) como

E(y) = µ, ÿˆ X R-1
= Mÿ1 y.
V(ÿ) = B, ÿˆ Z R-1

V() = R,
A solução pode ser simplificada para
e
ÿˆ x
V(ÿ ) = G. = (1/ÿ2 )Mÿ1 sim,
ÿˆ Z
Se estamos planejando randomizar as unidades experimentais,
assumimos que onde

XXXZ
R = ÿ2 I e B = ÿ2 ÿI ÿ2 M = .
ZXZZ + ÿAÿ1
e essas suposições são feitas ao longo do restante deste artigo.
Podemos expressar G como Então, na notação usual para projetos de blocos,
G = ÿ2 ÿA = (ÿ2 /ÿ)A, kÿ N
ÿ2 M = ,
onde ÿ = ÿ2/ÿ2 ÿ,
ÿ2ÿ é uma constante associada ao un N rÿ + ÿAÿ1
variância conhecida dos efeitos do tratamento e A = {ÿij } é a matriz
dos coeficientes ibd emparelhados entre os indivíduos i e j, que podem onde kÿ e rÿ são matrizes diagonais dos números de parcelas por
ser calculados a partir de um pedigree (suposto conhecido) bloco e números de repetições por tratamento, respectivamente, e N
como é a matriz de incidência dos tratamentos em blocos.
Henderson (1963) mostrou que a variância do vetor de parâmetros
ÿij = (1/4){P(i1 ÿ j1) + P(i1 ÿ j2) + P(i2 ÿ j1) + P(i2 ÿ j2)}, ÿˆ ÿ ÿ depende somente de CZZ na seguinte expressão:
onde i1 e i2 são os diferentes alelos no mesmo locus para o indivíduo
i, e j1 e j2 são os alelos no mesmo locus para o indivíduo j. Isso
CXX CXZ
significa que a probabilidade de que dois indivíduos i e j na população (1/ÿ2 )Mÿ1 = .
compartilhem alelos de CZX CZZ
Machine Translated by Google
Planejando experimentos de blocos incompletos
Seja o inverso de M calculado usando o complemento de Schur de
matrizes particionadas inversamente (Harville, 1997), como
(kÿ)ÿ1 0 ÿ(kÿ)ÿ1N
(1/ÿ2 )Mÿ1 = + ÿ ÿN(kÿ) ÿ1
00 EU
onde
ÿÿ1 = rÿ + ÿAÿ1 ÿ N(kÿ) ÿ1N .
Observe que, além de ÿAÿ1, esta expressão é igual à matriz de
informação para projetos de blocos incompletos gerais de tratamento
fixo, conforme descrito por John (1971).
Assim, a variância de ÿˆ ÿ ÿ é proporcional a ÿ, que é a matriz cujas
propriedades devemos observar para desenvolver critérios de projeto.
3. O Critério de Projeto A forma
desejável de critério de otimalidade para experimentos de seleção deve
ser baseada diretamente na escolha correta do material selecionado.
Tião e Afonja (1976) fazem sugestões de critérios de projeto para
classificar os parâmetros e selecionar um subconjunto deles. Eles
sugerem que uma função de utilidade adequada para o problema de
ranqueamento será a média do exponencial da variância das
comparações das estimativas dos parâmetros. Segundo eles, esse
critério “tende a eliminar o efeito das diferenças extremas”. Isso implica
que estimar com precisão as diferenças nos parâmetros que estão
mais próximos (e, portanto, mais difíceis de ordenar a priori) deve ser o
principal objetivo do projeto. Em uma população estruturada em família,
isso implica em maior importância na redução da variância das
comparações intrafamiliares, o que pode não ser apropriado.
Se o valor de ÿ for conhecido, pode-se fazer uso de E(ÿˆs) como
critério, onde ÿˆs é o valor predito da fração selecionada (média das
estimativas individuais), e tratar o problema de projeto como um
problema de decisão em um modelo linear hierárquico, como sugerido
por Lindley e Smith (1972), citado por Chaloner e Verdinelli (1996).
Na situação mais simples em que nenhuma outra informação prévia
é conhecida, um bom projeto está fortemente associado à precisão de
comparações pareadas porque, a partir dessas comparações, uma
