تعداد نشریات | 31 |
تعداد شمارهها | 748 |
تعداد مقالات | 7,108 |
تعداد مشاهده مقاله | 10,240,518 |
تعداد دریافت فایل اصل مقاله | 6,898,083 |
ارزیابی شاخصهای انتخاب فنوتیپی و مولکولی برای بهبود عملکرد دانه در ذرت (Zea mays L.) | ||
تحقیقات غلات | ||
دوره 13، شماره 2 - شماره پیاپی 47، شهریور 1402، صفحه 145-161 اصل مقاله (316.24 K) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22124/cr.2023.25516.1787 | ||
نویسندگان | ||
مرجان جنتدوست1؛ رضا درویشزاده* 2؛ هادی علیپور3 | ||
1دانشآموخته دکتری، گروه تولید و ژنتیک گیاهی، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران | ||
2استاد، گروه تولید و ژنتیک گیاهی، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران | ||
3دانشیار، گروه تولید و ژنتیک گیاهی، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران | ||
چکیده | ||
مقدمه: ذرت از جمله غلات مناطق گرمسیری و یک منبع اصلی تامین غذا برای انسان و دام و همچنین تهیه سوختهای زیستی و فیبر در برخی نقاط جهان است. افزایش تولید ذرت از اولویتهای اساسی کشور محسوب میشود. یکی از ارکان افزایش تولید، توسعه ارقام جدید پُرمحصول است. برای بهبود صفت پیچیدهای مانند عملکرد دانه که وراثتپذیری پایینی دارند، میتوان از انتخاب غیرمستقیم توسط صفات دیگر و یا شاخصهای انتخاب توسعهیافته بر اساس چند صفت استفاده کرد. در این مطالعه، شاخص انتخاب فنوتیپی خطی (LPSI) و شاخص انتخاب مولکولی خطی (LMSI) با استفاده از ترکیب صفات مورفولوژیک و نشانگرهای مولکولی ISSR آگاهیبخش تهیه شد. هدف از مطالعه حاضر نیز تهیه شاخصهای گزینش مناسب در ذرت در راستای بهبود عملکرد دانه بود. مواد و روشها: مواد گیاهی این پژوهش 97 ژنوتیپ ذرت بود که در قالب طرح بلوکهای کامل تصادفی با شش تکرار در مزرعه تحقیقاتی دانشکده کشاورزی دانشگاه ارومیه کشت شدند. اندازهگیری صفات مورفولوژیک از مرحله تاسلدهی تا رسیدگی فیزیولوژیک انجام گرفت. برای تهیه پروفیل مولکولی ژنوتیپهای ذرت مورد مطالعه نیز از 16 ترکیب آغازگر ISSR استفاده شد. جهت انتخاب ژنوتیپهای مطلوب از دو شاخص شامل شاخص انتخاب فنوتیپی خطی و شاخص انتخاب مولکولی خطی استفاده و کارآیی شاخصها با برآورد پارامترهای مختلف مانند میزان پیشرفت ژنتیکی و پاسخ به گزینش حاصل از آنها مقایسه شد. یافتههای تحقیق: نتایج بهدست آمده از شاخص انتخاب فنوتیپی خطی نشان داد که بالاترین میزان پیشرفت ژنتیکی بر مبنای شاخص (DG) برای صفت محتوای کلروفیل (99.15) و کمترین آن برای صفت تعداد بلال در بوته (0.01) مشاهده شد. میزان بهره مورد انتظار از شاخص برای مجموع صفات مورد مطالعه (DH) و پاسخ به گزینش (RS) نیز بهترتیب 163.2234 و 0.774 برآورد شد. بر اساس شاخص انتخاب مولکولی خطی، بالاترین میزان پیشرفت ژنتیکی بر مبنای شاخص (DG) برای صفت مساحت برگ (99.31) و کمترین مقدار آن برای صفت تعداد بلال در بوته (0.02) مشاهده شد. میزان بهره مورد انتظار از شاخص برای مجموع صفات مورد مطالعه (DH) و پاسخ به گزینش (RS) در این شاخص بهترتیب 50.972 و 0.774 برآورد شد. نتایج نشان داد که مقدار همبستگی شاخص و ارزش اصلاحی (rHI) در شاخص LPSI معنیدار و در حد نسبتاً مطلوب (کمتر از یک) و در شاخص LMSI معنیدار و در حد مطلوب (یک) بود، اما کارایی انتخاب از طریق شاخص (ΔH) برای شاخصLPSI برابر با 163.22 و برای شاخص LMSI برابر با 50.97 بود. از طرفی میزان پیشرفت ژنتیکی صفات با توجه به نوع شاخص متفاوت بود. بهعنوان نمونه، نسبت میزان پیشرفت ژنتیکی برای صفات تعداد بلال در بوته و عملکرد از طریق شاخص مولکولی به فنوتیپی بیشتر از بقیه صفات و بهترتیب برابر با 2.00 و 1.28 بهدست آمد. بهترین ژنوتیپ نیز بر اساس هر دو شاخص، ژنوتیپ شماره 61 بود. نتیجهگیری: با توجه به نتایج بهدست آمده از تحقیق حاضر و مرور منابع انجام شده در این زمینه، بهنظر میرسد که بتوان در پروژههای بهنژادی در نسلهای در حال تفرق اولیه از مزایای توسعه شاخص LMSI بهرهمند شد، اما در نسلهای پیشرفتهتر بهتر است گزینش ژنوتیپها را با شاخص LPSI توسعه داد که در این صورت هزینه ارزیابیهای مولکولی هم کم خواهد شد. | ||
