دوره 17، شماره 3 - ( پاییز 1404 )
جلد 17 شماره 3 صفحات 15-1 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Jafari Zare M, Asghari A, Zali H, Sofalian O, Pour-Aboughadareh A. (2025). Comparison of Multiple-Trait Selection Indices for Promising Barley Genotypes. J Crop Breed. 17(3), 1-15. doi:10.61882/jcb.2024.1552
URL: http://jcb.sanru.ac.ir/article-1-1552-fa.html
URL: http://jcb.sanru.ac.ir/article-1-1552-fa.html
جعفری زارع منصور، اصغری علی، زالی حسن، سفالیان امید، پورابوقداره علیرضا.(1404). مقایسه شاخص های مبتنی بر چند صفت برای انتخاب ژنوتیپ های امیدبخش جو پژوهشنامه اصلاح گیاهان زراعی 17 (3) :15-1 10.61882/jcb.2024.1552
1- گروه مهندسی تولید و ژنتیک گیاهی، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران
2- بخش تحقیقات علوم زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، داراب، ایران
3- موسسه تحقیقات اصلاح و تهیه نهال و بذر، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران
2- بخش تحقیقات علوم زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، داراب، ایران
3- موسسه تحقیقات اصلاح و تهیه نهال و بذر، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران
چکیده: (548 مشاهده)
چکیده مبسوط
مقدمه و هدف: جو (L.Hordeum vulgare ) یکی از محصولات مهم خانواده غلات است که امروزه رتبه چهارم را در میان تمام محصولات غلات تولیدشده در جهان، پس از گندم، برنج و ذرت دارد. در برنامه های اصلاحی برای انتخاب ژنوتیپ های برتر، ژنوتیپ ها باید با دقت بالایی انتخاب شوند. برای صفاتی مانند عملکرد دانه، انتخاب غیر مستقیم از طریق سایر صفات که همبستگی بالایی با عملکرد دارند، از کارایی مطلوبی برخوردار است. بنابراین، هدف از این تحقیق گزینش ژنوتیپ های برتر جو و برخوردار از صفات زراعی مطلوب با استفاده از شاخص های انتخاب ترکیبی و در نهایت مقایسه این شاخص ها با هم بود.
مواد و روش ها: به منظور ارزیابی تعدادی از ژنوتیپ های برتر جو با استفاده از شاخص های گزینش چندصفتی، آزمایشی در ایستگاه تحقیقات کشاورزی و منابع طبیعی داراب در سال زراعی 1401-1400 انجام شد. آزمایش با 51 ژنوتیپ جو به همراه 9 ژنوتیپ شاهد در قالب طرح بلوک های کامل تصادفی با سه تکرار اجرا شد. ژنوتیپ های مورد بررسی در شش خط به طول 6 متر و به فاصله 15 سانتیمتر از یکدیگر کاشته شدند. میزان بذر مصرفی 300 بذر در متر مربع برای هر ژنوتیپ تعیین شد و کاشت با استفاده از دستگاه بذرکار آزمایشی غلات (Wintersteiger, Austria) انجام شد. ترکیب کودی شامل کود اوره به مقدار 150 کیلوگرم در هکتار (دو نوبت) و دی آمونیوم فسفات و سولفات پتاسیم به ترتیب با مقادیر 100 و 50 کیلوگرم در هکتار (قبل از کاشت) بود. پس از حذف حاشیه، برداشت همه کرت (6 متر مربع) با استفاده از کمباین آزمایشی غلات (Wintersteiger, Austria) انجام شد. شاخص انتخاب ژنوتیپ ایدهآل (SIIG)، شاخص فاصله ژنوتیپ ایدئوتیپ چند صفتی (MGIDI)، شاخص طراحی ایدئوتیپ از طریق بهترین پیش بینی نااریب خطی (FAI-BLUP) و شاخص اسمیت- هیزل (SH) برای انتخاب ژنوتیپ های برتر با استفاده از 12 صفت مورفو- فنولوژیک محاسبه شدند. این صفات شامل عملکرد دانه، تعداد سنبله در متر مربع، تعداد دانه در سنبله، وزن سنبله، وزن هزار دانه، طول دوره پر شدن دانه، طول ریشک، طول سنبله، ارتفاع بوته، تعداد روز تا ظهور سنبله، تعداد روز تا رسیدگی، سرعت پرشدن دانه و تعداد ردیف بودند.
