The main approach for improving multiple traits simultaneously is the selection index. The most widely used selection indices are those based on factor analysis, which overcome statistical limitations such as multicollinearity and the reliance on arbitrary weights of the classical Smith–Hazel approach and support multi-environment trials. Nevertheless, the efficiency indices are affected by factors such as genotype number, environment and trait correlation, and heritability. In this study, we simulated different scenarios varying the mentioned factors to evaluate the performance of the Factor-Analysis and Ideotype-Design-Based Index (FAI-BLUP), Multi-trait Genotype–Ideotype Distance Index (MGIDI), and Multi-Trait Stability Index (MTSI). All correlations were positive and constant within each scenario, while the ideotype sought genetic gains for traits in opposite directions. Simulations were conducted using AlphaSimR and FieldSimR, and indices were implemented via the metan package. Results showed that index efficiency was higher in scenarios with larger numbers of genotypes, low-to-moderate trait correlations, and moderate-to-high inter-environment correlations. However, strong correlations among traits, particularly when combined with high heritability, compromise selection index efficiency in scenarios with antagonistic trait objectives. Despite that, the MGIDI consistently outperformed the other indices across most scenarios. Therefore, we emphasize accounting for trait genetic architectures, genotype–trait correlations, and target environment correlations.
A Associação Genômica Ampla (Genome Wide Association Studies – GWAS) visa identificar associações entre loci de características quantitativas (Quantitative Trait Loci – QTL) e fenótipos. Esses estudos são de interesse para programas de melhoramento genético, pois possibilitam a identificação de marcadores associados a fenótipos de importância agronômica. Os métodos comumente utilizados na GWAS incluem Mixed Linear Model (MLM), Compressed MLM (CMLM), General Linear Model (GLM), Settlement of MLM Under Progressively Exclusive Relationship (SUPER), Multiple Locus Mixed Linear Model (MLMM), e FarmCPU. Este estudo teve como objetivo desenvolver dois índices, um sem ponderação e outro ponderado pela importância de cada região, para identificar regiões genômicas significativas e estáveis entre os métodos estatísticos aplicados à GWAS. O intuito foi minimizar a detecção de regiões potencialmente falsas positivas. A análise foi realizada em um conjunto de dados composto por 413 indivíduos de arroz asiático (Oryza sativa), genotipados com 36.901 SNPs (Single Nucleotide Polymorphisms). Foram avaliadas 11 características fenotípicas, e os seis métodos mencionados foram comparados. Entre as características analisadas, quatro se destacaram por apresentarem mais regiões genômicas significativas detectadas por um maior número de métodos. Os métodos SUPER e GLM se mostraram os mais eficazes na detecção de associações genômicas. Os índices detectaram regiões genômicas descritas na literatura, associadas às características como resistência à brusone, fertilidade e altura. O índice ponderado demostrou maior sensibilidade na detecção de regiões genômicas significativas, devido à atribuição dos pesos, que priorizou as regiões mais importantes.