Documente Academic
Documente Profesional
Documente Cultură
127-133 enero-marzo
Revisión Bibliográfica
LOS MODELOS LINEALES GENERALIZADOS MIXTOS.
SU APLICACIÓN EN EL MEJORAMIENTO DE PLANTAS
Review
Generalized linear mixed models. Its application in plant breeding
Key words: plant breeding, quantitative genetics Palabras clave: fitomejoramiento, genética cuantitativa
127
Evelyn Bandera Fernández y Leneidy Pérez Pelea
128
Cultivos Tropicales, 2018, vol. 39, no. 1, pp. 127-133 enero-marzo
Tablas I. Tipos de modelos en función del tipo de variable, características y procedimiento a emplear
con el programa SAS
Tipo de modelo Características PROC-SAS
Efectos fijos
Modelos Lineales Generales ANOVA, ANACOVA,
Distribución normal. Estimación por Mínimos Cuadrados (LS)
(GLM, General Linear Análisis de regresión,
Variable dependiente continua
Models) MANOVA
Variable independiente continua o discreta
129
Evelyn Bandera Fernández y Leneidy Pérez Pelea
los mejores predictores lineares aditivos y genotípicos (23). Estos y residuos, respectivamente, y
insesgados a nivel individual autores seleccionaron las mejores se supone que son aleatorios
(BLUPIS). Estos autores familias de caña de azúcar para y normalmente distribuidos con
consideraron en su experimento caracteres agroindustriales, a vectores medios nulos y matrices
como efectos fijos, los efectos partir de los valores genéticos de varianza-covarianza R, G,
experimentales, que incluyen la y aditivos obtenidos por esta GE y E, respectivamente. Estas
media general y como efectos metodología. Además obtuvieron matrices de varianza-covarianza
aleatorios los efectos aditivos valores altos de heredabilidad presentan una estructura simple
del genotipo de los individuos, para la selección familiar y valores de componente de varianza (30).
la capacidad específica de bajos y medios para la selección El ANOVA regular mixto
combinación y el efecto de los individual. asume que todos los términos de
bloques. A partir del análisis de los Otros autores, al emplear la interacción genotipo-ambiente
resultados, determinaron que las la metodología REM/BLUP tienen la misma varianza y son
familias que estaban formadas por determinaron las familias que independientes; aunque algunos
el grupo dos eran las que debían presentaban las características autores han empleado un modelo
ser recomendadas en el programa de producción esperadas y los mixto que involucra la diagonal
de mejoramiento de la caña en mejores individuos para cada una de la matriz G con varianzas
Brasil, por tener variedades de ellas (24). heterogéneas (por genotipo)
óptimamente adaptadas a las Ensayos multiambientes para los términos aleatorios de
condiciones de sabana brasileña. la interacción (31). Por tanto,
La respuesta diferencial de un
De igual forma, en otro el modelo asume que todos los
genotipo o cultivar dado a través
estudio utilizaron la metodología términos genotipo-ambiente que
de diferentes ambientes se conoce
de los modelos mixtos para involucran un genotipo particular,
como Interacción Genotipo-
predecir los efectos genotípicos tienen la misma varianza genotipo-
Ambiente (IGA) (GEI, Genotype-
de cada familia y los valores ambiente, y serán tan diferentes
Environment Interaction).
genotípicos de cada individuo los componentes de varianza
Los caracteres más
dentro de cada familia (21). genotipo-ambiente, como
importantes de los cultivos
Estos autores consideraron en su el número de genotipos. Los
comerciales están controlados
modelo mixto, la media general, componentes de varianza REML,
por poligenes con varios tipos
como de efectos fijos y el efecto asignables a cada genotipo,
de efectos genéticos que son
genotípico de cada familia, como estiman los mismos parámetros
afectados por el ambiente. El uso
aleatorio. El número óptimo de que la varianza de estabilidad de
del operador multiplicativo para
genotipos fue seleccionado en las Shukla (32).
modelar la interacción genotipo x
mejores familias, obteniendo una La autora comparó los
ambiente ha sido propuesto por
alta eficiencia del método BLUPIS. biplots obtenidos cuando colocó
varios investigadores (25-29).
