SciELO - Scientific Electronic Library Online

 
vol.23 número1Genotoxic effect of high nitrate water consumption in men and woman from northern Mar del plata, ArgentinaIntrogression of cultivated sunflower in exotic Helianthus petiolaris populations índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Servicios Personalizados

Revista

Articulo

Indicadores

  • No hay articulos citadosCitado por SciELO

Links relacionados

Compartir


BAG. Journal of basic and applied genetics

versión On-line ISSN 1852-6233

BAG, J. basic appl. genet. vol.23 no.1 Ciudad Autónoma de Buenos Aires ene./jun. 2012

 

ARTÍCULOS ORIGINALES

Disección de la correlación en variables que miden la aptitud panadera del trigo y modelos predictores de la calidad industrial

 

Salomón N.1*, Miranda R.1,2, Ortis L.2 

1Cátedra de Mejoramiento Vegetal, Departamento de Agronomía, Universidad Nacional del Sur (UNS), San Andrés 800, Bahía Blanca, Argentina
2Asociación de Cooperativas Argentinas. Av. Eduardo Madero 942, Piso 5º Buenos Aires, Argentina

*Correspondencia a: nsalomon@criba.edu.ar

 


ABSTRACT

Baking quality is one out of four objectives in a breeding program for wheat bread. This is a quantitative variable governed by many genes and strongly influenced by environmental conditions. Several authors have examined this complex variable through different statistical methods. In the present study, path analysis was used to build quality models through the dissection of the correlation between two variables and to compare them in four Argentine wheat sub-regions. The model built with 21 variables yielded high coefficients of determination (over 95%) in all sub-regions, except V South subregion (6.47%). To build Model II, those variables showing either high correlation or scarce contribution to Model I were removed so that the coefficient of determination (R2) markedly increased in V South sub-region (from 6.47 to 30%). In the remaining sub-regions this value decreased as follows: II North > II South > IV. This wide variation among R2 values was attributed to the variables that formed each model and to the high environmental influence over them. A high correlation among the same variables was observed in the four sub-regions. As for the contribution of each variable to Model II depending on each sub-region, common variables such as Wet Gluten, Bakery Strength, Index Gluten, Dough Equilibrium and Flour Ash were observed. Other variables were typical of some of the sub-regions. Dissection of each sub-region explained why some variables had low correlations with Loaf Volume while others scarcely contributed to the model. The variables that built Model II in each of the sub-regions could be considered as participants in a breeding index.

Key words: Path analysis; Bread wheat; Industrial quality.

RESUMEN

La calidad panadera es uno de los cuatro objetivos en un plan de mejoramiento de trigo pan. Al ser una variable cuantitativa está regida por muchos genes y afectada fuertemente por las condiciones ambientales. Estudios previos han analizado esta compleja variable a través de diferentes métodos estadísticos. En el presente trabajo se aplicó el análisis del coeficiente de sendero para construir modelos de calidad a través de la disección de la correlación entre dos variables y comparar los mismos en cuatro subregiones trigueras argentinas. El Modelo I planteado con 21 variables dio valores altos en los coeficientes de determinación (superiores a 95%) en todas las subregiones, excepto la subregión V Sur (6,47%). Al plantear el Modelo II, eliminando las variables de alta correlación y de poco aporte al Modelo I, el coeficiente de determinación (R2) aumentó considerablemente en la subregión V Sur (de 6,47 a 30%). En tanto que en las restantes subregiones este valor disminuyó de la siguiente manera: II Norte > II Sur > IV. La amplia variación encontrada entre los valores de R2 se atribuye a las variables que conforman cada modelo y a la elevada influencia ambiental sobre las variables. Ha sido coincidente con esto la alta correlación en las mismas variables en las cuatro subregiones. Con respecto al aporte de cada variable que conformó el Modelo II según la subregión considerada, se observaron variables en común tales como Gluten Húmedo, Fuerza Panadera, Gluten Index, Equilibrio de la Masa y Ceniza en Harina. Otras variables fueron típicas de alguna de las subregiones. La disección de cada subregión explicó por qué algunas variables tenían baja correlación con Volumen de Pan y por qué otras contribuyeron muy poco a la variable dependiente. Las variables que conformaron el Modelo II en cada una de las subregiones podrían tomarse como partícipes en la formación de un índice de selección.

