Using selection index of ideal genotype (SIIG) in selection of barley promising lines

Document Type : Research Paper

Authors

1 7. Crop and Horticultural Science Research Department, Fars Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Darab, iran

2 Faculty member of department of cereal research of seed and plant improvement institute, Karaj

Abstract

Background and objectives: The purpose of this study was to evaluation of the application of SIIG index in the study of phenotypic variation and selection barley promising lines with desirable grain yield and agronomic traits.

Materials and methods: A set of 107 pure lines in the non-repeating Augment design with four controls in three blocks were evaluated during of 2019-20 cropping year in the farm of Darab Agricultural and Natural Resources Research Station.

Results: The results of REML analysis showed that, the lowest heritability of traits was related to 1000-kernel weight (0.417) and the highest heritability was related to days to maturity and days to flowering (0.891 and 0.887), respectively. The results of SIIG index showed that lines 102 and 9 with the highest (0.696) and lowest (0.200) values of SIIG were the best and weakest lines in this study, respectively. In order to selecting the best lines in terms of grain yield, 1000-kernel weight, plant height, days to flowering and days to maturity, lines were grouped according to SIIG index in four categories. The results showed that the SIIG index could well classify genotypes based on two traits of grain yield and 1000-kernal weight.

Conclusion: The results of grouping the lines according to the SIIG index showed all lines of group one and group two (except line 55) and lines number 13, 116, 29, 7, 77, 89 and 72 of Group three were the best in this study and can be considered for further testing, including compatibility testing.

Keywords


مقدمه

جو (Hordeum vulgare L.) یکی از مهم­ترین گیاهان خانواده غلات است و از نظر اهمیت اقتصادی پس از گندم، برنج و ذرت در رتبه چهارم جهان قرار گرفته است (فریرا و همکاران 2016). جو بعد از گندم با سطح زیر کشت 4/1 میلیون هکتار و تولید 1/3 میلیون تن، دومین گیاه زراعی مهم ایران از نظر ارزش زراعی و تغذیه­ای به­شمار می­رود (احمدی و همکاران 2019). همچنین بر اساس آمار منتشره در سال 2019، در جهان میزان تولید جو حدود 9/158 میلیون تن و در ایران 6/3 میلیون تن بود (فائو 2019). در مجموع جو با درجه سازگاری وسیع­تر ولی با ارزش اقتصادی کم­تر، در مناطقی از نواحی خشک ایران که بارندگی برای تولید گندم کافی نیست، جایگزین گندم می­شود (کوچکی 1994).

با توجه به نقش تنوع ژنتیکی در پیش­برد اهداف برنامه­های به­نژادی و نقش لاین­های پیشرفته در این خصوص، بدون شک بررسی لاین­های جدید جو با خصوصیات مورفولوژیک مطلوب، از جمله روش­های مناسب برای دستیابی به معیارهای انتخاب در جهت بهبود عملکرد و اصلاح و معرفی ارقام تجاری است که نهایتاً منجر به افزایش تولید جو خواهد شد. روش­های مختلفی برای برآورد تنوع ژنتیکی در گونه­های گیاهی وجود دارد. از آنجایی­که روش­های چند متغیره به­طور همزمان چندین اندازه­گیری را مدنظر قرار می­دهند، لذا در تجزیه و تحلیل تنوع ژنتیکی بر پایه داده­های مورفولوژیک، بیوشیمیایی و مولکولی کاربرد وسیعی دارند (محمدی و پرانسانا 2003). در بین روش­های مختلف آنالیز چندمتغیره تجزیه خوشه­ای، تجزیه مولفه­های اصلی و تجزیه مختصات اصلی مهمترین روش­ها هستند. در تحقیقی 8 صفت مورفولوژیک سنبله در 130 جمعیت محلی اندازه­گیری شد و مشخص شد که تنوع در جو دیم رابطه­ای پیچیده با گستردگی در محیط اکوسیستم زراعی دارد. در این تحقیق جوهای با تعداد ردیف نامنظم و شش ردیف بیشترین فراوانی (به­ترتیب 49 و 46 درصد) و جوهای دو ردیفه کمترین فراوانی (5/4 درصد) را داشتند (هودادو و همکاران 2009).

مطالعات زیادی در ارتباط با ارزیابی صفات و تعیین ماهیت، اهمیت و ارتباط آنها با عملکرد دانه با استفاده از تجزیه به عامل­ها و سایر روش­های چندمتغیره شده است (دریکوند 2011، زنگ 2015، محتشمی 2015). در بیشتر این تحقیقات بحث در مورد ارتباط بین صفات با عملکرد دانه و نهایتاً گروه­بندی آنها شده است ولی در بسیاری از آنها بحثی در مورد انتخاب برترین ژنوتیپ­ها نشده است. بنابراین نیاز به روش­هایی است که بتواند انتخاب ژنوتیپ­های مطلوب را با توجه به صفات مورد بررسی به­طور مناسبی انجام دهد و شاخص انتخاب ژنوتیپ ایده­آل (SIIG)[1] (زالی و همکاران 2015، زالی و همکاران 2017) یکی از این روش­ها می­باشد که می­تواند علاوه بر انتخاب ژنوتیپ­های ایده­آل، فاصله بین ژنوتیپ­ها را هم مشخص کند. امامی و همکارن (2019) به­منظور بررسی تحمل تنش اسمزی در لاین­های پیشرفته گندم دوروم از شاخص SIIG استفاده کردند و بیان نمودند نتایج شاخص SIIG با نتایج تجزیه خوشه­ای انطباق بالایی نشان داد.

از آنجایی­که عملکرد به مقدار زیادی تحت تأثیر محیط و اثر متقابل ژنوتیپ در محیط قرار می گیرد. بنابراین به­نظر بسیاری از محققین برای صفاتی مثل عملکرد، انتخاب غیرمستقیم از طریق سایر صفات که همبستگی بالایی با عملکرد دارند از کارایی بیشتری برخوردار است (ربیعی و همکاران 2004). به­همین دلیل محققان شاخص­های مختلفی را برای افزایش کارایی انتخاب معرفی نموده­اند (بریم 1959، لین 1978، کمپتورت و نوردسکوک 1959). در شاخص انتخاب اسمیت-هیزل (اسمیت 1936) و پسک-بیکر (پسک و بیکر 1969)  گزینش همزمان برای چندین صفت مهم با در نظر گرفتن ارزش اقتصادی و فنوتیپی و وراثت­پذیری آنها و همبستگی بین صفات مختلف انجام می­شود. اما در روش SIIG نیازی به محاسبه وراثت­پذیری و ارزش فنوتیپی و اقتصادی نمی­باشد. در این روش امکان شناسایی ژنوتیپ­هایی با خصوصیات خاص وجود دارد. به­عنوان مثال با روش SIIG می­توان ژنوتیپ­هایی با عملکرد دانه و وزن هزار دانه بالا، ارتفاع بوته کم و زودرس را در ­صورت وجود داشتن، شناسایی و انتخاب نمود (زالی و براتی 2020).

روشSIIG، برای اولین بار توسط زالی و همکاران (2015) برای ادغام روش­های مختلف تجزیه پایداری معرفی شد. از روش SIIG می‌توان برای رتبه‌بندی و مقایسه بهتر ژنوتیپ‌های مختلف و انتخاب برترین ژنوتیپ­ها و تعیین فواصل بین ژنوتیپ‌ها و گروه‌بندی آن‌ها استفاده نمود. از ویژگی‌های روش SIIG این است که برای محاسبه آن می­توان از شاخص­های مختلف، صفات مورفولوژیک، صفات فیزیولوژیک و ... استفاده نمود و کارایی انتخاب را افزایش داد. از آن‌جایی‌که ممکن است هر ژنوتیپی از نظر یک شاخص یا صفتی برتر باشد و در نهایت با افزایش تعداد صفات یا شاخص‌ها، ممکن است انتخاب ژنوتیپ مناسب برای محقق دشوار شود، به کمک روش SIIG، تمام شاخص‌ها و صفات به­صورت یک شاخص واحد درآمده و رتبه‌بندی و تعیین ژنوتیپ‌های برتر بسیار راحت‌تر می‌شود. هم­چنین اگر تعداد صفات کم باشد اما تعداد ژنوتیپ­ها زیاد باشد شاخص SIIG انتخاب ژنوتیپ­های مطلوب را آسان­تر می­کند. از جمله مزیت‌های این روش آن است که معیارها یا شاخص‌های به­کار رفته برای مقایسه می‌توانند دارای واحدهای سنجش متفاوتی بوده و طبیعت منفی و مثبت داشته باشند (زالی و همکاران 2015، زالی و همکاران 2017).

