بررسی پایداری عملکرد دانه لاین‌های امیدبخش برنج با استفاده از تجزیه و تحلیل GGE-biplot

. مقدمه

برنج (Oryza sativa L.) یکی از مهم­ترین منابع غذایی و غذای اصلی بیش از یک­سوم جمعیت جهان است (Samal et al., 2018). این مسأله موجب شده است که برنج یکی از مهم‌ترین محصولات استراتژیک آسیا محسوب شود (Roy et al., 2013;
Wijesingha et al., 2015). بر اساس گزارش FAO میانگین تولید برنج در ایران طی سال­های 2016 تا 2020 در حدود 5/3 میلیون تن و در سال 2020، 9/3 میلیون تن بوده است (FAO, 2024). با توجه به رشد جمعیت دنیا و محدودیت منابع تولید، به‌ویژه زمین‌های مستعد کشت برنج، محققین برنج باید به­دنبال استفاده از راهکارهای مناسب جهت افزایش تولید در واحد سطح باشند. تولید ارقام پرمحصول برنج که دارای پتانسیل عملکردی بالاتری هستند، پاسخی مناسب به تقاضای روزافزون این محصول و راهکاری مناسب برای بهبود امنیت غذایی در دنیا خواهد بود (Mohidem et al., 2022). یکی از مراحل مهم در برنامه­های تولید و معرفی ارقام جدید پرمحصول، بررسی برهمکنش ژنوتیپ × محیط و ارزیابی سازگاری و پایداری عملکرد ژنوتیپ‌ها و در نهایت گزینش ژنوتیپ‌های پرمحصول و پایدار است. بدین­منظور بایستی از طریق آزمایش­های چند­ناحیه­ای (MET) واکنش ژنوتیپ‌ها به شرایط محیطی مختلف ارزیابی و لاین­های با عملکرد بالا و با نوسانات کم در محیط­های مختلف شناسایی شوند.

الگوی تغییرات عملکرد دانه در گیاهان زراعی به صورت پیوسته و کمی بوده و علاوه بر کنترل ژنتیکی آن توسط چندین ژن با آثار کم (Minor genes)، شدیداً تحت تاثیر محیط قرار می­گیرد. به عبارت دیگر، عملکرد ژنوتیپ­ها تحت تاثیر اثر اصلی ژنوتیپ، اثر محیط (یا انحرافات محیطی) و برهمکنش ژنوتیپ و محیط می­باشد (Meng et al., 2016; Ikmal et al., 2020). برهمکنش ژنوتیپ و محیط از یک طرف و وجود همبستگی بین عملکرد دانه با بسیاری از صفات زراعی از طرف دیگر، چالش­های به­نژادگران در گزینش ژنوتیپ­های برتر در برنامه­های بهنژادی است. آگاهی از چنین برهمکنشی از اهمیت بالایی برخودار است و می­تواند به بهنژادگران در انتخاب دقیق ژنوتیپ­های با عملکرد بالا و پایدار کمک کند (Yan & Tinker, 2006; Akter et al., 2015). برهمکنش ژنوتیپ و محیط زمانی رخ می­دهد که واکنش ژنوتیپ­ها در محیط­های مختلف یکسان نباشد. در صورت وجود چنین وضعیتی، ژنوتیپ­های برتر نباید فقط بر اساس اثر اصلی ژنوتیپ یا فقط بر اساس برهمکنش ژنوتیپ و محیط انتخاب شوند، بلکه باید انتخاب ژنوتیپ­ها بر اساس ترکیب اثرات اصلی ژنوتیپ و برهمکنش ژنوتیپ و محیط انجام گیرد (Yan & Kang, 2003).

تجزیه پایداری مهم­ترین روش برای پی بردن به ماهیت برهمکنش عوامل ژنتیکی و غیر ژنتیکی (اثر متقابل ژنوتیپ در محیط) است. روش­های مختلفی جهت ارزیابی پایداری ژنوتیپ­ها در محیط­های مختلف ارائه شده است که شامل روش­های تک­متغیره و چندمتغیره هستند (Mohammadi et al., 2010). Yan et al. (2000) به جای تفکیک اثر اصلی ژنوتیپ و برهمکنش ژنوتیپ و محیط، این دو اثر را با یکدیگر ترکیب کردند که مبنای مدل GGE-biplot قرار گرفت. روش گرافیکی GGE-biplot با حذف اثر محیط و ترکیب همزمان اثر اصلی ژنوتیپ و اثر متقابل ژنوتیپ و محیط، منجر به حصول نتایج قابل اعتمادی می­شود
 (Yan, 2011). با استفاده از این روش ژنوتیپ­های پایدار و پرمحصول با سازگاری عمومی و خصوصی و محیط­های مطلوب جهت کشت ژنوتیپ­ها را می­توان شناسایی کرد. سازگاری عمومی، انتخاب بر اساس متوسط عملکرد ژنوتیپ­ها در تمامی محیط­ها و سازگاری خصوصی، انتخاب بر پایه متوسط عملکرد ژنوتیپ­ها در یک زیرمجموعه از محیط­های خاص تعریف می­شود
 (Laxami et al. 2017).