Estimación de los componentes en el m-ésimo eje λmj, como
Los modelos lineales-
de varianza valores genotípicos, en cada
bilineales mixtos son útiles para
término multiplicativo, y el
La cantidad de variación modelar la interacción genotipo-
m-ésimo elemento del escalado
del genotipo se mide y expresa ambiente y estimar las matrices
EBLUP (xi) como el valor para
mediante la varianza. La varianza de varianza-covarianza (30). Un
el i-ésimo ambiente, contra el
fenotípica se descompone en modelo lineal-bilineal de efecto
biplot tradicional obtenido de un
varianza genética y varianza mixto para G genotipos, S sitios y
modelo fijo (11). Los biplots bajo
ambiental. A su vez, la varianza R réplicas es:
ambos enfoques fueron obtenidos
genética se descompone en
Y = Xb + Zr +Zg + Zge + e para varios ficheros completos
varianza aditiva, de dominancia
de ensayos de variedades. Los
y de interacción epistática (22). Donde: X, Zr, Zg y Zge son las
procedimientos diferentes para
La partición de la varianza en matrices de diseño para efectos fijos,
obtener los biplots en ambos
componentes, permite estimar de efectos aleatorios replicados
enfoques, mostraron el mismo
la importancia relativa de los dentro de sitios, genotipos, y la
patrón de iteración. Datos de
determinantes del fenotipo, en interacción, respectivamente,
experimentos de campo de plantas
particular, el papel de la herencia y e es el vector de residuos.
de caña, de 2007- 2009 (33)
frente al ambiente. El vector b denota los efectos
fueron empleados para comparar
El método REML/BLUP de los fijos de los sitios, y los vectores
la exactitud de predicción de
modelos mixtos, permite estimar r, g, ge y e contienen efectos
varios modelos mixtos contra el
los parámetros genéticos, los BLUP aleatorios de repeticiones dentro
enfoque de modelos fijos. Los
y predecir los valores genéticos de los sitios, genotipos, interacción
ensayos de campo regulares
130
Cultivos Tropicales, 2018, vol. 39, no. 1, pp. 127-133 enero-marzo
Tabla II. Funciones de enlace de los Modelos Lineales Generalizados (GLM) más usados, al emplear el
paquete SAS
Modelo Lineal
Continua Normal Identity: g (μ) = μ
tradicional (LM)
Regresión logística Proporción Binomial Logit: g(μ) = log (μ/ 1-μ)
Regresión de Poisson en modelo
Conteo Poisson Log: g(μ)= log (μ)
Log lineal
Modelo Gamma con enlace Log Continua positiva Gamma Log: g(μ) = log (μ)
131
Evelyn Bandera Fernández y Leneidy Pérez Pelea
CONCLUSIONES 7. P iepho HP, Möhring J, Melchinger 16. Barbosa MHP, Ferreira A, Peixoto LA,
AE, Büchse A. BLUP for phenotypic Resende MDV, Nascimento M, Silva
Los modelos mixtos han sido selection in plant breeding and variety FF. Selection of sugar cane families
ampliamente utilizados en los testing. Euphytica. 2008;161(1):209- by using BLUP and multi-diverse
estudios de genética en plantas, y 28. doi:10.1007/s10681-007-9449-8 analyses for planting in the Brazilian
8. Searle MP, Waters DJ, Rex DC, savannah. Genetics and Molecular
los modelos mixtos generalizados
Wilson RN. Pressure, temperature Research. 2014;13(1):1619-26.
han permitido ampliar el espectro de and time constraints on Himalayan doi:10.4238/2014.March.12.14
trabajo con aquellas variables que metamorphism from eastern 17. Stringer JK, Cox MC, Atkin FC,
por su naturaleza, no se ajustan a Kashmir and western Zanskar. Wei X, Hogarth DM. Family
una distribución normal y sus datos Journal of the Geological Society. selection improves the efficiency
se encuentran correlacionados. 1992;149(5):753-73. doi:10.1144/ and effectiveness of selecting
En la actualidad, su utilización requiere gsjgs.149.5.0753 original seedlings and parents.
de programas computacionales de 9. Patterson HD, Thompson R. sugar Tech. 2011;13(1):36-41.
gran complejidad, pero presentan Recovery of inter-block information doi:10.1007/s12355-011-0073-5
when block sizes are unequal. 18. R e s e n d e M D V d e , B a r b o s a
grandes ventajas con respecto
Biometrika. 1971;58(3):545-54. MHP. Selection via simulated
a los métodos clásicos, ya que doi:10.1093/biomet/58.3.545 individual BLUP based on family
sus procedimientos de estimación 10. Vallejo G, Fernández MP, Tuero E, genotypic effects in sugarcane.
