دوره 14، شماره 41 - ( بهار 1401 )
جلد 14 شماره 41 صفحات 173-163 |
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:
Ghanbari A, soltani Najafabadi M, Abbasi A R, Bi Hamta M R. (2022). Functional Factor Analysis in Safflower. J Crop Breed. 14(41), 163-173. doi:10.52547/jcb.14.41.163
URL: http://jcb.sanru.ac.ir/article-1-1285-fa.html
URL: http://jcb.sanru.ac.ir/article-1-1285-fa.html
قنبری امیر، سلطانی نجف آبادی مسعود، عباسی علی رضا، بی همتا محمد رضا. تجزیه عاملی عملگرا در گلرنگ پژوهشنامه اصلاح گیاهان زراعی 1401; 14 (41) :173-163 10.52547/jcb.14.41.163
1- اصلاح نباتات پردیس کشاورزی و علوم طبیعی تهران، گروه زراعت و اصلاح نباتات، دانشگاه تهران
2- موسسه تحقیقات اصلاح و تهیه نهال و بذر، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران
3- دانشگاه تهران، گروه زراعت و اصلاح نباتات، دانشگاه تهران
2- موسسه تحقیقات اصلاح و تهیه نهال و بذر، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران
3- دانشگاه تهران، گروه زراعت و اصلاح نباتات، دانشگاه تهران
چکیده: (4052 مشاهده)
چکیده مبسوط
مقدمه و هدف: گلرنگ گیاهی روغنی مناسب مناطق خشک و نیمه خشک می باشد. اصلاح گلرنگ برای عملکرد مستلزم شناسایی مولفه های مهم تاثیر گذار بر عملکرد می باشد. استفاده موثر از تجزیه و تحلیل روابط بین عملکرد و اجزای آن در اصلاح‌نباتات مستلزم تلفیق نتایج تجزیه‌های چند متغیره با واقعیت‌های فیزیولوژیکی گیاه است.
مواد و روش ها: در این تحقیق آزمایش در چارچوب طرح آگمنت بر روی 106نمونه گلرنگ دریافت شده از بانک ژن گیاهی آلمان با شمول تعداد پنج شاهد تجاری انجام گردید. تجزیه‌های چند متغیره بر روی صفات مختلف مربوط به عملکرد دانه و فنولوژی گیاه انجام گرفت.
یافته‌ها: نتایج تجزیه همبستگی ساده مبین همبستگی‌های بالا بین صفات مهم دخیل در عملکرد دانه و قطر ساقه بود. تجزیه رگرسیون گام به گام عملکرد دانه تک بوته بر روی صفات مورد بررسی منجر به برازش مدلی شامل صفات تعداد دانه در گیاه، وزن هزار دانه، تعداد قوزه در بوته، تعداد دانه در قوزه با اثرات مثبت و تعداد شاخه فرعی ثالثیه با اثر منفی گردید. تجزیه عاملی قادر به استخراج پنج عامل بود که مجموعا 74درصد واریانس داده‌های اولیه را توضیح می‌دادند. عامل اول عمدتا بر صفات دخیل در شکل‌گیری عملکردٍ و عامل دوم عمدتا بر صفات فنولوژیک تاثیرگذار بود. عامل‌های سوم، چهارم و پنجم به ترتیب بر صفات تعداد دانه در قوزه، ارتفاع شاخه دهی و تعداد روز تا خروج از روزت موثر بودند. بر اساس نتایج تجزیه‌های چند متغیره، تمرکز بر تعداد شاخه فرعی اولیه و ثانویه بیشتر، قطر بیشتر ساقه، اجزای عملکرد و ارتفاع بیشتر می‌تواند برنامه های اصلاحی در جهت افزایش عملکرد را بهبود بخشد.
نتیجه‌گیری: استفاده موثر از نتایج تجزیه های آماری چند متغیره مستلزم تلفیق خروجی های نرم افزار های آماری با اطلاعات فیزیولوژیکی می باشد. این موضوع به عنوان تجزیه های عملگرا در این مقاله مطرح شده است.
مقدمه و هدف: گلرنگ گیاهی روغنی مناسب مناطق خشک و نیمه خشک می باشد. اصلاح گلرنگ برای عملکرد مستلزم شناسایی مولفه های مهم تاثیر گذار بر عملکرد می باشد. استفاده موثر از تجزیه و تحلیل روابط بین عملکرد و اجزای آن در اصلاح‌نباتات مستلزم تلفیق نتایج تجزیه‌های چند متغیره با واقعیت‌های فیزیولوژیکی گیاه است.