روش GGE-biplot به منظور ارزیابی سازگاری و پایداری ژنوتیپ­ها توسط بسیاری از محققان در گیاهان زراعی مختلفی از جمله برنج (Chandrashekhar et al., 2020; Chandra et al., 2022)، گندم (Mohammadi et al., 2010)، جو
(Meng et al., 2016)، ذرت (Fan et al., 2007) و سورگوم (Rakshit et al., 2012) مورد استفاده قرار گرفته است.
 Cheloei et al. (2020) به منظور معرفی ارقام با عملکرد بالا و پایدار، 13 ژنوتیپ جهش­یافته به‌همراه سه رقم شاهد را در دو مکان طی دو سال زراعی (2016 and 2017) مورد ارزیابی قرار دادند و با استفاده از روش GGE-biplot ارقام پرمحصول و پایدار برای هر یک از مکان­های مورد مطالعه را شناسایی کردند. Rebollo et al. (2023) برهمکنش ژنوتیپ × محیط در عملکرد دانه را بر اساس داده­های آزمایش­های چندناحیه‌ای روی دو جمعیت بزرگ برنج ایندیکا و ژاپونیکا با استفاده از روش‌های مختلف مانند GGE biplot برآورد کردند. نتایج آنها نشان داد که برهمکنش ژنوتیپ × محیط نسبتاً بالایی برای عملکرد دانه در هر دو جمعیت وجود داشت. همچنین با تفکیک مکان‌های آزمایش به چند مگامحیط، مهم‌ترین متغیرهای اقلیمی موثر بر برهمکنش ژنوتیپ × محیط را شناسایی کردند. Ghazy et al. (2024) نیز پایداری عملکرد دانه 34 ژنوتیپ برنج را در هشت محیط با استفاده از روش‌های چندمتغیره AMMI و GGE- biplot ارزیابی کردند. نتایج آنها نشان داد که علاوه بر وجود تفاوت‌های بسیار معنی‌دار بین ژنوتیپ‌ها و نیز محیط‌ها از نظر عملکرد دانه، اثر اصلی محیط توانست بالاترین سهم از واریانس کل عملکرد دانه را توصیف کند. همچنین ژنوتیپ‌های پرمحصول، پایدار و با سازگاری خصوصی را برای محیط‌های تحت تنش شوری، گرما و خشکی شناسایی و معرفی کردند.

این پژوهش با هدف بررسی پایداری عملکرد دانه در 20 لاین امیدبخش برنج و معرفی لاین‌های پایدار و پرمحصول انجام شد. علاوه بر این، جهت اجتناب از خوابیدگی بوته‌ها (ورس) و خسارت بارندگی­های انتهای فصل که منجر به کاهش کیفیت پخت ارقام برنج می‌شوند، غربال، شناسایی و معرفی لاین‌های پاکوتاه، زودرس و با سایر ویژگی‌های زراعی و کیفی مطلوب نیز از اهداف دیگر این مطالعه بود.

2. روش­شناسی پژوهش

مواد گیاهی این تحقیق شامل 20 لاین امیدبخش حاصل از تلاقی رقم غریب (یک رقم محلی ایرانی با عملکرد پایین و کیفیت پخت مطلوب) با رقم سپیدرود (یک رقم اصلاح­شده با عملکرد نسبتاً بالا و کیفیت پخت نامطلوب) بود که به‌منظور ارزیابی پایداری عملکرد در قالب طرح بلوک­های کامل تصادفی با سه تکرار در مزرعه تحقیقاتی موسسه تحقیقات برنج کشور (رشت) طی سه سال 1399، 1400 و 1401 کشت شدند. لاین­های مورد مطالعه با توجه به مقایسه عملکرد از بین 146 لاین حاصل از تلاقی بین ارقام بالا انتخاب شدند (Kordrostami et al., 2017; Jokarfard & Rabiei 2020). بذر لاین‌های مورد مطالعه در فصل بهار پس از جوانه‌دار­شدن، در خزانه‌های با پوشش پلاستیکی کشت شد و در مرحله چهاربرگی انتقال نشاها به زمین اصلی انجام شد. زمین اصلی، پس از آب‌گیری و کرت‌بندی، با انجام دو بار شخم عمود بر هم و سپس استفاده از لولر، آماده انتقال نشاها شد. مساحت هر واحد آزمایشی 12 متر مربع (3×4 متر) بود و نشاها به صورت تک‌‌بوته با فاصله 20×20 سانتی­متر کشت شدند. برای تغذیه گیاهان، کودهای نیتروژن، فسفر و پتاس به‌ترتیب به‌مقدار 200، 100 و 100 کیلوگرم در هکتار از منابع اوره، فسفات آمونیوم و سولفات پتاسیم استفاده شد که نصف کود نیتروژن به‌همراه کل کودهای فسفر و پتاس قبل از انتقال نشاها به زمین اصلی و نصف دیگر کود نیتروژن در زمان حداکثر پنجه‌زنی به زمین داده شد. آبیاری به‌صورت غرقابی و سایر عملیات زراعی شامل مبارزه با آفات و بیماری‌ها و کنترل علف‌های هرز در زمان مناسب در چند نوبت انجام شد. پس از رسیدگی کامل محصول، برداشت از مساحت حدود نه متر مربع از هر واحد آزمایشی پس از حذف یک ردیف از اطراف هر کرت به‌عنوان حاشیه انجام و پس از خرمن­کوبی، وزن شلتوک اندازه‌گیری و سپس با رطوبت 14 درصد بر حسب کیلوگرم در هکتار محاسبه شد.

