اخبار و اعلانات
آمار
| تعداد نشریات | 19 |
| تعداد شماره‌ها | 380 |
| تعداد مقالات | 3,141 |
| تعداد مشاهده مقاله | 4,270,399 |
| تعداد دریافت فایل اصل مقاله | 2,864,011 |
Analysis of genotype by environment interaction in barley across various locations in Iran using the AMMI model | ||
| Iranian Journal of Genetics and Plant Breeding | ||
| دوره 13، شماره 1 - شماره پیاپی 25، تیر 2024، صفحه 11-19 اصل مقاله (622.83 K) | ||
| نوع مقاله: Research paper | ||
| شناسه دیجیتال (DOI): 10.30479/ijgpb.2024.20254.1370 | ||
| نویسندگان | ||
| Ali Barati1؛ Majid Taherian* 2؛ Fatemeh Saeidnia2؛ Hamid Reza Nikkhah2؛ Elias Arazmjoo3؛ Mehrdad Mahlooji4؛ Manoochehr Taheri5؛ Seyed Ali Tabatabaee6؛ Siroos Tahmasebi7 | ||
| 1Cereal Science Research Department, Seed and Plant Improvement Institute, Agricultural Research, Education and Extension Organization, AREEO, Karaj, Iran. | ||
| 2Agricultural and Horticultural Science Research Department, Khorasan Razavi Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization, AREEO, Mashhad, Iran. | ||
| 3Agricultural and Horticultural Science Research Department, South Khorasan Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization, AREEO, Birjand, Iran. | ||
| 4Horticulture Crop Research Department, Isfahan Agricultural and Natural Resources Research and Education Center, AREEO, Isfahan, Iran. | ||
| 5Horticulture Crop Research Department, Varamin Agricultural and Natural Resources Resaerch and Education Center, AREEO, Varamin, Iran. | ||
| 6Horticulture Crop Research Department, Yazd Agricultural and Natural Resources Resaerch and Education Center, AREEO, Yazd, Iran. | ||
| 7Agricultural and Horticultural Science Research Department, Fars Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization, AREEO, Shiraz, Iran. | ||
| تاریخ دریافت: 05 اردیبهشت 1403، تاریخ بازنگری: 20 تیر 1403، تاریخ پذیرش: 19 شهریور 1403 | ||
| چکیده | ||
| Barley (Hordeum vulgare) is an important global grain valued for its versatility and adaptability. This study utilized additive main effects and multiplicative interactions (AMMI) analysis to assess the adaptability and yield stability of twenty barley genotypes across eight locations, aiming to compare genotypes and identify suitable candidates. Significant genotypic variation was found for grain yield, highlighting the potential for targeted improvement. The AMMI analysis revealed that genotype, environment (location), and genotype-environment interaction (GEI), along with the first four interaction principal component axes, accounted for 86% of the yield variation. Environmental effects contributed 75.89% of the total sum of squares, while genotypic effects accounted for only 4.46%, and GEI effects for 19.65%. Isfahan and Karaj showed the highest GE interaction, indicated by their elevated IPCA1 scores in the AMMI1 biplot, while Birjand, Neishabor, and Varamin had the lowest scores and minimal GE interaction. The biplots identified genotypes 4 and 12 as the most stable and high-yielding, making them suitable for future genetic improvement programs. Conversely, genotypes 5, 10, 14, and 17 exhibited below-average yields and high IPCA1 scores, indicating instability but adaptation to specific locations. Crossbreeding contrasting genotypes could be beneficial for developing mapping populations for stability and yield genome studies in barley. | ||
| کلیدواژه‌ها | ||
| Additive main effects and multiplicative interactions؛ GE interaction؛ Hordeum vulgare؛ Interaction principal component axis (IPCA) | ||
| عنوان مقاله [English] | ||
| تجزیه و تحلیل اثر متقابل ژنوتیپ و محیط در جو در مناطق مختلف ایران با استفاده از مدل امی | ||
