Journal of Crop Breeding

fa شناسایی ژنوتیپ‌های پایدار گندم نان تحت تنش پیری تسریع‌شده با مدل‌های MGIDI و FAI-BLUP Identification of Stable Wheat Genotypes Under Accelerated Aging Stress Using MGIDI and FAI-BLUP Models اصلاح نباتات General پژوهشي Research مقدمه و هدف: پایداری و عملکرد بالا تحت شرایط مختلف، از ویژگی‌های کلیدی برای انتخاب ژنوتیپ‌های متحمل در برنامه‌های به‌نژادی گندم نان محسوب می‌شوند. یکی از چالش‌های اصلی در مدیریت کیفیت بذر گندم، پدیده پیری بذر است که منجر به کاهش جوانه‌زنی، توان حیاتی و در نهایت عملکرد بذر در طول زمان می‌گردد. این پدیده به‌ویژه در شرایط ذخیره‌سازی طولانی‌مدت و تحت تأثیر شرایط نامطلوب ذخیره‌سازی مانند دما و رطوبت نسبی بالا، اثرات منفی بر کیفیت بذر و عملکرد محصول در آینده به همراه دارد. علاوه بر این، اثرات متقابل ژنوتیپ × محیط (GEI) نقش مهمی در شناسایی ژنوتیپ‌های مقاوم به پیری بذر ایفا می‌کند چرا که این اثرات می‌توانند موجب تغییرات قابل توجهی در واکنش ژنوتیپ‌ها به شرایط محیطی مختلف شوند. این مطالعه با هدف شناسایی ژنوتیپ‌های با عملکرد بالا (درصد جوانه‌زنی) و پایدار در برابر تنش پیری تسریع شده بذر انجام شد. به‌منظور دستیابی به این هدف، مجموعه‌ای از شاخص‌های پایداری پارامتریک و ناپارامتریک برای تحلیل پایداری درصد جوانه‌زنی و همچنین مدل‌های انتخاب پیشرفته مانند MGIDI  وFAI-BLUP  بکار گرفته شدند. مواد و روشها: در این تحقیق، 228 ژنوتیپ گندم نان شامل 161 توده بومی و 67 رقم زراعی، با استفاده از آزمایش فاکتوریل در قالب طرح کاملاً تصادفی و با سه تکرار، جهت ارزیابی تحمل به پیری بذر در مرحله جوانه‌زنی در آزمایشگاه بذر دانشگاه ارومیه، در سال زراعی 1402-1401 مورد بررسی قرار گرفتند. تیمارهای پیری تسریع‌شده در چهار سطح صفر، 48، 72 و 96 ساعت در دمای 45 درجه سانتیگراد و رطوبت نزدیک به اشباع اعمال شد. سپس درصد جوانه‌زنی (GP) با استفاده از دستورالعمل انجمن بین‌المللی آزمون بذر  (ISTA) به روش بین کاغذ (Between Paper; BP) اندازه‌گیری گردید. پس از آن، تجزیه واریانس مرکب برای ارزیابی اثرات محیط، ژنوتیپ و تعامل آن‌ها بر درصد جوانه‌زنی انجام گرفت. در ادامه، پارامترهای پایداری پارامتریک و غیرپارامتریک مبتنی بر مدل‌های AMMI و BLUP  با نرم‌افزار STABILITYSOFT و بسته metan در نرم‌افزار RStudio محاسبه گردید. تحلیل بای‌پلات GGE نیز با استفاده از بسته GGEBiplotGUI در نرم‌افزار RStudio انجام گرفت. برای شناسایی ژنوتیپ‌های برتر در آزمایش‌های چندمحیطی (METs)، از مدل‌های انتخاب مدرن MGIDI و FAI-BLUP استفاده شد.  این مدل‌ها با بهره‌گیری از بسته metan در نرم‌افزار RStudio محاسبه شدند و شدت انتخاب (SI) معادل 10 درصد برای انتخاب ژنوتیپها در نظر گرفته شد. همچنین، به‌منظور ترکیب نتایج و شناسایی ژنوتیپ‌های پایدار و با عملکرد (درصد جوانهزنی) بالا، میانگین مجموع رتبه‌ها (Average Sum of Ranking; ASR) محاسبه شد. در نهایت، با استفاده از نمودار ون در نرم‌افزار RStudio و بسته‌های VennDiagram و grid، ژنوتیپ‌های منتخب بر اساس مدل‌های MGIDI، FAI-BLUP و همچنین روش رتبهبندی ASR شناسایی شدند. یافتهها: نتایج تجزیه واریانس مرکب (ANOVA) نشان داد که اثرات محیط، ژنوتیپ‌ و اثر متقابل ژنوتیپ × محیط بر درصد جوانه‌زنی گندم تحت تنش پیری تسریع شده در سطح احتمال یک درصد معنیدار بود. تعامل معنیدار بین ژنوتیپ‌ها و محیط به‌ویژه در شرایط تنش پیری تسریع شده، حاکی از آن است که واکنش جوانه‌زنی به اثرات محیطی در ژنوتیپ‌های مختلف، متفاوت است. علاوه بر این، نتایج بیانگر این بود که سه مؤلفهی اول در مجموع 100 درصد از تغییرات اثر متقابل ژنوتیپ × محیط را توجیه نمودند. مؤلفه اصلی اول 2/59 درصد و مؤلفه اصلی دوم 03/30 درصد از واریانس موجود در دادهها را توجیه کردند، که نشان‌دهنده اهمیت اثرات متقابل در تعیین واکنش‌های ژنوتیپ‌ها به تنش‌های محیطی است. همچنین، بای‌پلات‌های AMMI1 و AMMI2 برای شناسایی ژنوتیپ‌های پایدار و تحلیل اثرات متقابل ژنوتیپ × محیط در شرایط مختلف به‌کار گرفته شد. مطابق با تحلیل GGE بایپلات، ژنوتیپ‌های 55 (623379)، 207 (624580)، 19 (627359)، 29 (624911)، 227 (624894) و 73 (626261) به‌عنوان پایدارترین ژنوتیپ‌ها معرفی شدند. همچنین، تلفیق پارامترهای پایداری و مدل‌های انتخاب چندصفتی مانند FAI-BLUP  و MGIDI، توانست ژنوتیپ‌های برتر را با موفقیت شناسایی کند. ژنوتیپ‌های انتخاب‌شده توسط این دو مدل علاوه بر پایداری، عملکرد بالاتری (درصد جوانهزنی) نسبت به سایر ژنوتیپ‌ها داشتند. بر این اساس، ژنوتیپهای 138 (آذر2)، 64 (624900)، 67 (627189)، 151 (623162) و 14 (623508) بهعنوان ژنوتیپ‌های با عملکرد (درصد جوانهزنی) بالا و پایدار در شرایط پیری بذر شناسایی شدند. در مقابل، روش رتبه‌بندی ASR عمدتاً برای انتخاب ژنوتیپ‌های پایدار به‌کار گرفته شد، اما این روش قادر به تعیین ژنوتیپ‌های با درصد جوانه‌زنی بالا نبود. نتیجه‌گیری: به‌طور کلی، نتایج این مطالعه می‌تواند به بهبود انتخاب ژنوتیپ‌های مقاوم و با عملکرد بالا در برنامه‌های اصلاحی و تولید بذر کمک کند. به‌ویژه، این تحقیق بر اهمیت استفاده از مدل‌های پیشرفته مانند MGIDI و FAI-BLUP در کنار تحلیل‌های کلاسیک برای ارزیابی دقیق و انتخاب ژنوتیپ‌های بهینه در آزمایش‌های چند محیطی تأکید دارد. این مدل‌ها با توجه به توانایی خود در تحلیل تعاملات پیچیده ژنوتیپ × محیط و ارزیابی پایداری ژنوتیپ‌ها، ابزارهای مؤثری برای شناسایی ژنوتیپ‌های مقاوم به تنش‌های محیطی مختلف، از جمله تنش ناشی از پیری بذر، محسوب می‌شوند. ژنوتیپ‌های شناسایی شده در این مطالعه می‌توانند در برنامه‌های اصلاحی برای بهبود مقاومت به تنش‌های محیطی و افزایش کیفیت بذر مورد استفاده قرار گیرند. این ژنوتیپ‌ها به‌ویژه در شرایطی که بذرها سریعاً تحت تأثیر عوامل محیطی قرار می‌گیرند، می‌توانند به‌عنوان منابع ژنتیکی ارزشمند برای تولید بذرهای مقاوم و باکیفیت بالا مورد استفاده قرار گیرند. Introduction and Objective: Stability and high performance under various environmental conditions are key characteristics for selecting tolerant genotypes in wheat breeding programs. One of the main challenges in wheat seed quality management is the phenomenon of seed aging, which leads to a decrease in germination, vitality, and ultimately seed performance over time. This phenomenon, especially under long-term storage conditions and influenced by unfavorable storage conditions such as high temperature and relative humidity, has negative effects on seed quality and future crop performance. Furthermore, genotype × environment (GEI) interactions play an important role in identifying genotypes resistant to seed aging, as these interactions can lead to significant changes in the genotype's response to different environmental conditions. This study aimed to identify high-performance (germination percentage) and stable genotypes under accelerated seed aging stress. To achieve this goal, a set of parametric and non-parametric stability indices was used to analyze the stability of germination percentage, and advanced selection models such as MGIDI and FAI-BLUP were employed. Materials and Methods: In this study, 228 wheat genotypes, including 161 landraces and 67 cultivated varieties, were evaluated for seed aging tolerance during the germination stage in the seed laboratory of Urmia University in the 2022-2023 growing season. The experiment was conducted using a factorial design in a completely randomized layout with 3 replications. The accelerated aging treatments were applied at four levels: 0, 48, 72, and 96 hours at 45°C with near-saturation humidity. Germination percentage (GP) was then measured using the International Seed Testing Association (ISTA) guidelines by the Between Paper (BP) method. Subsequently, a combined analysis of variance (ANOVA) was performed to evaluate the effects of environment, genotype, and their interaction on germination percentage. Following that, parametric and non-parametric stability parameters based on the AMMI and BLUP models were calculated using the STABILITYSOFT software and the metan package in RStudio. The GGE biplot analysis was also conducted using the GGEBiplotGUI package in <a name="_Hlk213021509">RStudio</a>. To identify superior genotypes in multi-environment trials (METs), modern selection models such as MGIDI and FAI-BLUP were used. These models were calculated using the metan package in RStudio, with a selection intensity (SI) of 10% for genotype selection. Additionally, to combine results and identify stable genotypes