عبدالهی حصار و همکاران (2021) از شاخص SIIG برای ادغام شاخص­های مختلف تحمل به یخ­زدگی استفاده نموده و بیان کردند که شاخص SIIG یک روش مناسب برای شناسایی ژنوتیپ­های متحمل به یخ­زدگی، از طریق ادغام سایر شاخص­های دیگر تحمل به یخ­زدگی می­باشد. در تحقیق دیگری به­منظور ارزیابی 22 ژنوتیپ کلزا با استفاده صفات مختلف مورفولوژیک، از شاخص SIIG استفاده شد. در این تحقیق 13 صفت مورفولوژیک با استفاده از شاخص SIIG ادغام و تبدیل به یک شاخص واحد شد و در نهایت برای انتخاب برترین ژنوتیپ­ها ازیک نمودار دو بعدی عملکرد و شاخص SIIG استفاده شد (عبدالهی حصار و همکاران 2020). رمزی و همکاران (رمزی و همکاران 2018) از شاخص SIIG به­منظور بررسی تحمل لاین­های پیشرفته گندم دوروم تحت شرایط تنش آلومینیوم استفاده نمودند و بیان شد که در استفاده از شاخص تحمل Ti (مقدار صفت در سطح تنش تقسیم بر مقدار صفت در سطح شاهد) به­دلیل وجود Tiهای مختلف بر اساس صفات متفاوت تصمیم­گیری روی لاین­های حساس و متحمل کار راحتی نیست. در صورتی­که، با جمع این شاخص­ها در قالب یک شاخص تحت عنوان شاخص SIIG کار تصمیم­گیری راحت­تر می­شود. نجفی میرک و همکاران (2018) از شاخص SIIG به­منظور ادغام روش­های مختلف تجزیه پایداری ناپارامتری در گندم دوروم استفاده نمودند و با استفاده از شاخص SIIG و عملکرد در یک نمودار دو بعدی توانستند ژنوتیپ­های پایدار با عملکرد بالا را معرفی نمایند. در تحقیقی دیگر یاقوتی­پور و همکاران (2017) از شاخص SIIG به­منظور ادغام شاخص­های مختلف تحمل به خشکی در گندم نان استفاده نمودند و بیان داشتند که شاخص SIIG یک روش ترکیبی جدید و کارا در انتخاب موثرتر ژنوتیپ­های مطلوب می­باشد. طهماسبی و همکاران (2018) از شاخص SIIG به­منظور ادغام شاخص­های مختلف تحمل به خشکی در ژنوتیپ­های گندم نان استفاده نمودند. آنها شاخص SIIG را روشی مناسب برای ادغام شاخص­های مختلف تحمل به خشکی معرفی نمودند که کارایی انتخاب را افزایش می­دهد.

یکی از روش­های مهمی که برای تجزیه داده­ها معرفی شده، روش تجزیه با استفاده از حداکثر درست­نمایی محدود شده (REML)[2] است. در این روش محدودیت تجزیه واریانس به روش کمترین مربعات برای داده­های نامتعادل برطرف می­شود (هلند 2006). مدل­های مخلوط مانند REML برای بدست آوردن اجزای واریانس و پیش­بینی نااریب بهترین خط (BLUP)[3] برای پیش­بینی مقادیر ژنتیکی و اجزای واریانس استفاده می­شوند (ریسند 2016). روش REML/BLUP به­واسطه در نظر گرفتن مقادیر ژنوتیپی (نه مقادیر فنوتیپی) دقت بهتری در روند برنامه­های اصلاحی ایجاد می­کند و اجازه انتخاب بهترین ژنوتیپ­ها را می­دهد (ریسند 2004).

برای انتخاب ارقام مطلوب با ویژگی­های خاص استفاده از یک صفت به­تنهایی ممکن است منجر به نتایج مطلوبی نباشد، بر همین اساس در این تحقیق از شاخص انتخاب ژنوتیپ ایده­آل (SIIG) (زالی و همکاران 2015، زالی و همکاران 2017) به­منظور ادغام تعدادی از صفات مهم مورفو-فنولوژیک، برای ارزیابی بهتر لاین­ها و تنوع فنوتیپی آنها در آزمایشات مقدماتی مقایسه عملکرد استفاده شد.

 

مواد و روش­ها

به­منظور بررسی تنوع فنوتیپی لاین­های خالص جو، انتخاب شده از آزمایشات بین المللی و داخلی جو (98-1397)، تعداد 107 لاین خالص (جدول 1) در قالب طرح بدون تکرار آگمنت همراه با چهار شاهد (نوروز، اکسین، WB-90-14 و WB-96-16) در سه بلوک، در مزرعه ایستگاه تحقیقات کشاورزی و منابع طبیعی داراب، طی سال زراعی 99-1398 ارزیابی شدند. ارتفاع منطقه مورد آزمایش از سطح دریا 1107 متر با اقلیم گرم و خشک و متوسط بارندگی 248 میلی­متر و زمستان­های معتدل می­باشد. مشخصات جغرافیایی آن به­ترتیب 54 درجه و 30 دقیقه طول شرقی و 50 درجه و 28 دقیقه عرض شمالی است. سایر اطلاعات هواشناسی مربوط به سال زراعی در شکل 1 نشان داده شده است. ارقام و لاین­های مورد بررسی در 20 آذر در شش خط به­طول شش متر (2/7 مترمربع) به­فاصله 15 سانتی­متر از هم­دیگر کشت و به­صورت نشتی آبیاری شدند. میزان بذر مصرفی بر مبنای 300 دانه در متر مربع و با در نظر گرفتن وزن هزار دانه برای هر لاین تعیین گردید. هم­چنین قبل از برداشت نیم متر از ابتدا و انتهای هر کرت حذف و بقیه (6 مترمربع) برداشت شد. در طول فصل زراعی، کلیه عملیات­ زراعی مرسوم انجام شد. مبارزه با علف­های هرز پهن­برگ و نازک­برگ به­ترتیب با استفاده از علف­کش­های توفوردی و اکسیال با مقدار 5/1 لیتر در هکتار و همچنین به­صورت مکانیکی در مرحله پنجه­زنی تا ساقه­رفتن انجام شد. در طول دوره رشد علاوه بر مراقبت‌های زراعی، یادداشت برداری از صفات تعداد روز تا گل­دهی، تعداد روز تا رسیدگی، ارتفاع بوته، وزن هزار دانه، درصد خوابیدگی و عملکرد دانه بعمل آمد.

به­منظور بررسی تنوع فنوتیپی و ادغام صفات مورفو-فنولوژیک مختلف از روش SIIG (زالی و همکاران 2015، زالی و همکاران 2017) استفاده شد.

رابطه (1)                                                                          

در این رابطه di+ فاصله از ژنوتیپ­های­ ایده‌آل و di- فاصله از ژنوتیپ­های ضعیف است. مقدار SIIGi بین صفر تا یک تغییر می‌کند و هر چه گزینه مورد نظر به ژنوتیپ ایده‌آل نزدیک‌تر باشد مقدار SIIG آن به یک نزدیک‌تر خواهد بود. بر اساس این روش، برترین ژنوتیپ، نزدیک‌ترین ژنوتیپ به ژنوتیپ­های ایده‌آل و دورترین از ژنوتیپ­های­ ضعیف است (زالی و همکاران 2015، زالی و همکاران 2017، زالی و همکاران 2020).

به­منظور محاسبه مدل­های خطی و اجزای واریانس از مدل­های زیراستفاده شد:

رابطه (2)                                                                                                       

 

رابطه (3)

در این روبط μ میانگین صفت مربوطه، Blocki اثر بلوک iام، Entryj اثر اینتری jام است (رابطه 2). در رابطه 3 تفاوت در اثر اینتری jام است که به IDCheck، Gen، Check که به­ترتیب مربوط به اثر شناسه شاهدها، ژنوتیپ­های بدون تکرار و شاهدهایی که در هر بلوک تکرار می­شوند تقسیم می­شود. اثر بلوک به­عنوان اثر ثابت فرض شده است. هنگام محاسبه Blueها[4]، اثراتEntry ، IDCheck، Gen و Check به­عنوان اثرات ثابت در نظر گرفته می­شوند و هنگام محاسبه Blupها و وراثت­پذیری عمومی، این اثرات تصادفی در نظر گرفته می­شوند (رودریگرز و همکاران 2017).

