Journal of Crop Breeding

fa شناسایی نواحی ژنومی مرتبط با تحمل به تنش شوری با استفاده از پویش جامع ژنومی در گندم نان (Triticum aestivum L.) Identification of genomic regions related to salt stress tolerance using genome-wide association study in bread wheat (Triticum aestivum L.) اصلاح نباتات مولكولي اصلاح نباتات مولكولي پژوهشي Research مقدمه و هدف: رشد روز افزون جمعیت جهان و قرار داشتن بخشهای زیادی از نواحی کشت گندم در اقلیمهای نامساعد و پرتنش، لزوم بهبود تولید و کشت ارقام پرمحصول مقاوم را بیشتر کرده است. گندم نان (Triticum aestivum L.) از مهمترین گیاهان زراعی در جهان و ایران است و به عنوان مهمترین منبع تامین کربوهیدرات، انسان غذای حدود نیمی از مردم دنیا را تشکیل می دهد و در اغلب کشورهای جهان کشت می شود. حدود ۲۰ درصد از اراضی تحت آبیاری در مناطق خشک و نیمه خشک جهان با مشکل شوری مواجه هستند و در اثر تغییرات آب و هوایی و کاهش نزولات آسمانی شوری در این مناطق در حال گسترش می‌باشد. در کشور ایران حدود ۲۴ میلیون هکتار از اراضی با درجات مختلفی تحت تاثیر شوری قرار دارد. تنش شوری باعث کاهش رشد رویشی و زایشی و  در نتیجه عملکرد گندم میگردد. تولید و اصلاح ارقام متحمل‌ به‌ شوری گندم در اقلیم‌های مختلف‌ کشور، راهکار اصلی‌ برای غلبه‌ بر مشکل‌ شوری و جلوگیری از کاهش‌ عملکرد و خسارات هنگفت‌ کشاورزان در مناطق‌ متأثر از شوری می‌باشد. شناسایی مناطق کروموزومی مرتبط با صفات زراعی تحت تنش شوری برای بهبود تحمل به شوری در گندم بسیار مهم است. در همین‌ راستا انجام تحقیقات با بهرهگیری از تکنولوژی نشانگرهای مولکولی‌ جهت‌ شناسایی‌ دقیق‌ مکانیسم‌های دخیل‌ در تحمل‌ به‌ شوری در گیاهان زراعی‌ با هدف یافتن‌ مکانهای ژنی‌ موثر و ژنهای کاندید برای شوری، از اهمیت‌ به‌ سزایی‌ برخوردار است.‌ <a name="_Hlk145261843"></a><a name="_Hlk145262008">پژوهش حاضر با هدف تعیین ساختار جمعیت و شناسایی مکان های ژنی کنترل کننده صفات زراعی و مورفو- فیزیولوژیک در شرایط تنش شوری با استفاده از </a> ۱۷۰۹۳نشانگر SNP  و ۲۷۴ ژنوتیپ گندم نان انجام شد. مواد و روش ها: تعداد ۲۶۸ رقم بین المللی گندم نان که از موسسه تحقیقات ژنتیک گیاهی و گیاهان زراعی (IPK) آلمان تهیه شده بودند، به همراه ۶ رقم شاهد متشکل از ارقام متحمل و حساس به شوری شامل:  تریتیپایروم، سوپرهد،کویر، سبلان، کارچیا و گاسپارد در سال زراعی ۱۴۰۰-۱۳۹۹ در قالب طرح آگمنت با ۳ بلوک در مزرعه تحقیقاتی پژوهشکده فناوری تولیدات گیاهی واقع در دانشگاه شهید باهنر کرمان مورد ارزیابی قرار گرفتند. برای اعمال تنش شوری، آبیاری با آب شور از مرحله پنجه روی با شوری ۸ دسی زیمنس آغاز و در هر مرحله آبیاری با افزایش یک واحد شوری با شوری ۱۲دسی زیمنس تا پایان رسیدن فیزیولوژی ادامه یافت. صفات فیزیولوژیک شامل، کربن دی اکسید، هدایت روزنه ای، سرعت فتوسنتز با استفاده از دستگاه فتوسنتزمتر (ADC Bio Scientific Limited,UK) و صفات موروفولوژیک و زراعی شامل، روز تا سنبله دهی، روز تا رسیدگی، عرض برگ پرچم، ارتفاع بوته، تعداد سنبله بارور، وزن دانه در بوته، تعداد دانه در بوته، تعداد دانه در واحد سطح، وزن هزار دانه، عملکرد بیولوژیک، و عملکرد دانه در طول دوره رشد اندازه گیری شدند. ژنوتیپیابی با استفاده از آرایه چند شکلی تک نوکلئوتیدی (SNP) با تراکم 9K  در شرکت TraitGenetic کشور آلمان انجام شد. برای کاهش خطاهای مثبت، نشانگرهای SNP بر اساس فراوانی آللی کمتر از 0.01 و ژنوتیپ‌های گمشده بیش از 0.05 فیلتر شدند. تجزیه ساختار جمعیت و دسته‌بندی دقیق نمونه‌ها به زیرجمعیت‌های مناسب، با استفاده از بسته نرم‌افزاری LEA در محیط R صورت گرفت. تعداد بهینه زیرجمعیت‌ها (K) در بازه 1 تا 10 بررسی شد و مقدار بهینه K=5 تعیین گردید. تجزیه ارتباط نشانگر-صفت بین داده&rlm;های فنوتیپی و نشانگرهای SNP با استفاده از نرم افزار TASSEL و روش مدل خطی عمومی (GLM<a href="#_ftn1" name="_ftnref1" title="">[1]</a>) انجام شد.برای تعیین خط آستانه معنیداری از روش ji و Li استفاده شد که در آن میزان خطا با استفاده از فرمول<img alt="" src="data:image/png;base64,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" style="width:124px; height:20px" > <img alt="" src="data:image/png;base64,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" style="width:124px; height:20px" > محاسبه گردید که در آن n، تعداد آزمونهای مستقل موثر را نشان می دهد.  