Análise de componentes principais modificadas aplicadas a dados de programas de melhoramento genético de plantas

Abstract

Os estudos para a obtenção de novas cultivares com características agronômicas desejáveis no melhoramento genético, são constituídos por um grande número de acessos, seguidos por longos períodos de experimentação. Estes conjuntos de dados são tradicionalmente avaliados por meio de análises univariadas, as quais não levam em consideração a dependência que pode existir entre as variáveis. A CDpca (Clustering and Disjoint Principal Component Analysis) apresenta-se como uma modificação recente da Análise de Componentes Principais, com a finalidade de facilitar a interpretação destes dados. Assim, o objetivo deste trabalho foi aplicar a CDpca em dados agronômicos da área de melhoramento genético de plantas e aprimorar e/ou adequar essa técnica. A Clustering and Disjoint Principal Component Analysis (CDpca) quando comparada a Análise de Componentes Principais (ACP), apresenta algumas vantagens como a facilidade de interpretação de seus resultados. Entretanto, ao comparar os resultados de ambas as técnicas, algumas divergências foram encontradas como: porcentagem de explicação das componentes, variáveis selecionadas para cada componente bem como a escolha de objetos. Outrossim, divergências maiores foram encontradas quando se utiliza três componentes, caso em que a modificação proposta se mostrou como alternativa para tentar solucionar esta questão. Todavia, é interessante ressaltar a necessidade de estudos complementares para melhor entendimento e utilização da CDpca em estudos de melhoramento genético.

Studies to obtain new cultivars with desirable agronomic characteristics in genetic improvement consist of a large number of accessions, followed by long periods of experimentation. These data sets are traditionally evaluated through univariate analyses, which do not take into account the dependence that may exist between variables. CDpca (Clustering and Disjoint Principal Component Analysis) is a recent modification of Principal Component Analysis, with the purpose of facilitating the interpretation of these data. Thus, the objective of this work was to apply CDpca to agronomic data from the area of plant genetic improvement and to improve and/or adapt this technique. Clustering and Disjoint Principal Component Analysis (CDpca) when compared to Principal Component Analysis (PCA), presents some advantages such as ease of interpretation of its results. However, when comparing the results of both techniques, some divergences were found such as: percentage of explanation of the components, variables selected for each component as well as the choice of objects. Furthermore, greater discrepancies were found when using three components, in which case the proposed modification proved to be an alternative to try to solve this issue. However, it is interesting to highlight the need for complementary studies to better understand and use CDpca in genetic improvement studies.