در این تحقیق، برای انجام تجزیه REML و ترسیم گراف­های تنوع فنوتیپی از نرم­افزار ACBD-R (رودریگرز و همکاران 2017) و برای محاسبه شاخص انتخاب ژنوتیپ ایده­آل (SIIG) از نرم‌افزار Excel استفاده شد.

 

 

­

 

 

 

جدول 1- شجره لاین­های جو مورد بررسی در سال زراعی 99-1398

لاین­ها

شجره

 

لاین­ها

شجره

2

Kavir/Badia/3/Torsh/9cr.279-07//Bgs/4/Karoon/Kavir/5/Nik

62

IQBA07-22 Sel.6AP-0AP-0TR-0TR-0AREC

3

 Rojo/3/LB.IRAN/Una8271//Gloria"S"/Com"S"/4/Sahra

 

63

DeirAlla106//DL71/Strain205/3/DL529/4/Aths/Lignee686
ICB98-0186-0AP-21AP-0AP-17AP-0AP-0TR-0TR-0AREC

4

Assala'S'//Avt/Aths/3/Arinar/Aths//D529/4/Sahra                                      

 

64

Zarjau/80-5151//OK84817  ICBH94-0402-0AP-0AP-17AP-0AP-12AP-11AP-0AP-0TR-0TR-0AREC

5

Bgs/Dajia//L.1242/3/L.B.IRAN/Una8271//Gloria'S'/3/Alm/Una80//..4/ Torsh

 

65

Zarjau/80-5151//OK84817 ICBH94-0402-0AP-0AP-17AP-0AP-12AP-16AP-0AP-0TR-0TR-0AREC

6

Bgs/Dajia//L.1242/3/L.B.IRAN/Una8271//Gloria'S'/3/Alm/Una80//..4/ Torsh

 

66

Harmal-02/ArabiAbiad*2/4/Soufara-02/3/RM1508/Por//WI2269
ICB91-0343-0AP-0AP-0AP-470AP-0AP-0TR-0TR-0AREC

7

PINON/3/QUINN/ALOE//CARDO/4/CIRU/5/Rhn03

 

67

PETUNIA 1/5/POST/COPAL//GLORIA-BAR/COME/3/SIND89A-148/4/
CARDO/6/GLORIA-BAR/COPAL//BLLU/3/PETUNIA 1/7/PINON
CBSS01Y00837T-M-0Y-3M-1M-1Y-0M-0TR-0TR-0MR

8

Sahra//Triton/Yazd-5

 

68

Avt/Attiki//M-Att-73-337-1/3/Aths/Lignee686/4/Kabaa

9

Zahak/4/ Rojo/3/LB.IRAN/Una8271//Gloria"S"/Com"S"

 

69

AwBlack/Aths//Arar/3/9Cr279-07/Roho/6/Alanda-01/5/CI01021/4/CM67/U .Sask.1800//Pro/CM67/3/DL70

10

Zahak/4/Bgs/Dajia//L.1242/3/(L.B.IRAN/Una8271//Gloria'S'/3/Alm/Una80//....)

 

70

AwBlack/Aths//Arar/3/9Cr279-07/Roho/6/Alanda-01/5/CI01021/4/CM67/ U.Sask.1800//Pro/CM67/3/DL70

12

Rojo/3/LB.IRAN/Una8271//Gloria"S"/Com"S"/4/Bereke-54

 

72

Carbo/Hamra/4/Rhn-08/3/DeirAlla106//DL71/Strain205/5/ Lignee527/Aths//Lignee527/NK1272

13

LB.Iran/Una8271//Gloria"S"/Com"S"/3/Torsh/9cr.279-07//Bgs *2/4/Triton/Yazd-5

 

73

Hma-02//11012-2/CM67/3/Alanda/5/Rhn-03//Lignee527/NK1272/4/ Lignee527/Chn-01/3/Alanda/6/Rhn//Bc/Coho/3/DeirAlla106//Api/EB89-8-2-15-4/5/CM67/3/Apro//Sv02109/Mari/4/Carbo

14

Nimrooz/4/Rihane-03/3/As46/Aths*2//Aths/Lignee686

 

74

Alanda/8/Harma-02//11012- 2/CM67/7/Mola/4/Brea'S'/DL70// Mozdosky/3/Nopal'S'/5/CI10622/CI05824/6/Lignee640

15

Jonoob/5/Carbo/Hamra/4/Rhn-08/3/DeirAlla106//DL71/Strain205

 

75

BBSC/CONGONA//FRESA

16

 Briges/4/Anoidium/Arbayan-01/3/Lignee527/NK1272//JLB70-63

 

76

BREA/DL70//3*TOCTE/3/6B03-4452

17

 Briges/4/Rihane-03/3/As46/Aths*2//Aths/Lignee686

 

77

CIRU/TOCTE

18

 Arabian Barley/Gloria'S'/Copal'S'//As46/Aths/3/Rhn-03

 

78

B081J//DEFRA/DESCONOCIDA-BAR/3/ALELI/CANELA//GOB96DH

19

 Beecher/4/Rihane-03/3/As46/Aths*2//Aths/Lignee686

 

79

ADABELLA/ESMERALDA/6/P.STO/3/LBIRAN/UNA80//LIGNEE640/4/BLLU/5/PETUNIA 1

20

Zahak/4/Anoidium/Arbayan-01/3/Lignee527/NK1272//JLB70-63

 

80

PENCO/CHEVRON-BAR/6/P.STO/3/LBIRAN/UNA80// LIGNEE640/4/BLLU/5/PETUNIA 1

22

Zahak/Zarqa

 

82

CIRU/TOCTE

23

Ashar/Beecher//Zarqa

 

83

P.STO/3/LBIRAN/UNA80//LIGNEE640/4/BLLU/5/PETUNIA 1

24

Rojo/3/LB.IRAN/Una8271//Gloria"S"/Com"S"/4/Gloria'S'/Copal'S'//As46/Aths/3/Rhn-03

 

84

M126/CM67//As/Pro/3/Alanda/4/Ssn/Bda//Arar/3/F2CC33MS/CI07555/5/Lignee640/Lignee527//Lignee527/Rihane/6/Rhn-03/Eldorado/5/Rhn-03//Lignee527/NK1272/4/Lignee527/Chn-01/3/Alanda

25

Rojo/3/LB.IRAN/Una8271//Gloria"S"/Com"S"/4/Teran 78

 

85

ALISO/CI3909-2//FALCON-BAR/3/HIGO/7/Lignee527/Chn-01//Alanda/3/ Arar/Rhn-03/6/Rhn-03/5/Arizona5908/Aths//Avt/ Attiki/3/S.T.Barley/4 /Aths /Lignee686

26

Rojo/3/LB.IRAN/Una8271//Gloria"S"/Com"S"/4/ Briges

 

86

Baca'S'/3/AC253//CI08887/CI05761/4/Cen/Bglo'S'/5/Alanda/Hamra//Alanda-01

27

Rojo/3/LB.IRAN/Una8271//Gloria"S"/Com"S"/4/73M4-30

 

87

Rhn-03/Eldorado/5/Rhn-03//Lignee527/NK1272/4/Lignee527/ Chn-01/3/ Alanda/6/Maknusa

28

Rojo/3/LB.IRAN/Una8271//Gloria"S"/Com"S"/4/Lignee527/NK1272//JLB70-63

 

88

NISKA/H00057

29

Rojo/3/LB.IRAN/Una8271//Gloria"S"/Com"S"/4/Anoidium/Arbayan-01/3/Lignee527/…

 

89

PENCO/CHEVRON-BAR//BICHY2000

30

Rojo/3/LB.IRAN/Una8271//Gloria"S"/Com"S"/4/1-BC-80012

 

90

CANELA//LIMON/BICHY2000

32

Rojo/3/LB.IRAN/Una8271//Gloria"S"/Com"S"/4/1-BC-80152

 

92

ZIGZIG/3/LBIRAN/UNA80//LIGNEE640

33

Rojo/3/LB.IRAN/Una8271//Gloria"S"/Com"S"/4/Rihane-03

 

