Avaliação do efeito de produtos biológicos e químicos na inibição do crescimento micelial de Colletotrichum spp.
Autores
Prof. Dr. Walmes Zeviani
Débora Petermann
1 Sobre o experimento
Introdução
Neste estudo, realizamos experimentos para avaliar o efeito de diferentes produtos biológicos e dois produtos químicos quando misturados no meio de cultura e diretamente em contato com os fungos Colletotrichum nymphaeae e C. chrysophilum, incluindo cepas sensíveis e com sensibilidade reduzida a fungicidas. A variável resposta analisada foi o diâmetro da colônia, expresso em milímetros.
Materiais e Métodos
Os experimentos 1 e 2 foram conduzidos no Laboratório de Epidemiologia para o Manejo Integrado de Doenças de Plantas (LEMID) pela aluna de mestrado Débora Petermann, sob orientação da professora doutora Louise Larissa May De Mio.
Experimento 1:
Data de montagem: 15 de fevereiro de 2022.
Data de avaliação: 22 de fevereiro de 2022.
Estrutura do experimento: 9 tratamentos, 4 isolados e 4 repetições.
Experimento 2:
Data de montagem: 23 de fevereiro de 2022.
Data de avaliação: 02 de março de 2022.
Estrutura do experimento: 9 tratamentos, 4 isolados e 4 repetições.
Foram utilizados os seguintes tratamentos:
Bacillus amyloliquefaciens na dosagem de 0,5g/L (Bam 0,5g/L) - produto biológico.
Bacillus amyloliquefaciens na dosagem de 1,0g/L (Bam 1,0g/L) - produto biológico.
Bacillus amyloliquefaciens na dosagem de 2,0g/L (Bam 2,0g/L) - produto biológico.
Sobrenadante de Bacillus alcalophilus (SBa) - produto biológico.
Biomassa de Bacillus alcalophilus (BBa) - produto biológico.
Bacillus subtilis (Bs) - produto biológico.
Delan - produto químico.
CabrioTop - produto químico.
Testemunha composta por água esterilizada (Controle).
Os isolados utilizados foram:
MdCn-142: C. nymphaeae sensível a fungicida.
MdCn-181: C. nymphaeae sensibilidade reduzida a fungicida.
MdCc-110: C. chrysophilum sensível a fungicida.
MdCc-55PR: C. chrysophilum sensibilidade reduzida a fungicida.
Análise Estatística
O objetivo da análise estatística é realizar uma análise fatorial, onde um dos fatores é composto pelos tratamentos (os 9) e o segundo fator pelos isolados (os 4). A análise focará na comparação entre os dois isolados de C. nymphaeae (sensível e sensibilidade reduzida) e os dois isolados de C. chrysophilum (sensível e sensibilidade reduzida). Além disso, os experimentos 1 e 2 serão analisados separadamente.
O crescimento apresentou vários zeros indicando que não houve germinação. Para contornar o muito provável afastamento dos pressupostos decorrente do excesso de valores iguais a zero, optou-se por cortar os valores em classe e análisar como resposta de sobreviência, ainda mantendo a suposição de distribuição normal. Dessa maneira, valores iguais a zero ou muito próximo de, que caírem na primeira classe, serão considerados censuras intervalares. Valores positivos que estiverem além da primeira classe, não serão considerados censurados. Para amplitude de classe considerou-se 2.5 mm.
Ao final, pode-se apresentar as médias amostrais de diâmetro ao lado das estimativas obtidas com o modelo de sobreviência.
2 Análise dos dados
Código
#-----------------------------------------------------------------------# Pacotes.library(car)library(emmeans)library(survival)library(tidyverse)#-----------------------------------------------------------------------# Importação e preparo.# Importação.tb <- readxl::read_excel("analises_artigo_mestrado.xlsx",sheet ="1. Fundente")# Nomes em caixa baixa.tb <- tb |>rename_with(tolower) |>rename("diameter"="colony diameter (mm)")str(tb)
#-----------------------------------------------------------------------# Algumas combinações experimentais tem todas as repetições com zero de# crescimento micelial. Isso corresponde a problemas com pressupostos.# Seria interessante cortar em classes de crescimento micelial e# analisar como uma resposta de sobreviência.tb$diameter |>summary()
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.000 0.000 4.678 10.458 14.450 56.000
Código
# Faça um histograma da variável `diameter` por `experiment`.ggplot(data = tb,aes(x = diameter)) +facet_wrap(facets =~experiment, ncol =1) +geom_histogram(breaks =seq(0,max(tb$diameter) +2.5,by =2.5),color ="black") +geom_rug()
Código
#-----------------------------------------------------------------------# Corta a resposta em classe.# Seleciona variáveis até a coluna da resposta (caso tenha criado coisas# a mais).tb <- tb |>select(1:diameter)# Cortar a resposta em classes.binwidth <-2.5breaks <-seq(from =0,to =max(tb$diameter) + binwidth,by = binwidth)tb$diameter_class <-cut(tb$diameter,breaks = breaks,include.lowest =TRUE)# Separar valores para criar os limites do intervalo.tb <- tb |>mutate(newvalue =as.character(diameter_class),newvalue =trimws(str_replace_all(newvalue,pattern ="[\\[(\\]]",replacement =" "))) |>separate(newvalue,into =c("left", "right"),sep =",",convert =TRUE)str(tb)
#-----------------------------------------------------------------------# Processamento 1: Tudo com censura intervalar -------------------------# IMPORTANT: Aqui todos os registros são considerados censuras# intervalares.tb <- tb |>mutate(status =3)# tb |># group_by(diameter_class) |># slice_head(n = 1) |># ungroup() |># select(diameter_class, left, right, status) |># with(survival::Surv(# time = left,# time2 = right,# event = status,# type = "interval"))#-----------------------------------------------------------------------# Processamento 2: Censura intervalar e cenrura à direita --------------# IMPORTANT: Aqui foi feito censura intervalar para a primeira classe# que é o intervalo que contém o 0. Valores positivos que cairam nas# demais classes são declarados com eventos sem censura.# `i` indica se é a classe que contém o 0 ou não.tb <- tb |>mutate(i = diameter_class ==levels(diameter_class)[1],status =ifelse(i, yes =3, no =1),right =ifelse(i, yes = right, no = diameter),left =ifelse(i, yes = left, no = diameter))# tb |># group_by(diameter_class) |># slice_head(n = 1) |># ungroup() |># select(diameter_class, left, right, status) |># with(survival::Surv(# time = left,# time2 = right,# event = status,# type = "interval"))#=======================================================================# Ajuste de sobreviência com resposta censurada. -----------------------# Opções de distribuição:# “extreme”, “logistic”, “gaussian”, “weibull”, “exponential”,# “rayleigh”, “loggaussian”, “lognormal”, “loglogistic”, “t”
# Para armazenar as comparações de médias.tb_means <-list(isolated =NULL, treatment =NULL)# Aplica o teste de comparação de médias separado por espécie.tb_means$isolated <-emmeans(m1,specs =~isolated) |> multcomp::cld(Letters = letters, reversed =TRUE, adjust ="fdr") |>as.data.frame() |>mutate(.group =trimws(.group))tb_means$isolated
isolated emmean SE df lower.CL upper.CL .group
3 MdCc-55PR 19.514960 1.604723 131 15.450736 23.57918 a
4 MdCc-110 10.759083 1.606959 131 6.689194 14.82897 b
1 MdCn-181 8.278235 1.607079 131 4.208043 12.34843 b
2 MdCn-142 7.743821 1.607204 131 3.673312 11.81433 b
