##################### LGN0313 - Melhoramento Genético #####################

##################### Aula Prática 12 - Análises do R #####################

#####################   Prof. Roberto Fritsche-Neto   #####################

################################
#carregando arquivos da TUrma 1
################################

turma1<-read.table("T1.txt", h=T)
turma1$Bloco<-as.factor(turma1$Bloco)
str(turma1)

###############################################
# anova e herdabilidade - NF e AP
###############################################

#agrupar os graficos que serão gerados
par(mfrow=c(1,2))

# NF
tapply(turma1$NF, turma1[,1:2], mean) # genotipos por bloco
interaction.plot(turma1$Bloco, turma1$Hibrido, turma1$NF, legend = T, trace.label ="Hibrido", ylab="NF T1", xlab = "Bloco", col = 2)

anova.t1.NF<-aov(NF~Bloco+Hibrido, data = turma1)
anova(anova.t1.NF)

(R<-anova(anova.t1.NF)[[1]][1]+1) # Número de repetições
(Vg.t1.NF<-(anova(anova.t1.NF)[[3]][2]-anova(anova.t1.NF)[[3]][3])/R)
(Ve.t1.NF<-anova(anova.t1.NF)[[3]][3])
(h.t1.NF<-Vg.t1.NF/(Vg.t1.NF+Ve.t1.NF/R)) # herdabilidade

# AP
tapply(turma1$AP, turma1[,1:2], mean) # genotipos por bloco
interaction.plot(turma1$Bloco, turma1$Hibrido, turma1$AP, legend = T, trace.label ="Hibrido", ylab="AP T1", xlab = "Bloco", col = 3)

anova.t1.AP<-aov(AP~Bloco+Hibrido, data = turma1)
anova(anova.t1.AP)

(Vg.t1.AP<-(anova(anova.t1.AP)[[3]][2]-anova(anova.t1.AP)[[3]][3])/R)
(Ve.t1.AP<-anova(anova.t1.AP)[[3]][3])
(h.t1.AP<-Vg.t1.AP/(Vg.t1.AP+Ve.t1.AP/R))

########################
# teste de medias
########################

#agrupar os graficos que serão gerados
par(mfrow=c(1,2))

tukey.t1.NF<-TukeyHSD(x = anova.t1.NF, which = "Hibrido", ordered = T, conf.level = 0.95)
tukey.t1.NF
plot(tukey.t1.NF)

tukey.t1.AP<-TukeyHSD(x = anova.t1.AP, which = "Hibrido", ordered = T, conf.level = 0.95)
tukey.t1.AP
plot(tukey.t1.AP)

##################
#Ganho de seleção
##################

# NF 
(Xo.t1.NF<-mean(sort(tapply(turma1$NF, turma1$Hibrido, mean), decreasing = T))) # media populacional
(Xs.t1.NF<-mean(sort(tapply(turma1$NF, turma1$Hibrido, mean), decreasing = T)[1:2])) #media dos selecionados
(DS.t1.NF<-Xs.t1.NF-Xo.t1.NF) # diferencial de seleção
(GS.t1.NF<-DS.t1.NF*h.t1.NF) #ganho de seleção
(GS.t1.NF.per<-GS.t1.NF/Xo.t1.NF*100) #ganho de seleção em percentagem

# AP
(Xo.t1.AP<-mean(sort(tapply(turma1$AP, turma1$Hibrido, mean), decreasing = T))) # media populacional
(Xs.t1.AP<-mean(sort(tapply(turma1$AP, turma1$Hibrido, mean), decreasing = T)[1:2])) #media dos selecionados
(DS.t1.AP<-Xs.t1.AP-Xo.t1.AP) # diferencial de seleção
(GS.t1.AP<-DS.t1.AP*h.t1.AP) #ganho de seleção
(GS.t1.AP.per<-GS.t1.AP/Xo.t1.AP*100) #ganho de seleção em percentagem

#################
# Interação GxA
#################

#carregando arquivo da outra turma
turma2<-read.table("T2.txt", h=T)
turma2$Bloco<-as.factor(turma2$Bloco)
str(turma2)

datagxa<-rbind(turma1, turma2) #unindo os dados das duas turmas
datagxa$Turma<-as.factor(c(rep(1,20), rep(2, 20))) #criando o fator turma (ambiente)
str(datagxa)
head(datagxa); tail(datagxa)

#agrupar os graficos que serão gerados
par(mfrow=c(1,2))

# Anova conjunta com efeito de bloco dentro de turma

#NF
tapply(datagxa$NF, datagxa[,c(1,5)], mean) # genotipos por turma
gxa.NF<-aov(NF~Turma:Bloco+Turma+Hibrido+Turma*Hibrido, data=datagxa)
anova(gxa.NF)  
interaction.plot(datagxa$Turma, datagxa$Hibrido, datagxa$NF, legend = T, trace.label ="Hibrido", ylab="NF", xlab = "Turma", col = 10)