Palabras clave: Coeficiente de sendero; Subregiones trigueras; Indice de calidad.


 

INTRODUCCIÓN

Los principales objetivos en la obtención de nuevas variedades de trigo pan, Triticum aestivum L, se centran en altos rendimientos en grano, óptima calidad panadera, buena sanidad y adaptación a varios ambientes (Evans, 1998). La calidad panadera es uno de los aspectos de mayor interés tanto para el fitomejorador como para los diferentes integrantes de la cadena comercial. Esta es una variable compleja, de tipo cuantitativa, influida por el ambiente y dependiente del genotipo y de la interacción entre ambas (Poehlman y Sleper, 2003). Varios autores han analizado la calidad panadera tomando diferentes parámetros que la definen y a través de diversos métodos analíticos determinaron la aptitud industrial de los cultivares de trigo (Miranda y Salomón, 2001; Salomón y Miranda, 2008; Molfese y Seghezzo, 2010; Cuniberti et al., 2011).
Diferentes parámetros agronómicos y químicos, tales como la proteína en grano, la fuerza panadera, la estabilidad farinográfica, el tiempo de desarrollo de la masa, el aflojamiento de la masa y el volumen de pan influyen directamente o indirectamente sobre la calidad panadera (Wrigley y Bietz, 1988). En la mejora de la calidad es importante entender claramente las relaciones entre cada uno de estos parámetros y la calidad. Debido a que son muchos los factores involucrados, es difícil para el mejorador elegir por cuál de ellos seleccionar los materiales.
Un programa de mejoramiento de la calidad panadera en trigo implica el uso de ciertas estrategias, entre las que se destaca el estudio de sus componentes (Poehlman y Sleper, 1996), es decir, de las variables agronómicas y químicas cuya interacción manifestarán la calidad final requerida. Estas interacciones pueden dar valores no significativos del verdadero efecto individual de cada componente sobre el carácter en estudio (calidad). Los principales responsables de las variaciones en los valores de correlación responden tanto a efectos genéticos como a la interacción entre variables.
Un parámetro que calcula la relación entre variables es el coeficiente de correlación, el cual es útil al momento de cuantificar la magnitud y la dirección de las variables a pesar de que no indica el efecto directo e indirecto que ejerce cada variable sobre la calidad per se. Para solucionar este problema, se aplicó el análisis de sendero (path analysis, Wright, 1934; Li, 1956; Dewey y Lu, 1959; Cruz y Regazzi, 1997), el cual permite descomponer la correlación entre un componente (X) y el producto final (Y) en un efecto "directo" (P) de X sobre Y y en efectos "indirectos" de X sobre Y, los que se hacen efectivos por vía de la relación de X con otros componentes de Y (X1, X2, etc.). El efecto "directo" puede interpretarse como una correlación parcial de X1 e Y, una vez excluidos los efectos de X2 y X3. La estimación de los efectos directos e indirectos de los componentes sobre el producto final se efectúa a partir de la resolución de un sistema de ecuaciones que tendrá tantas incógnitas como componentes investigados.
El objetivo del análisis de sendero (Niles, 1922) es brindar posibles explicaciones causales de las correlaciones observadas entre una variable respuesta (dependiente) y una serie de variables predictoras (independientes). En el análisis de sendero se pretende construir modelos de causa-efecto entre las variables a través de la disección de la correlación entre dos variables como la suma de dos tipos de efectos; estos son efectos directos de una variable sobre otra (senderos simples) y efectos indirectos de una variable sobre otra, a través de una o más variables independientes (senderos compuestos) (Balzarini et al., 2008). En nuestro país varios autores han aplicado esta metodología de análisis en otras especies con otras variables cuantitativas, por ejemplo, tricepiro y triticale (Paccapelo et al., 2004), cebadilla criolla (Abbott et al., 2007), agropiro alargado (Abbott et al., 2009), trigo doble propósito (Morant et al., 2009).
El área de producción triguera argentina está dividida en siete sub-regiones, división que se ha basado en variables agrobioecológicas (Zarrilli, 1997). El comportamiento varietal es diferencial tanto en rendimiento (Calzolari et al, 2012) como en calidad (Calzolari y Polidoro, 2004).
El objetivo de este trabajo fue encontrar un modelo que contenga las variables que modifican la aptitud panadera en trigo pan con la finalidad de predecir de esta manera los efectos directos e indirectos de cada una de ellas en la calidad panadera y comprobar si las mismas se mantienen en diferentes subregiones trigueras del país. Las variables que formen el modelo serán las que conformen un índice de selección a aplicar en materiales selectos de un programa de mejoramiento genético para calificar genotipos de trigo por calidad industrial según su comportamiento en diferentes ambientes.