در نتیجه از مقدار LOD برابر با ۶/۳  برای معنی داری استفاده شد. از تعداد ۱۷۰۹۳ نشانگر SNP برای تجزیه ساختار جمعیت و پویش جامع ژنومی (GWAS) استفاده شد. یافته ها: تعداد زیرجمعیت‌ها (K) برای بازه‌ از ۱ تا ۱۰ مورد آزمایش قرار گرفت که منجر به K  بهینه (۵K=) برای این مجموعه داده شد. بر اساس نتایج GWAS، تعداد 104 ارتباط نشانگر-صفت (MTA) برای صفات مختلف شناسایی شدند. تعداد MTA شناسایی شده در ژنوم D بسیار کمتر از ژنوم A  و B بود. ژنوم A تعداد 39 MTA، ژنوم B تعداد 49 MTA و ژنوم D تعداد ۱۶MTA را در برداشتند. این امر به دلیل تنوع ژنتیکی نسبتاً پایین و جریان ژنی محدود در این ژنوم می باشد. در بین صفات مورد بررسی، صفت روز تا سنبله دهی با تعداد <a name="_Hlk145006778">۲۱ </a>MTA بیشترین تعداد MTA را در بر داشت. در مقابل سرعت فتوسنتز، کربن‌دی‌اکسید و عرض برگ پرچم هر کدام با در بر داشتن یک MTA کمترین تعداد ارتباط نشانگر-صفت را داشتند. نشانگرهای Jagger_c4412_265، BobWhite_c5694_120 و BS00088733_51  با بیش از یک صفت فنوتیپی ارتباط داشتند، که بیانگر حضور احتمالی اثرات پلیوتروپیک یا پیوستگی مکانهای کنترل کننده صفات میباشد. از این نشانگرها می توان برای بهبود همزمان چند صفت و در نتیجه بهبود عملکرد گندم درشرایط تنش شوری استفاده کرد نتیجه گیری: مطالعه حاضر، نتایج ارزشمندی در جهت شناسایی ژن‌های کاندید و درک بهتر مکانیسم‌های تحمل به تنش شوری در برنامه‌های اصلاحی گندم ارائه می‌کند. <div>  <hr align="left" size="1" width="33%" > <div id="ftn1"><a href="#_ftnref1" name="_ftn1" title="">[1]</a>. General Linear Model </div> </div>   <pre style="text-align:justify"> Introduction and Objective: The ever-increasing growth of the world's population and the location of many parts of wheat cultivation areas in adverse and tense climates have increased the need toimprove production and cultivate high-yielding, resistant cultivars. Bread wheat (Triticum aestivum L.) is one of the most important crops in the world and Iran. It serves as the primary source of carbohydrates for approximately half of the global population and is cultivated in many countries. Around 20% of irrigated lands in dry and semi-dry regions of the world face salinity problems, which are worsening due to climate change and reduced precipitation. In Iran, approximately 24 million hectares of land are affected by varying degrees of salinity. Salt stress reduces vegetative and reproductive growth, leading to decreased wheat yield. Developing and improving salt-tolerant wheat varieties for different climatic regions of the country is the main solution to overcome the issue of salinity and prevent yield losses and significant damage to farmers in affected areas. Identifying chromosomal regions related to agronomic traits under salt stress is crucial for improving salt tolerance in wheat. In this context, research utilizing molecular markers to precisely identify the mechanisms involved in salt tolerance in crops is of great importance. The aim of this study was to assess the population structure and identify genomic regions controlling agronomic and morpho-physiological traits under salt stress, using 17,093 SNP markers and 274 wheat genotypes.</pre> Materials and Methods: A total of 268 international bread wheat genotypes, obtained from the Institute of Plant Genetics and Crop Plant Research (IPK) in Germany, along with 6 control varieties (both salt-tolerant and salt-sensitive) including Tritipyrum, Superhead, Kavir, Sabalan, Karchia, and Gaspard, were evaluated during the 2020-2021 growing season in an augmented design with 3 blocks at the research farm of the Plant Production Technology Research Institute, Shahid Bahonar University of Kerman. To apply salt stress, irrigation with saline water began at the tillering stage with a salinity level of 8 dS/m. It was progressively increased by 1 dS/m with each irrigation cycle until it reached 12 dS/m, continuing until the physiological maturity of the plants. Physiological traits