RESUMO: Em ensaios multi-ambientes, grandes redes experimentais são utilizadas para a avaliação de genótipos, tentando contornar o efeito que a interação genótipo por ambiente desempenha na seleção genotípica. Neste estudo, objetivamos testar diferentes estruturas de variância residual e medir o ganho de seleção de genótipos de algodão, baseados em produtividade, adaptabilidade e estabilidade, simultaneamente. Doze genótipos de algodão foram plantados em 10 ambientes, sendo determinados o comprimento da fibra (CF), a resistência da fibra (RF), a micronaire (MIC) e produtividade de fibras (PF). A seleção do modelo para diferentes estruturas de variância residual (homogênea e heterogênea) foi testada usando o Critério de Informação de Akaike (AIC) e o Critério de Informação Bayesiano (BIC). Os componentes de variância foram estimados através de máxima verossimilhança restrita e os valores genotípicos foram preditos através da melhor predição linear não viesada. A média harmônica do desempenho relativo dos valores genéticos (HMRPGV) foram aplicadas para seleção simultânea para adaptabilidade, estabilidade e produtividade. De acordo com o BIC, a estrutura residual heterogênea apresentou o melhor ajuste para a característica PF, enquanto a estrutura residual homogênea apresentou o melhor ajuste para as características CF, RF e MIC. A acurácia seletiva foi alta, indicando confiabilidade da predição. O método HMRPGV foi capaz de selecionar para estabilidade, adaptabilidade e produtividade, simultaneamente, com notável ganho de seleção para cada característica.
ABSTRACT: In multi-environment trials (MET), large networks are assessed for results improvement. However, genotype by environment interaction plays an important role in the selection of the most adaptable and stable genotypes in MET framework. In this study, we tested different residual variances and measure the selection gain of cotton genotypes accounting for adaptability and stability, simultaneously. Twelve genotypes of cotton were bred in 10 environments, and fiber length (FL), fiber strength (FS), micronaire (MIC), and fiber yield (FY) were determined. Model selection for different residual variance structures (homogeneous and heterogeneous) was tested using the Akaike Information Criterion (AIC) and Bayesian Information Criterion (BIC). The variance components were estimated through restricted maximum likelihood and genotypic values were predicted through best linear unbiased prediction. The harmonic mean of relative performance of genetic values (HMRPGV) were applied for simultaneous selection for adaptability, stability, and yield. According to BIC heterogeneous residual variance was the best model fit for FY, whereas homogeneous residual variance was the best model fit for FL, FS, and MIC traits. The selective accuracy was high, indicating reliability of the prediction. The HMRPGV was capable to select for stability, adaptability and yield simultaneously, with remarkable selection gain for each trait.