یافته ها: نتایج آزمون نسبت درست نمایی (LRT) نشان دادند که اثر ژنوتیپ برای همه صفات مورد بررسی در سطح احتمال یک درصد معنی دار بود. نتایج حداکثر درست نمایی محدودشده (REML) نشان دادند که کمترین میزان وراثت پذیری صفات به ترتیب مربوط به صفات طول دوره پر شدن دانه (0/505)، عملکرد دانه (0/611) و سرعت پر شدن دانه (0/649) بود. بیشترین مقدار وراثت پذیری نیز مربوط به وزن هزار دانه (0/884) و تعداد روز تا ظهور سنبله (0/877) بود. نتایج مقایسه میانگین تصحیح شده با استفاده از مدل REML-BLUP نشان دادند که بیشترین عملکرد دانه به ترتیب مربوط به ژنوتیپ های شماره 3، 1، 50 و 30 بود. عملکرد دانه این ژنوتیپ ها از همه ژنوتیپ های شاهد بالاتر بود. بر مبنای شاخص MGIDI، ژنوتیپ های شماره 39، 14، 43، 49، 6، 35، 19، 32، 41، 50، 55 (اکسین)، 38، 44، 60 (نیمروز)، 28، 42، 40 و 34 با داشتن کمترین مقدار این شاخص، جزو ژنوتیپ های برتر بودند. ژنوتیپ های 39، 35، 43، 14، 32، 6، 41، 44، 50 و 42 به ترتیب با بیشترین مقدار FAI-BLUPبه عنوان برترین ژنوتیپ ها انتخاب شدند. نتایج شاخص SH نشان دادند که ژنوتیپ های شماره 30، 55، 1، 2، 3، 40، 38، 12، 10 و 13 به ترتیب با بیشترین مقدار این شاخص جزو ژنوتیپ های برتر بودند. همچنین، ژنوتیپ های شماره 3، 50، 30، 1، 55، 10، 13، 2، 11، 39، 12، 38، 31، 35، 36 و 44 با بیشترین مقدار شاخص SIIG جزو ژنوتیپ های برتر از نظر بیشتر صفات مورد بررسی بودند. نتایج همبستگی بین صفات نشان دادند که عملکرد دانه با صفات تعداد روز تا رسیدگی (*0/35)، ارتفاع بوته (*0/37)، طول دوره پرشدن دانه (*0/26)، تعداد سنبله در مترمربع (**0/61) و سرعت پر شدن دانه (**0/960) همبستگی مثبت و معنی داری داشت. همبستگی هر چهار شاخص انتخاب با عملکرد دانه معنی دار بود و در بین شاخص ها بیشترین مقدار همبستگی با عملکرد دانه به ترتیب مربوط به شاخص های SIIG (**0/92) وSH (**0/78-) بود. شاخص های FAI-BLUP و MGIDI همبستگی معنی داری با همه صفات به جز وزن هزار دانه، طول دوره رسیدگی، طول سنبله و تعداد سنبله در متر مربع داشتند. تنها صفات وزن هزار دانه و طول سنبله با هیچکدام از شاخص های انتخاب همبستگی معنی داری نشان ندادند.
نتیجه گیری: در مجموع، ژنوتیپ های 1، 2، 3، 10، 11، 12، 13، 30، 38، 50 و 55 که در هر دو شاخص SIIG و SH مشترک بودند و ژنوتیپ های 35، 38، 39، 44 و 50 انتخابی توسط شاخص های FAI-BLUP و MGIDI، به عنوان ژنوتیپ های برتر در شرایط این آزمایش انتخاب شدند. در نهایت، شاخص های SIIG و SH بهتر از دو شاخص FAI-BLUP و MGIDI توانستند ژنوتیپ های برتر با عملکرد دانه بالا را در شرایط این آزمایش شناسایی کنند.