کلیدواژهها | ||
انتخاب غیر مستقیم؛ رگرسیون نشانگر-صفت؛ شاخص انتخاب فنوتیپی؛ شاخص انتخاب مولکولی | ||
مراجع | ||
Bernardo, R. 2010. Breeding for Quantitative Traits in Plants, 2nd Edition. Stemma Press, Woodbury, MN, USA.##Branlard, G.; Pierre, J.; Rousset, M. 1992. Selection indices for quality evaluation in wheat breeding. Theoretical and Applied Genetics, 84, pp. 57-64. https://doi.org.10.1007/BF00223981.##Brim, C. A., Johnson, H. W. and Cockerham, C. C. 1959. Multiple selection criteria in soybeans. Agronomy Journal, 51, pp. 42–46. https://doi.org/10.2134/agronj1959.00021962005100010015x.##Cerón-Rojas, J. J., and Crossa, J. 2018. Linear selection indices in modern plant breeding. Springer. https://doi.org/10.1007/978-3-319-91223-3. (eBook).##Cerón-Rojas, J. J. and Crossa, J. 2020. Combined multi-stage linear genomic selection indices to predict the net genetic merit in plant breeding. G3: Genes, Genomes, Genetics, 10, pp. 2087- 2101. doi: https://doi.org/10.1534/g3.120.401171.##Cerón-Rojas J. J. and Crossa J. 2022. The statistical theory of linear selection indices from phenotypic to genomic selection. Crop Science, 62, pp. 537–563. doi: 10.1002/csc2.20676.##Cerón-Rojas, J. J., Gowda, M., Toledo, F., Beyene, Y., Bentley, A. R. Crespo-Herrera, L. Gardner, K. and Crossa, J. 2023. A linear profit function for economic weights of linear phenotypic selection indices in plant breeding. Crop Science, pp. 1–13. https://doi.org/10.1002/csc2.20882.##Crossa, J., Jesús Cerón-Rojas, J., Martini, J. W. R., Covarrubias-Pazaran, G., Alvarado, G., Toledo, F. H. and Govindan, V. 2022. Theory and practice of phenotypic and genomic selection indices. Wheat Improvement, 593–616. https://doi.org/10.1007/978-3-030-90673-3_32.##Dekkers, J. C. M. 2007. Prediction of response to marker-assisted and genomic selection using selection index theory. Journal of Animal Breeding and Genetics, 124, pp. 331–341. https://doi.org/10.1111/j. 1439 0388.2007.00701.x.##Dekkers, J. C. M. and Settar, P. 2004. Long-term selection with known quantitative trait loci. Plant Breeding Reviews, 24, pp. 311–335.##Dekkers, J. C. M., and Dentine, M. R. 1991. Quantitative genetic variation associated with chromosomal markers in segregating populations. Theoretical and Applied Genetics, 81, pp. 212–220. https://doi.org/ 10.1007/BF00215725.f.##Eagles, H. A. and Frey, K. J. 1974. Expected and actual gains in economic value of oat lines from five selection methods. Crop Science, 14, pp. 861–864. https://doi.org/10.2135/cropsci1974.0011183X001400060026x.##Emrani, S., Rezai, A. and Arzani A. 2008. Comparison of Selection Indices for Yield and Related Traits of Barley under Nitrogen Stress and Non-Stress Conditions. Journal of Crop Production and Processing, 11 (42): pp.183-194. (In Persian). http://jstnar.iut.ac.ir/article-1-779-en.html##Esheghi, R., Javid, O. and Samira, S. 2011. Genetic gain through selection indices in hulless barley. International Journal of Agriculture and Biology, 13, pp. 191-197. 