دوره 14، شماره 44 - ( زمستان 1401 )                   جلد 14 شماره 44 صفحات 76-65 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Shirzad A, Asghari A, Zali H, Sofalian O, Mohammaddoust Chamanabad H. Application of the Multi-Trait Genotype-Ideotype Distance Index in the Selection of top Barley Genotypes in the Warm and Dry Region of Darab. jcb 2022; 14 (44) :65-76
URL: http://jcb.sanru.ac.ir/article-1-1351-fa.html
شیرزاد افسانه، اصغری علی، زالی حسن، سفالیان امید، دوست چمن آباد حمید رضا. کاربرد شاخص فاصله ژنوتیپ-ایدئوتیپ چند صفتی (MGIDI) در گزینش ژنوتیپ های برتر جو در منطقه گرم و خشک داراب. پژوهشنامه اصلاح گیاهان زراعی. 1401; 14 (44) :65-76

URL: http://jcb.sanru.ac.ir/article-1-1351-fa.html


بخش تحقیقات علوم زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، داراب، ایران
چکیده:   (523 مشاهده)
چکیده مبسوط
مقدمه و هدف: جو به ­عنوان یکی از گیاهان زراعی مهم بعد از گندم، ذرت و برنج می­باشد. جو منبع غذایی بسیار خوبی برای انسان است و از آن برای تغذیه دام نیز استفاده می­شود. هدف از این تحقیق، ارزیابی و انتخاب ژنوتیپ ­های برتر با عملکرد دانه بالا و خصوصیات زراعی مطلوب و همچنین بررسی کاربرد شاخص MGIDI در انتخاب ژنوتیپ ­های برتر جو بر مبنای صفات مختلف مورفو-فنولوژیک در منطقه گرم و خشک جنوب فارس بود.
مواد و روش‌ها: به­منظور گزینش ژنوتیپ­ های برتر جو در مناطق جنوبی استان فارس با استفاده از شاخص MGIDI، تعداد 108 لاین خالص در قالب طرح حجیم‌شده بدون تکرار آگمنت همراه با چهار ژنوتیپ شاهد (نوروز، اکسین، نوبهار و WB-97-11) در مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی فارس (ایستگاه داراب) طی سال زراعی 1400-1399 ارزیابی شدند. شاخص MGIDI برای انتخاب ژنوتیپ ­های برتر با استفاده از 13 صفت مورفو-فنولوژیک محاسبه شد. این صفات شامل عملکرد دانه، تعداد سنبله در متر مربع، تعداد دانه در سنبله، وزن سنبله، وزن هزار دانه، تراکم سنبله، طول دوره پر شدن دانه، طول پدانکل، طول ریشک، طول سنبله، ارتفاع بوته، تعداد روز تا ظهور سنبله و تعداد روز تا رسیدگی بود.
یافته‌ها: با توجه به نتایج تجزیه واریانس تفاوت معنی­ داری بین لاین­های مورد مطالعه برای همه صفات (به­ جزء طول ریشک و وزن هزار­دانه) در سطوح احتمال پنج و یک درصد مشاهده شد. همچنین نتایج نشان داد که تفاوت معنی ­داری بین لاین­ ها و شاهدهای آزمایش در همه صفات (به­ جزء طول پدانکل) وجود داشت­. نتایج تجزیه به عامل­ ها برای 13 صفت مورد بررسی، پنج عامل پنهانی را شناسایی کرد که 2/80 درصد از تنوع کل داده­ها را توجیه نمود. بر مبنای شاخص MGIDI ژنوتیپ ­های L110، L99، L88، L51، L56، L108، L63، L33، L50، L112، L52، L36، L20، L69، L68، L94 و L35 به ­ترتیب با کمترین مقدار این شاخص جزء برترین ژنوتیپ­ها بودند. بیشترین و کمترین مقدار درصد دیفرانسیل گزینش شاخص MGIDI به­ترتیب مربوط به صفات عملکرد دانه (11/5 درصد) و وزن هزار دانه (3/62- %) بود. نتایج نشان داد که مقدار پایین صفات تعداد دانه در سنبله و وزن سنبله و مقدار بالای تعداد سنبله در متر مربع عامل مؤثر در انتخاب ژنوتیپ­های برتر با استفاده از عامل اول بود که بر مبنای این عامل ژنوتیپ­ های L20، L94، L110 و L88 برتر بودند. در عامل دوم، بالا بودن مقدار صفات تعداد روز تا رسیدگی، عملکرد دانه و طول دوره پر شدن عامل اصلی انتخاب ژنوتیپ­ها بود و بر مبنای این عامل ژنوتیپ L112 برتر بود. عامل سوم ژنوتیپ­ها را بر اساس مقدار بالای هر دو صفت ارتفاع بوته و طول پدانکل گزینش کرد که ژنوتیپ­های L88 و L94 براساس عامل سوم ایده ­آل بودند. عامل چهارم ژنوتیپ ­ها را بر اساس طول ریشک و طول سنبله بالا گزینش کرد (ژنوتیپ L33 برتر بود) و عامل پنجم ژنوتیپ­ های با طول دوره ظهور سنبله و وزن هزار دانه پایین را انتخاب کرد و بر اساس این عامل ژنوتیپ­های L50، L35 و L51 ایده­آل بودند.
نتیجه‌گیری: درکل نتایج نشان داد که هیچ­کدام از عامل­ها، نتوانستند ژنوتیپ ­های برتر را بر اساس مقدار ایده­ آل همه صفات درونی خود دسته­ بندی نمایند. به همین دلیل نهایتاً ژنوتیپ­ هایی انتخاب شدند که کمترین مقدار MGIDI را داشته و علاوه بر آن، عملکرد دانه آن­ها از متوسط عملکرد دانه ژنوتیپ ­های انتخاب‌نشده بالاتر بود. بنابراین، در بین ژنوتیپ­ های انتخابی با استفاده از شاخص MGIDI، ژنوتیپ­ های L99، L88، L51، L56، L108، L63، L20، L69 و L94 جزء ژنوتیپ­ های برتر در این تحقیق بودند. از طرفی اثبات کارایی و توسعه شاخص جدیدی مثل MGIDI نیاز به تحقیقات بیشتری در سایر گیاهان دارد.

