دوره 11، شماره 30 - ( تابستان 1398 )                   جلد 11 شماره 30 صفحات 168-177 | برگشت به فهرست نسخه ها

XML English Abstract Print


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

Safari P, Danyali S F, Rahimi M, Mahdavi Meyghan A. Application of Gibbs Variable Selection Approach to Study Genetic Control of Water Deficient Stress Tolerance in Wheat. jcb. 2019; 11 (30) :168-177
URL: http://jcb.sanru.ac.ir/article-1-776-fa.html
صفری پرویز، دانیالی سیده فاطمه، رحیمی مهدی، مهدوی میقان احمد. کاربرد گزینش متغیر گیبز (GVS) برای مطالعه کنترل ژنتیکی تحمل به تنش کم آبی در گندم. پژوهشنامه اصلاح گیاهان زراعی. 1398; 11 (30) :168-177

URL: http://jcb.sanru.ac.ir/article-1-776-fa.html


گروه بیوتکنولوژی، پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران.
چکیده:   (139 مشاهده)

خشکی مهم­ترین تنش غیرزیستی است که تولید و کیفیت محصول گندم را در ایران تحت­تاثیر قرار می ­دهد. اطلاعات درباره کنترل ژنتیکی توارث تحمل به تنش خشکی عملکرد دانه برای تعیین نوع برنامه اصلاحی و تولید ارقام متحمل ضروری است. این امر اصلاح­گران را قادر می­ سازد تا مناسب ­ترین راه­کار را برای اصلاح صفت انتخاب کنند. در این مطالعه، استنباط بیزی با به کارگیری روش گزینش متغیر گیبز (GVS) برای شناسایی مهم­ترین اثرات ژنتیکی مرتبط با تحمل به خشکی و شرایط عادی در چارچوب روش تجزیه میانگین نسل­ ها مورد استفاده قرار گرفت. به همین منظور آزمایش­هایی شامل دو جفت تلاقی با ارقام حساس و متحمل (هامون × دریا و سپاهان × مروارید) و نسل­های حاصل از تلاقی آنها برای دو سال به صورت کرت ­های خرد شده در دو شرایط آبیاری مطلوب و قطع آبیاری از زمان گرده افشانی بر پایه طرح بلوک­های کامل تصادفی با سه تکرار اجرا شدند. برای مطالعه توارث صفت در تجزیه میانگین نسل­ها از آزمون مقیاس مشترک استفاده می­شود. محدود بودن درجات آزادی به تعداد پارامترهای موجود در مدل و امکان برآورد بیش از حد یا کمتر از حد اثرات اصلی و اپیستازی از معایب این روش هستند. یک روش جایگزین برای رفع این محدودیت­ ها استفاده از استنباط بیزی و روش­های گزینش مدل مثل GVS است. GVS با برآورد احتمالات پسین در بر گرفتن پارامترهای مدل، شناسایی اثرات برخوردار از بیشترین قدرت تمایز در مدل را امکان­پذیر  می ­سازد. نتایج نشان­دهنده کنترل توارث عملکرد دانه در شرایط تنش و غیرتنش توسط عمل ژنی افزایشی، غالبیت و اپیستازی بودند. بنابراین استفاده از روش­هایی مانند گزینش دوره­ای و به دنبال آن روش شجره­ای که تمام اثرهای ژنی را در بردارند می­تواند روشی سودمند برای بهبود تحمل به تنش خشکی باشد. از آن­جایی که عمل ژنی افزایشی، غالبیت و اپیستازی در توارث عملکرد دانه مؤثر بودند، روش­هایی که از تمام اثرهای ژنی استفاده می­کنند مثل تولید بذر هیبرید ممکن است در بهبود عملکرد گندم در شرایط مختلف مؤثر باشد.
 