مقدمه و هدف: جو (L.Hordeum vulgare ) یکی از محصولات مهم خانواده غلات است که امروزه رتبه چهارم را در میان تمام محصولات غلات تولیدشده در جهان، پس از گندم، برنج و ذرت دارد. در برنامه های اصلاحی برای انتخاب ژنوتیپ های برتر، ژنوتیپ ها باید با دقت بالایی انتخاب شوند. برای صفاتی مانند عملکرد دانه، انتخاب غیر مستقیم از طریق سایر صفات که همبستگی بالایی با عملکرد دارند، از کارایی مطلوبی برخوردار است. بنابراین، هدف از این تحقیق گزینش ژنوتیپ های برتر جو و برخوردار از صفات زراعی مطلوب با استفاده از شاخص های انتخاب ترکیبی و در نهایت مقایسه این شاخص ها با هم بود.
مواد و روش ها: به منظور ارزیابی تعدادی از ژنوتیپ های برتر جو با استفاده از شاخص های گزینش چندصفتی، آزمایشی در ایستگاه تحقیقات کشاورزی و منابع طبیعی داراب در سال زراعی 1401-1400 انجام شد. آزمایش با 51 ژنوتیپ جو به همراه 9 ژنوتیپ شاهد در قالب طرح بلوک های کامل تصادفی با سه تکرار اجرا شد. ژنوتیپ های مورد بررسی در شش خط به طول 6 متر و به فاصله 15 سانتیمتر از یکدیگر کاشته شدند. میزان بذر مصرفی 300 بذر در متر مربع برای هر ژنوتیپ تعیین شد و کاشت با استفاده از دستگاه بذرکار آزمایشی غلات (Wintersteiger, Austria) انجام شد. ترکیب کودی شامل کود اوره به مقدار 150 کیلوگرم در هکتار (دو نوبت) و دی آمونیوم فسفات و سولفات پتاسیم به ترتیب با مقادیر 100 و 50 کیلوگرم در هکتار (قبل از کاشت) بود. پس از حذف حاشیه، برداشت همه کرت (6 متر مربع) با استفاده از کمباین آزمایشی غلات (Wintersteiger, Austria) انجام شد. شاخص انتخاب ژنوتیپ ایدهآل (SIIG)، شاخص فاصله ژنوتیپ ایدئوتیپ چند صفتی (MGIDI)، شاخص طراحی ایدئوتیپ از طریق بهترین پیش بینی نااریب خطی (FAI-BLUP) و شاخص اسمیت- هیزل (SH) برای انتخاب ژنوتیپ های برتر با استفاده از 12 صفت مورفو- فنولوژیک محاسبه شدند. این صفات شامل عملکرد دانه، تعداد سنبله در متر مربع، تعداد دانه در سنبله، وزن سنبله، وزن هزار دانه، طول دوره پر شدن دانه، طول ریشک، طول سنبله، ارتفاع بوته، تعداد روز تا ظهور سنبله، تعداد روز تا رسیدگی، سرعت پرشدن دانه و تعداد ردیف بودند.
یافته ها: نتایج آزمون نسبت درست نمایی (LRT) نشان دادند که اثر ژنوتیپ برای همه صفات مورد بررسی در سطح احتمال یک درصد معنی دار بود. نتایج حداکثر درست نمایی محدودشده (REML) نشان دادند که کمترین میزان وراثت پذیری صفات به ترتیب مربوط به صفات طول دوره پر شدن دانه (0/505)، عملکرد دانه (0/611) و سرعت پر شدن دانه (0/649) بود. بیشترین مقدار وراثت پذیری نیز مربوط به وزن هزار دانه (0/884) و تعداد روز تا ظهور سنبله (0/877) بود. نتایج مقایسه میانگین تصحیح شده با استفاده از مدل REML-BLUP نشان دادند که بیشترین عملکرد دانه به ترتیب مربوط به ژنوتیپ های شماره 3، 1، 50 و 30 بود. عملکرد دانه این ژنوتیپ ها از همه ژنوتیپ های شاهد بالاتر بود. بر مبنای شاخص MGIDI، ژنوتیپ های شماره 39، 14، 43، 49، 6، 35، 19، 32، 41، 50، 55 (اکسین)، 38، 44، 60 (نیمروز)، 28، 42، 40 و 34 با داشتن کمترین مقدار این شاخص، جزو ژنوتیپ های برتر بودند. ژنوتیپ های 39، 35، 43، 14، 32، 6، 41، 44، 50 و 42 به ترتیب با بیشترین مقدار FAI-BLUPبه عنوان برترین ژنوتیپ ها انتخاب شدند. نتایج شاخص SH نشان دادند که ژنوتیپ های شماره 30، 55، 1، 2، 3، 40، 38، 12، 10 و 13 به ترتیب با بیشترین مقدار این شاخص جزو ژنوتیپ های برتر بودند. همچنین، ژنوتیپ های شماره 3، 50، 30، 1، 55، 10، 13، 2، 11، 39، 12، 38، 31، 35، 36 و 44 با بیشترین مقدار شاخص SIIG جزو ژنوتیپ های برتر از نظر بیشتر صفات مورد بررسی بودند. نتایج همبستگی بین صفات نشان دادند که عملکرد دانه با صفات تعداد روز تا رسیدگی (*0/35)، ارتفاع بوته (*0/37)، طول دوره پرشدن دانه (*0/26)، تعداد سنبله در مترمربع (**0/61) و سرعت پر شدن دانه (**0/960) همبستگی مثبت و معنی داری داشت. همبستگی هر چهار شاخص انتخاب با عملکرد دانه معنی دار بود و در بین شاخص ها بیشترین مقدار همبستگی با عملکرد دانه به ترتیب مربوط به شاخص های SIIG (**0/92) وSH (**0/78-) بود. شاخص های FAI-BLUP و MGIDI همبستگی معنی داری با همه صفات به جز وزن هزار دانه، طول دوره رسیدگی، طول سنبله و تعداد سنبله در متر مربع داشتند. تنها صفات وزن هزار دانه و طول سنبله با هیچکدام از شاخص های انتخاب همبستگی معنی داری نشان ندادند.
نتیجه گیری: در مجموع، ژنوتیپ های 1، 2، 3، 10، 11، 12، 13، 30، 38، 50 و 55 که در هر دو شاخص SIIG و SH مشترک بودند و ژنوتیپ های 35، 38، 39، 44 و 50 انتخابی توسط شاخص های FAI-BLUP و MGIDI، به عنوان ژنوتیپ های برتر در شرایط این آزمایش انتخاب شدند. در نهایت، شاخص های SIIG و SH بهتر از دو شاخص FAI-BLUP و MGIDI توانستند ژنوتیپ های برتر با عملکرد دانه بالا را در شرایط این آزمایش شناسایی کنند.
فهرست منابع
1. Abdollahi hesar, A., Sofalian, O., Alizade, B., Asghari, A., & Zali, H. (2020). Evaluation of some autumn rapeseed genotypes based on morphological traits and SIIG index. Journal of Crop Breeding, 12(34), 93-104.
https://doi.org/10.29252/jcb.12.34.151 [DOI:10.29252/jcb.12.34.151 [In Persian]]
2. Ahakpaz, F., Abdi, H., Neyestani, E., Hesami, A., Mohammadi, B., Mahmoudi, K. N., Abedi-Asl, G., Noshabadi, M. R. J., Ahakpaz, F. & Alipour, H. (2021). Genotype-by-environment interaction analysis for grain yield of barley genotypes under dryland conditions and the role of monthly rainfall. Agricultural Water Management, 245, 106665. [DOI:10.1016/j.agwat.2020.106665]
3. Barati, A., Zali, H., Marzoqian, A., Koohkan, S. & Gholipour, A. (2021). Selection of barley pure lines with high yield and desirable agronomic characteristics in warm areas of Iran. Journal of Crop Production, 14(1), 199-218. [DOI:10.22069/ejcp.2021.18845.2403 [In Persian]]
4. Benakanahalli, N.K., Sridhara, S., Ramesh, N., Olivoto, T., Sreekantappa, G., Tamam, N., Abdelbacki, A.M.M., Elansary, H.O., & Abdelmohsen, S.A.M. (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]
5. Bernardo, R. (2020). Reinventing quantitative genetics for plant breeding: something old, something new, something borrowed, something BLUE. Heredity, 125(6), 375-385. [DOI:10.1038/s41437-020-0312-1]
6. Bizari, E. H., Val, B. H. P., Pereira, E. de M., Mauro, A. O. Di., & Unêda-Trevisoli, S. H. (2017). Selection indices for agronomic traits in segregating populations of soybean. Revista Ciência Agronômica, 48, 110-117. [DOI:10.5935/1806-6690.20170012]
7. Botelho, T. T., Leite, P. S. da S., Parrella, R. A. da C., & Nunes, J. A. R. (2022). Strategies for multi-trait selection of sweet sorghum progenies. Crop Breeding and Applied Biotechnology, 21, e388221410. [DOI:10.1590/1984-70332021v21n4a59]
8. Casagrande, C. R., Mezzomo, H. C., Silva, C. M., Lima, G. W., Souza, D. J. P., Borém, A., & Nardino, M. (2022). Selection indexes based on genotypic values applied to Brazilian tropical wheat breeding. Agronomy Science and Biotechnology, 8, 1-16. [DOI:10.33158/ASB.r171.v8.2022]