متن کامل [PDF 2327 kb]   (148 دریافت)    
نوع مطالعه: كاربردي | موضوع مقاله: اصلاح نباتات، بیومتری
دریافت: 1401/1/16 | ویرایش نهایی: 1401/10/10 | پذیرش: 1401/3/11 | انتشار: 1401/10/11

فهرست منابع
1. Benakanahalli, N.K., S. Sridhara, N. Ramesh, T. Olivoto, G. Sreekantappa, N. Tamam, A.M.M. Abdelbacki, H.O. Elansary and S.A.M. Abdelmohsen. 2021. A framework for identification of stable genotypes based on MTSI and MGDII Indexes: an example in guar (Cymopsis tetragonoloba L.). Agronomy, 11: 1221. [DOI:10.3390/agronomy11061221]
2. Barati, A., H. Zali, A. Pour-Aboughadareh, A. Gholipour, S. Koohkan, K. Shahbazi Homounlo, A. Marzoghian, M. Jabari, O. Podineh and M. Khirgo. 2021. Identification of irrigated barley genotypes with high and stable grain yield in warm regions of Iran. Journal of Crop Breeding, 13(40): 162-172 (In Persian).
3. Bhandari, H., A. Bhanu, K. Srivastava, M. Singh and H.A. Shreya. 2017. Assessment of genetic diversity in crop plants-an overview. Advances in Plants and Agricultural Research, 7(3): 279-286. [DOI:10.15406/apar.2017.07.00255]
4. Bizari, E.H., B.H. Pedroso Val, E.M. Pereira, A.O. di Mauro and S. Uneda-Trevisoli. 2017. Selection indices for agronomic traits in segregating populations of soybean. Revista Ciencia Agronomy, 48: 110-117. [DOI:10.5935/1806-6690.20170012]
5. Cerón-Rojas, J.J. and J. Crossa. 2018. Linear selection indices in modern plant breeding (pp. 1-256). Springer International Publishing. DOI: 10.1007/978-3-319-91223-3. [DOI:10.1007/978-3-319-91223-3]
6. Chakraborty, S. and A.C. Newton. 2011. Climate change, plant diseases and food security: An overview. Plant Pathology, 60: 2-14. [DOI:10.1111/j.1365-3059.2010.02411.x]
7. FAO. 2019. Statistical data. www. Fao. org/faostat.
8. Hazel, L. 1943. The genetic basis for constructions selection indices. Genetics, 28: 476-490. [DOI:10.1093/genetics/28.6.476]
9. Jahufer, M.Z.Z. and M.D. Casler. 2015. Application of the Smith-Hazel selection index for improving biomass yield and quality of switch grass. Crop Science, 55: 1212-1222. [DOI:10.2135/cropsci2014.08.0575]
10. Olivoto, T., A.D.C. Licio, J.A.G. da Silva, B.G. Sari and M.I. Diel. 2019a. Mean performance and stability in multi-environment trials II: selection based on multiple traits. Agronomy Journal, 111: 2961-2969. [DOI:10.2134/agronj2019.03.0221]
11. Olivoto, T., A.D.C. Licio, J.A.G. da Silva, V.S. Marchioro, V.Q. de Souza, and E. Jost. 2019b. Mean performance and stability in multi-environment trials I: combining features of AMMI and BLUP techniques. Agronomy Journal, 111: 2949-2960. [DOI:10.2134/agronj2019.03.0220]