MATERIALES Y MÉTODOS

Los datos analizados fueron extraídos de la base proporcionada por la Red de Ensayos Territoriales de Trigo de la campaña 2008 correspondientes a las subregiones II Sur (Chacabuco, Bellocq, Plá, 9 de Julio, General Villegas), II Norte (Maciel, Marcos Juárez, Pergamino, Rafaela), IV (La Dulce, Tandil, Miramar, Barrow, Balcarce) y V Sur (Anguil, Bordenave). Cada subregión incluyó localidades representativas de la producción de trigo.
La siembra de las parcelas experimentales se realizó en bloques completos al azar, con tres repeticiones, aplicándose el mismo diseño estadístico en todas las localidades. El análisis se realizó por subregión triguera, formando una muestra compuesta de cada localidad previa conjunción de las tres repeticiones del ensayo. Se conformaron así 71 muestras para la subregión V Sur, 69 para la subregión IV, 89 en la II Norte y 43 en la II Sur, en las mismas no estaban incluidos todos los genotipos y las valoraciones de calidad individual eran diferentes1.
La variable Volumen de Pan (cm3) (VP) fue tomada como dependiente. Se eligió esta variable debido a que es la que representa la prueba directa en pequeña escala de la aptitud de las harinas y reúne todas las propiedades del trigo pan apto para la industrialización (Trigo Argentino, 2012).
Las variables independientes analizadas fueron: Peso de Mil Granos (PMIL, g), Proteína en Harina (PROTH, %), Gluten Index (GI), Tiempo de Desarrollo (TD, min), Tenacidad (P, mm), Fuerza Panadera (W, Joule x 10-4), Ceniza en Grano (CNIZGR), Peso Hectolítrico (PH, g/hl),
Gluten Húmedo (GH, %), Falling Number (FN, cm), Estabilidad Farinográfica (ESTAB, min), Extensibilidad (L, mm), Relación P/L, Cenizas en Harina (CNIZH), Proteína en Grano (PROTGR, %), Gluten Seco (GS, %), Humedad de la Harina
(HDD), Aflojamiento de la Masa (AFLOJ, min), Índice de Hinchamiento (G), Rendimiento en Harina (RTOH)y Volumen Específico (VESP). Las correlaciones fenotípicas simples entre las variables y entre estas y la variable dependiente se calcularon utilizando el coeficiente de correlación de Pearson (r) como medida de la magnitud de la asociación lineal entre dos variables que no depende de las unidades de medida de las variables originales. El coeficiente de determinación (R2) de la variable VP y el análisis de coeficiente de sendero (path analysis) y el resto de los cálculos se realizaron con el programa estadístico InfoStat (Di Rienzo et al., 2011).