برای تجزیه و تحلیل آماری داده­ها، ابتدا میانگین عملکرد دانه لاین­ها در هر سال محاسبه و سپس میانگین کل، واریانس و ضریب تغییرات عملکرد هر یک از لاین­ها برآورد شد. قبل از تجزیه واریانس مرکب، ابتدا آزمون یکنواختی واریانس خطای آزمایشی به‌وسیله آزمون بارتلت (Bartlett, 1937) با استفاده از نرم‌افزار SAS ver. 9.1 (SAS Institute, 2003) انجام شد. تجزیه واریانس مرکب با فرض تصادفی­بودن اثر سال و ثابت­بودن اثر لاین (ژنوتیپ) و مقایسه میانگین ژنوتیپ‌ها با روش LSD در سطح احتمال پنج درصد با استفاده از نرم‌افزار SAS ver. 9.1 (SAS Institute, 2003) انجام شد.

تجزیه پایداری با استفاده از روش GGE-biplot بر اساس مدل زیر انجام شد (Yan et al., 2000):

(رابطه 1)                                                                                    

در این رابطه، y_ij میانگین ژنوتیپ iام در محیط jام،  میانگین کل مشاهدات،  و  به­ترتیب مقادیر منفرد اولین و دومین مولفه اصلی (PC2₁ و PC₂)،  بردار ویژه ژنوتیپ iام برای PC₁،  بردار ویژه ژنوتیپ jام برای PC₂،  بردار ویژه محیط iام برای PC₁،  بردار ویژه محیط jام برای PC₂ و  باقیمانده می­باشد.

تجزیه پایداری با استفاده از برنامه GenStat نسخه 12 (GenStat, 2010) انجام و نمودارهای لازم رسم شدند.

3. نتایج پژوهش و بحث

به‌منظور بررسی یکنواختی خطاهای آزمایشی برای صفت عملکرد دانه، از آزمون بارتلت (Bartlett, 1937) استفاده شد. نتایج نشان داد که مقدار آماره کای­اسکوئر برابر با 02/1 و سطح معنی­داری آن برابر با 60/0 بود، بدین مفهوم که خطاهای آزمایشی یکنواخت بوده و می­توان تجزیه واریانس مرکب عملکرد دانه را برای داده­های حاصل از سه سال آزمایش انجام داد. نتایج تجزیه واریانس مرکب عملکرد دانه لاین­های مورد مطالعه در سه سال آزمایش (جدول 1) نشان داد که اثرات اصلی سال و ژنوتیپ و برهمکنش ژنوتیپ × سال برای صفت عملکرد دانه بسیار معنی­دار بود. معنی‌دار­بودن اثر سال، نشان­دهنده متفاوت­بودن شرایط آب و هوایی مانند دما، میزان بارش‌ها و میزان تبخیر طی دوره رشد برنج در سه سال آزمایش است. معنی‌دار­بودن اثر ژنوتیپ نیز بیانگر وجود تنوع ژنتیکی بین لاین­های مورد مطالعه از نظر عملکرد دانه و معنی­دار بودن برهمکنش ژنوتیپ × سال نیز نشان­دهنده واکنش متفاوت و نوسان عملکرد لاین­های برنج طی سال‌های مختلف بوده است. محققان دیگر نیز در بررسی پایداری عملکرد دانه ژنوتیپ‌های برنج، اثر محیط، ژنوتیپ و برهمکنش ژنوتیپ × محیط را معنی­دار گزارش کرده­اند (Akter et al., 2019;
Khatun et al., 2021)