classificação apropriada pode ser elaborada. Isso sugere o uso do
critério de design
t-1 t
C(Z | ÿ, A) = V (ˆÿi ÿ ÿˆj ),
i=1 j=i+1
assumindo que ÿ e A são conhecidos. É facilmente mostrado que
t t
C(Z | ÿ, A) = t × tr(ÿ) ÿ
i=1 j=1
onde ÿ = {ÿij }. Buscamos um projeto, definido por Z, que minimize C(Z
| ÿ, A).
4. Principais Resultados
Sejam Z1 e Z2 dois designs diferentes, e sejam I e A duas suposições
diferentes sobre a estrutura de covariância dos efeitos do tratamento,
onde A = {ÿij }, conforme descrito anteriormente.
Os designs ideais para diferentes estruturas de covariância resultam em
alguns padrões que podem ser resumidos nos resultados a seguir.
377
1. Um projeto pode ser melhor que outro por causa da alocação de
tratamentos aos blocos, por causa da alocação de tratamentos
aos rótulos de tratamento, ou ambos.
EU
, 2. Se dois designs têm a mesma eficiência ignorando a estrutura de
covariância de tratamento, isso não implica que eles terão a
mesma eficiência se a estrutura de covariância de tratamento for
levada em consideração, ou seja,
C(Z1 | ÿ, I) = C(Z2 | ÿ, I)
ÿ C(Z1 | ÿ, A) = C(Z2 | ÿ, A).
De fato, para qualquer estrutura familiar, exceto quando todos os
tratamentos compartilham o mesmo parentesco, a maioria dos
projetos que são igualmente bons se os tratamentos não forem
relacionados têm eficiências diferentes. Isso implica, por exemplo,
que dois projetos que são ótimos para tratamentos não
relacionados não são igualmente bons para algum parentesco de tratamento.
3. Se um projeto é melhor do que outro ignorando a estrutura de
covariância de tratamento, isso não implica que será pelo menos
tão bom se a estrutura de covariância de tratamento for levada
em consideração, ou seja,
C(Z1 | ÿ, I) < C(Z2 | ÿ, I)
ÿ C(Z1 | ÿ, A) ÿ C(Z2 | ÿ, A).
4. Um projeto sendo melhor que outro para uma determinada
estrutura de covariância de tratamento não implica que será pelo
menos tão bom se a estrutura de covariância de tratamento for
ignorada, ou seja,
C(Z1 | ÿ, A) < C(Z2 | ÿ, A)
ÿ C(Z1 | ÿ, I) ÿ C(Z2 | ÿ, I).
5. Um desenho ser melhor que outro para uma herdabilidade não
implica que será pelo menos tão bom para outra herdabilidade,
dado o mesmo parentesco genético (estrutura familiar), ou seja,
C(Z1 | ÿ1, A) < C(Z2 | ÿ1, A)
ÿ C(Z1 | ÿ2, A) ÿ C(Z2 | ÿ2, A).
Enquanto a segunda afirmação mostra que é necessário distinguir
entre diferentes designs que são ótimos para tratamentos não
relacionados, as afirmações (3) e (4) mostram que não é possível
restringir a atenção a esta classe de designs. Para algumas matrizes de
covariância de tratamento especial que representam situações práticas
no melhoramento de plantas, ou seja, herdabilidades baixas a médias
(ÿ > 1) e meio-irmão (ou seja, ter um pai em comum) ou irmão completo
ÿij ,
(ou seja, ter dois pais em comum) estruturas familiares, o projeto ideal
está na classe de projetos ótimos para tratamentos não relacionados.
5. Ilustrações
Primeiro, ignorando a possível estrutura de covariância dos tratamentos,
considere os designs para comparar 6 tratamentos em 4 blocos de
tamanho 3 fornecidos na Tabela 1. As matrizes de concordância de
,
tratamento, NN e os gráficos correspondentes para esses designs são
fornecidos nas Tabelas 2–7. Os vértices dos grafos representam os
tratamentos e uma aresta une dois tratamentos se ocorrerem juntos no
mesmo bloco.
Machine Translated by Google