RESULTADOS

Subregión II Sur
Se planteó un Modelo I completo con todas las vari;ables medidas. El coeficiente de determinación del mismo fue de 98,75%. El análisis de correlación simple mostró que las variables L vs G, GH vs GS, PROTGR vs PROTH, P/L vs P, L y G y VP vs VESP estaban altamente correlacionadas (p<0,01). Por lo tanto, las variables citadas en segundo término en la dupla se eliminaron de este modelo. En la cor;relación P/L vs P, L y G se decidió tomar la variable P/L ya que aporta más información que P y L por separado. El análisis de coeficiente de sendero plan;teado con 21 variables mostró que FN, TD, AFLOJ, CNIZGR y PMIL contribuyeron poco al modelo (0,0001 y 0,001%, resultados no mostrados).
Teniendo en cuenta este análisis, se planteó el Modelo II extrayendo las variables antes enume;radas, que incluyó solo 10 variables. Las relacio;nes causales con VP se pueden ver en la Tabla 1. Se observó una correlación altamente significativa y positiva entre VP y los componentes PROTGR, GH y GI, en tanto que fue negativa con CNIZH. Hubo correlación significativa y positiva con W y ESTAB. La Tabla 2 muestra los efectos directos de cada variable independiente con VP y el aporte de cada variable al Modelo II. Las variables que más aportaron fueron GH, GI, ESTAB y CNIZH.

Tabla 1. Coeficientes de Correlación entre Volumen de Pan y las variables correspondientes al Modelo II en cada una de las subregiones analizadas. Significancia al 5% (en negrita) y al 1%: (subrayada)

Gluten Húmedo (GH), Gluten Index (GI), Tiempo de Desarrollo (TD), Estabilidad Farinográfica (ESTAB), Aflojamiento de la Masa (AFLOJ), Extensibilidad (L), Fuerza Panadera (W), Relación de Equilibrio P/L (P/L), Cenizas en Harina (CNIZH), Rendimiento en Harina (RTOH), Peso de Mil Granos (PMIL), Ceniza en Grano (CNIZGR), Peso Hectolítrico (PH), Volumen de Pan (VP).

Tabla 2. Efectos directos del Modelo II para cada subregión analizada. Contribución de cada variable al modelo (Mariotti, 1986)

Gluten Húmedo (GH), Gluten Index (GI), Tiempo de Desarrollo (TD), Estabilidad Farinográfica (ESTAB), Aflojamiento de la Masa (AFLOJ), Extensibilidad (L), Fuerza Panadera (W), Relación de Equilibrio P/L (P/L), Cenizas en Harina (CNIZH), Rendimiento en Harina (RTOH), Proteína en Grano (PROTGR), Peso de Mil Granos (PMIL), Ceniza en Grano (CNIZGR), Peso Hectolítrico (PH).

En esta subregión, la disección de la correlación se aplicó a la variable PROTGR por su alta corre;lación con VP y falta de aporte al modelo elegido, y a la variable GI por ser la de máximo aporte al modelo. La alta asociación de VP con PRTOGR es;tuvo dada por un fuerte efecto de GH y GI por vía indirecta y en menor medida por W (Tabla 3). Este Modelo II tuvo un coeficiente de determinación del 68,08%.

Tabla 3. Disección de los efectos directos del componente Proteína en Grano y Gluten Index en la subregión II Sur

Proteína en Grano (PROTGR), Gluten Húmedo (GH), Gluten Index (GI), Estabilidad Farinográfica (ESTAB), Fuerza Panadera (W), Relación de Equilibrio P/L (P/L), Cenizas en Harina (CNIZH), Rendimiento en Harina (RTOH), Volumen de Pan (VP). r Coeficiente de Correlación.