 

متن کامل [PDF 782 kb]   (54 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: اصلاح نباتات، بیومتری
دریافت: ۱۳۹۶/۳/۲۲ | ویرایش نهایی: ۱۳۹۸/۷/۱۷ | پذیرش: ۱۳۹۷/۱/۱۴ | انتشار: ۱۳۹۸/۶/۲۰

فهرست منابع
1. Ahmadian, S., S.M. Mortazavian, M. Ebrahimi, F. Amini, M. Ghorbani Javid and B. Foghi. 2017. Genetic Analysis of some Morphological Traits in Wheat using Generation Mean Analysis under Normal and Drought Stress Conditions. Journal of Crop Breeding, 8(20): 182-175 (In Persian).
2. Balestre, M., R.G. Von Pinho and A.H. Brito. 2012. Bayesian inference to study genetic control of resistance to gray leaf spot in maize. Genetics and Molecular Research, 11(1): 17-29. [DOI:10.4238/2012.January.9.3]
3. Barbieri, M.M. and J.O. Berger. 2004. Optimal predictive model selection. Annals of Statistics, 870-897. [DOI:10.1214/009053604000000238]
4. Carlin, B.P. and S. Chib. 1995. Bayesian model choice via Markov chain Monte Carlo methods. Journal of the Royal Statistical Society, 473-484. [DOI:10.1111/j.2517-6161.1995.tb02042.x]
5. Chowdhry, M.A., M. Rafiq and K. Alam. 1992. Genetic architecture of grain yield and certain other traits in bread wheat. Pakistan Journal of Agricultural Research, 13(3): 216-220.
6. Clyde, M., H. Desimone and G. Parmigiani. 1996. Prediction via orthogonalized model mixing. Journal of the American Statistical Association, 91(435): 1197-1208. [DOI:10.1080/01621459.1996.10476989]
7. Dellaportas, P., J.J. Forster and I. Ntzoufras. 2000. Bayesian Variable Selection Using the Gibbs Sampler, In: Dey, D.K., S.K. Ghosh and B.K. Mallick (eds.) Generalized Linear Models: A Bayesian Perspective, CRC Press, New York, 271-286.
8. Dellaportas, P., J.J. Forster and I. Ntzoufras. 2002. On Bayesian model and variable selection using MCMC. Statistics and Computing, 12(1): 27-36. [DOI:10.1023/A:1013164120801]
9. Eftekhari, A., A. Baghizadeh, R. Abdoshahi and M.M. Yaghoubi. 2017. Estimation of Genes Effect and Combining Ability of Agronomic Traits in Some Bread Wheat Varieties under Drought Stress. Journal of Crop Breeding, 9(22): 98-108 (In Persian).
10. Fotokian, M.H., J. Ahmadi, and S.F. Orang. 2008. Genetic assay of some traits in wheat (Triticum aestivum L.) under drought stress condition using generation mean analysis. Iranian Journal of Biology, 22(3): 431-441 (In Persian).
11. Gelman, A., J.B. Carlin, H.S. Stern and D.B. Rubin. 2004. Bayesian data analysis. Boca Raton, FL, USA: Chapman & Hall/CRC.
12. Geman, S. and D. Geman. 1984. Stochastic relaxation, Gibbs distributions, and the Bayesian restoration of images. IEEE Transactions on Pattern Analysis and Machine Intelligence, 6: 721-741. [DOI:10.1109/TPAMI.1984.4767596]
13. George, E.I. and R.E. McCulloch. 1993. Variable selection via Gibbs sampling. Journal of the American Statistical Association, 88(423): 881-889. [DOI:10.1080/01621459.1993.10476353]
14. Gomez, K.A. and A.A. Gomez. 1984. Statistical Procedures for Agricultural Research. John Wiley & Sons.
15. Green, P.J. 1995. Reversible jump Markov chain Monte Carlo computation and Bayesian model determination. Biometrika, 711-732. [DOI:10.1093/biomet/82.4.711]
16. Hallauer, A.R., M.J. Carena and J.B. Miranda Filho. 2010. Quantitative Genetics in Maize Breeding. Springer, New York. [DOI:10.1007/978-1-4419-0766-0_12]