میانگین عملکرد لاین­ها به‌همراه واریانس و ضریب تغییرات در جدول 2 ارائه شده است. بررسی عملکرد لاین­ها نشان داد که لاین­های 9، 13، 10، 1 و 19 در سال اول اجرای آزمایش با تولید عملکرد دانه بالای پنج تن در هکتار، لاین‌های برتر آزمایش بودند. در سال‌های دوم و سوم آزمایش نیز به‌ترتیب لاین‌های شماره 9، 13، 1، 10 و 9، 1، 19، 20 و 13 عملکرد بالای پنج تن در هکتار تولید کردند. از نظر میانگین کل عملکرد دانه در سه سال تحقیق نیز لاین شماره 9 با تولید عملکرد دانه 5527 کیلوگرم در هکتار، بیش‌ترین عملکرد دانه را تولید کرد و با تفاوت معنی‌دار با تمامی لاین‌های مورد مطالعه، برترین لاین آزمایش نسبت به همه لاین‌ها بود. پس از آن نیز چهار لاین 1، 13، 10 و 19 همگی با تولید متوسط عملکرد دانه بالای پنج تن در هکتار طی سه سال، لاین‌های برتر این آزمایش بودند. در مقابل، لاین‌های شماره 3 و 6 به­ترتیب با تولید عملکرد دانه 3372 و 3523 کیلوگرم در هکتار، ضعیف‌ترین لاین‌های آزمایش بودند. بررسی واریانس بین سال­ها نشان داد که کم‌ترین میزان واریانس متعلق به لاین­های 9، 12، 10، 3، 7 و 13 بود که نشان­دهنده نوسانات کم عملکرد این لاین­ها طی سال­های اجرای آزمایش بود. نتایج حاصل از برآورد ضریب تغییرات عملکرد دانه لاین‌ها طی سه سال نیز نشان داد که لاین­های 9، 10، 12، 7 و 13 به‌ترتیب کم‌ترین میزان ضریب تغییرات را به‌خود اختصاص دادند.

به این ترتیب، در مقایسه واریانس و ضریب تغییرات عملکرد لاین‌ها طی سه سال آزمایش، پنج لاین 9، 10، 12، 7 و 13 دارای کم‌ترین نوسانات عملکرد بودند و بنابراین با داشتن کم‌ترین برهمکنش ژنوتیپ × سال، به‌عنوان لاین‌های پایدار از نظر این دو پارامتر معرفی می‌شوند. در این بین، لاین‌های شماره 9، 10 و 13 هر سه با تولید متوسط عملکرد بالای پنج تن طی سه سال، پرمحصول‌ترین لاین‌های آزمایش نیز بودند.

جدول 1. تجزیه واریانس مرکب عملکرد دانه 20 لاین امیدبخش برنج در سه سال (1399، 1400 و 1401).

^** Significant at 1% probability level.

جدول 2. میانگین عملکرد دانه، واریانس و ضریب تغییرات لاین­های امیدبخش در طی سه سال مورد بررسی (1399، 1400 و 1401).

برای اینکه تجسم روشن‌تری از عملکرد لاین‌های برنج مورد مطالعه و میزان نوسانات عملکرد آنها در سال‌های مختلف به‌دست آید، تجزیه پایداری لاین‌ها به‌روش گرافیکی GGE-biplot انجام و نتایج آن در قالب نمودارهای مختلف ارائه شد. نتایج نشان داد که دو مولفه اصلی در مجموع 43/97 درصد از تغییرات ژنوتیپ و برهمکنش ژنوتیپ × سال را توصیف کردند (شکل 1) که نشان­دهنده معتبر بودن روش GGE-biplot در توجیه تغییرات کل عملکرد دانه می­باشد. سهم مولفه‌های اصلی اول و دوم به‌ترتیب 64/93 و 79/3 درصد بود. سهم بالای مولفه اصلی اول نسبت به مولفه اصلی دوم، نشان‌دهنده نقش بیش‌تر و اهمیت بالاتر اثر ژنوتیپ نسبت به برهمکنش ژنوتیپ × سال در توجیه تغییرات عملکرد دانه در لاین­های مورد مطالعه بود. Khan et al. (2019) نیز با ارزیابی هشت لاین برنج در پنج محیط، به نتایج مشابهی دست یافتند و دو مولفه اصلی که در مجموع 17/88 درصد از تغییرات کل عملکرد دانه را توجیه می‌کردند، شناسایی کردند، اما بر خلاف نتایج این آزمایش، سهم مولفه‌های اصلی اول و دوم را به‌ترتیب 36/51 درصد و 54/36 درصد گزارش کردند. از جمله دلایل تفاوت قابل توجه سهم مولفه‌های اول (اثر ژنوتیپ) و دوم (برهمکنش ژنوتیپ × محیط) در مطالعه Khan et al. (2019) نسبت به نتایج این آزمایش را می‌توان به تفاوت ژنوتیپ‌های مطالعه­شده و به‌ویژه تفاوت در تعداد و شرایط اقلیمی موجود در محیط‌های مورد مطالعه در دو آزمایش نسبت داد که منجر به سهم بسیار بیش‌تر برهمکنش ژنوتیپ × محیط در آزمایش این محققان شده است.

