Helcio Duarte Pereira

Dr. Helcio Duarte Pereira

orcid

Research Focus & Metrics

Academic Career Length

11Years (2016-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
28 November 2017 in Heredity
Verified
Journal Article
Closed access
JVJosé Marcelo Soriano Viana
José Marcelo Soriano Viana
HPHelcio Duarte Pereira
Helcio Duarte Pereira
GMGabriel Borges Mundim
Gabriel Borges Mundim
HPHans-Peter Piepho
Hans-Peter Piepho
FSFabyano Fonseca e Silva
Fabyano Fonseca e Silva

5 January 2025 in The Plant Phenome Journal
Verified
Journal Article
Open access
HPHelcio Duarte Pereira
Helcio Duarte Pereira
JNJuliana Vieira Almeida Nonato
Juliana Vieira Almeida Nonato
RDRafaela Caroline Rangni Moltocaro Duarte
Rafaela Caroline Rangni Moltocaro Duarte
IGIsabel Rodrigues Gerhardt
Isabel Rodrigues Gerhardt
RDRicardo Augusto Dante
Ricardo Augusto Dante
JYJuliana Yassitepe
Juliana Yassitepe
Global climate change has driven breeding programs to develop abiotic stress‐resilient plant varieties. Traditionally, assessing drought resilience involves labor‐intensive and time‐consuming processes. This study used an unmanned aerial system (UAS) to predict key phenotyping traits in maize ( Zea mays L.) and monitor plant response to drought during the crop cycle. We grew transgenic maize hybrids in two trials, one irrigated and another subjected to drought stress, and used a drone equipped with red–green–blue (RGB) and multispectral sensors to capture images of the plots over time. Machine learning models and various prediction scenarios revealed significant correlations between vegetation indices over time. Interestingly, the RGB sensor outperformed the multispectral sensor in trait prediction. Prediction accuracy across scenarios with untested genotypes and environments ranged from 0.40 to 0.70 for grain yield, 0.43 to 0.69 for days to anthesis, 0.51 to 0.67 for days to silking, and 0.35 to 0.57 for plant height. Ridge and random forest models consistently delivered the most accurate predictions across traits and environments. The vegetation indices normalized green–red difference index, VARI, and RCC also effectively predicted and captured the plant response to drought. This study highlights the value of UAS phenotyping as a practical tool for assessing abiotic stress due to its straightforward implementation.

14 February 2019 in Revista Agrogeoambiental
Verified
Journal Article
Open access
PDF file
CPCassiano Pereira
Cassiano Pereira
MFMarcos Trentin Filho
Marcos Trentin Filho
IFIvan Fiorini
Ivan Fiorini
HPHelcio Duarte Pereira
Helcio Duarte Pereira
JRJosé Rocha
José Rocha
ALAnderson Lange
Anderson Lange
Objetivou-se verificar o efeito da aplicação de Nitrogênio mineral (N) na dose de 10 kg por hectare, via solo ou foliar, em diferentes estádios do desenvolvimento da soja. O experimento foi conduzido em área de cultivo comercial de soja, localizado no município de Sinop-MT, em delineamento de blocos casualizados (DBC) com dez tratamentos e quatro repetições. Os tratamentos estudados foram: testemunha sem N, aplicação na semeadura, em V2 a lanço em cobertura, V2 via foliar, V4 a lanço em cobertura, V4 foliar, R1 a lanço em cobertura, R1 foliar, R2 a lanço em cobertura e em R2 foliar. Foram avaliadas as variáveis teor de clorofila, massa seca de parte aérea, numero de nódulos, massa seca de nódulos, número de vagens, número de grãos por vagem, massa de mil grãos e produtividade. Os tratamentos com aplicação de N diferiram da testemunha para todas as variáveis, exceto para teor de clorofila. Para as variáveis número de vagens por planta, número de grãos por vagem, massa de mil grãos e produtividade de grãos todos os tratamentos com aplicação de N foram superiores à testemunha e as maiores respostas foram obtidas quando o N foi aplicado via foliar nos estádios V2 e R1.