17. Hayman, B.I. 1960. The separation of epistatic from additive and dominance variation in generation means. Heredity, 12: 371-390. [DOI:10.1038/hdy.1958.36]
18. Ijaz, U.S. and M. Kashif. 2013. Genetic study of quantitative traits in spring wheat through generation means analysis. American-Eurasian Journal of Agricultural & Environmental Sciences, 13(2): 191-197.
19. Khattab, S.A.M., R.M. Esmail and A.M.F. Al-Ansary. 2010. Genetical analysis of some quantitative traits in bread wheat (Triticum aestivum L.). New York Science Journal, 3(11): 152-157.
20. Kuo, L. and B. Mallick. 1998. Variable selection for regression models. Sankhyā: The Indian Journal of Statistics, Series B: 65-81.
21. Mather, K. and J.L. Jinks. 1971. Biometrical Genetics. Cornell University Press, Ithaca, N.Y. [DOI:10.1007/978-1-4899-3404-8]
22. Munir, M., M.A. Chowdhry and M. Ahsan. 2007. Generation means studies in bread wheat under drought condition. International Journal of Agriculture and Biology, (9)2: 282-286.
23. Nezhadahmadi, A., Z.H. Prodhan and G. Faruq. 2013. Drought tolerance in wheat. The Scientific World Journal, 12pp. [DOI:10.1155/2013/610721]
24. Novoselovic, D., M. Baric, G. Drezner, J. Gunjaca and A. Lalic. 2004. Quantitative inheritance of some wheat plant traits. Genetics and Molecular Biology, 27(1): 92-98. [DOI:10.1590/S1415-47572004000100015]
25. Ntzoufras, I. 2002. Gibbs variable selection using BUGS. Journal of statistical software, 7(7): 1-19. [DOI:10.18637/jss.v007.i07]
26. Ntzoufras, I. 2011. Bayesian modeling using WinBUGS. John Wiley & Sons, 698pp.
27. Raftery, A.E., D. Madigan and J.A. Hoeting. 1997. Bayesian model averaging for linear regression models. Journal of the American Statistical Association, 92(437): 179-191. [DOI:10.1080/01621459.1997.10473615]
28. SAS Institute. 2002. SAS user's guide: Statistics version 9 for windows. SAS Institute, Carry, NC.
29. Siani, H.S. and D. Aspinall. 1981. Effects of water deficit on sporogensis in wheat. Annals of Botany, 43: 623-633. [DOI:10.1093/oxfordjournals.aob.a086170]
30. Spiegelhalter, D.J., A. Thomas, N.G. Best and D. Lunn. 2003. WinBUGS user manual. MRC Biostatistics Unit, Cambridge.
31. Viana, J. and M. Soriano. 2000. Generation mean analysis in relation to polygenic systems with epistasis and fixed genes. Pesquisa Agropecuária Brasileira, 35(6): 1159-1167. [DOI:10.1590/S0100-204X2000000600012]
32. Xu, S. 2003. Estimating polygenic effects using markers of the entire genome. Genetics, 163(2): 789-801.
33. Yi, N., B.S. Yandell, G.A. Churchill, D.B. Allison, E.J. Eisen and D. Pomp. 2005. Bayesian model selection for genome-wide epistatic quantitative trait loci analysis. Genetics, 170(3): 1333-1344. [DOI:10.1534/genetics.104.040386]
34. Yi, N., D. Shriner, S. Banerjee, T. Mehta, D. Pomp and B.S. Yandell. 2007. An efficient Bayesian model selection approach for interacting quantitative trait loci models with many effects. Genetics, 176(3): 1865-1877. [DOI:10.1534/genetics.107.071365]

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

ارسال پیام به نویسنده مسئول


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

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2019 All Rights Reserved | Journal of Crop Breeding

Designed & Developed by : Yektaweb