Subregión II Norte
En esta subregión, al plantearse el Modelo I se en;contraron las mismas asociaciones entre las varia;bles, con el mismo grado de significancia (p<0,001) que en la anterior subregión en el modelo completo con 21 variables. El coeficiente de determinación del mismo fue de 97,94%. Las variables que evi;denciaron poca contribución al Modelo I (menores o iguales a 0,01%, resultados no mostrados) fueron FN, ESTAB, PH y CENIZGR. En base a estos re;sultados, se construyó nuevamente el Modelo II, en esta oportunidad con 11 variables cuyas correlacio;nes se muestran en la Tabla 1.
Se observó una correlación altamente significa;tiva y positiva entre VP y los componentes PROT;GR, GH, GI y W. Solo se encontró una sola corre;lación significativa positiva entre VP, RTOH y TD y dos negativas, con AFLOJ y con PMIL. La Tabla 2 muestra los efectos directos de cada variable in;dependiente con VP y el aporte de cada variable al Modelo II. Las variables que más aportaron en este modelo fueron GH, GI, W y CNIZH.
En esta subregión la disección de la correlación se aplicó a las variables PROTGR y W por su alta correlación con VP y falta de aporte al modelo ele;gido, y a la variable GI por ser la de máximo efecto real a VP (Tabla 4). La alta asociación de VP con PRTOGR estuvo dada por un fuerte efecto por vía indirecta de GH, RTOH y GI, en menor medida por W, en tanto que la asociación con W estuvo dada por vía indirecta por las variables GI, GH y CNIZH, en ese orden de importancia. En lo que respecta a GI, esta variable tuvo efectos indirectos positivos sobre VP a través de GH y W. Este Modelo II tuvo un R2 de 95,89%.

Tabla 4. Disección de los efectos directos de los componentes Proteína en Grano, Peso de Mil y Gluten Index en la subregión II Norte

Proteína en Grano (PROTGR), Gluten Húmedo (GH), Gluten Index (GI), Tiempo de Desarrollo (TD), Fuerza Panadera (W), Relación de Equilibrio P/L (P/L), Cenizas en Harina (CNIZH), Rendimiento en Harina (RTOH), Peso de Mil Granos (PMIL), Volumen de Pan (VP). r Coeficiente de Correlación.

Subregión IV
En esta subregión, al plantearse el Modelo I se en;contraron las mismas asociaciones entre las varia;bles, con el mismo grado de significancia (p<0,001) que en las subregiones anteriores para el modelo completo con 21 variables. El R2 de dicho modelo fue de 95,72%. Hubo variables que aportaron muy poco al Modelo I pero estos aportes, a diferencia de las otras subregiones, fueron en general más altos, extrayéndose del modelo las variables con porcen;tajes de aportes menores o iguales a 0,50% (resul;tados no mostrados). En base a estos resultados se construyó, como en los casos anteriores, el Modelo II. En esta oportunidad fue con 10 variables, cuyas correlaciones se muestran en la Tabla 1. Se observó una correlación altamente significativa y positiva entre VP y los componentes PROTGR y GH. Solo se observó una correlación significativa positiva en;tre VP y P/L y negativa entre W y P/L. La Tabla 2 muestra los efectos directos de cada variable in;dependiente con VP y el aporte de cada variable al Modelo II. Las variables que más aportaron en este modelo fueron PROTGR, GI, P/L, PMIL y GH, en orden descendente, teniendo P/L y PMIL el mismo valor de contribución. En esta subregión la disec;ción de la correlación se aplicó a las variables GH por su alta correlación con VP y falta de aporte al modelo elegido (Tabla 5). La alta asociación de VP con GH estuvo dada por un fuerte efecto por vía in;directa de PROTGR y P/L. Este Modelo II tuvo un coeficiente de determinación del 36,94%.

Tabla 5. Disección de los efectos directos de componente Gluten Húmedo en la subregión IV

Proteína en Grano (PROTGR), Gluten Húmedo (GH), Gluten Index (GI), Tiempo de Desarrollo (TD), Estabilidad Farinográfica (ESTAB), Fuerza Panadera (W), Relación de Equilibrio P/L (P/L), Peso de Mil Granos (PMIL), Ceniza en Grano (CNIZGR), Volumen de Pan (VP). r Coeficiente de Correlación.