93

GLORIA-BAR/COPAL//M104

34

Rojo/3/LB.IRAN/Una8271//Gloria"S"/Com"S"/4/Rihane-03

 

94

Arta/Zabad/4/Pamir-147/Sonata/3/Pamir-154//SICB-100709/WB156

35

Anoidium/Arbayan-01/3/Lignee527/NK1272//JLB70-63/4/ Beecher

 

95

Rhn-03/Eldorado/5/Rhn-03//Lignee527/NK1272/4/Lignee527/ Chn-01/3/ Alanda/6/Rhn-03/Eldorado/5/Rhn-03//Lignee527 /NK1272/4/Lignee527/ Chn-01/3/Alanda

36

Anoidium/Arbayan-01/3/Lignee527/NK1272//JLB70-63/4/ Beecher

 

96

Rihane-03//Lignee527/Aths/6/Rhn-03/Eldorado/5/Rhn-03//Ligne e527/ NK1272/4/Lignee527/Chn-01/3/Alanda

37

Anoidium/Arbayan-01/3/Lignee527/NK1272//JLB70-63/4/Bgs/Dujia//L.1242

 

97

Alanda-01/3/Alanda//Lignee527/Arar/6/Alanda-01//Gerbel/Hma/ 5/Chn-01/3/Arizona5908/Aths//Bgs/4/Lignee640/Bgs//Cel

38

Anoidium/Arbayan-01/3/Lignee527/NK1272//JLB70-63/4/Zarqa

 

98

Alanda-01//Gerbel/Hma/5/Chn-01/3/Arizona5908/Aths //Bgs/4/ Lignee640/ Bgs//Cel/6/Arig 8-1

39

26216/4/Arar/3/Mari/Aths*2//M-Att-73-337-1/5/Nosrat/6/Rhn-03//L.527/NK1272

 

99

Tadmor//Roho/Mazurka/3/Tadmor/5/Arig8/Imperial//M7/3/Rt013/4/Alanda-1

40

Bgs/Dajia//L.1242/3/(L.B.IRAN/Una8271//Gloria'S'/3/Alm/Una80//....)/4/Nosrat/5/Rhn-03//L.527/NK1272

 

100

Lignee527/NK1272//JLB70-063/3/IPA99/5/Arig8/Imperial//M7/ 3/Rt013/4/ Alanda-01

42

NK1272//Manker/Arig8/3/Alanda/Hamra-01/4/Avt/Attiki//M-Att-73-337-1/3/Aths/Lignee686/5/Yousef/6/Sahra

 

102

Lignee 527/NK1272//JLB 70-63/3/Rhn-03//Lignee527/As45

43

Zahak/4/Bgs/Dajia//L.1242/3/(L.B.IRAN/Una8271//Gloria'S'/3/Alm/Una80//....)/4/Rojo…

 

103

Lignee 527/NK1272//JLB 70-63/3/Rhn-03//Lignee527/As45

44

Rojo/3/LB.IRAN/Una8271//Gloria"S"/Com"S"/4/Trompilo/L.Moghan//CM/5/Zahak

 

104

Lignee 527/NK1272//JLB 70-63/3/Rhn-03//Lignee527/As45

45

 Arar/3/Cr.115/Por//Giza 121/4/Arabian Barley/5/Zahak

 

105

Lignee 527/NK1272//JLB 70-63/3/Rhn-03//Lignee527/As45

46

Numar/3/POA/HJO//QJINA/4/Rojo/3/LB.IRAN/Una8271//Gloria"S"/Com"S"

 

106

Lignee 527/NK1272//JLB 70-63/3/Rhn-03//Lignee527/As45

47

 Numar/3/POA/HJO//QJINA/4/Rojo/3/LB.IRAN/Una8271//Gloria"S"/Com"S"

 

107

Lignee 527/NK1272//JLB 70-63/3/Rhn-03//Lignee527/As45

48

Lignee527/NK1272//JLB70-63/3/Arabian Barley/4/Rojo/3/LB.IRAN/Una8271//Gloria"S"/Com"S"

 

108

Lignee 527/NK1272//JLB 70-63/3/Rhn-03//Lignee527/As45

49

Ashar/Beecher/4/Arar/3/Cr.115/Por//Giza 121/5/Rojo/3/LB.IRAN/Una8271//Gloria"S"/Com"S"

 

109

Lignee 527/NK1272//JLB 70-63/3/Rhn-03//Lignee527/As45

50

Nosrat/AFZAL//ROJO

 

110

KAROON/KAVIR/4/Rhodes'S'//Tb/Chzo/3/Gloria'S'/5/Legia

52

Nosrat/4/LB.Iran/Una 8271//Gloria"S"/Come"s"-11M/3/Kavir/5/Numar

 

112

KAROON/KAVIR//Rhodes'S'//Tb/Chzo/3/Gloria'S' /4/Sahra/5/Yousef

53

composite-ahwaz

 

113

(Salt-4)LB.Iran/Una 8271//Gloria"S"/Come"s"-11M/3/Kavir/4/Karoon

54

Merzaga(Orge077)/Alanda-01
ICB98-0908-0AP-13AP-0AP-3TR-10AP-0AP-0TR-0TR

 

114

(Salt-4)LB.Iran/Una 8271//Gloria"S"/Come"s"-11M/3/Kavir/4/Karoon

55

LIMON/BICHY2000//DEFRA/DESCONOCIDA-BAR
CBSS01M00375T-0TOPY-30M-1M-1Y-1M-0Y-0AP-0TR-0AREC

 

115

(Salt-12)ROHO/MAZORKA//TROMPILO/3/Lignee 527/NK1272//JLB 70-63

56

Ghinneri(smooth_awns)/5/CM67/3/Apro//Sv02109/Mari/4/Carbo
ICB05-0175-0AP-1AP-0AP-0AP-0TR-0AREC

 

116

Courlis/Rhn-03//Jonoob

57

Alanda-01/3/Alanda//Lignee527/Arar ICB97-0754-0AP-20AP-5TR-19AP-0AP-1AP-0AP-0AP-0TR-0AREC

 

117

26216/4/Arar/3/Mari/Aths*2//M-Att-73-337-1/5/Sahra/6/(D10)Rhn-03//L.527/NK1272

58

Ager//Api/CM67/3/Cel/WI2269//Ore/4/Alanda/5/Rhn-01/Hml-01
ICB97-0607-0AP-13AP-0AP-4AP-0AP-3AP-0AP

 

118

Sahra/3/Hml-02//WI2291/Bgs

59

Arar/H.spont.19-15//Hml/3/H.spont.41-1/Tadmor/4/Barque
ICB02-1104-0AP-13AP-0AP

 

119

Manal/Alanda-01//1-BC-80152

 

60

Nadawa/Rhn-03/3/Lignee527/Rihane//Arar
ICB03-0534-0AP-18AP-0AP-0TR-0TR-0AREC

 

 

 

 

شکل 1- داده­های هواشناسی ماهیانه در فصل زراعی 99-1398

 

 

 

نتایج و بحث

از برآورد حداکثر درستنمایی محدود شده (REML) برای بررسی میزان وارثت­پذیری صفات مختلف و مقایسه صفات مختلف در لاین­ها و ژنوتیپ­های شاهد استفاده شد (جدول 2). نتایج تجزیه REML نشان داد کمترین میزان وراثت­پذیری صفات در لاین­های مورد بررسی مربوط به وزن هزار دانه (417/0) و بیشترین مقدار وراثت­پذیری به­ترتیب مربوط به تعداد روز تا رسیدن و تعداد روز تا گل­دهی (به­ترتیب 891/0 و 887/0) بود. از مزایای روش REML نسبت به روش­های کلاسیک، بازدهی بالا برای طرح­های آگمنت و همچنین کاهش تعداد برآوردهای منفی پارامترهای ژنتیکی، که به­دلیل مشکلاتی مانند مناسب نبودن طرح آزمایشی که در روش­های کلاسیک ایجاد می­شود، اشاره نمود (هلند 2006). در جدول 2 مقادیر واریانس ژنتیکی صفات مختلف مربوط به لاین­ها و ژنوتیپ­های شاهد و مقادیر میانگین صفات بر اساس روش BLUE و BLUP نشان داده شده است.