378 Biometria, junho de 2003

tabela 1 Tabela 5
Desenhos para 6 tratamentos em 4 blocos de 3 Projeto 4
Bloquear Bloquear matriz de concorrência Gráfico
EU II III 4 EU II III 4 211110
ÿ ÿ
Desenho Projeto 120021 ÿ

1 11 2 25 4 36 6 2 3 11 2 4 34 3 5 65 5 2 ÿ ÿ 102201 ÿ ÿ ÿ

4 (1/3) 102201 ÿ ÿ ÿ ÿ

6 ÿ

120021
Projeto Projeto
3 11 2 23 5 45 6 4 3 11 2 4 23 5 6 54 6 3 ÿ 011112 ÿ
4
6
Tabela 6
Projeto Projeto
5 11 2 34 3 65 6 6 2 11 4 4 22 5 5 33 6 4 Projeto 5
5
matriz de concorrência Gráfico
6

ÿ
201111 ÿ
021111 ÿ

ÿ ÿ 112002 ÿ ÿ ÿ
mesa 2 ÿ

Projeto 1 (1/3) 110220 ÿ ÿ ÿ

matriz de concorrência Gráfico 110220

ÿ 112002 ÿ
ÿ
211011 ÿ
121101 ÿ

ÿ ÿ 112110 ÿ ÿ ÿ ÿ

(1/3) 011211 ÿ ÿ ÿ

ÿ
Os designs 1, 2 e 3 são designs de gráficos regulares
ÿ

101121 equivalentes, ideais para bloquear tratamentos não relacionados,

ÿ 110112 ÿ representando diferentes alocações de tratamentos para rótulos de tratamento no
mesmo projeto básico. Os desenhos 4 e 5 também são equivalentes, mas
abaixo do ideal para tratamentos não relacionados. O projeto 6 é um projeto
desconectado e, portanto, é ruim para tratamentos não relacionados.
1
Tabela 3 Considere agora as matrizes de correlação de tratamento A1 2=
Desenho 2 I, e A2 e A3 fornecidas, junto com os gráficos de relação genética
de tratamento, na Tabela 8. Observe que A2 representa três
matriz de concorrência Gráfico famílias de dois irmãos (meio-irmãos) e A3 representa o
201111 heredograma mostrado no gráfico, onde dois tratamentos são
ÿ ÿ vinculados se tiverem um pai em comum. Em ambos os casos, estamos assumindo
021111 ÿ

.
ÿ ÿ 112011 ÿ ÿ ÿ
ÿ

ÿ= 18
ÿ

ÿ
É fácil ver que a relação entre tratamentos pode ser sobreposta à relação
(1/3) 110211 ÿ ÿ ÿ

ÿ de projeto. As questões interessantes do ponto de vista do melhorista de

ÿ

111120 plantas são:

ÿ 111102 ÿ
Os designs de blocos ideais estão sempre na classe de designs
ideais para tratamentos não relacionados ou não.

Tabela 4
Tabela 7
Projeto 3
Projeto 6
matriz de concorrência Gráfico matriz de concorrência Gráfico