Subregión V Sur
Se planteó el Modelo I con las 21 variables indepen;dientes obteniendo un coeficiente de determinación de 6,47%. El análisis de correlación simple mostró que las variables L vs G, GH vs GS, PROTGR vs PROTH y VP vs VESP estaban altamente correla;cionadas (p<0,01). Por lo tanto, se eliminaron de este modelo las variables citadas en segundo término en la dupla. El análisis de coeficiente de sendero mostró que algunas variables contribuyeron poco al modelo planteado (0,0001 y 0,001%, resultados no mostrados). Ellas fueron P y VESP, aunque a esta última ya se había considerado eliminarla por su alta correlación con VP en el análisis anterior (0,0001%). También se sacaron del modelo las va;riables FN y PH dado que su efecto real sobre VP fue muy bajo, menor que el 0,001%. De esta manera, quedaron en el análisis 14 variables, las cuales conformaron el Modelo II. Las relaciones causales con VP se presentan en la Tabla 1. Se observó una correlación significativa y positiva entre VP y los componentes GH, TD y W, en tanto fueron negativas con AFLOJ y PMIL. El único componente que mostró correlación altamente significativa y positi;va fue PROTGR.
La Tabla 2 muestra los efectos directos de cada variable independiente con VP y el aporte de cada variable al Modelo II. Las variables que más efecto real tuvieron sobre la variable dependiente fueron L, GH, P/L, W y AFLOJ. La Tabla 6 muestra la di;sección de los efectos indirectos del componente PROTGR que tuvo una correlación positiva y signi;ficativa con VP, aunque en el Modelo II no se mani;festó su contribución. Los componentes que mayor efecto real tuvieron en forma indirecta a la correla;ción positiva y significativa fueron GH, W, P/L y PMIL. El resto de los componentes lo hicieron en forma negativa: GI, ESTAB, L y CNIZGR.

Tabla 6. Disección de los efectos directos del componente Proteína en Grano y Extensibilidad en la subregión V Sur

Proteína en Grano (PROTGR), Gluten Húmedo (GH), Gluten Index (GI), Tiempo de Desarrollo (TD), Estabilidad Farinográfica 0(ESTAB), Aflojamiento de la Masa (AFLOJ), Extensibilidad (L), Fuerza Panadera (W), Relación de Equilibrio P/L (P/L), Cenizas en Harina (CNIZH), Rendimiento en Harina (RTOH), Peso de Mil Granos (PMIL), Ceniza en Grano (CNIZGR), Volumen de Pan (VP). r Coeficiente de Correlación.

Otro componente analizado fue L, el cual no mostró correlación con VP pero tuvo el efecto más alto en el modelo. La partición del coeficiente de co;rrelación mostró que indirectamente GH y P/L fueron los componentes de mayor influencia sobre la variable L. (Tabla 3). Este Modelo II tuvo un coeficiente de determinación del 30%.

