Um dos principais desafios do melhoramento de milho doce é aumentar a eficiência da seleção para produtividade e qualidade dos grãos. Uma das formas de aumentar essa eficiência é a utilização de marcadores moleculares para auxiliar a seleção nos programas de melhoramento. Para isso, o estudo da herança por meio do mapeamento de QTL é uma ferramenta importante para o conhecimento da base genética dos caracteres e para gerar informações que possam ser utilizadas na seleção assistida por marcadores moleculares. O presente estudo teve como objetivo mapear QTL em testecrosses de milho doce para produção de grãos, seus componentes e caracteres de qualidade, e avaliar o efeito de diferentes testadores e ambientes no mapeamento de QTL. Para tanto, foi utilizada uma população obtida do cruzamento entre as linhagens B532 e B605 do mesmo grupo heterótico e contrastantes para diversos caracteres. Duzentas e cinqüenta e seis progênies F4:5 foram genotipadas com marcadores moleculares SNP para a construção do mapa genético. Posteriormente, essas progênies foram cruzadas com os testadores A36 e A17 de um grupo heterótico distinto do grupo da população. Os testecrosses obtidos foram avaliados em dois ambientes, Uberlândia, MG, e Itatiba, SP, em látices simples 16 x 16. Os caracteres avaliados foram produção de grãos (PG), número de fileiras de grãos (NF), comprimento de espiga (CE), diâmetro de espiga (DE), comprimento de grãos (CG), coloração de grãos (CL), maciez de grãos (MC) e doçura de grãos (DÇ). O método de mapeamento por intervalo composto expandido para múltiplos ambientes (mCIM) foi utilizado para mapear QTL e detectar a interação QTL x ambiente. Foram mapeados 116 QTL, sendo 21 para PG, 17 para NF, 22 para CE, 14 para DE, 12 para CG, 11 para CL, 11 para MC e 8 para DÇ. Com exceção de 2 QTL para NF que explicaram 12,19% e 10,03% e de 1 QTL para CE que explicou 10,48%, todos os outros explicaram menos de 10% da variância fenotípica. Considerando todos os caracteres, 91% dos QTL mapeados foram específicos para cada testador, evidenciando uma elevada interação QTL x testador. Dos 116 QTL mapeados apenas 22 apresentaram interação QTL x ambiente, indicando que houve baixa interação QTL x ambiente. Dessa forma, a maioria dos caracteres de importância econômica em milho doce foi controlada por muitos QTL de baixos efeitos na variação fenotípica, os quais apresentaram uma elevada interação QTL x testador e uma reduzida interação QTL x ambiente. O elevado número de QTL controlando os caracteres e a elevada interação QTL x testador mostram a complexidade da aplicação da seleção assistida no melhoramento de milho doce.

One of the main challenges in sweet corn breeding is to improve the efficiency of selection for grain yield and quality traits. The use of molecular markers would be a way to increase the selection efficiency in breeding programs. QTL mapping is an important tool for understanding the genetic basis of the traits and to generate information that can be used in marker assisted selection. This study aimed to map QTL in sweet corn testecrosses for grain yield, its components and quality traits, and evaluate the effect of different testers and environments in QTL mapping. For this study a population was obtained by crossing lines B532 and B605, from the same heterotic group and contrasting for different traits. Two hundred and fifty-six F4:5 progenies were genotyped with SNP markers for the construction of the genetic map. Subsequently, these progenies were crossed with the testers A36 and A17 from a different heterotic group than the population. The obtained testecrosses were evaluated in two environments, Uberlândia, MG, e Itatiba, SP, in a simple lattice design 16 x 16. The traits evaluated were: grain yield (PG); number of rows (NF); ear length (CE); ear diameter (DE); kernel depth (CG), kernel color (CL); kernel tenderness (MC) and kernel sweetness (DÇ). The composite interval mapping extended to multiple environments (mCIM) was used to map QTL and to detect the QTL x environment interaction. One hundred and sixteen QTL were mapped; with 21 for PG, 17 for NF, 22 for CE, 14 for DE, 12 for CG, 11 for CL, 11 for MC and 8 for DÇ. With the exception of 2 QTL for NF which explained 12%,19% and 10,03% and by 1 QTL for CE which explained 10,48%, all the others explained less than 10% of the phenotypic variance. Considering all of the traits, 91% of the mapped QTL were specific to each tester, indicating a high QTL x tester interaction. Out of the 116 QTL mapped, only 22 showed significant QTL x environment interaction, indicating that there was a small QTL x environment interaction. Thus, most traits of economic importance in sweet corn seem to be controlled by many QTL with small effects, which showed a large QTL x tester interaction and a small QTL x environment interaction. The large number of QTL controlling the traits and the large QTL x tester interactions demonstrate the complexity of the implementation of marker assisted selection in sweet corn breeding.