مقادیر میانگین، حداقل، حداکثر، انحراف معیار و ضریب تغییرات در 107 لاین مورد مطالعه در جدول 3 نشان داده شده است. بیشترین میانگین عملکرد دانه ژنوتیپ­های شاهد به­ترتیب مربوط به ژنوتیپ­های WB-96-19 (7384 کیلوگرم در هکتار) و اکسین (6827 کیلوگرم در هکتار) بود. حداقل و حداکثر عملکرد دانه لاین­ها به­ترتیب برابر با 3900 و 8293 کیلوگرم در هکتار بود (جدول 3) که بیانگر تنوع بالا برای عملکرد دانه است. برای صفات تعداد روز تا گل­دهی، تعداد روز تا رسیدگی، وزن هزار دانه و ارتفاع بوته مشاهده شد که حداقل مقادیر این صفات از متوسط عملکرد دانه ژنوتیپ­های شاهد پایین­تر است اما حداکثر مقادیر برای این صفات از میانگین عملکرد دانه ژنوتیپ­های شاهد بیشتر بود که این مطلب حاکی از آن است که تعدادی از لاین­ها از نظر صفات مورفو-فنولوژیک مورد مطالعه از ژنوتیپ­های شاهد برتر هستند (جدول 3).

شکل 2، نمایش گرافیکی تنوع فنوتیپی در صفات تعداد روز تا گل­دهی، تعداد روز تا رسیدگی، ارتفاع بوته، وزن هزار دانه و عملکرد دانه در لاین­ها و ژنوتیپ­های شاهد است. در این شکل­ها مقادیر عددی صفات مختلف هر لاین و ژنوتیپ­های شاهد به­صورت رنگی متفاوت نشان داده شده است. با یک نگاه کلی به هر کدام از صفات می­توان تنوع فنوتیپی موجود را مشاهد نمود.

 

 

جدول 2- نتایج تجزیه REML مربوط به صفات مختلف مورفو-فنولوژیک در لاین­های امید­بخش جو

DHE

DMA

PLH

 

TKW

 

YLD

 

منابع تغییرات

887/0

891/0

707/0

417/0

634/0

وراثت­پذیری عمومی (لاین­ها) ­

968/0

660/0

829/0

527/0

688/0

وراثت­پذیری عمومی (شاهد) ­

491/6

70/6

8/85

01/9

518394

واریانس ژنتیکی (لاین­ها) ­

7/24

59/1

9/171

04/14

660080

واریانس ژنتیکی (شاهد) ­

824/0

824/0

6/35

6/12

299124

واریانس باقیمانده

9/102

2/142

2/97

2/46

5956

میانگین لاین­ها (Blup)

5/104

5/141

4/99

1/44

5855

میانگین لاین­ها (Blue)

26/1

25/1

2/7

3/3

624

تفاوت خطای استاندارد میانگین (لاین­ها)

49/2

49/2

3/14

6/6

1235

LSD0.05 (لاین­ها)

4/103

5/142

1/97

2/47

6472

میانگین لاین­ها (Blup)

7/104

3/143

5/94

6/49

6635

میانگین لاین­ها (Blue)

91/0

802/0

6/5

9/2

486

تفاوت خطای استاندارد میانگین (شاهد)

80/1

59/1

1/11

7/5

962

LSD0.05 (شاهد)

DHE: تعداد روز تا گل­دهی (روز)؛ DMA: تعداد روز تا رسیدگی (روز)؛ PLH: ارتفاع بوته (سانتی­متر)؛ TKW: وزن هزار دانه (گرم)؛ YLD: عملکرد دانه (کیلوگرم در هکتار)

 

 

جدول 3- آمار توصیفی مربوط به صفات مختلف مورفو-فنولوژیک در لاین­های امید­بخش جو

صفات

 

میانگین

 

حداقل

 

حداکثر

 

انحراف معیار

ضریب تغییرات

 

شاهد

نوروز

اکسین

WB-90-14

WB-96-19

 (روز)DHE

101

97

111

78/2

7/1

 

109

99

110

101

 (روز) DMA

141

131

149

82/2

0/2

 

143

141

143

145

PLH (سانتی­متر)

99

73

128

99/10

0/11

 

76

103

97

100

 (گرم)TKW

44

30

58

82/4

9/10

 

1/48

7/44

6/55

149

 (درصد)Lodg

17

0

100

9/32

190

 

0

0

0

2

YLD (کیلوگرم در هکتار)

5851

3900

8293

925

8/15

 

5953

6827

5960

7384

DHE: تعداد روز تا گل­دهی؛ DMA: تعداد روز تا رسیدگی؛ PLH: ارتفاع بوته؛ TKW: وزن هزار دانه؛ Lodg: درصد خوابیدگی؛ YLD: عملکرد دانه

 

 

برآورد ضرایب همبستگی (جدول 4) نشان داد که ارتباط معنی­داری بین عملکرد دانه با تعداد روز تا رسیدگی (**379/0) و ارتفاع بوته (**314/0) وجود دارد. بنابراین در این تحقیق برای انتخاب لاین­هایی با عملکرد بالا و صفات مطلوب از جمله وزن هزار دانه بالا و لاین­های زودرس از شاخص SIIG استفاده شد.

در این تحقیق به­منظور محاسبه شاخص SIIG فرض بر این بود که لاین­هایی با بیشترین عملکرد دانه، وزن هزار دانه و ارتفاع بوته و از طرفی با کمترین تعداد روز تا رسیدگی و تعداد روز تا گل­دهی ایده­آل می­باشند. لاین­های مورد بررسی بر اساس شاخص SIIG، به­منظور بررسی کارایی شاخص  SIIGدر انتخاب لاین­های برتر و با استفاده از صفات عملکرد دانه، وزن هزار دانه، ارتفاع بوته، تعداد روز تا گل­دهی و تعداد روز تا رسیدگی در 4 دسته گروه­بندی شدند (جدول 6). لاین­هایی که مقدار عددی شاخص SIIG آنها بزرگتر مساوی 6/0 و کوچکتر از 7/0 (7/0 >≤ SIIG  6/0) بود در گروه یک قرار گرفتند. لاین­هایی که شاخص SIIG آنها بزرگتر مساوی 5/0 و کوچکتر از 6/0 (6/0 >≤ SIIG  5/0) بود در گروه دو دسته­بندی شدند. لاین­های گروه 3 در دامنه بزرگتر مساوی 4/0 و کوچکتر از 5/0 (5/0>≤ SIIG  4/0) شاخص SIIG قرار گرفتند و در نهایت لاین­هایی که مقدار شاخص SIIG آنها کوچکتر مساوی از 4/0 بود در گروه 4 قرار گرفتند. با یک نگاه کلی به جدول 6 مشاهده شد که هر چه مقدار شاخصSIIG  کاهش می­یابد مقدار عملکرد دانه، وزن هزار دانه و درصد خوابیدگی نیز کاهش یافته است ولی تغییر زیادی در مقدار صفات تعداد روز تا گل­دهی و تعداد روز تا رسیدگی مشاهده نشد. ولی با کاهش مقدار SIIG میانگین ارتفاع بوته گروه­ها افزایش یافته است. این مطلب نشان داد که شاخص SIIG توانسته به­طور همزمان، ژنوتیپ­های پرمحصول با وزن هزار دانه بالا و درصد خوابیدگی کمتر را انتخاب کند.

