Predicción del rendimiento de híbridos de maíz (Zea mays L.) en ambientes de siembra tardía

Abstract

La predicción precisa del comportamiento de híbridos de maíz no evaluados a campo permitirá un mayor progreso genético y menores costos en programas de mejoramiento genético. Datos de rendimiento de híbridos evaluados a campo se emplearon para predecir el comportamiento de nuevos híbridos en ambientes de siembra tardía. Se conformaron grupos de híbridos predictores de manera de maximizar y minimizar las relaciones de parentesco entre los híbridos predictores y aquellos a predecir y, por otra parte, utilizar valores de predicción obtenidos en ambientes de alto rendimiento y bajo rendimiento a fin de investigar la influencia de estos factores sobre la eficiencia de las predicciones. A fin de validar las predicciones se tomó un grupo de híbridos cuyo rendimiento en grano fue evaluado a campo, pero que no formaron parte del grupo inicial. Se calcularon los coeficientes de correlación entre los valores predichos y los observados para rendimiento con el fin de evaluar la efectividad de la predicción realizada. La mejor predicción de los híbridos no evaluados, se alcanzó utilizando la máxima relación de parentesco entre los híbridos combinada con datos obtenidos en el ambiente de mayor rendimiento promedio.

Accurate prediction of the phenotypical performance of untested single-cross hybrids allows for a faster genetic progress of the breeding pool at a reduced cost. Yield data of maize hybrids were employed to predict the performance of new untested hybrids in late sowing environments. Different groups of predictor hybrids were formed using both data from high and low relatedness between predictors and predicted hybrids and by employing data from low and high yielding environments. A new group of hybrids were formed and evaluated in field trials to validate the predictions. The effectiveness of the predictions was investigated by means of the correlation coefficient between predicted and observed yield values. The best predictions of untested new hybrids were reached by using maximum relatedness information combined with data obtained in the best yielding environments.