مواد و روش ها: در این تحقیق آزمایش در چارچوب طرح آگمنت بر روی 106نمونه گلرنگ دریافت شده از بانک ژن گیاهی آلمان با شمول تعداد پنج شاهد تجاری انجام گردید. تجزیه‌های چند متغیره بر روی صفات مختلف مربوط به عملکرد دانه و فنولوژی گیاه انجام گرفت.
یافته‌ها: نتایج تجزیه همبستگی ساده مبین همبستگی‌های بالا بین صفات مهم دخیل در عملکرد دانه و قطر ساقه بود. تجزیه رگرسیون گام به گام عملکرد دانه تک بوته بر روی صفات مورد بررسی منجر به برازش مدلی شامل صفات تعداد دانه در گیاه، وزن هزار دانه، تعداد قوزه در بوته، تعداد دانه در قوزه با اثرات مثبت و تعداد شاخه فرعی ثالثیه با اثر منفی گردید. تجزیه عاملی قادر به استخراج پنج عامل بود که مجموعا 74درصد واریانس داده‌های اولیه را توضیح می‌دادند. عامل اول عمدتا بر صفات دخیل در شکل‌گیری عملکردٍ و عامل دوم عمدتا بر صفات فنولوژیک تاثیرگذار بود. عامل‌های سوم، چهارم و پنجم به ترتیب بر صفات تعداد دانه در قوزه، ارتفاع شاخه دهی و تعداد روز تا خروج از روزت موثر بودند. بر اساس نتایج تجزیه‌های چند متغیره، تمرکز بر تعداد شاخه فرعی اولیه و ثانویه بیشتر، قطر بیشتر ساقه، اجزای عملکرد و ارتفاع بیشتر می‌تواند برنامه های اصلاحی در جهت افزایش عملکرد را بهبود بخشد.
نتیجه‌گیری: استفاده موثر از نتایج تجزیه های آماری چند متغیره مستلزم تلفیق خروجی های نرم افزار های آماری با اطلاعات فیزیولوژیکی می باشد. این موضوع به عنوان تجزیه های عملگرا در این مقاله مطرح شده است.
واژه‌های کلیدی: برنامه های اصلاحی، تجزیه عاملی عملگرا، تجزیه‌های چند متغیره، سیستم کنترل درونی گلرنگ
فهرست منابع
1. Adams, M. 1982. Plant architecture and yield breeding. Iowa State Journal Research, 56(3): 225-254.
2. Ahmadi, K., H.R. Ebadzadeh, F. Hatami, S.M. Afroozi, E. Esfandiyaripour and R.A. Taghani. 2021. AGROSTAT 2000-2021. Ministry of Jihad-Agriculture Publisher; Tehran, Iran, Inc, 89 pp.
3. Ashkani, J., H. Pakniyat, Y. Emam, M.T. Assad and M. Bahrani. 2007. The evaluation and relationships of some physiological traits in spring safflower (Carthamus tinctorius L.) under stress and non-stress water regimes. Journal of Agricultural Science and Technology, 9(4): 267-77.
4. Ashri, A., D. Zimmer, A. Urie, A. Cahaner and A. Marani. 1974. Evaluation of the world collection of safflower, Carthamus tinctorius L. IV. yield and yield components and their relationships. Crop Science, 14(6): 799-802. [DOI:10.2135/cropsci1974.0011183X001400060006x]
5. Ayana, A. and E. Bekele. 1999. Multivariate analysis of morphological variation in sorghum (Sorghum bicolor L. Moench) germplasm from Ethiopia and Eritrea. Genetic Resources and Crop Evolution, 46(3): 273-284. [DOI:10.1023/A:1008657120946]
6. Bagheri, A., B. Yazdi-Samadi, M. Taeb and M. Ahmadi. 2001. Study of correlations and relations between plant yield and quantitative and qualitative other traits in safflower. Iranian Journal of Agricultural Science, 32(2): 295-307 (In Persian).