به‌منظور بررسی پراکنش عملکرد لاین‌ها در سال‌های مورد مطالعه، نمودار بای‌پلات بر اساس مولفه‌های اصلی اول و دوم رسم شد (شکل 1). نمای بای‌پلات را می‌توان به چهار ناحیه تفکیک کرد. لاین­های دارای مقادیر بیش‌تر برای مولفه اصلی اول لاین­های پرمحصول، و بر عکس لاین­های دارای مقادیر کم‌تر برای مولفه اصلی اول لاین­های کم‌محصول می­باشند. در مقابل از نظر مولفه اصلی دوم، لاین‌های با مقادیر نزدیک به صفر به‌عنوان لاین‌های پایدار و برعکس لاین‌های با مقادیر بیش‌تر یا کم‌تر از صفر به‌عنوان ژنوتیپ­های ناپایدار در نظر گرفته می­شوند (Yan & Kang, 2003; Mohamed et al., 2013). با توجه به موقعیت لاین‌های مورد مطالعه در بای‌پلات، به‌ترتیب لاین­های شماره 9، 1، 13، 10 و 19 پرمحصول‌ترین لاین‌ها و لاین­های شماره 3، 6، 11، 2 و 14 کم‌محصول‌ترین لاین‌های این آزمایش بودند. از نظر پایداری نیز با توجه به اینکه مقادیر مطلق مولفه اصلی دوم نشان‌دهنده پایداری ژنوتیپی است (Kaya et al., 2006)، لاین شماره 15 با مقدار مولفه اصلی دوم نزدیک به صفر به‌عنوان پایدارترین لاین و پس از آن به‌ترتیب لاین­های شماره 9، 8، 17، 10 و 13 با کم‌ترین مقدار این مولفه به‌عنوان لاین­های پایدار و در مقابل دو لاین 2 و 16 با بیش‌ترین مقدار مولفه اصلی دوم به‌عنوان ناپاپایدارترین لاین­های این آزمایش بودند (شکل 1).

شکل 1. نمودار GGE-biplot بر اساس مقیاس‌بندی متمرکز برای بررسی پراکنش 20 لاین برنج در سه سال مورد مطالعه.

نمای چندضلعی بای‌پلات ابزاری موثر و مفید جهت نمایش الگوی "کدام- برتر- کجا" برای مجموعه داده­های آزمایش‌های چندمحیطی و بهترین راه جهت بررسی و ارزیابی برهمکنش ژنوتیپ × محیط است (Yan & Kang, 2003;
Rakshit et al., 2012). چندضلعی با پیوستن ژنوتیپ­های رأس با خطوط مستقیم ایجاد می­شود، به‌گونه­ای که تمام ژنوتیپ­ها در داخل این چندضلعی قرار می­گیرند. خطوط عمود بر اضلاع، چندضلعی را به بخش­هایی تقسیم می­کنند و هر بخش بر اساس ژنوتیپ رأس آن که ژنوتیپ برتر آن بخش است، نام‌گذاری می‌شود. این ژنوتیپ­ها برترین و ضعیف­ترین ژنوتیپ­ها در بعضی یا همه محیط­ها محسوب می­شوند. در حقیقت محیط­هایی که در هر بخش قرار می‌گیرند با ژنوتیپ­های همان بخش دارای سازگاری خصوصی هستند (Yan & Kang, 2003). نمودار چندضلعی 20 لاین برنج مورد مطالعه در سه سال در شکل 2 ارائه شده است. بر اساس شکل 2، لاین­های شماره 9، 19، 2، 6، 3 و 16 در رأس‌های چندضلعی قرار گرفتند. این لاین‌ها به‌دلیل دارا بودن بردارهای بلند در جهت مربوط به خود، به‌عنوان لاین­های واکنش‌پذیر این تحقیق شناخته شدند. خطوط عمود بر بدنه محدب ترسیم­شده، بای­پلات را به شش بخش تقسیم کرد. لاین­های موجود در هر بخش از لحاظ پاسخ به شرایط محیطی (سال­های مورد بررسی) شباهت زیادی با یکدیگر دارند.

