tente rodar usando a abordagem generalisada implementada na função gls do pacote nlme. 
nela é possivel afrouxar o pressuposto de homocedasticidade exigido pela função lm,aov, através do argumento weights
der uma olhada no manual

Em sáb, 2 de mar de 2019 5:56 PM, Marcelo Laia <marcelolaia@gmail.com escreveu:
On 02/03/19 at 03:51, Fernando Souza wrote:
> Seguindo a proposta do gilson, apos rodar o modelo utilizando aov ou lm veja a distribuição dos residuos graficamente através da função qqp do pacote CAR
> qqp(rstandard(modelo.lm),"norm")
>

Olá Fernando,

Eu não conhecia essa função do pacote car. Bem massa, pois ela mostra as linhas
de confiança.

Com base no pacote bestNormalize, eu transformei os dados e observei os
gráficos. Inclusive, com a função qqp todos ficam dentro dos 95%. Ou seja, a
questão da normalidade foi resolvida. Mas, a homogeneidade ainda ficou
esquisita quando incluo a interação:

Com a interação:
Levene's Test for Homogeneity of Variance (center = median)
       Df F value    Pr(>F)   
group  41  2.2615 0.0002938 ***
      126                     

Sem interação: só Genotipo
Levene's Test for Homogeneity of Variance (center = median)
       Df F value  Pr(>F) 
group   1  3.1509 0.07772 .
      166                 

Sem interação: só Isolado
Levene's Test for Homogeneity of Variance (center = median)
       Df F value  Pr(>F) 
group  20  1.5658 0.06859 .
      147                 

Em anexo os gráficos após transformação.

Agradeço, imensamente, pela inestimável ajuda de ambos!

--
Marcelo