7. Bahrami, F., A. Arzani and A. Karimi. 2014. Evaluation of yield‐based drought tolerance indices for screening safflower genotypes. Agronomy Journal, 106(4): 1219-1224. [DOI:10.2134/agronj13.0387]
8. Baluška, F. and S. Mancuso. 2009. Plant neurobiology: from sensory biology, via plant communication, to social plant behavior. Cognitive Processing, 10(1): 3-7. [DOI:10.1007/s10339-008-0239-6]
9. Bassil, E.S. and S.R. Kaffka. 2002. Response of safflower (Carthamus tinctorius L.) to saline soils and irrigation: I. consumptive water use. Agricultural water Management, 54(1): 67-80. [DOI:10.1016/S0378-3774(01)00148-2]
10. Beyyavas, V., H. Haliloglu, O. Copur and A. Yilmaz. 2011. Determination of seed yield and yield components of some safflower (Carthamus tinctorius L.) cultivars, lines and populations under the semi-arid conditions. African Journal of Biotechnology, 10(4): 527-534.
11. Brenner, E.D., R. Stahlberg, S. Mancuso, J. Vivanco, F. Baluška and E. Van Volkenburgh. 2006. Plant neurobiology: an integrated view of plant signaling. Trends in Plant Science, 11(8): 413-419. [DOI:10.1016/j.tplants.2006.06.009]
12. Calvo, P. 2016. The philosophy of plant neurobiology: a manifesto. Synthese, 193(5): 1323-1343. [DOI:10.1007/s11229-016-1040-1]
13. Çamaş, N. and E. Esendal. 2006. Estimates of broad‐sense heritability for seed yield and yield components of safflower (Carthamus tinctorius L.). Hereditas, 143(2006): 55-57. [DOI:10.1111/j.2006.0018-0661.01914.x]
14. Chakravorty, A., P. Ghosh and P. Sahu. 2013. Multivariate analysis of phenotypic diversity of landraces of rice of west Bengal. Journal of Experimental Agriculture International, 3(1): 110-123. [DOI:10.9734/AJEA/2013/2303]
15. Deshmukh, R., H. Sonah, G. Patil, W. Chen, S. Prince, R. Mutava, et al. 2014. Integrating omic approaches for abiotic stress tolerance in soybean. Frontiers in Plant science, 5: 244. [DOI:10.3389/fpls.2014.00244]
16. Domagalska, M.A. and O. Leyser. 2011. Signal integration in the control of shoot branching. Nature Reviews Molecular Cell Biology, 12(4): 211-221. [DOI:10.1038/nrm3088]
17. Eskandari Torbaghan, M. and M. Eskandari Torbaghan. 2015. Study of safflower genotypes grain and oil yield in different sowing dates in dryland condition. International Conference on Research in Science and Technology, Kualalumpur. Malesia.
18. Fan, Y., S. Shabala, Y. Ma, R. Xu and M. Zhou. 2015. Using QTL mapping to investigate the relationships between abiotic stress tolerance (drought and salinity) and agronomic and physiological traits. BMC Genomics, 16(1): 1-11. [DOI:10.1186/s12864-015-1243-8]
19. Gao, F., W. Wen, J. Liu, A. Rasheed, G. Yin, X. Xia, et al. 2015. Genome-wide linkage mapping of QTL for yield components, plant height and yield-related physiological traits in the Chinese wheat cross Zhou 8425B/Chinese Spring. Frontiers in Plant Science, 6: 1099. [DOI:10.3389/fpls.2015.01099]
20. Hatamzadeh, H. 2008. Investigation of traits related to grain yield in safflower using factor analysis. Seed and Plant, 24(3): 563-78 (In Persian).
21. Hazel, L.N., G.E. Dickerson and A.E. Freeman. 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]
22. Hölttä, T., T. Vesala, S. Sevanto, M. Perämäki and E. Nikinmaa. 2006.Modeling xylem and phloem water flows in trees according to cohesion theory and Münch hypothesis. Trees, 20(1): 67-78. [DOI:10.1007/s00468-005-0014-6]
23. Hussain, M.I., D.A. Lyra, M. Farooq, N.M. Nikoloudakis and N. Khalid. 2016. Salt and drought stresses in safflower: a review. Agronomy for Sustainable Development, 36(1): 4. [DOI:10.1007/s13593-015-0344-8]
24. Johnston, A.M., D.L. Tanaka, P.R. Miller, S.A. Brandt, D.C. Nielsen, G.P. Lafond, et al. 2002. Oilseed crops for semi-arid cropping systems in the northern Great Plains. Agronomy Journal, 94(2): 231-240. [DOI:10.2134/agronj2002.2310]
25. Jyske, T. and T. Hölttä. 2015. Comparison of phloem and xylem hydraulic architecture in Picea abies stems. New Phytologist, 205(1): 102-115. [DOI:10.1111/nph.12973]
26. Karsai, I., K. Mészáros, L. Lang, P. Hayes and Z. Bedö. 2001. Multivariate analysis of traits determining adaptation in cultivated barley. Plant Breeding, 120(3): 217-222. [DOI:10.1046/j.1439-0523.2001.00599.x]
27. Khomari, A., S. Omrani, A. Omrani and K. Mostafavi. 2017. Study of genetic variation in safflower genotypes (Carthamus tinctorius L.) in terms of some morphological and agronomic traits. Journal of Agronomy and Plant Breeding,13(3): 27-38 (In Persian).