10–431/AWB/2011/13–2–191–197.##Falconer, D.S. and Mackay, T.F.C. 1996. Introduction to Quantitative Genetics, fourth ed. Longman, New York, 464.##Gazal, A., Nehvi, F.A., Lone, A.A., Dar, Z.A. and Wani, M.A. 2017. Smith Hazel Selection Index for the Improvement of Maize Inbred Lines under Water Stress Conditions. International Journal of Pure and Applied Bioscience, 5 (1), pp. 72-81 doi: http://dx.doi.org/10.18782/2320-7051.2444.##Gill, H.S., Halder, J., Zhang, J., Brar, N. K., Rai, T.S., Hall, C., Bernardo, A., Amand, P. S., Bai, G., Olson, E., Ali, S., Turnipseed, B. and Sehga, S.K. 2021. Multi-Trait Multi-Environment Genomic Prediction of Agronomic Traits in Advanced Breeding Lines of Winter Wheat. Frontiers of Plant Science, 12, 709545. doi: 10.3389/fpls.2021.709545.##Gimelfarb, A., and Lande, R. 1994. Simulation of marker-assisted selection in hybrid populations. Genetic Research, 63, pp. 39-47. https://doi. org/10.1017/S0016672300032067.##Gimelfarb, A., and Lande, R. 1995. Marker-assisted selection and marker-QTL associations in hybrid populations. Theoretical and Applied Genetics, 91, pp. 522-528. https://doi.org/10.1007/BF0022298.##Ghaffari Azar, A., Darvishzadeh, R., Hatami Maleki, H., Kahrizi, D., Darvishi, B. and Bernoosi, I. 2018. Identification of Inter simple sequence repeat regions associated with agro-morphological traits in maize genome. Cereal Research, 8 (1), pp. 97-109. [In Persian]. Doi: 10.22124/c.2018.8211.1322.##Gravois, K. A. and McNew, R. W. 1993. Genetic relationships among and selection for rice yield and yield components. Crop Science, 33, pp. 249–252. https://doi.org/10.2135/cropsci1993.0011183X003300020006x.##Hazel, L.N. 1943.The genetic basis for constructing selection indexes. Genetics, 28, pp. 476–490. https://doi.org/10.1093/genetics/28.6.476.##Hazel, L. N., and Lush, J. L. 1942. The efficiency of three methods of selection. The Journal of Heredity, 33, pp. 393–399. https://doi.org/10.1093/oxfordjournals.jhered.a105102.##Hazel, L. N., Dickerson, G. E., and Freeman, A. E. 1994. The selection index: Then, now, and for the future. Journal of Dairy Science, 77, pp. 3236-3251. https://doi.org/10.3168/jds.S0022-0302 (94)77265-9.##Hidalgo-Contreras, J.V., Salinas-Ruiz, J. and Eskridge, K.M. 2021. Molecular Markers and Causal Structure among Traits Using a Smith-Hazel Index and Structural Equation Models. Agronomy, 11, 1953. https://doi.org/10.3390/ agronomy11101953.##Htwe, N. M., Aye, M. and Thu, C. N. 2020. Selection Index for Yield and Yield Contributing Traits in Improved Rice Genotypes. International Journal of Engineering Research and Development, 11(2), pp. 86- 91.##Iqbal, M., Semagn, K., Céron-Rojas, J.J., Crossa, J., Jarquin, D., Howard, R., Beres, B.L., Strenzke, K., Ciechanowska, I. and Spaner, D. 2022. Identification of Spring Wheat with Superior Agronomic Performance under Contrasting Nitrogen Managements Using Linear Phenotypic Selection Indices. Plants, 11, 1887. https://doi.org/10.3390/plants11141887.##Jannatdoust, M., Darvishzadeh, R. and Ebrahimi, M. A. 2014. Studying genetic diversity in confectionary sunflower (Helianthus annuus L.) by using microsatellit markers. Crop Biotechnology, 6, pp. 61-72. [In Persian]. 