#AP
tapply(datagxa$AP, datagxa[,c(1,5)], mean) # genotipos por turma
gxa.AP<-aov(AP~Turma:Bloco+Turma+Hibrido+Turma*Hibrido, data=datagxa)
anova(gxa.AP)
interaction.plot(datagxa$Turma, datagxa$Hibrido, datagxa$AP, legend = T, trace.label ="Hibrido", ylab="AP", xlab = "Turma", col = 11)

######################
# correlação genetica 
######################

turma1$APNF<-as.numeric(turma1$AP+turma1$NF) #criando variavel acessória
head(turma1)

t1.APNF<-aov(APNF~Bloco+Hibrido, data = turma1)
anova(t1.APNF)

#covariancia fenotipica
(COVF.t1<-(anova(t1.APNF)[[3]][2]-anova(anova.t1.NF)[[3]][2]-anova(anova.t1.AP)[[3]][2])/2)

#covariancia ambiental
(COVe.t1<-(anova(t1.APNF)[[3]][3]-anova(anova.t1.NF)[[3]][3]-anova(anova.t1.AP)[[3]][3])/2)

#covariancia genetica
(COVg.t1<-(COVF.t1-COVe.t1)/R)

#correlação genética
(corg.t1<-COVg.t1/sqrt(Vg.t1.NF*Vg.t1.AP))


#######################################
# ganho indireto e direto com a seleção
#######################################

# função para estimar o i da intensidade de seleção 
i<-function(persel){
  estimate<-dnorm(qnorm(1-(persel/100), 0, 1), 0, 1)/(persel/100)
  return(estimate)
}

(isel<-i(40)) # selecionando os dois melhores dos cinco hibridos

# Ganho indireto de seleção do NF da AP 
(GSi.t1<-isel*corg.t1*sqrt(h.t1.NF)*sqrt(Vg.t1.AP))

# Ganhos diretos de seleção
(GSd.t1.NF<-isel*1.00*sqrt(h.t1.NF)*sqrt(Vg.t1.NF))
(GSd.t1.AP<-isel*1.00*sqrt(h.t1.AP)*sqrt(Vg.t1.AP))

##################################### FIM ##################################



##################### LGN0313 - Melhoramento Genético #####################

##################### Aula Prática 12 - Análises do R #####################

#####################   Prof. Roberto Fritsche-Neto   #####################

################################
#carregando arquivos da turma 2
################################

turma2<-read.table("T2.txt", h=T)
turma2$Bloco<-as.factor(turma2$Bloco)
str(turma2)

#######################################
# anova e herdabilidade - para NF e AP
#######################################

#agrupar os graficos que serão gerados
par(mfrow=c(1,2))

# NF
tapply(turma2$NF, turma2[,1:2], mean) # genotipos por bloco
interaction.plot(turma2$Bloco, turma2$Hibrido, turma2$NF, legend = T, trace.label ="Hibrido", ylab="NF T2", xlab = "Bloco", col = 4)

anova.t2.NF<-aov(NF~Bloco+Hibrido, data = turma2)
anova(anova.t2.NF)

(R<-anova(anova.t2.NF)[[1]][1]+1) # Número de repetições
(Vg.t2.NF<-(anova(anova.t2.NF)[[3]][2]-anova(anova.t2.NF)[[3]][3])/R)
(Ve.t2.NF<-anova(anova.t2.NF)[[3]][3])
(h.t2.NF<-Vg.t2.NF/(Vg.t2.NF+Ve.t2.NF/R)) # herdabilidade

# AP
tapply(turma2$AP, turma2[,1:2], mean) # genotipos por bloco
interaction.plot(turma2$Bloco, turma2$Hibrido, turma2$AP, legend = T, trace.label ="Hibrido", ylab="AP T2", xlab = "Bloco", col = 6)

anova.t2.AP<-aov(AP~Bloco+Hibrido, data = turma2)
anova(anova.t2.AP)

(Vg.t2.AP<-(anova(anova.t2.AP)[[3]][2]-anova(anova.t2.AP)[[3]][3])/R)
(Ve.t2.AP<-anova(anova.t2.AP)[[3]][3])
(h.t2.AP<-Vg.t2.AP/(Vg.t2.AP+Ve.t2.AP/R))

#################
# teste de medias
#################

#agrupar os graficos que serão gerados
par(mfrow=c(1,2))

tukey.t2.NF<-TukeyHSD(x = anova.t2.NF, which = "Hibrido", ordered = T, conf.level = 0.95)
tukey.t2.NF
plot(tukey.t2.NF)

tukey.t2.AP<-TukeyHSD(x = anova.t2.AP, which = "Hibrido", ordered = T, conf.level = 0.95)
tukey.t2.AP
plot(tukey.t2.AP)

