مروری بر روش‌های تجزیه پایداری در به‌نژادی گیاهی با تاکید بر غلات، 2- رویکردهای چندمتغیره و چشم‌اندازهای آینده

نوع مقاله : مقاله مروری

نویسندگان

1 محقق پسادکتری، گروه تولید و ژنتیک گیاهی، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران

2 دانشجوی دکتری، گروه تولید و ژنتیک گیاهی، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران

3 استاد، گروه تولید و ژنتیک گیاهی، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران

4 استاد، گروه تولید و ژنتیک گیاهی، دانشکده علوم کشاورزی، دانشگاه گیلان، رشت، ایران

5 دانشیار، گروه تولید و ژنتیک گیاهی، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران

6 دانش‌آموخته کارشناسی ارشد، انستیتو علوم اعصاب تولوز، تولوز، فرانسه

7 دانشیار، گروه تولید و ژنتیک گیاهی، دانشکده کشاورزی، دانشگاه مراغه، مراغه، ایران

8 استادیار، گروه تولید و ژنتیک گیاهی، دانشکده کشاورزی، دانشگاه سراوان، سراوان، ایران

چکیده

مقدمه: در عرصه به‌نژادی غلات، درک برهمکنش ژنوتیپ-محیط (GEI) و پایداری صفات مختلف، به‌عنوان کلید موفقیت در تولید محصولات کشاورزی با کیفیت شناخته می‌شود. برهمکنش‌ GE انتخاب بهینه ژنوتیپ‌ها برای محیط‌های هدف را پیچیده می‌کند. این موضوع نیاز به استفاده از روش‌های آماری مناسب برای تجزیه و تحلیل GEI و شناسایی ژنوتیپ‌های پایدار و با عملکرد بالا را ضروری می‌کند. روش‌های آماری چندمتغیره ابزار قدرتمندی برای تحلیل داده‌های پیچیده حاصل از آزمایش‌های چندمحیطی (MET; Multi-Environment Trials)  هستند. روش‌هایی نظیر تجزیه خوشه‌ای (CA; Cluster Analysis)، تجزیه به مؤلفه‌های اصلی (PCA; Principal Component Analysis)، تجزیه به مختصات اصلی (PCOA; Principal Coordinate Analysis)، تحلیل عاملی (FA; Factor Analysis) و همچنین مدل‌های AMMI، GGE-Biplot، SHMM و BLUP به‌خوبی و با دقت بالا در تحلیل داده‌های MET مورد استفاده قرار گرفته‌اند. در این مطالعه، ضمن بررسی روش‌های آماری چندمتغیره و بیان مزیت‌ها و معایب آن‌ها در تجزیه و تحلیل برهمکنش ژنوتیپ و محیط و ارزیابی پایداری ژنوتیپ‌ها، کاربرد تحلیل ارتباط در گستره ژنوم (GWAS; Genome-Wide Association Studies) و پیش‌بینی ژنومی (GP; Genomic Prediction) در تجزیه ژنتیک پایداری و همچنین نرم‌افزارهای مورد استفاده برای ارزیابی این روش‌ها تحلیل خواهند شد.

یافته‌های تحقیق: نتایج این مطالعه نشان داد که مدل AMMI با ترکیب تحلیل واریانس و تجزیه به مؤلفه‌های اصلی، توانایی بالایی در ارزیابی اثرات اصلی و برهمکنش‌ها دارد. همچنین، روش GGE-Biplot و نمودارهای گوناگونی که در این روش ارائه می‌شود، به‌طور مؤثری اثرات اصلی ژنوتیپ و برهمکنش آن با محیط را به نمایش می‌گذارد. تجزیه QTL (Quantitative Trait Locus) و بررسی برهمکنش QTL با محیط (QEI; QTL-Environment Interaction) در داده‌های MET نیز منجر به شناسایی نشانگرهای پیوسته با پایداری می‌شود که می‌توان از آن‌ها در اصلاح مولکولی گیاهان زراعی استفاده کرد.