12. Olivoto, T. and A.D. Lucio. 2020. Metan: an R package for multi-environment trial analysis. Methods in Ecology and Evolution, 11: 783-789. [DOI:10.1111/2041-210X.13384]
13. Olivoto, T. and M. Nardino. 2020. MGIDI: A novel multi-trait index for genotype selection in plant breeding. Bioinformatics, 1-22.
14. Olivoto, T. and M. Nardino. 2021. MGIDI: Toward an effective multivariate selection in biological experiments. Bioinformatics, 37: 1383-1389. [DOI:10.1093/bioinformatics/btaa981]
15. Pour-Aboughadareha, A. and P. Poczaib. 2021a. Dataset on the use of MGIDI index in screening drought-tolerant wild wheat accessions at the early growth stage. Data in Brief, 36: 107596. [DOI:10.1016/j.dib.2021.107096]
16. Pour-Aboughadareha, A. and P. Poczaib. 2021b. A dataset on multi-trait selection approaches for screening desirable wild relatives of wheat. Data in Brief, 39: 107541. [DOI:10.1016/j.dib.2021.107541]
17. Pour-Aboughadareh, A., S. Sanjani, H. Nikkhah-Chamanabad, M.R. Mehrvar, A. Asadi, A. Amini. 2021. Identification of salt-tolerant barley genotypes using multi-traits index and yield performance at the early growth and maturity stage. Bulletin of the National Research Centre, 45:1-16. [DOI:10.1186/s42269-021-00576-0]
18. Rabiei, B., M. Valizdah, B. Ghareyazieand, M. Moghaddam. 2004. Evaluation of selection indices for improving rice grain shape. Field Crops Research, 89: 359-367. [DOI:10.1016/j.fcr.2004.02.016]
19. Rocha, J.R.dA.S.dC., J.C. Machado and P.C.S. Carneiro. 2018. Multitrait index based on factor analysis and ideotype-design: Proposal and application on elephant grass breeding for bioenergy. Global Change Biology and Bioenergy, 10(1): 52-60. [DOI:10.1111/gcbb.12443]
20. Seiler, G.J. and R.E. Stafford. 1985. Factor analysis of component of yield in guar. Journal Crop Science, 25: 905-908. [DOI:10.2135/cropsci1985.0011183X002500060003x]
21. Smith, H.F. 1936. A discriminant function for plant selection. Annual Eugenics, 7: 240-250. [DOI:10.1111/j.1469-1809.1936.tb02143.x]
22. Zali, H., O. Sofalian, T. Hasanloo, A. Asghari and S.M. Hoseini. 2015. Appraising of drought tolerance relying on stability analysis indices in canola genotypes simultaneously, using selection index of ideal genotype (SIIG) technique: Introduction of new method. Biological Forum - An International Journal, 7(2): 703-711.
23. Zali, H., O. Sofalian, T. Hasanloo, A. Asghari, and M. Zeinalabedini. 2017. Appropriate strategies for selection of drought tolerant genotypes in canola. Journal of Crop Breeding, 78 (20): 77-90 (In Persian).

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به پژوهشنامه اصلاح گیاهان زراعی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2023 CC BY-NC 4.0 | Journal of Crop Breeding

Designed & Developed by : Yektaweb