20.1001.1.22520783.1393.4.6.6.0.##Juliana, P., He, X., Poland, J., Roy, K. K., Malaker, P. K., Mishra, V. K., Chand, R., Shrestha, S., Kumar, U., Roy, C., Gahtyari, N. C., Joshi, A. K., Singh, R. P. and Singh, P. K. 2022. Genomic selection for spot blotch in bread wheat breeding panels, full-sibs and half- sibs and index-based selection for spot blotch, heading and plant height. Theoretical and Applied Genetics, 135, pp. 1965–1983. https://doi.org/10.1007/ s00122-022-04087-y.##Karthikeya Reddy, S.G.P. and Babariya, C. A. 2020. Selection indices for yield improvement in bread wheat (Triticum aestivum L.). Electronic Journal of Plant Breeding, 11 (1), pp. 314-317. https://doi.org/10.37992/2020.1101.056.##Kempthorne, O., and Nordskog, A. W. 1959. Restricted selection indices. Biometrics, 15(1), pp. 10–19. https://doi.org/10.2307/2527598.##Khavari Khorasani, S. and Mahdi Poor A. 2018. Genetic improvement of Grain Yield by Determination of Selection Index in Single Cross Hybrids of Maize (Zea mays L.). Plant Genetic Reseearch, 5 (1), pp. 1-18. http://pgr.lu.ac.ir/article-1-119-en.html##Lande, R., and Thompson, R. 1990. Efficiency of marker-assisted selection in the improvement of quantitative traits. Genetics, 124, pp. 743–756. https://doi.org/10.1093/genetics/124.3.743.##Li, Z. 1998. Molecular analysis of epistasis affecting complex traits. In A. H. Paterson (Ed.), Molecular dissection of complex traits. CRC Press LLC, pp.119–130.##Mahdy, R.E., Althagafi, Z.M.A., Al-Zahrani, R.M., Aloufi, H.H.K., Alsalmi, R.A., Abeed, A.H.A.; Mahdy, E.E. and Tammam, S.A. 2022. Comparison of Desired-Genetic-Gain Selection Indices in Late Generations as an Insight on Superior-Family Formation in Bread Wheat (Triticum aestivum L.). Agronomy, 12, 1738. https://doi.org/10.3390/ agronomy12081738.##Mather, K., and Jinks, J. L. 1971. Biometrical genetics: the study of continuous variation. Chapman and Hall, London.##Modarresi, M., Assad, M. T. and Kheradnam, M. 2004. Determining Selection Indices in Corn Hybrids (Zea mays L.) to Increase Grain. Journal of Water and Soil Science, 7 (4); pp.71-82. 20.1001.1.24763594.1382.7.4.7.7.##Moreau, L., Lemarié, S., Charcosset, A., and Gallais, A. 2000. Economic efficiency of one cycle of marker-assisted selection efficiency. Crop Science, 40, pp. 329–337. https://doi.org/10.2135/cropsci2000.402329x.##Moreau, L., Hospital, F., and Whittaker, J. 2007. Marker-assisted selection and introgression. In: Balding D.J., Bishop M, Cannings C. (eds), Handbook of statistical genetics, (1, 3rd ed.). Wiley, New York, pp. 718–751.##Moreira, S. O., Kuhlcamp, Barros, K. T., F. L. S. Zucoloto, M. and Godinho, T. O. 2019. Selection index based on phenotypic and genotypic values predicted by REML/BLUP in Papaya. Revista Brasileira de Fruticultura, 41(1), e-079. doi.org /10.1590/0100-29452019079.##Pacheco, A., Pérez, S., Alvarado, G., Ceron, J., Rodríguez, F., Crossa J, Burgueño J. 2017. RIndSel: selection indices for plant breeding. hdl:11529/10854, CIMMYT Research Data & Software Repository Network, V1.##Pesek, J. and Baker, R. J. 1970. An application of index selection to the improvement of self.pollinated species. Canadian Journal of Plant Science, 50, pp. 267-276. https://doi.org/10.4141/cjps70-051.