reducen los sesgos cuando los datos Livacic-Rojas PE. Análisis de medi- Pesquisa Agropecuária Brasileira.
están incompletos, desbalanceados das repetidas usando métodos de 2006;41(3):421-9. doi:10.1590/
o ajustan datos dispersos. remuestreo. Anales de psicología S0100-204X2006000300008
[Internet]. 2010 [citado 16 de febre- 19. Pedrozo CÂ, Pereira Barbosa MH,
ro de 2018];26(2). Disponible en: Vilela Resende MD, Peternelli LA,
BIBLIOGRAFÍA http://www.redalyc.org/resumen. de Almeida Costa PM, Lopes da
oa?id=16713079025 Silva F. Eficiência da seleção em
1. Zar J H. Biostatiscal Analysis. 5ta
11. Balzarini M. Applications of mixed fases iniciais do melhoramento da
ed. New Jersey: Ediciones Pearson
models in plant breeding. En: cana-de-açúcar. Revista Ceres
Prentice Hall; 2009. 189-449 p.
Quantitative genetics, geno- [Internet]. 2008 [citado 16 de febre-
2. G ómez S, Torres V, García Y,
mics and plant breeding. CAB ro de 2018];55(1). Disponible en:
Fraga LM, Sarduy L, Savón LL.
International; 2002. http://www.redalyc.org/resumen.
Comparación de modelos de efec-
12. Shu YJ, Yu DS, Wang D, Bai oa?id=305226830002
tos fijos y mixto en el análisis de un
X, Zhu YM, Guo CH. Genomic 20. Oliveira R A, Daros E, Resende MDV,
experimento con cepas mutantes
selection of seed weight based Bespalhok-Filho JC, Zambon JLC,
de hongos celulolíticos Trichoderma
on low-density SCAR markers in De Souza T R. Procedimento Blupis
viride. Revista Cubana de Ciencia
soybean. Genetics and Molecular e seleção massal em cana-de-açú-
Agrícola. 2012;46(2):127-31.
Research. 2013;12(3):2178-88. car. Bragantia. 2011;70(4):1-5.
3. Edward E, Gbur E, Walter W,
doi:10.4238/2013.July.3.2 21. López S F, Pereira BM, Vilela
Stroup W, McCarter K, Durham S,
13. Massman JM, Gordillo A, Lorenzana R M, Paternelli LA, Pedroso C
et al. Analysis ofgeneralized linear
RE, Bernardo R. Genomewide pre- A. Efficiency of selection within
mixed models in the agricultural
dictions from maize single-cross sugarcane families via simulated
and natural resources sciences.
data. Theoretical and applied individual BLUP. Crop Breeding
Madison, Wis: American Society
genetics. 2013;126(1):13-22. a n d A p p l i e d B i o t e c h n o l o g y.
of Agronomy; 2012. 277 p.
doi:10.1007/s00122-012-1955-y 2015;15(1):1-9.
4. Wang T, He P, Ahn KW, Wang X,
14. S ilva NHD, Gea L, Lowe R. 22. F alconer DS. Introduction to
Ghosh S, Laud P. A re-formulation of
Genetic analysis of resistance to quantitative genetics. 1989 [ci-
generalized linear mixed models to
Pseudomonas syringae pv . acti- tado 16 de febrero de 2018];
fit family data in genetic association
nidiae (Psa) in a kiwifruit progeny Disponible en: http://agris.
studies. Frontiers in Genetics
test: an application of generalised fao.org/agris-search/search.
[Internet]. 2015 [citado 16 de fe-
linear mixed models (GLMMs). do?recordID=XF2016003336
brero de 2018];6. doi:10.3389/
SpringerPlus. 2014;3(1):547. 23. Costa K, Carvalho I, Silva JWD,
fgene.2015.00120
doi:10.1186/2193-1801-3-547 Cunha J, Silva JD, Teixeira JDS.
5. Garson GD. Hierarchical linear
15. Ti c o n a - B e n a v e n t e C A , D a Escolha de famílias em ca-
modeling: Guide and applications.
D S F. C o m p a r i s o n o f B L U E na-de-açúcar via modelos mistos.
