دوره 18، شماره 2 - ( تابستان 1405 )
جلد 18 شماره 2 صفحات 15-3 |
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:
Haghpanah M, Vaezi B, Namdari A. (2026). Assessment of Genetic Diversity in Barley Germplasm and Selection of Superior Genotypes under Rainfed Conditions Based on Agronomic Traits. J Crop Breed. 18(2), 3-15. doi:10.61882/jcb.2026.1632
URL: http://jcb.sanru.ac.ir/article-1-1632-fa.html
URL: http://jcb.sanru.ac.ir/article-1-1632-fa.html
حق پناه مصطفی، واعظی بهروز، نامداری امین.(1405). بررسی تنوع ژنتیکی ژرمپلاسم جو و انتخاب ژنوتیپهای برتر تحت شرایط دیم بر اساس صفات زراعی پژوهشنامه اصلاح گیاهان زراعی 18 (2) :15-3 10.61882/jcb.2026.1632
مصطفی حق پناه1، بهروز واعظی*1 
، امین نامداری1
، امین نامداری1
1- مرکز تحقیقات، آموزش و ترویج کشاورزی کهگیلویه و بویراحمد، موسسه تحقیقات کشاورزی دیم کشور، مرکز تحقیقات، آموزش و ترویج کشاورزی (ARREO)، گچساران، ایران
چکیده: (649 مشاهده)
چکیده مبسوط
مقدمه و هدف: شناخت و استفاده از تنوع ژنتیکی محور اصلی موفقیت در برنامههای به نژادی گیاهان به شمار میرود و میتواند به عنوان رویکردی مؤثر برای تولید ارقام مناسب جهت ارتقای عملکرد دانه برای افزایش راندمان تولید در شرایط متفاوت اقلیمی باشد. جهت ارزیابی تنوع ژنتیکی و تحلیل روابط بین صفات مختلف، به طور گسترده از روش های چند متغییره آماری استفاده می شود. با توجه به نیاز مبرم به تولید ارقام مناسب برای کشت دیم، این پژوهش با هدف ارزیابی تنوع ژنتیکی ژنوتیپهای جو بر اساس صفات زراعی انجام شد. یافتههای این مطالعه میتوانند دادههای ارزشمندی را برای بهبود برنامه های به نژادی و کشت جو در مناطق کمبارش جنوب ایران، بهویژه نواحی گرمسیری کهگیلویه و بویراحمد، ارائه دهند.
مواد و روشها: این بررسی با هدف بررسی تنوع ژنتیکی و صفات زراعی 310 ژنوتیپ جو بههمراه چهار رقم شاهد (بهداد، خرم، رستا و فردان) در سال زراعی 1402-1403 در پردیس تحقیقات کشاورزی گچساران و سایت ملی دیم انجام شد. آزمایش در طرح بلوکهای حجیم شده (Augmented Block Design) در ۲۳ بلوک اجرا شد. در ابتدا برای ارقام شاهد تجزیه واریانس بر اساس طرح بلوک کامل تصادفی با استفاده از نرم افزار آماریInfoStat انجام شد. تجزیه و تحلیل خوشه ای بر اساس فاصله اقلیدسی و الگوریتم خوشه بندی Ward با بهره گیری از نرم افزار R و بسته های آماری dynamicTreeCut، colorspace و dendextend انجام شد. همبستگی میان صفات با استفاده از روش پیرسون و با استفاده از نرم آماری R انجام شد. برای رسم Venn Diagram از نرم افزار آنلاین (jvenn.toulouse.inra.fr) برای شناسایی ژنوتیپهای دارای همپوشانی در صفات مهم استفاده گردید. جهت انتخاب ژنوتیپ برتر از تجزیه multi-trait genotype–ideotype distance index (MGIDI) با کمک نرم افرار آماری R و بسته آماری Metan استفاده شد.