 نتایج گروه­بندی لاین­های مورد بررسی بر اساس شاخص SIIG (جدول 6) نشان داد که در گروه یک، 11 لاین قرار دارد که متوسط عملکرد دانه آنها 7337 کیلوگرم در هکتار با متوسط وزن هزار دانه 7/45 گرم و ارتفاع بوته 97 سانتی­متر بود. میانگین درصد خوابیدگی در این گروه 5 درصد بود. متوسط عملکرد دانه گروه اول از متوسط عملکرد همه ژنوتیپ­های شاهد (به­جزء لاین WB-96-16) بیشتر بود. متوسط وزن هزار دانه این گروه تنها از میانگین رقم اکسین بالاتر بود. از آنجایی که ژنوتیپ­های نوروز، WB-90-14 و WB-96-19 دو ردیفه بودند وزن هزار دانه آنها از بسیاری از لاین­های مورد بررسی بالاتر بود. همچنین همه ژنوتیپ­های شاهد (به­جزء اکسین) در گروه یک قرار گرفتند. برترین لاین این گروه که در مجموع برترین لاین آزمایش است لاین شماره 102، با متوسط عملکرد دانه 8293 کیلوگرم در هکتار و ارتفاع بوته 91 سانتی متر بود. لاین شماره 83 با مقدار SIIG بالا (688/0) در رتبه دوم گروه یک قرار داشت متوسط عملکرد آن 7927 کیلوگرم در هکتار بود. لاین شماره 34 کمترین وزن هزار دانه را داشت (6/37 گرم) ولی به­علت داشتن عملکرد 7703 کیلوگرم در هکتار و ارتفاع بوته 87 سانتی متر در گروه یک قرار گرفته است. در مجموع لاین­های شماره 102، 83، 3، 43، 58، 103، 73، 87، 34، 95 و 75 با SIIG بیشتر از 600/0 جزء برترین لاین­ها در درجه اول از نظر عملکرد دانه و در درجه دوم از نظر صفات وزن هزار دانه و درصد خوابیدگی بوته بودند (جدول 5). از آنجایی­که میزان تغییرات SIIG بین 0 تا 1 می­باشد بنابراین این شاخص، روشی مناسب برای نشان دادن فاصله بین ژنوتیپ­ها بر اساس صفات مورد مطالعه می­باشد (زالی و همکاران 2015، زالی و همکاران 2017).

در گروه دو، 35 لاین وجود دارد که متوسط عملکرد دانه، وزن هزار دانه و ارتفاع بوته آنها به­ترتیب 6253 کیلوگرم در هکتار، 9/46 گرم و 99 سانتی­متر بود. درصد خوابیدگی بوته در لاین­های این گروه 7 درصد بود. در این گروه به­ترتیب لاین­های شماره  106، 49، 88، 84، 25، 96، 104، 35، 94، 54، 109، 16، 105، 92، 114، 118، 76، 65، 28، 46، 99، 24، 48، 56، 30، 110، 47، 55، 86، 26، 85، 37، 37، 100، 1120و 23 با مقدار SIIG بزرگتر مساوی 5/0 و کوچکتراز 6/0، جزء لاین­های انتخابی با مقدار SIIG برابر 568/0 در این گروه قرار داشت. لاین شماره 35 با وجود عملکرد بالا (8003 کیلوگرم در هکتار) ولی به­دلیل وزن هزار دانه پایین و ارتفاع بوته زیاد در گروه دو قرار گرفت. همچنین در این گروه لاین شماره 44، که یک لاین دو ردیفه بود، کمترین عملکرد را داشت (4993 کیلوگرم در هکتار) ولی به­علت داشتن وزن هزار دانه زیاد (6/53 گرم) و ارتفاع بوته کم (88 سانتی متر) در این گروه قرار گرفت. بنابراین بعد از گروه­بندی، باید به لاین­های منتخب در هر گروه توجه کرد و لاین­های ضعیف را حذف نمود. نتایج نشان داد در انتخاب ارقام و لاین­ها بر اساس شاخص SIIG، باید به همبستگی این شاخص با عملکرد دانه که یک صفت مهم و تأثیر­گذار است توجه نمود و در صورتی از شاخص SIIG استفاده نمود که همبستگی آن با عملکرد دانه بالا و معنی­دار باشد.

در گروه سه، 46 لاین وجود داشت که متوسط عملکرد دانه، وزن هزار دانه و ارتفاع بوته آنها به­ترتیب 5485 کیلوگرم، 5/43 گرم و 99 سانتی­متر بود (جدول 6). نتایج شاخص SIIG نشان داد هر چند لاین­های این گروه دارای مقدار SIIG متوسط (5/0 > SIIG  ≤4/0) هستند ولی لاین­های شماره 13، 116، 29، 7، 77، 89 و 72 به­دلیل عملکرد بالاتر از 6000 کیلوگرم در هکتار برتر از سایر لاین­های این گروه بودند. علت قرار گرفتن این لاین­ها در گروه 3، وزن هزار دانه پایین (به­جزء لاین شماره 13) بوده است. نتایج نشان داد که این لاین­ها با وجود پایین بودن وزن هزار دانه ولی پتانسیل عملکرد بالایی داشتند. لاین­های شماره 115 و 5 با وجود عملکرد بالا، به­ترتیب دچار 90 و 100 درصد خوابیدگی بوته شدند که نشان از حساسیت این دو لاین به خوابیگی بوته است.

 

 

 

 

     
     

شکل 2- نقشه حرارتی تنوع فنوتیپی صفات مختلف مورفو-فنولوژیک در لاین­های امید­بخش جو و ژنوتیپ­های شاهد

DHE: تعداد روز تا گل­دهی (روز)؛ DMA: تعداد روز تا رسیدگی (روز)؛ PLH: ارتفاع بوته (سانتی­متر)؛ TKW: وزن هزار دانه (گرم)؛ Lodg: درصد خوابیدگی (درصد)؛ YLD: عملکرد دانه (کیلوگرم)

 

 

جدول 4- ضرایب همبستگی بین صفات مورفو-فنولوژیک و شاخص SIIG

Lodg

YLD

TKW

PLH

DMA

DHE

 

 

 

 

 

 

**493/0

تعداد روز تا رسیدگی (DMA)

 

 

 

 

**291/0

081/0

ارتفاع بوته (PLH)

 

 

 

054/0-

*211/0-

*229/0-

وزن هزار دانه (TKW)

 

 

080/0

**314/0

**379/0

036/0-

عملکرد دانه (YLD)

 

070/0-

**299/0-

**373/0

*234/0

018/0

خوابیدگی بوته (Lodg)

**405/0-

**702/0

**609/0

*237/0-

021/0

*227/0-

SIIG

* و **: به­ترتیب معنی­دار در سطح احتمال 5 و 1 درصد می­باشد.

 

 

 

در گروه چهار، نیز 15 لاین با متوسط عملکرد دانه 4947، وزن هزار دانه 9/37 گرم و ارتفاع  بوته 103 سانتی­متر قرار داشتند. متوسط درصد خوابیدگی در این گروه 38 درصد بود (جدول 6). نتایج SIIG نشان داد لاین­های این گروه شامل لاین­های شماره 9، 10، 90، 27، 44، 22، 19، 45، 52، 36، 6، 17، 79، 14 و 18 به­ترتیب با کمترین مقدار SIIG (به­ترتیب 200/0، 247/0، 266/0، 284/0، 296/0، 321/0، 340/0، 356/0، 360/0، 362/0، 363/0، 381/0، 393/0 394/0 و 396/0) جزء ضعیف­ترین لاین­ها به­ترتیب از نظر عملکرد دانه و وزن هزار دانه به­طور همزمان بودند (جدول 5). زالی و براتی (2020) به­منظور بررسی کارایی شاخصSIIG  در انتخاب برترین لاین­های جو از نظر عملکرد دانه، وزن هزار دانه، ارتفاع بوته، تعداد روز تا گل­دهی و تعداد رو تا رسیدگی به­طور هم­زمان از این شاخص استفاده نمودند. در این تحقیق لاین­های مورد بررسی بر اساس شاخص SIIG در 6 دسته گروه­بندی شدند. همچنین نتایج نشان داد که شاخص SIIG به­خوبی توانسته ژنوتیپ­ها را بر اساس سه صفت عملکرد دانه، وزن هزار دانه و ارتفاع بوته دسته­بندی نماید.

شاخص انتخاب ژنوتیپ ایده­آل (SIIG) یک مدل گزینش­گر بوده و به­منظور انتخاب ایده­آل­ترین ارقام و لاین­ها از بین ژنوتیپ­های مورد بررسی به­کار می­رود. محققان می­توانند از شاخص SIIG، به­منظور انتخاب برترین ژنوتیپ­ها با استفاده از ادغام شاخص­های مختلف تحمل به خشکی (زالی و همکاران 2017)، پارامترهای تجزیه پایداری (زالی و همکاران 2015، نجفی میرک و همکاران 2018) یا صفات مختلف مورفولوژیک (زالی و براتی 2020، عبدالهی حصار و همکاران 2020) و فیزیولوژیک استفاده کنند. به­عبارت­دیگر با استفاده از روش SIIG می­توان صفات مختلف را به­صورت یک شاخص واحد درآورد و انتخاب ژنوتیپ­های برتر را مطمئن­تر و دقیق­تر انجام داد. از دیگر ویژگی­های شاخص SIIG، ادغام صفات با واحدهای مختلف است. همان­طور که مشاهده شد در این تحقیق از صفاتی با واحدهای متفاوت استفاده شد. هم­چنین باید توجه داشت هر چه صفتی دارای تنوع فنوتیپی بیشتری باشد نقش آن در مقدار عددی شاخص SIIG بیشتر خواهد بود. در صورتی­که در تحقیقی تعداد صفات مورد بررسی زیاد باشد برای انتخاب ژنوتیپ­های با عملکرد دانه بالا و صفات مطلوب بهتر است شاخص SIIG بر مبنای همه صفات به­جزء عملکرد دانه محاسبه شود و در نهایت انتخاب ژنوتیپ­ها در یک نمودار دو بعدی که یک محور آن شاخص SIIG و محور دیگر آن عملکرد دانه است صورت گیرد.