9. Cerón-Rojas, J. J., Crossa, J., Sahagún-Castellanos, J., Castillo-González, F., & Santacruz-Varela, A. (2006). A selection index method based on eigen analysis. Crop Science, 46, 1711-1721. [DOI:10.2135/cropsci2005.11-0420]
10. Da Silva, M. J., Carneiro, P. C. S., de Souza Carneiro, J. E., Damasceno, C. M. B., Parrella, N. N. L. D., Pastina, M. M., Simeone, M. L. F., Schaffert, R. E., & da Costa Parrella, R. A. (2018). Evaluation of the potential of lines and hybrids of biomass sorghum. Industrial Crops and Products, 125, 379-385. [DOI:10.1016/j.indcrop.2018.08.022]
11. Emami, S., Asghari, A., Mohammaddoust Chamanabad, H., Rasoulzadeh, A. & Ramzi, E. (2019). Evaluation of osmotic stress tolerance in durum wheat (Triticum durum L.) advanced lines. Environmental Stresses in Crop Sciences, 12(3), 697-707. (In Persian). [DOI:10.22077/escs.2019.1532.1347]
12. FAOSTAT, F. (2020). Food and Agriculture Organization of the United Nations-Statistic Division https://www. fao. org/faost at/en/# data. QC.
13. Geravandi, M., Mahmodi, F., Haghparast, R., & Hossenian Khoshroo, H. (2024). Genetic diversity and inter-relationships of morpho-agronomic traits in Kabuli chickpea genotypes under autumn sowing condition. Journal of Crop Breeding, 15(48), 50-61.
https://doi.org/10.61186/jcb.15.48.50 [DOI:10.61186/jcb.15.48.50 [In Persian]]
14. Haghighatnia, H., & Alhani, F. (2020). Evaluation of irrigation water salinity tolerance indices in new cultivars and lines of safflower. Iranian Journal of Soil and Water Research, 51(7), 1181-1821. [DOI:10.22059/ijswr.2020.299239.668552 [In Persian]]
15. Smith, H. F. (1936). A discriminant function for plant selection. Annals of Eugenics, 7, 240-250. [DOI:10.1111/j.1469-1809.1936.tb02143.x]
16. Hazel, L. N. (1943). The genetic basis for constructing selection indexes. Genetics, 28(6), 476-490. [DOI:10.1093/genetics/28.6.476]
17. Hazel, L. H., Dickerson, G. E., & Freeman, A. E. (1994). The Selection index-then, now, and for the future. Journal of Dairy Science, 77(10), 3236-3251. [DOI:10.3168/jds.S0022-0302(94)77265-9]
18. Holland, J. B. (2006). Estimating genotypic correlations and their standard errors using multivariate restricted maximum likelihood estimation with SAS Proc MIXED. Crop Science, 46(2), 642-654. [DOI:10.2135/cropsci2005.0191]
19. Hu, X. (2015). A comprehensive comparison between ANOVA and BLUP to valuate location-specific genotype effects for rape cultivar trials with random locations. Field Crops Research, 179, 144-149. [DOI:10.1016/j.fcr.2015.04.023]
20. Meier, C., Marchioro, V. S., Meira, D., Olivoto, T., & Klein, L. A. (2021). Genetic parameters and multiple-trait selection in wheat genotypes. Pesquisa Agropecuária Tropical, 51, e67996. [DOI:10.1590/1983-40632021v5167996]
21. Mirzaei, M.R., & Hemayati, S. S. (2021). The effect of environment and maternal plant on germination traits of sugar beet seeds and an approach to select the superior genotype. Agricultural Research, [DOI:10.1007/s40003-021-00607-2]
22. Najafi Mirak, T., Dastfal, M., Andarzian, B., Farzadi, H., Bahari, M., & Zali, H. (2018). Stability analysis of grain yield of durum wheat promising lines in warm and dry areas using parametric and non-parametric methods. Journal of Crop Production and Processing, 8(2), 79-96.