یافتهها: برای ۱۳ ژنوتیپ برتر انتخاب شده از Venn diagram، تحلیل MGIDI (مقادیر نرمال شده) انجام شد. چهار عامل (FA1 تا FA4) 86/6 درصد از کل واریانس را بهترتیب زیر تبیین کردند. FA1 عامل فنولوژیکی:) شامل روز تا گلدهی، طول سنبله، ارتفاع بوته (31/1 درصد از واریانس کل)، FA2 عامل مورفولوژیکی:) شامل طول ریشک، طول پدانکل، وزن هزاردانه (24/3 درصد از واریانس کل)، FA3 عامل عملکرد:) شامل عملکرد دانه، روز تا رسیدگی فیزیولوژیکی، تعداد دانه در سنبله (18/9 درصد از واریانس کل)، و FA4: عامل رویش اولیه:) شامل قدرت رویش اولیه (12/3 درصد از واریانس کل). ژنوتیپهای ۱۸۴، ۷۹ و ۲۸ با کمترین فاصله از ژنوتیپ ایدهآل و بهترین عملکرد چندصفتی شناسایی شدند. ژنوتیپ 79 در صفات مرتبط با عامل اول (فنولوژیکی) و ژنوتیپ ۲۸ در صفات مرتبط با عوامل دوم و سوم (مورفولوژیکی و عملکرد) وضعیت بهتری داشتند. وضعیت هر سه ژنوتیپ برتر، از نظر عامل چهارم (قدرت رویش اولیه) از میانگین نظری مطلوبتر بود. عملکرد دانه ژنوتیپهای ۷۹، ۱۸۴، ۲۵، ۱۷۲ و ۵۹ بیشتر از میانگین شاهدها (۳۹۹۵ کیلوگرم در هکتار) بود. ژنوتیپ ۲۸ با وجود عملکردی کمی پایینتر از میانگین شاهدها، عملکرد بیشتری نسبت به رقم رستا داشت و نمودار گرمایی نشان داد که ژنوتیپ ۲۸ تقریباً برای تمامی صفات مورد بررسی مطلوب بود. ژنوتیپ ۱۸۴ با بالاترین عملکرد در میان ژنوتیپهای انتخابی، در برخی صفات (مانند تعداد دانه در سنبله و روز تا ظهور سنبله) نسبت به سایرین مطلوبیت کمتری داشت.
نتیجهگیری: نتایج این پژوهش تنوع ژنتیکی چشمگیری را میان ژنوتیپهای مورد بررسی نشان میدهند و این ژنوتیپها میتوانند بهعنوان منابع ارزشمند ژرمپلاسم در برنامههای اصلاحی آینده بهکار گرفته شوند. با توجه به اینکه صفات مورد ارزیابی شامل قدرت رویش اولیه (VIG)، تاریخ ظهور سنبله (DHE)، زمان رسیدگی فیزیولوژیکی (DMA)، ارتفاع بوته (PLH)، طول سنبله (SP)، طول ریشک (AWN)، طول پدانکل (PL)، تعداد دانه در سنبله (GS)، وزن هزار دانه (TGW) و عملکرد دانه (YLD) بودند، در میان ژنوتیپهای با عملکرد بالا (بیش از ۲۹۰۰ کیلوگرم در هکتار)، سیزده ژنوتیپ دارای مقادیر مطلوب در چندین صفت کلیدی شناسایی شدند که نه ژنوتیپ از خزانه بانک ژن و چهار ژنوتیپ از ارقام شاهد تشکیل شده بودند. بر اساس تجزیه و تحلیل چندمتغیره صفات مذکور، سه ژنوتیپ برتر (شمارههای ۲۸، ۷۹ و ۱۸۴) بهعنوان دارای بیشترین برتری ترکیبی بین عملکرد و صفات زراعی عمده معرفی شدند و میتوانند در برنامههای بهنژادی آتی برای توسعه ارقام متحمل به شرایط دیم و کمبارش مورد استفاده قرار گیرند.