| نویسندگان [English] | ||
| علی براتی1؛ مجید طاهریان2؛ فاطمه سعیدنیا2؛ حمیدرضا نیکخواه2؛ الیاس آرزمجو3؛ مهرداد محلوجی4؛ منوچهر طاهری5؛ سید علی طباطبایی6؛ سیروس طهماسبی7 | ||
| 1موسسه تحقیقات اصلاح و تهیه نهال و بذر، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران. | ||
| 2بخش علوم زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی خراسان رضوی، سازمان تحقیقات، آموزش و ترویج کشاورزی، مشهد، ایران. | ||
| 3مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان خراسان جنوبی، بیرجند، ایران. | ||
| 4مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان اصفهان، اصفهان، ایران. | ||
| 5مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان تهران، ورامین، تهران، ایران. | ||
| 6گروه زراعت، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان یزد، یزد، ایران. | ||
| 7مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان فارس، شیراز، ایران. | ||
| چکیده [English] | ||
| جو یک غله بسیار ضروری در جهان است که به دلیل تطابق پذیری و سازگاری از ارزش بالایی برخوردار می باشد. در مطالعه حاضر، از تجزیه و تحلیل اثرات اصلی افزایشی و برهمکنش‌های ضرب پذیر برای ارزیابی سازگاری و پایداری عملکرد 20 ژنوتیپ جو در هشت منطقه (محیط)، به‌منظور مقایسه بین ژنوتیپ‌ها و مناطق (محیط‌ها) و شناسایی ژنوتیپ‌های مناسب استفاده شد. تنوع ژنوتیپی قابل ملاحظه‌ای در بین ژنوتیپ‌ها برای عملکرد دانه مشاهده شد که نشان‌دهنده پتانسیل بالا برای اصلاح این صفت از طریق انتخاب هدفمند در برنامه‌های اصلاحی می‌باشد. نتایج تجزیه و تحلیل AMMI نشان داد که اثرات اصلی ناشی از ژنوتیپ، محیط (مکان) و GEI و همچنین چهار محور اصلی اثرات متقابل برای عملکرد دانه معنی‌دار بوده و در مجموع 86 درصد تغییرات را توجیه می‌کند. مدل امی نشان داد که 89/75 درصد از کل مجموع مربعات مربوط به اثرات محیطی است. تنها 46/4 درصد از تغییرات به اثرات ژنوتیپی و 65/19 درصد به اثرات GEI نسبت داده شد. از میان مناطق (محیط‌های) مورد مطالعه در این آزمایش، اصفهان و کرج سهم بیشتری در اثرات متقابل GE داشتنند، زیرا بالاترین مقادیرIPCA1 را به خود اختصاص دادند و در بای‌پلات AMMI1 در دورترین نقطه نسبت به مبدا قرار گرفتند. از سوی دیگر، بیرجند، نیشابور و ورامین به ترتیب کمترین مقادیرIPCA1 را کسب کردند و سهم کم‌تری در اثرات متقابل GE داشتند. الگوهای برهمکنش نشان‌داده شده توسط بای پلات‌های AMMI، ژنوتیپ های 4 و 12 را به عنوان پایدارترین و پرمحصول‌ترین ژنوتیپ‌های جو، که برای اصلاح ژنتیکی در برنامه های اصلاحی آتی مناسب هستند، شناسایی کردند. از سوی دیگر، چهار ژنوتیپ 5، 10، 14 و 17 دارای عملکرد دانه کمتر از میانگین بوده و بیشترین مقادیر IPCA1 را به خود اختصاص دادند. از این رو، این ژنوتیپ‌ها ناپایدارترین ژنوتیپ‌ها بودند؛ اما به‌عنوان ژنوتیپ‌های دارای سازگاری خصوصی با مکان‌های خاصی شناسایی شدند. تلاقی بین ژنوتیپ‌های متفاوت راه حل مناسبی برای ایجاد جمعیت‌های نقشه‌یابی به‌منظور اجرای مطالعات ژنومی مربوط به پایداری و عملکرد دانه در این گونه خواهد بود. | ||
| کلیدواژه‌ها [English] | ||
| اثرات اصلی جمع پذیر و اثرات متقابل ضرب پذیر, اثرات متقابل ژنوتیپ و محیط, جو, محور اصلی اثرات متقابل | ||
| مراجع | ||
|
Ahmadi J., Mohammadi A., and Najafi Mirak T. (2012). Targeting promising bread wheat (Triticum aestivum L.) lines for cold climate growing environments using AMMI and SREG GGE biplot analyses. Journal of Agricultural Science and Technology, 14: 645-657. Amini F., Majidi M. M., and Mirlohi A. (2013). Genetic and genotype×environment interaction analysis for agronomical and some morphological traits in half-sib families of tall fescue. Crop Science, 53: 411-421. Anandan A., Sabesan T., Eswaran R., Rajiv G., Muthalagan N., and Suresh R. (2009). Appraisal of environmental interaction on quality traits of rice by additive main effects and multiplicative interaction analysis. Cereal Research Communications, 37(1): 139-148. Baik B. K., and Ullrich S. E. (2008). Barley for food: characteristics, improvement, and renewed interest. Journal of Cereal Science, 48: 233-242. Bannayan M., Sanjani S., Alizadeh A., Lotfabadi S. S., and Mohamadian, A. (2010). Association between climate indices, aridity index, and rainfed crop yield in northeast of Iran. Field Crops Research, 118: 105-114. Bantayehu M. (2010). Analysis and correlation of stability parameters in malting barley. African Journal of Crop Science, 17: 145-153. Barati A., Arazmjo E., Tabatabaei S. A., and Taheri Mazandarani M. (2023). Selection of tolerant barley (Hordeum vulgare L.) genotypes to terminal drought stress based on grain yield, yield stability and stress tolerance indices. Iranian Journal of Crop Sciences, 25(3): 258-274. Brar K. S., Manhas S., and Hegde D. M. (2012). GGE biplot analysis visualization of mean performance and stability for seed yield in safflower (Cartamus tinctorus) at diverse locations in India. International Journal of Agriculture Science and Research, 2: 77-90 Comstock R. E., and Moll R. H. (1963). Genotype-environment interactions. In: Hanson W. D., and Robinson H. F. (Eds.), Statistical genetics and plant breeding. Washington, DC: National Academy of Sciences, National Research Council, 164-196. Ebdon J. S., and Gauch H. G. (2002). Additive main effect and multiplicative interaction analysis of national turfgrass performance trials. II Cultivar recommendations. Crop Science, 42: 497-506. Gauch H. G. (1993). Prediction, parsimony and noise: A model can be more accurate than a data used to build it because it amplifies hidden patterns and discards unwanted noise. American Scientist, 81: 468- 478. Gauch H. G. (2006). Statistical analysis of yield trials by AMMI and GGE. Crop Science, 46: 1488-1500. Gauch H. G., Piepho H. P., and Annicchiarico P. (2008). Statistical analysis of yield trials by AMMI and GGE. Further considerations. Crop Science, 48: 866-889. Gauch H. G., and Zobel R. W. (1996). AMMI analysis of yield trials. In: Kang M. S., and Gauch H. G. (Eds.), Genotype-by-environment interaction. CRC Press, 85-122. Hassani M., Heidari B., Dadkhodaie A., and Stevanato P. (2018). Genotype by environment interaction components underlying variations in root, sugar and white sugar yield in sugar beet (Beta vulgaris L.). Euphytica, 214: 79. DOI: https://doi.org/10.1007/s10681-018-2160-0. Hemadesh I., Ahmadi J., Fabriki-Ourang S., and Vaezi B. (2021). Appraising of barley promising lines relying on high grain yield and desirable agronomy traits in rainfed conditions using SIIG and ASIIG techniques. Iranian Journal of Genetics and Plant Breeding, 10(1): 11-30. Johnson R., Stitch L., Olwell P., Lambert S., Horning M., and Cronn R. (2010). What are the best seed sources for ecosystem restoration on BLM and USFS lands? Native Plants Journal, 11: 117-130. Kaya Y., Palta C., and Taner S. (2002). Additive main effects and multiplicative interactions analysis of yield performance in bread wheat genotypes across environments. Turkish Journal of Agriculture and Forestry, 26: 275-279. Kumar A., Jnanesha A. C., Lal R. K., Chanotiya C. S., Venugopal S., and Swamy Y. V. V. S. (2023). Precision agriculture innovation focuses on sustainability using GGE biplot and AMMI analysis to evaluate GE interaction for quality essential oil yield in Eucalyptus citriodora Hook. Biochemical Systematics and Ecology, 107: 104603. DOI: https://doi.org/10.1016/j.bse.2023.104603. Namdari A., Pezeshkpoor P., Mehraban A., Mirzaei A., and 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. (In Persian) Oral E., Kendal E., and Dogan Y. (2018). Selection the best barley genotypes to multi and special environments by AMMI