https://doi.org/10.29252/jcpp.8.2.79 [DOI:10.29252/jcpp.8.2.79 [In Persian]]
23. Oliveira, I. C. M., Marçal, T. de S., Bernardino, K. da C., Ribeiro, P. C. de O., Parrella, R. A. da C., Carneiro, P. C. S., Schaffert, R. E., & Carneiro, J. E. de S. (2019). Combining ability of biomass sorghum lines for agroindustrial characters and multitrait selection of photosensitive hybrids for energy cogeneration. Crop Science, 59(4), 1554-1566. [DOI:10.2135/cropsci2018.11.0693]
24. Olivoto, T., Lúcio, A. D. C., da Silva, J. A. G., Marchioro, V. S., de Souza, V. Q., & Jost, E. (2019). Mean performance and stability in multi‐environment trials I: combining features of AMMI and BLUP techniques. Agronomy Journal, 111(6), 2949-2960. [DOI:10.2134/agronj2019.03.0220]
25. Olivoto, T., & Nardino, M. (2020). MGIDI: A novel multi-trait index for genotype selection in plant breeding. BioRxiv, 2007-2020. [DOI:10.1101/2020.07.23.217778]
26. Olivoto, T., & Nardino, M. (2021). MGIDI: Toward an effective multivariate selection in biological experiments. Bioinformatics, 37(10), 1383-1389. [DOI:10.1101/2020.07.23.217778]
27. Olivoto, T., Diel, M.I., Schmidt, D., & Lúcio, A.D. (2022). MGIDI: a powerful tool to analyze plant multivariate data. Plant Methods, 18, 121. [DOI:10.1186/s13007-022-00952-5]
28. Peixoto, M. A., Coelho, I. F., Evangelista, J. S. P. C., Santos, S. S. de O., Alves, R. S., Pinto, J. F. N., Reis, E. F. dos., & Bhering, L. L. (2021). Selection of maize hybrids: an approach with multi-trait, multi-environment, and ideotype-design. Crop Breeding and Applied Biotechnology, 21, e34582122. [DOI:10.1590/1984-70332021v21n2a31]
29. Piepho, H. P., Möhring, J., Melchinger, A. E. & Büchse, A. (2008). BLUP for phenotypic selection in plant breeding and variety testing. Euphytica, 161(1), 209-228. [DOI:10.1007/s10681-007-9449-8]
30. Pour-Aboughadareh, A., Barati, A., Gholipoor, A., Zali, H., Marzooghian, A., Koohkan, S. A., Shahbazi-Homonloo, K., & Houseinpour, A. (2023). Deciphering genotype-by-environment interaction in barley genotypes using different adaptability and stability methods. Journal of Crop Science and Biotechnology, 26(5), 547-562. [DOI:10.1007/s12892-023-00199-z]
31. Pour-Aboughadareh, A., & Poczai, P. (2021). 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]
32. Rabiei, B., Valizadeh, M., Ghareyazie, B. & Moghaddam, M., (2004). Evaluation of selection indices for improving rice grain shape. Field Crops Research, 89(2-3), 359-367. [DOI:10.1016/j.fcr.2004.02.016]
33. Resende, M. D. V. de. (2016). Software Selegen-REML/BLUP: a useful tool for plant breeding. Crop Breeding and Applied Biotechnology, 16, 330-339. [DOI:10.1590/1984-70332016v16n4a49]
34. Rocha, J. R. do A. S. de C., Machado, J. C., & Carneiro, P. C. S. (2018). Multitrait index based on factor analysis and ideotype‐design: Proposal and application on elephant grass breeding for bioenergy. Gcb Bioenergy, 10(1), 52-60. [DOI:10.1111/gcbb.12443]
35. Rocha, J. R. do A. S. de C., Nunes, K. V., Carneiro, A. L. N., Marçal, T. de S., Salvador, F. V., Carneiro, P. C. S., & Carneiro, J. E. S. (2019). Selection of superior inbred progenies toward the common bean ideotype. Agronomy Journal, 111(3), 1181-1189. [DOI:10.2134/agronj2018.12.0761]
36. Shayan. S., Vahed, M. M., Mohammadi, S. A., Ghassemi-Golezani, K., Sadeghpour, F., & Yousefi, A. (2020). Genetic diversity and grouping of winter barley genotypes for root characteristics and ISSR markers. Plant Productions, 43(3), 323-336. [DOI:10.22055/ppd.2019.27840.1684 [In Persian]]
37. Shirzad, A., Asghari, A., Zali, H., Sofalian, O., & Mohammaddoust Chamanabad, H. (2022a). Application of the multi-trait genotype-ideotype distance index in the selection of top barley genotypes in the warm and dry region of Darab. Journal of Crop Breeding, 14(44), 65-76.