ÿ
211110 ÿ
ÿ
222000 ÿ
120111 ÿ

ÿ ÿ 102111 ÿ ÿ ÿ
ÿ

ÿ
222000 ÿ

ÿ
ÿ ÿ 222000 ÿ ÿ ÿ

(1/3) 111201 ÿ ÿ ÿ
ÿ

ÿ (1/3) 000222 ÿ ÿ ÿ ÿ

ÿ
ÿ

111021 ÿ

000222
ÿ 011112 ÿ
ÿ 000222 ÿ
Machine Translated by Google

Planejando experimentos de blocos incompletos 379

Tabela 8 2
Matrizes de correlação de tratamento

Estrutura familiar simples

1,5
Matriz ibd par a par Gráfico

ÿ
0,5 ÿ 0000 ÿ
ÿ

ÿ 0,50 0 0 0 0 00,5 ÿ 0 ÿ

iirD
oestlfoa
açssnoeirré ncv
d
1
ÿ ÿ

0 0 0 ÿ 0,50 0 ÿ

A2 = ÿ

ÿ
ÿ

ÿ ÿ

ÿ ÿ

0 0 0 00,5 ÿ 0,5

ÿ 0000 ÿ 0,5 ÿ

Pedigree complexo
0

Matriz ibd par a par 0,6 0,8 1 1.2 1.4 1.6 1.8 2
Gráfico ÿ

ÿ
0,50 0 0 ÿ ÿ ÿ Figura 1. Diferença no critério para estrutura familiar A1 (critério
ÿ

ÿ
0 0,5 0 ÿ 0 ÿ 0 00,5 ÿ ÿ ÿ

ÿ
para projetos rotulados menos critério para projeto 2).
ÿ

0 0 ÿ ÿ 0,50 0
ÿ

Linha de base: desenhos 1 e 3; (····): desenhos 4 e 5; (- - - -):

A3 = ÿ ÿ

ÿ
ÿ

ÿ
projeto 6.
ÿ ÿ

ÿ 0 ÿ 0 0,5 0
ÿ ÿ ÿ 0 0 00,5 ÿ
5.3 Estrutura familiar A3
Na Figura 3, plotamos a diferença nos critérios para os outros
delineamentos menos o critério para o delineamento 6 para uma
faixa de valores de ÿ. Para altos valores de herdabilidade e pequenos
valores de ÿ, todos os outros designs são melhores que o design 6.
O delineamento ótimo deve ser simultaneamente bom tanto
O modelo com efeitos de tratamento fixo pode ser obtido fazendo ÿ
para o bloqueio em si quanto para alcançar baixo parentesco
genético médio dentro dos blocos? ÿ 0 (ou sua itabilidade ÿ 1), então os melhores designs nesta situação
também são aqueles na classe dos melhores designs para tratamentos
geneticamente não relacionados. Para esta situação, o projeto 6 é o pior possível.
5.1 Estrutura familiar A1 Na
O resultado importante, porém, é que C(outros) – C(Z6) > 0 com
Figura 1, os desenhos para tratamentos não relacionados são
valores maiores de ÿ, ou seja, há um valor na herdabilidade abaixo
comparados. Esta figura mostra que os melhores designs são os designs
do qual os demais delineamentos são piores que o delineamento 6
1, 2 e 3, os designs de gráficos regulares, conhecidos por serem ótimos para seleção.
para estruturas de tratamento fixas e critérios semelhantes, como a otimização A.
Os delineamentos 4 e 5 são subótimos e o delineamento 6 é claramente o
pior, como esperado, para tratamentos não relacionados (independentemente 7
da herdabilidade).
6
5.2 Estrutura familiar A2
Neste caso, ilustramos quais delineamentos serão melhores para as
5
distintas estruturas familiares usuais no melhoramento de plantas, bem
como testes de progênie de meio-irmãos ou irmãos completos. Na
4
Figura 2 mostramos que, usando a matriz A2 para expressar o
parentesco genético entre três famílias de meio-irmãos, o delineamento
iirD
a
estlfo
o
açssnoeirré n
d
v
c