در نهایت نتایج این تحقیق نشان داد که شاخص SIIG به­خوبی توانسته ژنوتیپ­ها را بر اساس صفات عملکرد دانه، وزن هزار دانه و همچنین درصد خوابیدگی بوته دسته­بندی نماید. نتایج گروه­بندی لاین­ها بر اساس شاخص SIIG نشان داد همه لاین­های گروه یک، همه لاین­های گروه دو (به­جزء لاین 55) و لاین­های شماره13، 116، 29، 7، 77، 89 و 72 از گروه سه به­دلیل داشتن عملکرد بالاتر از متوسط کل و هم از بیشتر ژنوتیپ­های شاهد جزء لاین­های برتر در این تحقیق بودند. در ضمن این لاین­ها دارای وزن هزار دانه بالایی نیز بودند و می­توان از آنها را برای آزمایشات بیشتر از جمله آزمایشات سازگاری استفاده نمود.

 

 

 

 

 

 

 

 

 

 

 

جدول 5- مقادیر صفات مختلف مورفو-فنولوژیکی و شاخص SIIG در 107 لاین امیدبخش جو

شماره لاین­ها

DHE (Day)

DMA (Day)

PLH (cm)

TKW

(g)

YLD

(kg. ha-1)

Lodg (%)

RT

 

SIIG

رتبه

گروه

2

104

144

81

42

5097

0

6

465/0

66

3

3

102

144

91

47

6947

0

6

 

651/0

4

1

4

99

141

106

41

5593

100

6

 

402/0

94

3

5

102

145

116

42

6293

100

6

 

438/0

76

3

6

102

144

119

40

5883

70

6

 

363/0

101

4

7

100

139

102

40

6113

0

6

 

461/0

68

3

8

103

143

111

45

5427

70

6

 

401/0

96

3

9

110

145

128

36

4983

100

6

 

200/0

111

4

10

103

145

116

34

5250

90

6

 

247/0

110

4

12

100

140

101

46

5177

0

6

 

435/0

78

3

13

101

143

126

50

6470

0

6

 

492/0

54

3

14

102

142

87

38

4920

0

6

 

394/0

98

4

15

102

142

88

45

4967

0

6

 

464/0

67

3

16

103

140

104

45

6810

0

6

 

566/0

27

2

17

101

142

95

41

4790

0

6

 

381/0

100

4

18

101

139

96

48

3900

0

6

 

396/0

97

4

19

99

137

87

34

4250

0

6

 

340/0

105

4

20

102

141

91

46

5150

0

6

 

475/0

59

3

22

111

146

99

41

4400

0

6

 

321/0

106

4

23

101

141

81

45

5167

0

6

 

504/0

50

2

24

105

143

84

38

6643

0

6

 

543/0

37

2

25

103

142

101

48

6610

0

6

 

586/0

19

2

26

100

141

79

46

5080

0

6

 

512/0

45

2

27

111

144

98

34

4730

0

6

 

284/0

108

4

28

98

135

84

50

5277

0

2

 

553/0

34

2

29

103

142

99

40

6330

0

6

 

485/0

57

3

30

101

143

100

49

5850

0

6

 

531/0

40

2

32

103

142

107

40

5790

60

6

 

403/0

93

3

33

107

142

94

43

5970

0

6

 

498/0

51

3

34

101

143

87

38

7703

0

6

 

612/0

10

1

35

101

142

110

40

8003

0

6

 

572/0

22

2

36

107

145

114

38

5967

60

6

 

362/0

102

4

37

97

143

101

42

6413

0

6

 

511/0

47

2

38

101

143

118

46

5600

90

6

 

412/0

88

3

39

103

139

101

48

5620

0

6

 

498/0

52

3

40

101

139

95

46

5087

0

6

 

456/0

72

3

42

101

137

86

46

4560

0

6

 

457/0

70

3

43

100

144

102

46

7653

50

6

 

645/0

5

1

44

103

144

128

41

5343

95

6

 

296/0

107

4

45

99

142

101

38

5247

95

6

 

356/0

104

4

46

103

142

104

42

7100

20

6

 

551/0

35

2

47

98

141

102

42

6707

10

6

 

530/0

42

2

48

100

142

85

44

5810

0

6

 

535/0

38

2

49

98

149

73

46

5823

100

6

 

593/0

16

2

50

103

142

99

40

5550

100

6

 

415/0

87

3

52

103

143

93

36

5053

5

6

 

360/0

103

4

53

103

142

99

38

5737

0

6

 

412/0

89

3

54

103

143

95

45

6487

0

6

 

569/0

24

2

55

101

141

81

54

4493

0

2

 

525/0

43

2

56

100

142

105

47

6307

0

6

 

534/0

39

2

57

100

142

97

40

5380

0

6

 

408/0

90

3

58

102

142

107

50

7267

0

6

 

638/0

6

1

59

102

141

88

42

4773

0

2

 

416/0

86

3

60

99

140

92

44

5577

0

6

 

496/0

53

3

62

97

131

81

44

3967

0

6

 

431/0

81

3

63

98

136

96

42

5197

0

6

 

425/0

85

3

جدول 5: ادامه

شماره لاین­ها

DHE (Day)

DMA (Day)

PLH (cm)

TKW

(g)

YLD

(kg. ha-1)

Lodg (%)

RT

 

SIIG

رتبه

گروه

64

100

142

111

50

5703

0

6

487/0

55

3

65

102

142

112

51

6437

0

6

 

553/0

33

2

66

99

134

95

51

4733

0

2

 

485/0

58

3

67

103

139

94

40

5743

0

6

 

449/0

75

3

68

98

136

86

42

5233

50

6

 

470/0

64

3

69

98

132

97

50

4797

0

6

 

473/0

60

3

70

98

133

94

48

4690

0

6

 

457/0

71

3

72

102

142

107

38

6020

0

6

 

402/0

95

3

73

99

141

93

46

6857

0

6

 

631/0

8

1

74

100

140

95

40

5813

50

6

 

454/0

74

3

75

102

142

104

49

6770

0

6

 

600/0

14

1

76

103

143

112

42

7670

0

6

 

560/0

32

2

77

103

143

109

38

6397

0

6

 

434/0

79

3

78

103

142

108

44

5470

0

6

 

408/0

91

3

79

103

141

87

41

4483

0

6

 

393/0

99

4

80

102

139

83

42

4520

0

6

 

429/0

82

3

82

107

144

82

41

5203

0

6

 

459/0

69

3

83

109

145

94

46

7927

0

2

 

688/0

2

1

84

99

140

104

42

7477

40

6

 

589/0

18

2

85

99

143

116

47

6520

0

6

 

511/0

46

2

86

98

140

95

48

5580

0

6

 

523/0

44

2

87

99

141

92

43

7097

0

6

 

623/0

9

1

88

100

142

94

52

5937

0

6

 

592/0

17

2

89

101

143

104

36

6353

0

6

 

426/0

84

3

90

103

143

103

30

5007

50

6

 

266/0

109

4

92

102

143

95

50

5813

0

6

 

563/0

29

2

93

100

140

98

47

6733

0

6

 

607/0

12

1

94

99

139

87

51

5467

0

2

 

571/0

23

2

95

100

145

105

43

5613

0

6

 

427/0

83

3

96

100

144

102

48

6513

0

6

 

574/0

20

2

97

102

144

103

44

5973

0

6

 

472/0

61

3

98

100

142

97

45

5113

0

6

 

436/0

77

3

99

97

139

112

58

5617

0

6

 