https://doi.org/10.52547/jcb.14.44.65 [DOI:10.52547/jcb.14.44.65 [In Persian]]
38. Shirzad, A., Asghari, A., Zali, H., Sofalian, O., & Mohammaddoust Chamanabad, H. (2022b). Selection of barley superior lines with desirable agronomic characteristics using the selection index of ideal genotype (SIIG). Journal of Crop Production and Processing, 12(1), 97-117.
https://doi.org/10.47176/jcpp.12.1.32902 [DOI:10.47176/jcpp.12.1.32902 [In Persian]]
39. Smith, H. F. (1936). A discriminant function for plant selection. Annals of Eugenics, 7(3), 240-250. [DOI:10.1111/j.1469-1809.1936.tb02143.x]
40. Stephens, M. J., Alspach, P. A., Beatson, R. A., Winefield, C., & Buck, E. J. (2012). Genetic parameters and development of a selection index for breeding red raspberries for processing. Journal of the American Society of Horticultural Science, 137, 236-242. [DOI:10.21273/JASHS.137.4.236]
41. Verma, A., Verma, R. P. S., Singh, J., Kumar, L., & Singh, G. P. (2022). Genotypeenvironment interactions of fodder barley genotypes as estimated by AMMI, Blup and non-parametric measures. Current Agriculture Research Journal, 2, 46-54. http://dx.doi.org/10.12944/CARJ.10.2.02 [DOI:10.12944/CARJ.10.2.02]
42. Volpato, L., Rocha, J. R. do A. S. de C., Alves, R. S., Ludke, W. H., Borém, A., & Silva, F. L. da. (2020). Inference of population effect and progeny selection via a multi-trait index in soybean breeding. Acta Scientiarum. Agronomy, 43, e44623. [DOI:10.4025/actasciagron.v43i1.44623]
43. Woyann, L. G., Meira, D., Zdziarski, A. D., Matei, G., Milioli, A. S., Rosa, A. C., Madella, L. A., & Benin, G. (2019). Multiple-trait selection of soybean for biodiesel production in Brazil. Industrial Crops and Products, 140, 111721. [DOI:10.1016/j.indcrop.2019.111721]
44. Zali, H., & Barati, A. (2020). Evaluation of selection index of ideal genotype (SIIG) in other to selection of barley promising lines with high yield and desirable agronomy traits. Journal of Crop Breeding, 12(34), 93-104.
https://doi.org/10.29252/jcb.12.34.93 [DOI:10.29252/jcb.12.34.93 [In Persian]]
45. Zali, H., Barati, A., & Pour-Aboughadareh, A. (2023). Screening of barley elite genotypes using different selection indices based on multi-traits. Journal of Crop Production, 15(4), 159-182.
https://doi.org/10.61186/jcb.15.45.1 [DOI:10.22069/ejcp.2023.20071.2498 [In Persian]]
46. Zali, H., Hassanloo, T., Sofalian, O., Asghari, A., & Zeinalabedini, M. (2017). Appropriate strategies for selection of drought tolerant genotypes in canola. Journal of Crop Breeding, 8(20), 77-90. [In Persian]
47. Zali, H., & Pour-Aboughadareh, A.R. (2023) Identification of superior genotypes of barley for cultivation in the south regions of Fars province using MGIDI, FAI-BLUP indices. Plant Productions, 46(3), 335-351. [DOI:10.22055/ppd.2024.45295.2134 [In Persian]]
48. Zali, H., Sofalian, O., Hasanloo, T., Asgharii, A., & Hoseini, S. M. (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, 7(2), 703.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