measured included carbon dioxide, stomatal conductance, photosynthesis rate (measured using a photosynthesis meter: ADC Bio Scientific Limited, UK), as well as morphological and agronomic traits including days to heading, days to maturity, flag leaf width, plant height, number of the fertile spike, grain weight per plant, number of grains per plant, number of grains per unit area, thousand-grain weight, biological yield, and grain yield during the entire growth period. Genotyping was performed using a 9K single nucleotide polymorphism (SNP) array at TraitGenetics GmbH, Germany. SNP markers were filtered based on an allele frequency threshold of 0.01 and a missing genotype rate higher than 0.05 to reduce the likelihood of false positives. Population structure analysis and precise categorization of the genotypes into appropriate subpopulations were carried out using the LEA package in R. The optimal number of subpopulations (K) was determined to be 5, after testing a range of 1 to 10. Marker-trait association (MTAs) analysis between the phenotypic data and SNP markers was performed using the TASSEL software and the General Linear Model (GLM) method. The significance threshold was determined by utilizing Ji and Li's method, where the error rate was calculated based on the formula for effective independent tests (n). The LOD score of 3.6 was used as the significance threshold. A total of 17,093 SNP markers were used for population structure analysis and comprehensive genome-wide association study (GWAS). Results: The number of subpopulations (K) was tested from 1 to 10, with an optimal K value of 5 determined for this dataset. According to the GWAS results, a total of 104 marker-trait associations (MTAs) were identified for various traits. The number of MTAs identified in the D genome was much lower than in the A and B genomes. Specifically, the A genome contained 39 MTAs, the B genome contained 49 MTAs, and the D genome contained only 16 MTAs. This discrepancy is likely due to the relatively low genetic diversity and limited gene flow in the D genome. Among the traits studied, the number of days to spike emergence showed the highest number of MTAs, with 21 MTAs identified. In contrast, traits such as photosynthesis rate, carbon dioxide, and flag leaf width were each found to have only one MTA, the lowest number of marker-trait associations among all the traits studied. The markers Jagger_c4412_265, BobWhite_c5694_120, and BS00088733_51 were associated with more than one phenotypic trait, suggesting the potential presence of pleiotropic effects or linkage between loci controlling multiple traits. These markers can be used to simultaneously improve several traits and thus enhance wheat performance under salt stress conditions. Conclusions: The present study provides valuable results for the identification of candidate genes and a better understanding of the mechanisms of tolerance to salt stress in wheat breeding programs.   گندم نان, تنش شوری, پویش ژنومی, نشانگرSNP Bread wheat, Salinity stress, Genome-wide study, SNP markers 0 0 http://jcb.sanru.ac.ir/browse.php?a_code=A-10-434-8&slc_lang=fa&sid=1 Mitra shahidi-zandi میترا شهیدی زندی m.shahidi13551355@gmail.com 100319475328460027801 100319475328460027801 No Ghasem Mohammadi-Nejad قاسم محمدی نژاد mohammadinejad@uk.ac.ir 100319475328460027802 100319475328460027802 Yes Somayeh Sardouei-Nasab سمیه ساردویی نسب sardoueinasabs@gmail.com 100319475328460027803 100319475328460027803 No Maryam Dorrani-Nejad مریم درانی نژاد m.dorraninejad@agr.uk.ac.ir 100319475328460027804 100319475328460027804 No Shokoofeh Khandani شکوفه خاندانی shokoofehkhandani@yahoo.com 100319475328460027805 100319475328460027805 No Malihe Rahimi-Sadegh ملیحه رحیمی صادق maliherahimisadegh@gmail.com 100319475328460027806 100319475328460027806 No