548/0

36

2

100

102

142

94

50

5247

0

6

 

507/0

48

2

102

98

143

91

43

8293

0

6

 

696/0

1

1

103

103

143

107

48

7463

0

6

 

635/0

7

1

104

103

143

109

50

6618

0

6

 

573/0

21

2

105

103

143

108

49

6570

0

6

 

566/0

28

2

106

103

143

95

46

6593

0

6

 

597/0

15

2

107

103

143

111

42

5813

95

6

 

405/0

92

3

108

99

139

91

48

4737

95

6

 

466/0

65

3

109

98

137

99

51

5880

0

6

 

568/0

25

2

110

100

142

98

47

5917

0

6

 

531/0

41

2

112

100

143

120

43

7117

30

6

 

507/0

49

2

113

103

144

104

49

5403

0

6

 

471/0

62

3

114

101

143

105

47

6630

0

6

 

562/0

30

2

115

103

142

102

42

6097

90

6

 

471/0

63

3

116

99

140

106

39

6680

50

6

 

486/0

56

3

117

100

141

112

46

5553

50

6

 

432/0

80

3

118

99

142

113

50

6673

40

6

 

561/0

31

2

119

107

142

95

46

5213

0

6

 

455/0

73

3

Auxin

99

141

103

45

6827

0

6

 

568/0

26

2

Norooze

109

143

76

48

5953

0

6

 

611/0

11

1

WB-90-14

110

143

97

56

5960

0

6

 

669/0

13

1

WB-96-19

101

145

100

49

7384

2

6

 

669/0

3

1

DHE: تعداد روز تا گل­دهی؛ DMA: تعداد روز تا رسیدگی؛ PLH: ارتفاع بوته؛ TKW: وزن هزار دانه؛ Lodg: درصد خوابیدگی؛ YLD: عملکرد دانه، RT: تعداد ردیف در خوشه جو

 

جدول 6- گروه­بندی لاین­های جو بر اساس شاخص SIIG و میانگین صفات مختلف مورفو-فنولوژیک در هر گروه

میانگین گروه­ها

 

 

تعداد لاین

 

 

گروه

 

 

شاخص SIIG

YLD

(kg. ha-1)

Lodg  (%)

TKW

(g)

 PLH

 (cm)

DMA (day)

DHE

(day)

7337

5

7/45

97

143

101

 

11

1

7/0 > SIIG ≤ 6/0

6253

7

9/46

99

142

101

 

35

2

6/0 > SIIG ≤ 5/0

5485

22

5/43

99

141

101

 

46

3

5/0 > SIIG ≤4/0

4947

38

9/37

103

143

104

 

15

4

4/0 > SIIG ≤ 2/0

DHE: تعداد روز تا گل­دهی؛ DMA: تعداد روز تا رسیدگی؛ PLH: ارتفاع بوته؛ TKW: وزن هزار دانه؛ Lodg: درصد خوابیدگی؛ YLD: عملکرد دانه

 

سپاسگزاری

از همه همکاران مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی فارس (ایستگاه داراب) که نسبت به اجرا و یادداشت­برداری صفات مورد بررسی همکاری مفید و موثری داشته­اند تشکر و قدردانی می­شود.

 

[1] - Selection index of ideal genotype

[2] - Restricted maximum likelihood

[3] - Best linear unbiased prediction

[4] - Best linear unbiased estimation

Abdollahi Hesar A, Sofalian O, Alizadeh B, Zali H and Asghari A. 2021. Investigation of frost stress tolerance in a some promissing rapeseed genotypes. Agricultural Science and Sustainable Production, 31(2): 270-288. (In Persian).
Abdollahi Hesar A, Sofalian O, Alizadeh B, Asghari A and Zali H. 2020. Evaluation of some autumn canola genotypes based on agronomy traits and SIIG index. Journal of Crop Breeding, 12(34): 93-104. (In Persian).
Ahmadi K, Gholizadeh HA, Ebadzadeh HR, Hatami F, Fazliestabragh M, Hussein pour R, Kazemian A and Rafeie M. 2016. Agricultural Statistics. Ministry of Agriculture-Jahad. Vol. 1. 163 pp. (In Persian).
Brim CA, Johnson HW and Cockerham CC. 1959. Multiple selection criteria in soybeans. Agronomy Journal, 51: 42-46.
Drikvand R, Samiei K and Hossinpoor T. 2011. Path coefficient analysis in hull-less barley under rainfed condition. Australian Journal of Basic and Applied Sciences, 5: 277-279.

Emami S, Asghari A, Mohammaddoust Chamanabad H, Rasoulzadeh A and 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).

FAO. (2019). Statistical data. Www. Fao. Org/faostat.
Ferreira JR, Pereira JF, Turchetto C, Minella E, Consoli L and Delatorre CA. 2016. Assessment of genetic diversity in Brazilian barley using SSR markers. Genetics and Molecular Biology, 39(1): 86-96.
Hadado T, Rau D, BitocchiE and Pado R. 2009. Genetic diversity of barley (Hordeum vulgre L.) landraces from the central highlands of Eithiopia: comparison between the Belg and Meher growing seasons using morphological traits. Genetic Resources and Crop Evolution, 56: 1131-1148.
Holland JB. 2006. Estimating genotypic correlations and their standard errors using multivariate restricted maximum likelihood estimation with SAS Proc MIXED. Crop Science, 46: 642-654.
Hwang CL and Yoon K. 1981. Multiple attributes decision making methods and applications, Springer, Berlin Heidelberg. pp: 58-191.
Lin CY. 1978. Index selection for genetic improvement of quantitative characters. Theoretical Applied Genetics, 52: 49-56.
Kampthorne O and Nordskog AW. 1959. Restricted selection indices. Biometrics, 15: 10-19.
Koocheki A. 1994. Crop production in dry region: Cereals, Legumes, Industrial and forage crops (Translated in Persian). Jihad Daneshghahi Mashhad Press. 202 pp.
Mohammadi SA and Prasanna BM. 2003. Analysis of genetic diversity in crop plants- salient statistical tools and considerations. Crop Science, 43: 1235-1248.
Mohtashmi R. 2015. The correlation study of important barley agronomic traits and grain yield by path analysis. Biological Forum – An International Journal, 7: 1211-1219.
Najafi Mirak T, Dastfal M, Andarzian B, Farzadi H, Bahari M and 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. (In Persian).
Pesek J and Baker RJ. 1969. Desired improvement in relation to selection indices. Canadian Journal of Plant Science, 49: 803-804.
Rabiei B, Valizdah M, Ghareyazie B and Moghaddam M. 2004. Evaluation of selection indices for improving rice grain shape. Field Crops Research, 89: 359-367.
Resende MDV. 2016. Software Selegen-REML/BLUP: A useful tool for plant breeding. Crop Breeding and Applied Biotechnology, 16: 330-339.
Resende MDV. 2004. Métodos estatísticos ótimos na análise de experimentos de campo, Embrapa Florestas. Embrapa Florestas, Colombo, PR.
Rodríguez F, Alvarado G, Pacheco Á and Burgueño J. 2017. ACBD-R. Augmented complete block design with R for windows. Version 3.0. https://hdl.handle.net/11529/10855. CIMMYT Research Data & Software Repository Network.
Smith HF. 1936. A discriminant function for plant selection. Annals of Eugenenics, 7: 240-250.
Tahmasebi S, Dastfal M, Zali H and Rajaei M. 2018. Drought tolerance evaluation of bread heat cultivars and promising lines in warm and dry climate of the south. Cereal Research. 8(2): 209-225. (In Persian).
Yagoutipour A, Farshadfar E and Saeedi M. 2017. Assessment of durum wheat genotypes for drought tolerance by suitable compound method. Environmental Stress in Crop Sciences, 10(2): 247-256. (In Persian).
Zali H, Sofalian O, Hasanloo T, Asghari A and Hoseini SM. 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 – An International Journal, 7(2): 703-711.
Zali H, Sofalian O, Hasanloo T, Asghari A and Zeinalabedini M. 2016. Appropriate strategies for selection of drought tolerant genotypes in canola. Journal of Crop Breeding, 78 (20): 77-90. (In Persian).
Zali H and 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. (In Persian).
Zeng XQ. 2015. Genetic variability in agronomic traits of a germplasm collection of hulless barley. Genetics and Molecular Research, 14 (4): 18356-18369.