DISCUSIÓN Y CONCLUSIONES

El Modelo I planteado con 21 variables dio valores altos en los coeficientes de determinación (superiores a 95%) en todas las subregiones, excepto la V Sur (6,47%). Esto sugiere que existen muchas más variables no consideradas en este estudio que podrían incorporarse en dicha subregión, lo que posiblemente haría aumentar su coeficiente. De acuerdo con los hallazgos del presente trabajo, algunas variables de esta subregión contribuyeron poco en la explicación de la variable dependiente VP tomada como respuesta en el Modelo, existiendo, además, correlaciones parciales negativas entre variables dependientes y la independiente. Al plantear el Modelo II, se eliminaron las variables de alta correlación (por existir colinealidad entre ellas) y las de escasa contribución al mismo, de modo que R2 aumentó considerablemente en la subregión V Sur (de 6,47 a 30%). Esto se atribuye a que este segundo modelo no contenía las variables que por vía indirecta hacían disminuir el coeficiente en esta subregión, lo cual indica que dichas variables influyeron negativamente. En las restantes subregiones ese valor disminuyó en orden decreciente de la siguiente manera: II Norte > II Sur > IV al eliminar las variables de poca contribución. Esta amplia variación encontrada entre los valores de R2 se atribuye a las variables que conforman cada modelo, a la elevada influencia ambiental sobre ellas y a los diferentes genotipos incluidos en cada subregión. Ha sido coincidente la alta correlación en las mismas variables (1 o cercana a 1) en las cuatro subregiones, entre las cuales se citan GH vs GS, PROTGR vs PROTH, VP vs VPESP, L vs G, P/L vs L, P/L vs P y P/L vs G.
En cuanto al aporte de cada variable que conformó el Modelo II según la subregión considerada, hubo variables en común tales como GH, W, GI, P/L y CNIZH. Algunas variables fueron propias de algunas subregiones, tales como ESTAB en la II Sur, PMIL en la IV, L y AFLOJ en la V Sur. La disección de cada subregión explicó por qué algunas variables tenían bajas correlaciones con VP y otras aportaron muy poco al modelo elegido.
Las variables que conformaron el Modelo II en cada una de las subregiones podrían tomarse como participantes en la formación de un índice de selección. La Tabla 7 muestra las variables que conformarían dicho índice según la subregión considerada. El actual Índice de Calidad (IC) que utiliza el Comité de Cereales de Invierno para la calificación de los nuevos cultivares inscriptos en grupos de calidad industrial incluye solamente cuatro de las variables encontradas en el presente trabajo: GH, ESTAB, W y PROTGR (Miranda y Salomón, 2001). Este IC ha sido aplicado en 10 campañas trigueras pertenecientes a la Red de Ensayos Territoriales. Se propone analizar esos datos, o parte de ellos, con el nuevo índice obtenido en el presente trabajo diferenciando los datos por subregión. Este tipo de análisis resulta de interés ya que tiene en cuenta relaciones funcionales y causales directas e indirectas entre los componentes de la calidad que poseen alta influencia ambiental. De esta manera, se podría mejorar la eficiencia de la selección en trigo pan.

Tabla 7. Variables que conformarían un índice de calidad según la subregión analizada

Proteína en Grano (PROTGR), Gluten Húmedo (GH), Gluten Index (GI), Estabilidad Farinográfica (ESTAB), Aflojamiento de la Masa (AFLOJ), Extensibilidad (L), Fuerza Panadera (W), Relación de Equilibrio P/L (P/L), Cenizas en Harina (CNIZH), Peso de Mil Granos (PMIL), Volumen de Pan (VP).

NOTAS

1Los lectores pueden consultar la lista completa de materiales evaluados en la página web de INASE

BIBLIOGRAFÍA

1. Abbott L., Pistorale S., Andrés A. (2009) Evaluación de los componentes del rendimiento en semilla mediante coeficientes de sendero en poblaciones de agropiro alargado. Agriscientia 26:55-62.         [ Links ]

2. Abbott L., Pistorale S., Filippini S. (2007) Análisis de coeficientes de sendero para el rendimiento de semillas en Bromus catharticus. Cien. Inv. Agr. 34(2):141-149.         [ Links ]

3. Balzarini M.G., González L., Tablada M., Casanoves F., Di Rienzo J.A., Robledo C.W. (2008) Infostat. Manual del Usuario, Editorial Brujas, Córdoba, Argentina.         [ Links ]

4. Calzolari A.M., Polidoro O.O. (2004) La calidad del trigo en argentina I: sus características en las distintas subregioens trigueras. VI Congreso Nacional de Trigo, 20-22 octubre, Bahía Blanca, Argentina, Libro de Resúmenes p. 285.         [ Links ]

5. Calzolari A., Polidoro O., Terrile I. (2012) El rendimiento del trigo argentino en las distintas subregiones trigueras. http://www.planetasoja.com/trabajos/trabajos800.php?id1=34188yid2=0ypubli=yidSec=38. (Acceso junio 2012)         [ Links ]

6. Cruz C.D., Regazzi A. (1997) Modelos biométricos aplicados ao melhoramento genético, 2da edición, UFV, Brasil.         [ Links ]

7. Cuniberti M., Mir L., Berra O., Macagno S. (2007, 2008, 2009, 2010, 2011) Calidad del trigo en la región central del país. TRIGO, Informe de Actualización Técnica Nº 4 , Nº 8, Nº 11, Nº 15 y Nº 18. INTA-EEA Marcos Juárez, Córdoba, Argentina.         [ Links ]