Sage; 2012.
and BLUP/REML in the selec- Agropecu. Científica no Semi-
6. Laird NM, Ware JH. Random-
tion of clones and families of Árido, Patos. 2013;9(1):7-13.
effects models for longitudinal data.
potato (Solanum tuberosum).
Biometrics. 1982;38(4):963-74.
Genetics and molecular research :
doi:10.2307/2529876
GMR. 2015;14(4):18421-30.
doi:10.4238/2015.December.23.30
132
Cultivos Tropicales, 2018, vol. 39, no. 1, pp. 127-133 enero-marzo
24. Mauro AX, Perecin D, Rodrigues 28. Burgueño J, Crossa J, Cornelius 34. Stroup WW. Mixed model issues
Toledo K, Guimaraes de Andrade PL, Yang R-C. Using Factor Analytic in the analysis of multi-location
LM, Cese AF. Seleção de famílias models for joining environments trials. En University of California at
e progênies de irmãos completos and genotypes without crossover Berkley; 2000. p. 135-42.
de cana-de-açúcar para atribu- genotype × environment interaction. 35. Moraes FG, Dilemardo PD. Mixed
tos tecnológicos e de produção Crop Science. 2008;48(4):1291- Model, AMMI and Eberhart-Russel
pelo método de REML/BLUP. 3 0 5 . d o i : 1 0 . 2 1 3 5 / Comparison via simulation on
Bragantia. 2014;73(3):253-62. cropsci2007.11.0632 genotype × environment interaction
doi:10.1590/1678-4499.0193 29. Burgueño J, Crossa J, Cotes JM, study in sugarcane. Applied
25. P iepho HP, Möhring J. Best li- Vicente FS, Das B. Prediction Mathematics. 2014;05(14):2107-
near unbiased prediction of assessment of linear mixed 19. doi:10.4236/am.2014.514205
cultivar effects for subdivided models for multienvironment trials. 36. Institute SAS. SAS/IML 9.3 user’s
target regions. Crop Science. Crop Science. 2011;51(3):944-54. guide. Sas Institute; 2011.
2005;45(3):1151-9. doi:10.2135/ doi:10.2135/cropsci2010.07.0403 37. Stroup W. Generalized linear
cropsci2004.0398 30. Crossa J, Vargas M, Cossani M, mixed models: modern concepts,
26. Crossa J, Burgueño J, Cornelius Alvarado G, Burgueño J, Mathew methods and applications. En:
PL, McLaren G, Trethowan R, K,. Evaluation and interpretation Texts in Statistical Science. 2012.
Krishnamachari A. Modeling of interactions. Agronomy Journal. (Chapman & Hall/CRC Texts in
genotype × environment interaction 2013;105:1-12. doi:10.2134/ Statistical Science).
using additive genetic covariances agronj2012.0491 38. SAS Institute Inc. 100 SAS Campus
of relatives for predicting breeding 31. Magari R, Kang MS. SAS-STABLE: Drive Cary [Internet]. USA; 2015.
values of wheat genotypes. Crop Stability analyses of balanced Disponible en: http://www.sas.com/
Science. 2006;46(4):1722-33. and unbalanced data. Agronomy en_us/home.html
doi:10.2135/cropsci2005.11-0427 journal. 1997;89(6):929-32. 39. Bates D, Maechler M, Bolker B,
27. C rossa J, Yang R-C, Cornelius doi:10.2134/agronj1997.0002196 Walker S. lme4: Linear mixed-
PL. Studying crossover genotype 2008900060013x effects models using Eigen and S4.
× environment interaction using 32. Shukla GK. Some statistical aspects R package version. 2014;1(7):1-23.
linear-bilinear models and mixed of partitioning genotype 40. Xie L, Madden LV. % HPGLIMMIX&58;
models. Journal of Agricultural, environmental components of A High-Performance SAS Macro
Biological, and Environmental variability. Heredity. 1972;29(2):237-45. for GLMM Estimation. Journal of
Statistics. 2004;9(3):362-80. 33. Ostengo S, Cuenya MI, Balzarini Statistical Software. 2014;58(1):1-25
doi:10.1198/108571104X4423 M. Modelos mixtos en el análisis
de ensayos comparativos de Recibido: 10 de marzo de 2017
rendimiento multiambientales de Aceptado: 14 de diciembre de 2017
una especie perenne. Revista
industrial y agrícola de Tucumán.
2013;90(2):53-7.
133