در بخش یک حاصل از تقسیم بدنه محدب، دو لاین 9 و 19 در رأس بدنه محدب در بخش یک، لاین شماره 1 روی ضلع متصل­کننده این دو لاین و لاین­های 20، 5، 15، 17، 8، 7، 10 و 13 در داخل بدنه محدب این بخش قرار گرفتند. همچنین هر سه سال مورد مطالعه نیز در بخش یک قرار گرفتند که نشان­دهنده پاسخ مناسب لاین­های واقع در بخش یک به سال‌های مورد بررسی در این تحقیق می­باشد. لاین‌‌های 9 و 19 به‌دلیل قرارگیری در رأس بخش یک، به‌عنوان واکنش‌پذیرترین لاین‌ها در هر سه سال آزمایش شناخته شدند. لاین‌های 5، 20، 19 و 1 نیز به‌دلیل نزدیکی به بردار سال سوم (E3)، واکنش مناسبی را در سال سوم اجرای آزمایش داشتند. لاین 15 و پس از آن لاین 9 به‌دلیل نزدیکی به بردار سال اول اجرای آزمایش (E1) پاسخ مناسبی در این سال نشان داد، اگرچه لاین 15 عملکرد کم‌تری نسبت به لاین 9 تولید کرد. لاین­های 8، 17 و 7 به‌دلیل همجوار بودن با بردار محیط E2، واکنش بهتری در سال دوم (E2) نشان دادند و لاین­های 10 و 13 به‌دلیل قرار­گرفتن بین دو بردار E1 و E2 عملکرد مناسبی در هر دو سال E1 و E2 داشتند. همچنین هیچ‌یک از سه سال مورد بررسی در بخش­هایی که لاین­های 2، 6، 3 و 16 به‌عنوان لاین‌های رأس آنها بودند، قرار نگرفتند که نشان می‌دهد این لاین‌ها در هیچ‌یک از سال­های مورد بررسی، عملکرد بالایی تولید نکردند و به‌عبارت دیگر این لاین­ها کم‌ترین میزان عملکرد را به‌خود اختصاص دادند.

به‌منظور بررسی دقیق­تر لاین‌های واقع در رأس بخش یک بای‌پلات چندضلعی و مقایسه آنها با سایر لاین‌های مورد مطالعه، از نمای گرافیکی مقایسه ژنوتیپ­ها استفاده شد (شکل 3). در این نمای بای‌پلات، دو ژنوتیپ واکنش‌پذیر با رسم یک خط مستقیم به یکدیگر متصل و سپس خط دیگری عمود بر این خط از مبدأ بای­پلات رسم می‌شود. خط مستقیم اتصال­دهنده دو ژنوتیپ، فاصله اقلیدسی بین آنها و خط عمود بر آن به‌عنوان خط برابری عملکرد شناخته می­شود. لاین شماره 1 روی خط مستقیم اتصال­دهنده لاین‌های شماره 9 و 19 و هر سه لاین در یک سمت خط برابری عملکرد قرار گرفته‌اند. از طرف دیگر، هیچ‌یک از سال‌های مورد بررسی روی خط برابری عملکرد قرار نگرفته و همانند سه لاین فوق در یک سمت این خط قرار دارند (شکل 3). لاین 9 نسبت به دو لاین 1 و 19 نزدیک‌ترین لاین به سال اول (E1) و پس از آن سال دوم (E2) است و بنابراین بهترین لاین در این دو سال می‌باشد. لاین‌های 1 و 19 نیز به‌دلیل نزدیک­بودن به سال سوم (E3)، بهترین لاین‌ها در سال سوم آزمایش بودند.
 Silva Junior et al. (2020) نیز طی آزمایشی، برهمکنش ژنوتیپ × محیط و پایداری عملکرد 12 ژنوتیپ برنج را در 12 محیط با استفاده از روش GGE-biplot مورد بررسی قرار دادند و بیان داشتند که دو ژنوتیپ G3 و G5 که روی خط برابری عملکرد قرار داشتند، عملکرد یکسانی را در دو محیط A3 و A9 نشان دادند.

شکل 2. نمای چندضلعی بای‌پلات بر اساس الگوی کدام- برتر-کجا جهت شناسایی لاین‌های برتر در هر سال.

اعداد 20-1 و حروف E1-E3 به‌ترتیب لاین‌های برنج و سال‌های آزمایش را نشان می‌دهند.

شکل 3. نمای GGE-biplot بای­پلات جهت مقایسه دو لاین واکنش‌پذیر.

 اعداد 20-1 و حروف E1-E3 به‌ترتیب لاین‌های برنج و سال‌های آزمایش را نشان می‌دهند.

به‌منظور ارزیابی همزمان عملکرد و پایداری لاین­های مورد بررسی در سه سال، از مختصات محیط متوسط
 (Average Environment Coordination) استفاده شد (شکل 4). مختصات محیط متوسط خطی است که از مبدأ مختصات بای‌پلات و محیط متوسط (در این آزمایش میانگین سال‌ها) عبور می‌کند و به‌وسیله دایره کوچک نشان داده شده است. رتبه‌بندی ژنوتیپ‌ها بر اساس محور افقی AEC نمادی از عملکرد و بر اساس محور عمودی نمایانگر پایداری ژنوتیپ‌ها است
 (Yan & Kang, 2003). بنابراین لاین­هایی که در سمت راست محور عمودی قرار گیرند، دارای عملکرد دانه بیش‌تر از متوسط و لاین­هایی که در سمت چپ محور عمودی واقع شوند، دارای عملکرد کم‌تر از متوسط هستند.