مقدمه و هدف: شناخت و استفاده از تنوع ژنتیکی محور اصلی موفقیت در برنامههای به نژادی گیاهان به شمار میرود و میتواند به عنوان رویکردی مؤثر برای تولید ارقام مناسب جهت ارتقای عملکرد دانه برای افزایش راندمان تولید در شرایط متفاوت اقلیمی باشد. جهت ارزیابی تنوع ژنتیکی و تحلیل روابط بین صفات مختلف، به طور گسترده از روش های چند متغییره آماری استفاده می شود. با توجه به نیاز مبرم به تولید ارقام مناسب برای کشت دیم، این پژوهش با هدف ارزیابی تنوع ژنتیکی ژنوتیپهای جو بر اساس صفات زراعی انجام شد. یافتههای این مطالعه میتوانند دادههای ارزشمندی را برای بهبود برنامه های به نژادی و کشت جو در مناطق کمبارش جنوب ایران، بهویژه نواحی گرمسیری کهگیلویه و بویراحمد، ارائه دهند.
مواد و روشها: این بررسی با هدف بررسی تنوع ژنتیکی و صفات زراعی 310 ژنوتیپ جو بههمراه چهار رقم شاهد (بهداد، خرم، رستا و فردان) در سال زراعی 1402-1403 در پردیس تحقیقات کشاورزی گچساران و سایت ملی دیم انجام شد. آزمایش در طرح بلوکهای حجیم شده (Augmented Block Design) در ۲۳ بلوک اجرا شد. در ابتدا برای ارقام شاهد تجزیه واریانس بر اساس طرح بلوک کامل تصادفی با استفاده از نرم افزار آماریInfoStat انجام شد. تجزیه و تحلیل خوشه ای بر اساس فاصله اقلیدسی و الگوریتم خوشه بندی Ward با بهره گیری از نرم افزار R و بسته های آماری dynamicTreeCut، colorspace و dendextend انجام شد. همبستگی میان صفات با استفاده از روش پیرسون و با استفاده از نرم آماری R انجام شد. برای رسم Venn Diagram از نرم افزار آنلاین (jvenn.toulouse.inra.fr) برای شناسایی ژنوتیپهای دارای همپوشانی در صفات مهم استفاده گردید. جهت انتخاب ژنوتیپ برتر از تجزیه multi-trait genotype–ideotype distance index (MGIDI) با کمک نرم افرار آماری R و بسته آماری Metan استفاده شد.
یافتهها: برای ۱۳ ژنوتیپ برتر انتخاب شده از Venn diagram، تحلیل MGIDI (مقادیر نرمال شده) انجام شد. چهار عامل (FA1 تا FA4) 86/6 درصد از کل واریانس را بهترتیب زیر تبیین کردند. FA1 عامل فنولوژیکی:) شامل روز تا گلدهی، طول سنبله، ارتفاع بوته (31/1 درصد از واریانس کل)، FA2 عامل مورفولوژیکی:) شامل طول ریشک، طول پدانکل، وزن هزاردانه (24/3 درصد از واریانس کل)، FA3 عامل عملکرد:) شامل عملکرد دانه، روز تا رسیدگی فیزیولوژیکی، تعداد دانه در سنبله (18/9 درصد از واریانس کل)، و FA4: عامل رویش اولیه:) شامل قدرت رویش اولیه (12/3 درصد از واریانس کل). ژنوتیپهای ۱۸۴، ۷۹ و ۲۸ با کمترین فاصله از ژنوتیپ ایدهآل و بهترین عملکرد چندصفتی شناسایی شدند. ژنوتیپ 79 در صفات مرتبط با عامل اول (فنولوژیکی) و ژنوتیپ ۲۸ در صفات مرتبط با عوامل دوم و سوم (مورفولوژیکی و عملکرد) وضعیت بهتری داشتند. وضعیت هر سه ژنوتیپ برتر، از نظر عامل چهارم (قدرت رویش اولیه) از میانگین نظری مطلوبتر بود. عملکرد دانه ژنوتیپهای ۷۹، ۱۸۴، ۲۵، ۱۷۲ و ۵۹ بیشتر از میانگین شاهدها (۳۹۹۵ کیلوگرم در هکتار) بود. ژنوتیپ ۲۸ با وجود عملکردی کمی پایینتر از میانگین شاهدها، عملکرد بیشتری نسبت به رقم رستا داشت و نمودار گرمایی نشان داد که ژنوتیپ ۲۸ تقریباً برای تمامی صفات مورد بررسی مطلوب بود. ژنوتیپ ۱۸۴ با بالاترین عملکرد در میان ژنوتیپهای انتخابی، در برخی صفات (مانند تعداد دانه در سنبله و روز تا ظهور سنبله) نسبت به سایرین مطلوبیت کمتری داشت.