and GGE biplot models. Fresenius Environmental Bulletin, 27: 5179-5187. Pacheco A., Vargas M., Alvarado G., Rodríguez F., Crossa J., and Burgueño J. (2015). GEA-R (Genotype x Environment Analysis with R for Windows) Version 4.1. https://hdl.handle.net/11529/10203, CIMMYT Research Data and Software Repository Network, V16. Perkins J. M., and Jinks J. L. (1968). Environmental and genotype environmental components of variability IV. Non-linear interactions for multiple inbred lines. Heredity, 23: 525-535. Pourdad S. S., and Mohammadi R. (2008). Use of stability parameters for comparing safflower genotypes in multi-environment trials. Asian Journal of Plant Science, 7(1): 100-104. Purchase J. L., Hatting H., and Van Deventer C. S. (2000). Genotype×environment interaction of winter wheat (T. aestivum) in South Africa: stability analysis of yield performance. South African Journal of Plant and Soil, 17: 101-107. Saeidnia F., Majidi M. M., Dehghani M. R., Mirlohi A., and Araghi B. (2021). Multi environmental evaluation of persistence and drought tolerance in smooth bromegrass (Bromus inermis): genetic analysis for stability in combining ability. Crop & Pasture Science, 72: 565-574. Saeidnia F., Majidi M. M., Dehghani M. R., Saeidi G., and Mirlohi A. (2022). Drought tolerance and stability of native and foreign tall fescue genotypes: Comparison of AMMI and GGE biplot analyses. Agronomy Journal, 114(4): 2180-2185. DOI: https://doi.org/10.1002/agj2.21127. Saeidnia F., Majidi M. M., and Mirlohi A. (2017a). Genetic analysis of stability in poly-crossed populations of orchardgrass. Crop Science, 57: 2828-2836. Saeidnia F., Majidi M. M., and Mirlohi A. (2017b). Selection for high yield, combining ability, and stability in smooth bromegrass. Journal of Agricultural Science and Technology, 19: 1405-1416. Saeidnia F., Taherian M., and Nazeri S. M. (2023). Graphical analysis of multi-environmental trials for wheat grain yield based on GGE-biplot analysis under diverse sowing dates. BMC Plant Biology, 23: 198. DOI: https://doi.org/10.1186/s12870-023-04197-9. Taherian M., Nikkhah H. R., Aghnoum R., Sharifi Alhoseini M., Mahlooji M., Taheri Mazandrani M., Tabatabaei S. A., and Hassani F. (2022). Graphical analysis of grain yield stability for selection of suprior barley (Hordeum vulgare L.) promising lines in temperate regions of Iran. Iranian Journal of Crop Sciences, 24(1): 64-78. (In Persian) Tarakanovas P., and Ruzgas V. (2006). Additive main effects and multiplicative interactions analysis of grain yield of wheat varieties in Lithuania. Agronomy Research, 4: 91-98. Vita P. D., Mastrangeloa A. M., Matteua L., Mazzucotellib E., et al. (2010). Genetic improvement effects on yield stability in durum wheat genotypes grown in Italy. Field Crops Research, 119: 68-77. Yan W. (2024). Two types of biplots to integrate multi‐trial and multi‐trait information for genotype selection. Crop Science, 64: 1608-1618 Yan W. (2001). GGE biplot-A windows application for graphical analysis of multi-environment trial data and other types of two-way data. Agronomy Journal, 93: 1111-1118. Yan W., and Tinker N. A. (2006). Biplot analysis of multi-environment trial data: principles and applications. Canadian Journal of Plant Science, 86: 623-645. You S., and Izydorczyk M. (2007). Comparison of the physicochemical properties of barley starches after partial α-amylolysis and acid/alcohol hydrolysis. Carbohydrate Polymers, 69: 489-502. Zobel R. W., Wright M. J., and Gauch H. G. (1988). Statistical analysis of a yield trial. Agronomy Journal, 80: 388-393. | ||
|
آمار تعداد مشاهده مقاله: 173 تعداد دریافت فایل اصل مقاله: 98 |
||