بر اساس شکل 4 ، به‌ترتیب لاین­های 9، 1، 13، 10، 19، 20، 7، 8، 15، 5، 17و 4 میانگین عملکرد دانه بالاتری از متوسط و لاین­های 18، 16، 12، 14، 2، 11، 6 و 3 به‌ترتیب میانگین عملکرد کم‌تری از متوسط داشتند. در مقابل در خصوص پایداری لاین‌ها، با توجه به این‌که محور عمودی AEC نمایی از پایداری است، بنابراین لاین­هایی که فاصله کم‌تری از محور افقی داشته باشند، دارای برهمکنش کم‌تری با سال بوده و به‌عبارت دیگر از پایداری بیش‌تری برخوردار هستند و برعکس لاین‌هایی که فاصله بیش‌تری از محور افقی دارند (دارای مقادیر مثبت یا منفی بیش‌تری برای محود عمودی یا PC2 هستند)، نقش بیش‌تری در ایجاد برهمکنش ژنوتیپ × سال داشته و پایداری کم‌تری دارند. فاصله هر یک از لاین‌های مورد مطالعه از محور افقی با خطوط عمودی قرمزرنگ در نمای بای‌پلات شکل 4 رسم شد. بنابراین لاین 15 با قرار گرفتن روی محور افقی AEC (مقدار صفر PC2)، پایدارترین لاین این آزمایش و پس از آن، لاین 9 و سپس لاین‌های 8، 17، 10 و 13به‌دلیل داشتن کم‌ترین مقدار برای محور عمودی، پایداری بیش‌تری نسبت به لاین­های دیگر این آزمایش داشتند. نکته قابل توجه این است که لاین 15 به‌لحاظ قرار گرفتن در منطقه صفر محور عمودی به‌عنوان پایدارترین لاین شناخته شد، اما عملکرد دانه کم‌تری نسبت به لاین­های 9، 13، 10 و حتی 8 نشان داد.

با توجه به ضرورت در نظر گرفتن توأم عملکرد و پایداری در گزینش لاین­های برتر، کلیه لاین­های مطالعه­شده در این آزمایش بر اساس مقدار هر دو محور افقی و عمودی AEC رتبه‌بندی و متوسط رتبه­های عملکرد و پایداری محاسبه شد و سپس رتبه نهایی هر لاین محاسبه شد (جدول 3). نتایج نشان داد که لاین شماره 9 با کم‌ترین میانگین رتبه به‌عنوان پرمحصول‌ترین و پایدارترین لاین نسبت به تمام لاین‌های مورد بررسی در این آزمایش شناخته شد. پس از آن، به‌ترتیب لاین­های شماره 10، 13، 15، 8، 1 و 17 و سپس لاین‌های 5، 7 و 20 که دارای رتبه یکسانی بودند، در رتبه­های بعدی قرار گرفتند.

شکل 4. بای‌پلات محور محیط متوسط برای رتبه‌بندی لاین­های برنج بر اساس پایداری.

اعداد 20-1 و حروف E1-E3 به‌ترتیب لاین‌های برنج و سال‌های آزمایش را نشان می‌دهند.

جدول 3. رتبه بندی ژنوتیپ­های برنج از نظر عملکرد و پایداری.

یکی از نمودارهای مناسبی که در روش گرافیکی GGE-biplot ارائه می‌شود، نمودار ژنوتیپ ایده‌آل است که بر اساس تعیین فاصله ژنوتیپ‌های آزمایش از یک ژنوتیپ ایده‌آل فرضی ترسیم می­گردد. ژنوتیپ ایده‌آل فرضی در این روش به‌عنوان پرمحصول‌ترین و پایدارترین ژنوتیپ تعریف می‌شود. ژنوتیپ ایده‌آل فرضی در نمودار مربوطه به‌صورت یک دایره کوچک و یک پیکان روی محور میانگین عملکرد ژنوتیپ‌ها نشان داده می‌شود (شکل 5) که ممکن است در واقعیت وجود نداشته باشد، اما می­تواند به‌عنوان مرجعی جهت ارزیابی سودمندی ژنوتیپ­ها (Kroonenberg, 1995) و معیاری برای گزینش ژنوتیپ­های با عملکرد بالا و پایدار (Yan & Kang, 2003) استفاده شود. بنابراین ژنوتیپ ایده­آل دارای بیش‌ترین طول روی بردار محور افقی AEC و کم‌ترین فاصله عمودی با خط AEC است (Yan et al. 2000). سایر ژنوتیپ‌های آزمایش به‌صورت دایره‌های هم‌مرکز با ژنوتیپ ایده‌آل فرضی که نشان­دهنده فاصله هر ژنوتیپ از ژنوتیپ ایده‌آل فرضی است، رسم می‌شوند (شکل 5)، به­گونه­ای­که مطلوبیت ژنوتیپ­ها به‌لحاظ عملکرد و پایداری با دور شدن از ژنوتیپ ایده­آل کاسته می­شود. بر اساس شکل 5، لاین شماره 9 نزدیک­ترین لاین به ژنوتیپ ایده­آل فرضی بود و تقریباً در موقعیت ژنوتیپ ایده­آل قرار گرفت و پس از آن، چهار لاین 1، 13، 10 و 19 نزدیک­ترین لاین به ژنوتیپ ایده­آل بودند و بنابراین پنج لاین فوق به‌عنوان پرمحصول‌ترین و پایدارترین لاین­های آزمایش بر اساس نمای گرافیکی ژنوتیپ ایده‌آل شناخته شدند.