نتیجهگیری: نتایج این پژوهش تنوع ژنتیکی چشمگیری را میان ژنوتیپهای مورد بررسی نشان میدهند و این ژنوتیپها میتوانند بهعنوان منابع ارزشمند ژرمپلاسم در برنامههای اصلاحی آینده بهکار گرفته شوند. با توجه به اینکه صفات مورد ارزیابی شامل قدرت رویش اولیه (VIG)، تاریخ ظهور سنبله (DHE)، زمان رسیدگی فیزیولوژیکی (DMA)، ارتفاع بوته (PLH)، طول سنبله (SP)، طول ریشک (AWN)، طول پدانکل (PL)، تعداد دانه در سنبله (GS)، وزن هزار دانه (TGW) و عملکرد دانه (YLD) بودند، در میان ژنوتیپهای با عملکرد بالا (بیش از ۲۹۰۰ کیلوگرم در هکتار)، سیزده ژنوتیپ دارای مقادیر مطلوب در چندین صفت کلیدی شناسایی شدند که نه ژنوتیپ از خزانه بانک ژن و چهار ژنوتیپ از ارقام شاهد تشکیل شده بودند. بر اساس تجزیه و تحلیل چندمتغیره صفات مذکور، سه ژنوتیپ برتر (شمارههای ۲۸، ۷۹ و ۱۸۴) بهعنوان دارای بیشترین برتری ترکیبی بین عملکرد و صفات زراعی عمده معرفی شدند و میتوانند در برنامههای بهنژادی آتی برای توسعه ارقام متحمل به شرایط دیم و کمبارش مورد استفاده قرار گیرند.
فهرست منابع
1. Abdoli, M. (2019). Remobilization of photoassimilates a strategy to deal with drought stress in wheat. Journal of Wheat Research, 2(1), 87-104. [In Persian]
2. Ahmadi, A., & Hosseinpour, T. (2012). Investigation of relationships between grain yield, yield components and other agronomic traits of barley cultivars in dryland conditions of Khorramabad. Crop Physiology, 4(13), 37-51.
