A cana-de-açúcar é uma espécie de elevada importância econômica, uma vez que o país é o maior produtor mundial desta cultura. Atualmente, recebe importância maior devido as questões econômico-ambientais geradas pelo seu principal produto, o etanol. Neste contexto, há um cenário de potencial crescimento para cultura, em que o melhoramento genético pode contribuir com o desenvolvimento de cultivares mais produtivos e eficientes para diversas condições de cultivo. Os programas de melhoramento genético poderiam utilizar as informações obtidas com o mapeamento de QTLs para tornarem-se mais eficientes. Para tanto, faz-se necessário o desenvolvimento de abordagem que permita o mapeamento de QTLs em cana-de-açúcar com maior precisão. Os modelos genéticos-estatisticos desenvolvidos para o mapeamento de QTLs, normalmente são baseados em populações experimentais originárias de linhagens endogâmicas e espécies diplóides. No entanto, para espécies como cana-de-açúcar, eucalipto, maracujá, a obtenção deste tipo de material é impraticável pela alta depressão por endogamia existente. Dessa forma, estudos de mapeamento são conduzidos com uso de progênies de irmãos completos, normalmente fazendo adaptações para que as metodologias existentes possam ser usadas, o que induz a várias desvantagens. Assim, o trabalho apresentou dois objetivos: i) desenvolvimento de uma abordagem para mapeamento de QTLs em progênies de irmãos completos, utilizando mapa integrado e mapeamento por intervalo composto. ii) aplicação do presente modelo em caracteres relacionados a produtividade em cana-de-açúcar. Verificou-se que o novo modelo foi superior as abordagens já existentes na literatura, pois em estudos de simulação os QTLs foram detectados com maior poder estatístico e também com maior precisão. A aplicação do modelo em dados de cana-de-açúcar permitiu a identificação de maior número de QTLs do que a abordagem comumente utilizada para esta cultura. O maior poder estatístico desta metodologia contribuiu diretamente para detecção de novas regiões que apresentam associação com caracteres de produção. Vale destacar que o modelo detectou QTLs com diferentes padrões de segregação, além de indicar a provável existência de QTLs que se expressam ao longo dos cortes.

Sugarcane has great economic importance to Brazil, which is worlds largest producer. Currently, sugarcane receives worldwide attention due to the economic and environmental issues generated by its main product, ethanol. In this context, there is a scenario of potential growth for the culture, in which breeding can contribute to the development of new cultivars, more productive and effective to explore environmental conditions. Breeding programs could use the information obtained form QTL mapping to become more efficient. Thus, it is necessary to develop new statistical methods that allow QTL mapping in sugarcane with more precision. Statistical models developed for QTL mapping are usually based on experimental populations obtained from inbred lines. However, for species such as sugarcane, eucalyptus, passion fruit, inbred lines are not avaliable and then and mapping studies are conducted using full-sib families, usually making adaptations to existing methodologies, leading to several disadvantages since the assumptions are usually unrealist. This work had two objectives: i) develop an approach for mapping QTLs in full-sibs, using integrated map and compositive interval mapping. ii) use this model to map QTL for traits related to productivity in sugarcane. Results showed that the new model provided better results then existing approaches in literature. In simulation studies, all QTL were detected with more statistical power and precision. The application of the model on data from sugarcane has allowed the identification of more QTLs than single marker analysis, which is commonly used. The statistical power contributed to detection of new regions were associated with variation of quantitative traits. The model also detected QTLs with different patterns of segregation, as well as QTL expressed across harvests.