8. Dewey D.R., Lu K.H. (1959) A correlation and path analysis of components of crested wheat grass seed production. Agron. J. 51:515-518.         [ Links ]

9. Di Rienzo J.A., Casanoves F., Balzarini M.G., González L., Tablada M., Robledo C.W. (2011) InfoStat. Grupo InfoStat, FCA, Universidad Nacional de Córdoba, Argentina. URL http://www.infostat.com.ar.         [ Links ]

10. Evans L.T. (1998) Feeding Ten Billion: Plants and Population Growth. Cambridge University. Press Cambridge, Reino Unido.         [ Links ]

11. Li C.C. (1956) The concept of path-coefficient and its impact on population genetics. Biometrics 12:190-210.         [ Links ]

12. Mariotti J.A. (1986) Fundamentos de Genética Biométrica. Aplicaciones al mejoramiento genético vegetal. O.E.A, Serie de Biología, Monografía Nº 32. Washington, D.C., Estados Unidos.         [ Links ]

13. Miranda R., Salomón N. (2001) Índice de calidad como herramienta para determinar la aptitud de los materiales genéticos. En: Kohli M.M., Ackerman M. y Castro M. (Eds.) Estrategias y metodologías utilizadas en el mejoramiento de trigo. Seminario Internacional. La Estanzuela Uruguay, CIMMYT-INIA, pp. 163-174.         [ Links ]

14. Molfese E., Seghezzo M.L. (2010) Calidad del trigo en el sur bonaerense. Análisis de 10 años. Ediciones Publicaciones Regionales. INTA, Ministerio de Asuntos Agrarios, Pcia. de Buenos Aires, Argentina, pp.1-9.         [ Links ]

15. Morant A.E., Merchán H.D., Lutz E.E. (2009). Correlaciones entre variables de producción en trigos doble propósito. J. Basic Appl. Genet. 20:43-48.         [ Links ]

16. Niles H.E. (1922) Correlation, causation and Wright's Theory of "Path Coefficients". Genetics 7:258-273.         [ Links ]

17. Paccapelo H.A., Funaro D.O., Mac Cormick T.B., Melis O.A. (2004) Rendimiento de grano y sus componentes en cereales sintéticos (tricepiros y triticales). Rev. Fac. Agron. - UNLPam. 15 N°l/2:3-8.         [ Links ]

18. Poehlman J.M., Sleper D. (1996) Breeding Field Crops. Iowa State Univ. Press. Ames, Iowa, Estados Unidos.         [ Links ]

19. Poehlman J.M., Sleper D. (2003) Mejoramiento Genético de las Cosechas. 2da. Edición. Editorial LIMUSA, México.         [ Links ]

20. Salomón N., Miranda R. (2008) Regionalización triguera por aptitud de uso industrial. Rev. Anál. Sem. 3:77-78.         [ Links ]

21. Trigo Argentino, Informe Institucional sobre su Calidad. (2012) http://www.trigoargentino.com.ar (Acceso Marzo 2012).         [ Links ]

22. Wright S. (1934) The method of path coefficients. Ann. Math. Stat. 5:161-215.         [ Links ]

23. Wrigley C.W., Bietz J.A. (1988) Proteins and Aminoacids. En: Pomeranz Y. (Ed) Wheat: Chemistry and Technology. Vol. I, Cap. 5: 3ra Edición, AACC International, Saint Paul, Minnesota, Estados Unidos.         [ Links ]

24. Zarrilli A.G. (1997) Ecología, capitalismo y desarrollo agrario en la región pampeana (1890-1950). Un enfoque histórico-ecológico de la cuestión agraria. Tesis Doctoral, Universidad Nacional de La Plata, Argentina.         [ Links ]

Creative Commons License Todo el contenido de esta revista, excepto dónde está identificado, está bajo una Licencia Creative Commons