with high performance (germination percentage), the Average Sum of Ranking (ASR) was calculated. Finally, the selected genotypes were identified based on MGIDI, FAI-BLUP, and the ASR ranking method using a Venn diagram in RStudio with the VennDiagram and grid packages. Results: The results of the combined analysis of variance (ANOVA) showed that the effects of environment, genotype, and genotype × environment interaction on wheat germination percentage under accelerated aging stress were significant at the 1% probability level. The significant interaction between genotypes and environments, especially under accelerated aging stress, indicated that the response of germination to environmental effects varies across genotypes. Furthermore, the results showed that the first three principal components accounted for 100% of the variation in genotype × environment interaction. The first principal component accounted for 59.2% and the second principal component accounted for 30.3% of the variance in the data, indicating the importance of interaction effects in determining genotype responses to environmental stresses. Additionally, AMMI1 and AMMI2 biplots were used to identify stable genotypes and analyze genotype × environment interactions under different conditions. According to the GGE biplot analysis, genotypes 55 (623379), 207 (624580), 19 (627359), 29 (624911), 227 (624894), and 73 (626261) were identified as the most stable genotypes. Furthermore, the combination of stability parameters and multi-trait selection models such as FAI-BLUP and MGIDI successfully identified superior genotypes. These selected genotypes not only demonstrated stability but also had higher performance compared to other genotypes. Accordingly, genotypes 138 (AZAR2), 64 (624900), 67 (627189), 151 (623162), and 14 (623508) were identified as high-performance (germination percentage) and stable genotypes under seed aging conditions. In contrast, the ASR ranking method was mainly used for selecting stable genotypes, but this method was not able to identify genotypes with high germination percentage. Conclusion: Overall, the results of this study could help improve the selection of resistant and high-performance genotypes in wheat breeding and seed production programs. In particular, this research emphasizes the importance of using advanced models such as MGIDI and FAI-BLUP along with classical analyses for accurate evaluation and selection of optimal genotypes in multi-environment trials. These models, with their ability to analyze complex genotype × environment interactions and assess genotype stability, are effective tools for identifying genotypes resistant to various environmental stresses, including seed aging. The genotypes identified in this study can be used in breeding programs to enhance resistance to environmental stresses and improve seed quality. These genotypes, especially in conditions where seeds are rapidly affected by environmental factors, can be used as valuable genetic resources for the production of resistant and high-quality seeds. جوانه‌زنی, عملکرد بذر, زوال بذر, شاخص‌های پایداری, آزمایش‌های چند محیطی (METs) Germination, Seed Performance, Seed Aging, Stability Indices, Multi-environment Trials (METs). 0 0 http://jcb.sanru.ac.ir/browse.php?a_code=A-10-576-9&slc_lang=fa&sid=1 Sima Fatanatvash سیما فطانت وش sima.fatanat@yahoo.com 100319475328460027822 100319475328460027822 No Urmia University دانشگاه ارومیه Hadi Alipour هادی علی پور ha.alipour@urmia.ac.ir 100319475328460027823 100319475328460027823 Yes Urmia University دانشگاه ارومیه Reza Darvishzadeh رضا درویش زاده r.darvishzadeh@urmia.ac.ir 100319475328460027824 100319475328460027824 No Urmia University دانشگاه ارومیه Mahdi Ghiyasi مهدی قیاسی m.ghiasi@urmia.ac.ir 100319475328460027825 100319475328460027825 No Urmia University دانشگاه ارومیه