1 January 2018 in Journal of Bioenergy and Food Science
Verified
Journal Article
Open access
UGUniversidade Federal de Mato Grosso
Universidade Federal de Mato Grosso
IFIvan Vilela Andrade Fiorini
Ivan Vilela Andrade Fiorini
CPCassiano Spaziani Pereira
Cassiano Spaziani Pereira
HPHelcio Duarte Pereira
Helcio Duarte Pereira
UVUniversidade Federal de Viçosa
Universidade Federal de Viçosa
ULUniversidade Federal de Lavras
Universidade Federal de Lavras

5 January 2021 in Tecno-Lógica
Verified
Journal Article
Open access
PDF file
CPCassiano Spaziani Pereira
Cassiano Spaziani Pereira
JSJean Luiz Scatola
Jean Luiz Scatola
HPHelcio Duarte Pereira
Helcio Duarte Pereira
IFIvan Vilela Andrade Fiorini
Ivan Vilela Andrade Fiorini
ASAdriano Alves da Silva
Adriano Alves da Silva
A inoculação é uma das principais práticas culturais em leguminosas como a soja, promovendo economia de recursos em altas doses de nitrogênio mineral. Objetivou-se neste trabalho verificar o efeito de diferentes formas de aplicação de inoculante líquido em soja. O delineamento experimental utilizado foi em blocos casualizados, totalizando 10 tratamentos, com cinco repetições. Os tratamentos foram: aplicação do inoculante líquido sobre as sementes, no solo, aplicação interna às sementes, com o auxílio de uma seringa, além da aplicação foliar nos estádios vegetativos V1, V3, V5 e V8, em adição aos tratamentos com fertilização nitrogenada. Os tratamentos não afetaram o número total de folhas, índice de clorofila e número de nódulos não viáveis. Para altura de planta a inoculação interna à semente, no solo e via foliar em V3 promoveu os melhores resultados. Para área foliar e matéria seca da parte aérea e raiz o uso de nitrogênio mineral prejudicou a cultura, não houve qualquer efeito da inoculação comparado ao tratamento testemunha para essas variáveis. O suprimento de nitrogênio prejudicou o diâmetro de caule e as diferentes formas de inoculação foram superiores à testemunha, exceto a aplicação foliar no estádio V8. Independente da forma, a inoculação causou um aumento no número total de nódulos, sendo superior à testemunha e ao uso de nitrogênio mineral, os quais não diferiram entre si. Apenas a aplicação de nitrogênio mineral comprometeu o número de nódulos viáveis, não havendo diferença da testemunha em relação aos tratamentos com inoculação.

Verified
Journal Article
Open access
PDF file
Weverton Gomes da CostaWeverton Gomes da Costa
Weverton Gomes da Costa
HPHelcio Duarte Pereira
Helcio Duarte Pereira
GSGabi Nunes Silva
Gabi Nunes Silva
ABAluizio Borém
Aluizio Borém
ECEveline Teixeira Caixeta
Eveline Teixeira Caixeta
Moysés NascimentoMoysés Nascimento
Moysés Nascimento
Genome-wide association studies (GWAS) are essential for identifying genomic regions associated with agronomic traits, but Linear Mixed Model (LMM)-based GWAS face challenges in capturing complex gene interactions. This study explores the potential of machine learning (ML) methodologies to enhance marker identification and association modeling in plant breeding. Unlike LMM-based GWAS, ML approaches do not require prior assumptions about marker–phenotype relationships, enabling the detection of epistatic effects and non-linear interactions. The research sought to assess and contrast approaches utilizing ML (Decision Tree—DT; Bagging—BA; Random Forest—RF; Boosting—BO; and Multivariate Adaptive Regression Splines—MARS) and LMM-based GWAS. A simulated F2 population comprising 1000 individuals was analyzed using 4010 SNP markers and ten traits modeled with epistatic interactions. The simulation included quantitative trait loci (QTL) counts varying between 8 and 240, with heritability levels set at 0.5 and 0.8. These characteristics simulate traits of candidate crops that represent a diverse range of agronomic species, including major cereal crops (e.g., maize and wheat) as well as leguminous crops (e.g., soybean), such as yield, with moderate heritability and a high number of QTLs, and plant height, with high heritability and an average number of QTLs, among others. To validate the simulation findings, the methodologies were further applied to a real Coffea arabica population (n = 195) to identify genomic regions associated with yield, a complex polygenic trait. Results demonstrated a fundamental trade-off between sensitivity and precision. Specifically, for the most complex trait evaluated (240 QTLs under epistatic control), Ensemble methods (Bagging and Random Forest) maintained a Detection Power (DP) exceeding 90%, significantly outperforming state-of-the-art GWAS methods (FarmCPU), which dropped to approximately 30%, and traditional Linear Mixed Models, which failed to detect signals (0%). However, this sensitivity resulted in lower precision for ensembles. In contrast, MARS (Degree 1) and BLINK achieved exceptional Specificity (>99%) and Precision (>90%), effectively minimizing false positives. The real data analysis corroborated these trends: while standard GWAS models failed to detect significant associations, the ML framework successfully prioritized consensus genomic regions harboring functional candidates, such as SWEET sugar transporters and NAC transcription factors. In conclusion, ML Ensembles are recommended for broad exploratory screening to recover missing heritability, while MARS and BLINK are the most effective methods for precise candidate gene validation.