##Rabiei, B., Valizadeh, M., Ghareyazie, B. and Moghaddam, M. 2004. Evaluation of selection indices for improving rice grain shape. Field Crops Research, 89, pp. 359–367. https://doi.org/10.1016/j.fcr.2004.02.016.##Randhawa, H. S., Asif, M., Pozniak, C., Clarke, J. M., Graf, R. J., Fox, S. L., et al. 2013. Application of molecular markers to wheat breeding in Canada. Plant Breeding, 132, pp. 458–471. doi: 10.1111/pbr.12057.##Robinson, H. F., Comstock, R. E. and Harvey, P. H. 1951. Genotypic and phenotypic correlations in corn and their implications in selection. Agronomy Journal, 43, pp. 282-287.##Sabouri, H., Rabiei, B. and Fazlalipour, M. 2008. Use of selection indices based on multivariate analysis for improving grain yield in rice. Rice Science, 15, pp. 303–310. https://doi.org/10.1016/S1672-6308(09)60008-1.##Shah, S., Mehta, D. R. and Raval, L. 2016. Selection indices in bread wheat (Triticum aestivum L.). Electronic Journal of Plant Breeding, 7(2), pp. 459-463. DOI:10.5958/0975-928X.2016.00059.4.##Smiderle, É. C., Furtini, I.V., da Silva, C. S.C., Botelho, F. B. S. et al. 2019. Index selection for multiple traits in upland rice progenies. Revista de Ciências Agrárias, 42(1): pp. 4-12. https://doi.org/10.19084/RCA18059.##Smith, H.F. 1936. A discriminant function for plant selection. Annals of Eugenics, 7, pp. 240–250. https://doi.org/10.1111/j.1469-1809.1936. tb02143.x.##Smith, O., Hallauer, A. R. and Russell, W. A. 1981. Use of index selection in recurrent selection programs in maize. Euphytica, 30, pp. 611–618. https://doi.org/10.1007/BF00038788.##Suwantaradon, K., Eberhart, S. A., Mock, J. J., Owens, J. C. and Guthrie, W. D. 1975. Index selection for several agronomic traits in the BSSS2 maize population. Crop science, 15(6), pp. 827–833. https://doi.org/10.2135/cropsci1975.0011183X001500060025x.##Smiderle, E. C., Furtini, I. V., Silva, C. S. C. da, Botelho, F. B. S., Resende, M. P. M., Botelho, R. T. C., Colombari Filho, J. M., Castro, A. P. de, and Utumi, M. M. 2019. Index selection for multiple traits in upland rice progenies. Security Content Automation Protocol, 42(1), pp. 4-12. Doi: 10.19084/RCA18059.##Strefeler, M.S. and Wehner, T.C. 1986. Estimates of heritabilities and genetic variances of three yield and five quality traits in three fresh-market cucumber populations. The Journal of the American Society for Horticultural Science, 111, pp. 599-605.##Tahmasbali, M., Darvishzadeh, R. and Fayaz Moghaddam, A. 2021. Evaluation of oriental tobacco (Nicotiana tabacum L.) genotypes using selection indices under the presence and absence of broomrape. Iranian Journal of Field Crops Research, 52 (3), pp. 189-207. doi: 10.22059/IJFCS.2020.300277.654707. [In Persian].##Zhang, W., and Smith, C. 1992. Computer simulation of marker-assisted selection utilizing linkage disequilibrium. Theoretical and Applied Genetics, 83, pp. 813–820. https://doi.org/10.1007/BF00226702.##Zhang, W., and Smith, C. 1993. Simulation of marker-assisted selection utilizing linkage disequilibrium: The effects of several additional factors. Theoretical and Applied Genetics, 86, pp. 492–496. https://doi.org/10.1007/BF00838565. | ||
آمار تعداد مشاهده مقاله: 243 تعداد دریافت فایل اصل مقاله: 209 |