بخشی از مقاله
چکیده:
شناسایی و جداسازی لاین های موتانت درروش های اصلاح به کمک جهش بخصوص در صفات کمی به دلیل وجود اثرات متقابل محیط و ژنوتیپ اهمیت بالایی دارد. روش بای پلات روش مؤثری در جداسازی و انتخاب لاین های موتانت بر اساس صفات مورداندازه گ یری و نیز پایداری صفت در طول زمان است. در این تحقیق برای انتخاب لاین برتر از میان 32 لاین موتانت از روش GGE بای پلات استفاده شد. به وسیله این روش دو لاین موتانت RG16 و RG14 به عنوان لاین های برتر با عملکرد بالا و پایدار، معرفی شد. بر اساس نتایج این آزمایش روش اصلاح به کمک جهش در اصلاح کلزا بسیار مؤثر و سودمند است.
مقدمه
اثرمتقابل ژنوتیپ× محیط یکی از مفاهیم مهم در اصلاح نباتات بوده که میتواند در برنامههای اصلاحی نقش اساسی در تعیین ژنوتیپهای مناسب برای محیطهای هدف داشته باشد. اثرمتقابل ژنوتیپ× محیط زمانی مهم است که این اثر معنیدار شده و ژنوتیپهای مختلف برتری خود را در محیطهای متفاوت نشان دهند
عملکرد یک ژنوتیپ در محیط متشکل از اثر اصلی محیط - E - ، اثر اصلی ژنوتیپ - G - و اثرمتقابل ژنوتیپ× محیط - GE - است. علیرغم اینکه اثر محیط بخش بزرگی از تغییرات کل عملکرد را توجیه میکند و اثرهای ژنوتیپ و ژنوتیپ× محیط کوچکتر هستند، اما این دو اثر در انتخاب ژنوتیپها مؤثر بوده و در زمان گزینش ژنوتیپهای برتر، اثر ژنوتیپ و اثرمتقابل ژنوتیپ محیط باید بهصورت توأم مدنظر قرار گیرند.[2]سه روش تجزیه آماری GGE،AMMI بایپلات و تجزیه به مؤلفههای اصلی - PCA - اغلب برای تجزیهوتحلیل دادههای آزمایشهای مقایسه عملکرد ناحیهای استفاده میشوند.
گانگ[3]عقیده دارد که از دیدگاه بهنژادگران و نیز تولیدکنندگان محصولات زراعی، گزینش ژنوتیپها بر اساس G و یا GE بهتنهایی مدنظر نیست. یان و همکاران[ 4] اعتقاددارند که روش GGE بایپلات ازنظر تجزیه دادههای ژنوتیپ در محیط از روش AMMI موفقتر است. آنچه در ارزیابی ژنوتیپها در محیطهای مختلف بسیار حائز اهمیت است بزرگ بودن اثر محیط و غیرقابل بهرهبرداری بودن آن است. لذا حذف اثر محیط از دادهها و تمرکز براثر ژنوتیپ - G - و اثرمتقابل ژنوتیپ × محیط - GE - حائز اهمیت است.[5] هدف از این تحقیق، ارزیابی اثرمتقابل ژنوتیپ × محیط به روش گرافیکی GGE بایپلات در ژنوتیپهای موتانت کلزا و همچنین شناسایی ژنوتیپهای دارای عملکرد پایدار برتر میباشد.
مواد و روش ها
در این پژوهش 32 لاین موتانت - M6 - و سه رقم شاهد RGS003، لیکورد و اکاپی به مدت دو سال زراعی در مزرعه تحقیقاتی پژوهشکده کشاورزی هستهای مورد ارزیابی قرار گرفتند. لاینهای موتانت با پرتو تابی رقم RGS003 با پرتوگاما از منبع کبالت 60 ایجادشده بودند. جمعیت حاصل از پرتو تابی در طی 5 نسل برای صفات زراعی مهم گزینششده و درنهایت 32 لاین انتخاب شدند. لاینهای موتانت به همراه سه رقم شاهد در طرح آزمایشی در قالب بلوکهایکاملاً تصادفی با 3 تکرار و در طی 2 سال زراعی 91-90 و 92-91 موردبررسی قرار گرفتند. هر بلوک شامل 35 کرت و در هر کرت 3 خط کاشت 2 متری در نظر گرفته شد. مدل استفادهشده در GGE بایپلات بر اساس تجزیه به مقادیر منفرد1 بهصورت زیر بود:
در این رابطه Yij میانگین ژنوتیپ i در محیط j، µ میانگین کل، Ɓj اثر اصلی محیط j، دیر منفرد برای مؤلفه اصلی و برای بایپلات، بردار ویژه سال برای مؤلفه اصلی و باقیمانده مدل است. این روش تجزیه نوعی تجزیه به مؤلفههای اصلی برای مجموع اثرات اصلی ژنوتیپ و اثرمتقابل ژنوتیپ × سال است که از طریق تجزیه به مقادیر منفرد استفاده میشود. درواقع میتوان گفت که مدل GGE بایپلات بر پایه SVD دو مؤلفه اصلی بنانهاده شده است .[6] تجزیهوتحلیل به کمک نرمافزارهای آماری GenStat 14.0 و SAS 9.2 انجام گرفت.
نتایج و بحث
نتایج تجزیه واریانس مرکب نشان داد که اختلاف معنیدار بین سال، ژنوتیپ و سال ×ژنوتیپ وجود دارد - جدول . - 1 معنیدار بودن اثرمتقابل سال در ژنوتیپ نشانگر پاسخ متفاوت ژنوتیپها در طی سالهای موردبررسی بوده است. محاسبه درصد واریانس سال، ژنوتیپ و سال × ژنوتیپ نسبت به مجموع واریانس این سه منبع تغییر نشان داد عمده تغییرات موجود - %69/36 - توسط اثر سال توجیه میشود. درحالیکه ژنوتیپ - %21/2 - و اثرمتقابل سال در ژنوتیپ - %6/97 - از کل تغییرات را توجیه میکنند. بزرگ بودن سهم ژنوتیپ از تغییرات کل نشاندهنده وجود تنوع ژنتیکی در لاینهای موتانت بهدستآمده از طریق پرتو تابی میباشد.
نتایج حاصل از روش GGE بایپلات نشان داد که مؤلفههای اصلی اول و دوم به ترتیب %75/71 و %24/29 را توجیه کردهاند که میتواند تأییدی بر معتبر بودن بایپلات در توجیه تغییرات ژنوتیپ و سال ×ژنوتیپ باشد - شکل . - 1 اگر مجموع مؤلفههای اصلی اول و دوم نتواند اکثر تغییرات موجود را توجیه کند بیانگر ماهیت پیچیده اثرمتقابل سال ×ژنوتیپ است.
جدول 1 تجزیه مرکب برای لاینهای موتانت در 2 سال برای برخی صفات رویشی و زایشی
شکل 1 چندضلعی GGE بایپلات برای تعیین ژنوتیپهای برتر