3
2 é sempre ótimo. Nesta figura, no entanto, é possível ver que o
delineamento 1 é igual ao delineamento 3 e que ambos os
2
delineamentos são melhores que o delineamento 5 para valores muito
pequenos de ÿ (herdabilidades muito altas), mas piores para ÿ > 0,41 ( herdabilidades médias a baixas).
1
O design 6 é sempre o pior para essa estrutura familiar. Para
três famílias de irmãos completos este quadro geral não muda,
0
exceto que o valor crítico da herdabilidade é maior que 0,75 (ÿ
0,4 0,6 0,8 1 1,2 1.4 1.6 1.8
< 0,33). ÿ
Isso ilustra que a avaliação de designs pode mudar com a
herdabilidade, mas também sugere que pode ser possível Figura 2. Diferença de critérios para a estrutura familiar A2
encontrar o design ideal na classe de designs ótimos para (critério para projetos rotulados menos critério para projeto 2).
tratamentos não relacionados para algumas situações comuns Linha de base: desenho 2; (.........): desenhos 1 e 3; (——–):
no melhoramento de plantas. desenho 4; (xxxx): projeto 5; (- - - -): projeto 6.
Machine Translated by Google

380 Biometria, junho de 2003

0,4 do BEX-1248/00-6 da CAPES. Agradecemos aos árbitros

0,2
por sugerir várias melhorias para a apresentação de
0
o papel.
-0,2 0,2 0,4 0,6 0,8 1 1.2 1.4
ÿ
-0,4
´
-0,6 Currículo e´
-0,8

-1
Les essais de s´election par croisement chez les plantes ou les
animaux, effectu´es avec des dispositifs en blocs incomplets,
iirD
oestlfoa
açssnoeirré ncv
d

-1,2
são análises par des mod`eles lin´eaires mixtes incluindont des
-1,4
estruturas de covariâncias g´en´etiques entre les traitements.
-1,6
Il est maintenant reconnu que l'information sur la parent´e
-1,8
peut am´eliorer l'analyse et de nombreuses extensions de ces
-2
mod`eles ont ´et´e propos´ees mais aucune ´etude n'a ´et´e faite
-2,2
quant aux consequences de cet aparenteement g'en'etique entre
-2,4
les traitements sur la d´efinition de dispositifs exp´erimentaux
-2,6
optimaux. A partir de um critério de otimização, nous montrons
que la connaissance de l'apparentement pode implicar que le
Figura 3. Diferença no critério de estrutura familiar A3.
plano de experiência ideal ne soit pas dans la classe desplans
Linha de base: projeto 6; (- - - -): desenhos 2 e 3; (): projeto 1; qui sont optimaux pour les traitements non aparente´es. Les
(xxxx): projeto 4; (——–): projeto 5. as consequências práticas são discutidas.