28. Kiani, G. and G.A. Nematzade. 2013. Relationship between morphological traits in rice restorer lines at F3 generation using multivariate analysis. International Journal of Advanced Biological and Biomedical Research, 1(6): 572-577.
29. Knowles, P. 1969. Centers of plant diversity and conservation of crop germ plasm: safflower. Economic Botany; 23(4): 324-329. [DOI:10.1007/BF02860678]
30. Koç, H. 2019. Relationships between survival in winter colds and some morphological and technological characteristics in safflower genotypes. Genetika, 51(2): 525-537. [DOI:10.2298/GENSR1902525K]
31. Li, D., T. Pfeiffer and P. Cornelius. 2008. Soybean QTL for yield and yield components associated with Glycine soja alleles. Crop Science, 48(2): 571-581. [DOI:10.2135/cropsci2007.06.0361]
32. Majidi, M.M., V. Tavakoli, A. Mirlohi and M.R. Sabzalian. 2011. Wild safflower species (Carthamus oxyacanthus Bieb.): a possible source of drought tolerance for arid environments. Australian Journal of Crop Science, 5(8): 1055-1063.
33. Maleki Nejad, R. and M. Majidi. 2015. Investigation of relationships between characteristics related to grain and oil yield in spring safflower genotypes under normal conditions and drought stress. Journal of Crop Breeding, 7(15): 1-13 (In Persian).
34. Maleki Nejad, R. and M. Majidi. 2016. Evaluation of internal and exotic germplasm of safflower under normal conditions and drought stress. Journal of Crop Breeding, 13(15): 109-115 (In Persian).
35. Manly, B.F. and J.A.N. Alberto. 2016. Multivariate statistical methods: a primer: CRC Press Washington DC, USA, 207 pp. [DOI:10.1201/9781315382135]
36. Mansouri, S. and M. Soltani Najafabadi. 2021. Evaluation of behavioral flexibility in effective components on yield of sesame genotypes under normal irrigation conditions and water limitation. Journal of Crop Breeding, 13(37): 75-84 (In Persian).
37. Mansouri, S., M. Soltani Najafabadi, M. Esmailov and M. Aghaee. 2014. Functional factor analysis in sesame under water-limiting stress: new concept on an old method. Plant Breeding and Seed Science, 70: 91-104. [DOI:10.1515/plass-2015-0016]
38. Metzger, J.D. 1995. Hormones and reproductive development: plant hormones: In: Davis, P.J. (eds) Plant hormones. 617-648 pp., Springer, Dordrecht, Germany. [DOI:10.1007/978-94-011-0473-9_29]
39. Mirabadi, A.Z., M. Haghpanah, K. Foroozan and S. Talaee. 2019. Multivariate analysis of some quantitative traits in introduced safflower (Carthamus tinctorius L.) genotypes in Sari. Journal of Crop Breeding, 10(29): 162-170. [DOI:10.29252/jcb.10.28.162]
40. Niazian, M. and G. Niedbała. 2020. Machine learning for plant breeding and biotechnology. Agriculture, 10(10): 436. [DOI:10.3390/agriculture10100436]
41. Nikfar, R. and G. Saidi. 2015. Study of the relationships between agronomic traits and yield components in some safflower breeding lines. Journal of Production and Processing of Crops and Horticulture, 5(16): 65-73 (In Persian). [DOI:10.18869/acadpub.jcpp.5.16.65]
42. Omidi, A.H., H. Khazaei, P. Monneveux and F. Stoddard. 2012. Effect of cultivar and water regime on yield and yield components in safflower (Carthamus tinctorius L.). Turkish Journal of Field Crops, 17(1): 10-15.