##################
#Ganho de seleção
##################

# NF 
(Xo.t2.NF<-mean(sort(tapply(turma2$NF, turma2$Hibrido, mean), decreasing = T))) # media populacional
(Xs.t2.NF<-mean(sort(tapply(turma2$NF, turma2$Hibrido, mean), decreasing = T)[1:2])) #media dos selecionados
(DS.t2.NF<-Xs.t2.NF-Xo.t2.NF) # diferencial de seleção
(GS.t2.NF<-DS.t2.NF*h.t2.NF) #ganho de seleção
(GS.t2.NF.per<-GS.t2.NF/Xo.t2.NF*100) #ganho de seleção em percentagem

# AP
(Xo.t2.AP<-mean(sort(tapply(turma2$AP, turma2$Hibrido, mean), decreasing = T))) # media populacional
(Xs.t2.AP<-mean(sort(tapply(turma2$AP, turma2$Hibrido, mean), decreasing = T)[1:2])) #media dos selecionados
(DS.t2.AP<-Xs.t2.AP-Xo.t2.AP) # diferencial de seleção
(GS.t2.AP<-DS.t2.AP*h.t2.AP) #ganho de seleção
(GS.t2.AP.per<-GS.t2.AP/Xo.t2.AP*100) #ganho de seleção em percentagem

#################
# Interação GxA
#################

# carregando os dados da outra turma
turma1<-read.table("T1.txt", h=T)
turma1$Bloco<-as.factor(turma1$Bloco)
str(turma1)

datagxa<-rbind(turma1, turma2) #unindo os dados das duas turmas
datagxa$Turma<-as.factor(c(rep(1,20), rep(2, 20))) #criando o fator turma (ambiente)
str(datagxa)
head(datagxa); tail(datagxa)

#agrupar os graficos que serão gerados
par(mfrow=c(1,2))

# Anova conjunta com efeito de bloco dentro de turma

#NF
tapply(datagxa$NF, datagxa[,c(1,5)], mean) # genotipos por turma
gxa.NF<-aov(NF~Turma:Bloco+Turma+Hibrido+Turma*Hibrido, data=datagxa)
anova(gxa.NF)  
interaction.plot(datagxa$Turma, datagxa$Hibrido, datagxa$NF, legend = T, trace.label ="Hibrido", ylab="NF", xlab = "Turma", col = 10)

#AP
tapply(datagxa$AP, datagxa[,c(1,5)], mean) # genotipos por turma
gxa.AP<-aov(AP~Turma:Bloco+Turma+Hibrido+Turma*Hibrido, data=datagxa)
anova(gxa.AP)
interaction.plot(datagxa$Turma, datagxa$Hibrido, datagxa$AP, legend = T, trace.label ="Hibrido", ylab="AP", xlab = "Turma", col = 11)

#####################
# correlação genetica
#####################

turma2$APNF<-as.numeric(turma2$AP+turma2$NF) #criando variavel acessória
head(turma2)

t2.APNF<-aov(APNF~Bloco+Hibrido, data = turma2)
anova(t2.APNF)

#covariancia fenotipica
(COVF.t2<-(anova(t2.APNF)[[3]][2]-anova(anova.t2.NF)[[3]][2]-anova(anova.t2.AP)[[3]][2])/2)

#covariancia ambiental
(COVe.t2<-(anova(t2.APNF)[[3]][3]-anova(anova.t2.NF)[[3]][3]-anova(anova.t2.AP)[[3]][3])/2)

#covariancia genetica
(COVg.t2<-(COVF.t2-COVe.t2)/R)

#correlação genética
(corg.t2<-COVg.t2/sqrt(Vg.t2.NF*Vg.t2.AP))


########################################
# ganho indireto e direto com a seleção 
########################################

# função para estimar o i da intensidade de seleção 
i<-function(persel){
  estimate<-dnorm(qnorm(1-(persel/100), 0, 1), 0, 1)/(persel/100)
  return(estimate)
}

(isel<-i(40)) # selecionando os dois melhores dos cinco hibridos

# Ganho indireto de seleção do NF da AP 
(GSi.t2<-isel*corg.t2*sqrt(h.t2.NF)*sqrt(Vg.t2.AP))

# Ganhos diretos de seleção
(GSd.t2.NF<-isel*1.00*sqrt(h.t2.NF)*sqrt(Vg.t2.NF))
(GSd.t2.AP<-isel*1.00*sqrt(h.t2.AP)*sqrt(Vg.t2.AP))


##################################### FIM ##################################