نتیجه‌گیری: در این مطالعه، به‌طور جامع و کاربردی به معرفی و بررسی روش‌های چندمتغیره در تحلیل GEI با هدف درک بهتر تعاملات GE و شناسایی ژنوتیپ‌های با سازگاری گسترده و عملکرد پایدار پرداخته شد. نتایج این مطالعه بر اساس بررسی‌های جامع انجام شده نشان داد که به‌منظور تصمیم‌گیری بهتر در انتخاب ژنوتیپ‌ها، لازم است تمامی آماره‌های پایداری اعم از تک‌متغیره و چندمتغیره در تجزیه داده‌های MET مورد توجه قرار گیرند. پیشرفت‌های اخیر در فناوری‌های ژنومیک، از جمله توالی‌یابی کل ژنوم و GWAS می‌توانند کمک‌های قابل توجهی به درک پیچیدگی‌های GE و ژنتیک پایداری کنند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

A review of stability analysis methods in plant breeding with an emphasis on cereals II: An Exploring of Multivariate Techniques and Future Prospects

نویسندگان [English]

  • Nishtman Abdi 1
  • Mona Bordbar 2
  • Reza Darvishzadeh 3
  • Babak Rabiei 4
  • Hadi Alipour 5
  • Somaieh Soufimaleky 6
  • Hamid Hatami Maleki 7
  • Mitra Jabbari 8
1 Post-Doctoral Researcher, Department of Plant Production and Genetics, Faculty of Agriculture, Urmia University, Urmia, Iran
2 Ph. D. Student, Department of Plant Production and Genetics, Faculty of Agriculture, Urmia University, Urmia, Iran
3 Professor, Department of Plant Production and Genetics, Faculty of Agriculture, Urmia University, Urmia, Iran
4 Professor, Department of Plant Production and Genetics, Faculty of Agricultural Sciences, University of Guilan, Rasht, Iran
5 Associate Professor, Department of Plant Production and Genetics, Faculty of Agriculture, Urmia University, Urmia, Iran
6 M. Sc. Graduate, Institut des Sciences du Cerveau de Toulouse, Toulouse, France
7 Associate Professor, Department of Plant Production and Genetics, Faculty of Agriculture, University of Maragheh, Maragheh, Iran
8 Assistant Professor, Department of Plant Production and Genetics, Faculty of Agriculture, University of Saravan, Saravan, Iran
چکیده [English]

Abstract

Introduction: In the field of cereal breeding, understanding the genotype-environment interaction (GEI) and the stability of various traits is recognized as the key to successfully producing high-quality agricultural products. The GEI complicates the optimal selection of genotypes for target environments, making it essential to use appropriate statistical methods for analyzing and identifying stable and high-performing genotypes. Multivariate methods are powerful tools for analyzing complex GEI data.

Materials and Methods: In this article, multivariate statistical methods such as cluster analysis (CA), principal component analysis (PCA), principal coordinates analysis (PCOA), factor analysis (FA), as well as AMMI, GGE, and SHMM models used in the analysis of multi-environment trial (MET) data are reviewed. In the following, the application of genome-wide association studies (GWAS) and genomic prediction (GP) in the genetic analysis of stability, as well as the softwares used for calculating various multivariate stability methods, are introduced.

Findings: Based on the studies, the AMMI model, which combines analysis of variance and principal component analysis, has a high capability in evaluating main effects and interactions. The GGE plot effectively displays the main effects of genotype and its interaction with the environment. QTL analysis and the study of QTL-environment interaction (QEI) in MET data lead to the identification of stable linked markers.

Conclusion: This article comprehensively and practically introduces and examines multivariate methods in GEI analysis with the aim of better understanding GE interactions and identifying genotypes with broad adaptability and stable performance. Based on comprehensive studies, it has been determined that breeders should consider all stability statistics, both univariate and multivariate, in the analysis of MET data in order to make better decisions in selecting genotypes. Recent advancements in genomic technologies, including whole genome sequencing and GWAS, can significantly aid in understanding the complexities of GE and genetic of stability.

کلیدواژه‌ها [English]

  • AMMI model
  • Genotype-environment interaction (GEI)
  • GGE biplot
  • GWAS
  • Stability analysis

فایل ها

هم رسانی

ارجاع به این مقاله

آمار