43. Ongaro, V. and O. Leyser. 2008. Hormonal control of shoot branching. Journal of Experimental Botany, 59(1): 67-74. [DOI:10.1093/jxb/erm134]
44. Pahlavani, M., G. Saidi and A. Mirlohi. 2012. Genetic analysis of seed yield and oil content in safflower using F1 and F2 progenies of diallel crosses. International Journal of Plant Production,1(2): 129-140.
45. Pascual-Villalobos, M. and N. Alburquerque. 1995. Genetic variation of a safflower germplasm collection grown as a winter crop in southern Spain. Euphytica, 92(3): 327-332. [DOI:10.1007/BF00037116]
46. Pereira, M.L., A. Berney, A.J. Hall and N. Trápani. 2008. Contribution of pre-anthesis photoassimilates to grain yield: Its relationship with yield in Argentine sunflower cultivars released between 1930 and 1995. Field Crops Research, 105(1-2): 88-96. [DOI:10.1016/j.fcr.2007.08.002]
47. Pour-Aboughadareh, A., E.M. Amini, M. Khalili and M.R. Naghavi. 2013. Factor analysis of agronomic and morphological traits of safflower genotypes under two stress and non-stress conditions. Proceeding of the Second International Conference on Agriculture and Natural Resources, 665-667 pp., Kermanshah, Iran.
48. Pourdad, S. and M. Jamshid Moghaddam. 2013. Study on genetic variation in safflower collection (Carthamus tinctorius L.) under rainfed condition. Iranian Journal of Dryland Farming, 1(3): 1-16 (In Persian).
49. Rao, V.R., M. Ramachandram and V. Arunachalam. 1977. An analysis of association of components of yield and oil in safflower (Carthamus tinctorius L.). Theoretical and Applied Genetics, 50(4): 185-191. [DOI:10.1007/BF00277740]
50. Reddy, V.R.P., L.R. Vemireddy, A. Srividhya, K.H. Reddy and E. Siddiq. 2019. Genetic analysis of culm strength and its related traits in rice (Oryza sativa L.). Applied Biological Research, 21(2): 166-175. [DOI:10.5958/0974-4517.2019.00021.1]
51. Shahabfar, A., A. Ghulam and J. Eitzinger. 2012. Drought monitoring in Iran using the perpendicular drought indices. International Journal of Applied Earth Observation and Geoinformation, 18: 119-27. [DOI:10.1016/j.jag.2012.01.011]
52. Sharma, J.R. 2006. Statistical and biometrical techniques in plant breeding: New Age International Publishers, Lucknow, India, 432 pp.
53. Singh, S., K. Grover, S. Begna, S. Angadi, M. Shukla, R. Steiner, et al. 2014. Physiological response of diverse origin spring safflower genotypes to salinity. J Arid Land Studies, 24: 169-174.
54. Taiz, L. and E. Zeiger. 2002. Plant physiology. 2nd Edn. Sinauer Associates, Inc. Sunderland, Massachusetts, USA, 792 pp.
55. Vollmann, J. and I. Rajcan. 2009. Oil crops: Springer; New York, USA, 548 pp. [DOI:10.1007/978-0-387-77594-4]
56. Ward, S.P. and O. Leyser. 2004. Shoot branching. Current Opinion in Plant Biology, 7(1): 73-78. [DOI:10.1016/j.pbi.2003.10.002]
57. Witcombe, J., P. Hollington, C. Howarth, S. Reader and K. Steele. 2008. Breeding for abiotic stresses for sustainable agriculture. philosophical transactions of the royal society B: Biological Sciences, 363(1492): 703-716. [DOI:10.1098/rstb.2007.2179]
58. Yadav, S., P. Modi, A. Dave, A. Vijapura, D. Patel and M. Patel. 2020. Effect of abiotic stress on crops. In: Galindo, F.S., M.C. Minhoto, T. Filho, M. Fujita, M. Hasanuzzaman, T. Assis, et al. (eds.) Sustainable crop production. 3-60 pp. IntechOpen Press, London, UK. [DOI:10.5772/intechopen.88434]
59. Zhang, H., Y. Li and J.K. Zhu. 2018. Developing naturally stress-resistant crops for a sustainable agriculture. Nature plants, 4(12): 989-996. [DOI:10.1038/s41477-018-0309-4]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