3. Alam, J., Hasan, A. K., Kader, A., Hossain, M. A., & Ahmed, F. (2024). Assessment of genetic diversity among upland cotton for earliness, fiber quality and yield-related traits using correlation, principal component and cluster analysis. International Journal of Cotton Research and Technology, 6(1), 7. [DOI:10.33865/ijcrt.006.01.1372]
4. Bardou, P., Mariette, J., Escudié, F., Djemiel, C., & Klopp, C. (2014). jvenn: an interactive Venn diagram viewer. BMC Bioinformatics, 15(1), 293. [DOI:10.1186/1471-2105-15-293]
5. Bayat, F., & Vaezi, B. (2016). Evaluation of grain yield and yield components in some barley (Hurdeum Volgare L.) genotypes. Journal of Crop Breeding, 8(20), 220-227. [In Persian]
6. Behrooz, P., Bernosi, I., Aharizad, S., & Ahakpaz karkaji, F. (2023). investigation of genetic diversity and grouping of barley genotypes based on indices related to grain yield under rain-fed and supplemental irrigation conditions. Journal of Crop Breeding, 15(46), 27-37. [DOI:10.61186/jcb.15.46.27]
7. Benlioglu, B., Bilir, M., Akdogan, G., Ahmed, H. A. A., Ergun, N., Aydogan, S., & Emrebas, T. (2024). Phenotypic characterization of two-row barley (Hordeum vulgare L. ssp. vulgare) germplasm conserved in Osman Tosun Genebank of Türkiye by multivariate analysis model. Genetic Resources and Crop Evolution. [DOI:10.1007/s10722-024-02032-0]
8. Cai, K., Chen, X., Han, Z., Wu, X., Zhang, S., Li, Q., Nazir, M. M., Zhang, G., & Zeng, F. (2020). Screening of worldwide barley collection for drought tolerance: the assessment of various physiological measures as the selection criteria. Frontiers in Plant Science, 11. [DOI:10.3389/fpls.2020.01159]
9. Farjam Hajiagha, L., Nouraein, M., Hatami Maleki, H., Vaezi, B., & Hossienpour, T. (2019). Investigation of diversity and classification of some barley lines using physiological and morphological characteristics. Journal of Crop Breeding, 11(29), 169-180. [In Persian] [DOI:10.29252/jcb.11.29.169]
10. Haghpanah, M., Hassanzadeh, A., Zamanmirabadi, A., Foroozan, K., & Sajjad, T. (2018). Evaluation of the relationship between yield and yield components by sequential path analysis in peanut (Arachis hypogaea L.) genotypes. Iranian Journal of Crop Sciences, 20(2), 168-179.
11. Haghpanah, M., Kazemitabar, S. K., Hashemi, S. H., & Alavi, S. M. (2015). Evaluation of Mazandaran nettle (Urtica dioica) population structure and genetic diversity by AFLP markers. Iranian Journal of Rangelands and Forests Plant Breeding and Genetic Research, 22(2), 241-250. [DOI:10.22092/ijrfpbgr.2015.12227. [In Persian]]
12. Haghpanah, M., Kazemitabar, S. K., Hashemi, S. H., & Alavi, S. M. (2016). Comparison of ISSR and AFLP markers in assessing genetic diversity among Nettle (Uritica dioica L.) populations. Journal of Plant Molecular Breeding, 4(1), 10-16.
13. Haghpanah, M., Najafi-Zarini, H., & Babaeian-Jelodar, N. (2023). Differential physiological and molecular responses of susceptible and resistant tomato genotypes to Alternaria solani infection. Journal of Crop Protection, 12(3), 227-240. https://jcp.modares.ac.ir/article-3-65004-en.html
14. Haghpanah, M., & Vaezi, B. (2025). Studying the Genetic Diversity of Barley Germplasm by Analyzing Agronomic Traits to Identify Superior Genotypes. Journal of Crop Breeding, 17(4), 44-54.
15. Hu, Y., Barmeier, G., & Schmidhalter, U. (2021). genetic variation in grain yield and quality traits of spring malting barley. Agronomy, 11(6), 1177. [DOI:10.3390/agronomy11061177]
16. Kaur, V., Aravind, J., Manju, Jacob, S. R., Kumari, J., Panwar, B. S., Pal, N., Rana, J. C., Pandey, A., & Kumar, A. (2022). phenotypic characterization, genetic diversity assessment in 6,778 accessions of barley (Hordeum vulgare L. ssp. vulgare) germplasm conserved in national genebank of India and development of a core set. Frontiers in Plant Science, 13. [DOI:10.3389/fpls.2022.771920]
17. Khobra, R., Sareen, S., Meena, B. K., Kumar, A., Tiwari, V., & Singh, G. P. (2019). Exploring the traits for lodging tolerance in wheat genotypes: a review. Physiology and Molecular Biology of Plants, 25(3), 589-600. [DOI:10.1007/s12298-018-0629-x]
18. Kumar, Y., Chaurasia, H., Phougat, D., & Sachin, A. (2024). Principal component and factor analysis in advance barley genotypes under drought condition. Biological Forum - An International Journal, 16(3), 9-13.