A análise com efeitos aleatórios para tratamentos pode resultar Referências

em resultados de seleção muito diferentes (e melhores) com baixas
Bernardo, R. (1994). Predição do desempenho de cruzamento simples de
herdabilidades, pois com altas herdabilidades também é fácil
milho usando RFLPs e informações de híbridos relacionados. Crop
encontre os melhores genótipos com uma análise de modelo fixo. No
Science 34, 20–25.
caso limite de hereditariedade de 100%, nenhum experimento é necessário
Chai, FS e Mukerjee, R. (1999). Projetos ideais para cruzamentos di alelos
de forma alguma. Para valores maiores de ÿ e valores menores de herdabilidade,
com habilidades específicas de combinação. biometria
a importância relativa da informação sobre o indivíduo
86, 453–458.
fenótipo começa a ser menor e as informações transmitidas
Chaloner, K. e Verdinelli, I. (1996). Bayesiano experimental
pelos irmãos que estão nas outras parcelas aumenta (a parcela de ÿÿ1
projeto: uma revisão. Ciência Estatística 10, 270–304.
em relação a ÿAÿ1).
Fischer, RA (1918). A correlação entre parentes no
Com este pedigree relativamente pequeno e complexo, é possível
suposição de herança mendeliana. Transações do
achar que o design 6 é o melhor, mas será bastante difícil
Sociedade Real de Edimburgo 52, 399–433.
em situações práticas para pedigrees maiores. Para um grande número
Gianola, D. e Fernando, RL (1986). Métodos bayesianos em
de indivíduos, a matriz de relacionamento será bastante
teoria da reprodução animal. Jornal de Ciência Animal 63,
esparso e é possível fazer grupos de tratamentos que
217–244.
compartilham alelos (para estabelecer estruturas familiares). Assim, para
Harville, DA (1974). Inferência bayesiana para componentes de variância
situações comuns no melhoramento de plantas, é muito provável que encontremos
usando apenas contrastes de erro. Biometrika 61, 383–
uma matriz de relação genética esparsa (A) para 385.
pedigrees ou estruturas familiares discretas. Para a maioria dessas
Harville, DA (1997). Álgebra de matrizes de um estatístico
situações, pode-se esperar que o melhor projeto seja encontrado
Perspectiva. Nova York: Springer.
na classe dos designs de gráficos regulares que são ótimos para
tratamentos não relacionados.
Henderson, CR (1963). Índice de seleção e avanço genético esperado.
Em Genética Estatística e Melhoramento de Plantas,
WD Hansen e HF Robinson (eds). Washington,
6. Considerações Finais
DC: Academia Nacional de Ciências e Conselho Nacional de
Mostramos que, para fins de seleção, o parentesco genético tem um papel Pesquisa.
importante em encontrar o design ideal para o bloqueio. Para algumas Henderson, CR (1975). Melhor estimativa linear imparcial e
estruturas de covariância genética simples, derivadas de estruturas predição sob um modelo de seleção. Biometria 31, 423–
familiares com parentesco constante entre os tratamentos, o delineamento 449.
ótimo está na classe de Henderson, CR (1976). Um método simples para calcular o
projetos ideais para tratamentos não relacionados. Isso implica que inverso de uma matriz de relação numeradora usada na previsão
alguns projetos são bastante robustos à especificação incorreta da de valores de reprodução. Biometria 32, 69–83.
estrutura de covariância. No entanto, para estruturas de covariância especiais Henderson, CR, Kempthorne, O., Searle, SR e von
é possível encontrar o design ideal fora da classe de Krosig, CM (1959). A estimativa do ambiente
projetos ideais para tratamentos não relacionados. e tendências genéticas de registros sujeitos a descarte. Métricas
biológicas 15, 192–218.
John, PWM (1971). Desenho Estatístico e Análise de Experimentos. Nova
Reconhecimentos
York: Macmillan.
A maior parte deste trabalho foi realizada quando o primeiro autor visitou Kempthorne, O. (1966). Uma Introdução à Estatística Genética.
Queen Mary, Universidade de Londres, com apoio financeiro Nova York: Wiley.
Machine Translated by Google
Planejando experimentos de blocos incompletos
Lindley, DV e Smith, AFM (1972). Estimativas de Bayes para o modelo
linear. Jornal da Royal Statistical Society, Série B 34, 1–41.
Lynch, M. e Ritland, K. (1999). Estimativa de parentesco pairwise com
marcadores moleculares. Genética 152, 1753-1766.
Nejati-Javaremi, A., Smith, C. e Gibson, JP (1997). Efeito da relação
alélica total na precisão da avaliação e resposta à seleção. Journal
of Animal Science 75, 1738–1745.
Patterson, HD e Thompson, R. (1971). Recuperação de informações entre
blocos quando os tamanhos dos blocos são desiguais.
Biometrika 58, 545–554.
Robinson, GK (1991). Que BLUP é uma coisa boa: O
381
estimativa de efeitos aleatórios. Ciência Estatística 6, 15-51.
Searle, SR, Casella, G. e McCulloch, CE (1992). Componentes de
variância. Nova York: Wiley.
S¨olkner, J. (1993). Escolha de critérios de otimalidade para o desenho de
experimentos de cruzamento. Journal of Animal Science 71, 2867–
2873.
Tião, GC e Afonja, B. (1976). Algumas considerações bayesianas sobre
a escolha do projeto para classificação, seleção e estimativa. Anais
do Instituto de Matemática Estatística. 28, 167-186.
Recebido em setembro de 2001. Revisado em novembro de 2002.
Aceito em novembro de 2002.