19. Kumar, Y., Niwas, R., Nimbal, S., & Dalal, M. (2020). Hierarchical cluster analysis in barley genotypes to delineate genetic diversity. Electronic Journal of Plant Breeding, 11, 742-748. [DOI:10.37992/2020.1103.122]
20. Kumar, Y., Sehrawat, K. D., Singh, J., & Shehrawat, S. (2021). Identification of promising barley genotypes based on morphological genetic diversity. Journal of Cereal Research, 13(1). [DOI:10.25174/2582-2675/2021/108051]
21. Lin, Z., Robinson, H., Godoy, J., Rattey, A., Moody, D., Mullan, D., Keeble‐Gagnere, G., Forrest, K., Tibbits, J., Hayden, M. J., Daetwyler, H., & Pino Del Carpio, D. (2021). Genomic prediction for grain yield in a barley breeding program using genotype × environment interaction clusters. Crop Science, 61(4), 2323-2335. [DOI:10.1002/csc2.20460]
22. Mangani, R., Gunn, K. M., & Creux, N. M. (2023). Projecting the effect of climate change on planting date and cultivar choice for South African dryland maize production. Agricultural and Forest Meteorology, 341, 109695. [DOI:10.1016/j.agrformet.2023.109695]
23. Mirabadi, A., Haghpanah, M., & Foroozan, K. (2018). multivariate analysis of some quantitative traits in introduced safflower (Carthamus tinctorius L.) genotypes in Sari. Journal of Crop Breeding, 10(28), 162-170. [In Persian] [DOI:10.29252/jcb.10.28.162]
24. Namdari, A., Pezeshkpoor, P., Mehraban, A., Mirzaei, A., & Vaezi, B. (2022). Evaluation of genotype × environment interaction using WAASB and WAASBY indices in multi-environment yield trials of rainfed lentil (Lens culinaris L.) genotypes. Iranian Journal of Crop Sciences, 24(2), 165-180.
25. Patial, M., Kumar, M., Bishnoi, S. K., Pal, D., Pramanick, K. K., Shukla, A. K., & Gandhi, S. (2023). Genetic variability and trait association for grain yield in barley (Hordeum vulgare L.). Journal of Cereal Research, 15(2). [DOI:10.25174/2582-2675/2023/133530]
26. SeyedAghamiri, S. M., Mostafavi, K., & Mohammadi, A. (2012). Investigation of the Relationship between grain yield and yield components in barley varieties and new hybrids using multivariate statistical methods. Iranian Journal of Field Crops Research, 10(2), 421-427. [In Persian]
27. Shirzad, A., Asghari, A., Zali, H., Sofalian, O., & Mohammaddoust Chamanabad, H. (2023). 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. [In Persian] [DOI:10.52547/jcb.14.44.65]
28. Vafadar Shamasbi, F., Dehestani, A., Golkari, S., & Mostafa, H. (2017). assessment of genetic diversity and structure in the wild melon (Cucumis melo var. agrestis) genotypes from southern coastline of Caspian Sea using AFLP markers. Journal of Crop Breeding, 9(21), 67-75. [In Persian] [DOI:10.29252/jcb.9.21.67]
29. Visioni, A., Basile, B., Amri, A., Sanchez-Garcia, M., & Corrado, G. (2023). Advancing the conservation and utilization of barley genetic resources: insights into germplasm management and breeding for sustainable agriculture. Plants, 12(18), 3186. [DOI:10.3390/plants12183186]
30. Zali, H., & Pour-Aboughadareh, A. (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. [In Persian]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