Allahgholipour (2016) با بررسی 10 رقم برنج محلی و اصلاح‌شده در سه منطقه و طی دو سال، از روش GGE-biplot و نمودار ژنوتیپ ایده‌آل فرضی برای انتخاب رقم‌های با عملکرد بالا و پایدار استفاده کرد. او گزارش کرد که چهار ژنوتیپ BC9، BC25، RI18436-46 و صالح دارای عملکرد و پایداری بالا و لاین BC4 دارای عملکرد بالا و پایداری متوسط بودند. وی در نهایت لاین BC4 (حاصل تلاقی برگشتی رقم آبجی‌بوجی به‌عنوان والد دوره‌ای و رقم صالح به‌عنوان والد بخشنده) که دارای پایداری متوسط و عملکرد قابل قبول و همچنین میزان آمیلوز متوسط، دوره رشد مناسب و ارتفاع بوته مطلوب بود را به‌عنوان برترین ژنوتیپ آزمایش انتخاب و معرفی کرد. Hasan et al. (2022) نیز با ارزیابی 26 هیبرید برنج در سه محیط با روش GGE-biplot از نمودار ژنوتیپ ایده­آل جهت رتبه‌بندی همزمان عملکرد و پایداری هیبریدها استفاده و هیبرید BRRI را که در مرکز دایره‌های هم‌مرکز قرار داشت، به‌عنوان برترین ژنوتیپ معرفی نمودند. همچنین بیان داشتند که نمای گرافیکی ژنوتیپ ایده­آل، علاوه بر فاصله ژنوتیپ‌های مورد مطالعه از ژنوتیپ ایده­آل، همبستگی بین ژنوتیپ­ها را نیز نشان می­دهد.

شکل 5. GGE-biplot جهت مقایسه لاین‌های برنج مورد مطالعه با ژنوتیپ ایده­آل فرضی.

اعداد 20-1 و حروف E1-E3 به‌ترتیب لاین‌های برنج و سال‌های آزمایش را نشان می‌دهند.

لازم به توضیح است که به‌نژادگران برنج به‌منظور معرفی رقم‌های جدید، علاوه بر عملکرد بالا و پایداری در تولید محصول، باید به ویژگی‌های زراعی و کیفی ارقام نیز توجه داشته باشند، زیرا اگر رقمی که معرفی می‌شود نتواند نیازها و سلیقه‌های شالیکاران و مصرف­کنندگان برنج را تأمین نماید، موفق نخواهد بود. در این راستا، شالیکاران بیش‌تر تمایل به کشت ارقامی دارند که علاوه بر تولید محصول و عملکرد دانه بالا، دارای ویژگی‌های زراعی و کیفی مطلوب و مناسب مانند ارقام برنج دانه بلند با کیفیت پخت مطلوب (که مورد پسند مصرف­کنندگان بوده و ارزش اقتصادی بیش‌تری در بازار مصرف دارند)، ارقام با دوره رسیدگی مناسب و زودرس (که علاوه بر تنش خشکی، با بارش‌های انتهای فصل که موجب کاهش کیفیت دانه‌ها می‌شود، مواجه نشوند)، و ارقام پاکوتاه (که دچار افتادگی بوته یا ورس نشوند) باشند. به‌همین ترتیب، ذائقه مصرف­کنندگان برنج به‌ویژه مصرف­کنندگان ایرانی نیز بیش‌تر برنج‌های باکیفیت پخت مطلوب و مناسب (برنج‌های دانه­بلند با کیفیت پخت مناسب و معطر) را می‌پسندند. بر این اساس، در این آزمایش نیز علاوه بر پایداری و عملکرد دانه، ویژگی‌های مهم زراعی و کیفی دانه‌ها از جمله دوره رسیدگی، ارتفاع بوته، میزان آمیلوز، قوام ژل، طول دانه خام و طول دانه بعد از پخت نیز برای 20 لاین مورد مطالعه اندازه‌گیری و در جدول 4 ارائه شد. همان‌طور که ملاحظه می‌شود ژنوتیپ‌های انتخابی بر اساس عملکرد و پایداری (ژنوتیپ‌های 9، 10 و 13) زودرس و پاکوتاه بوده و از نظر خصوصیات کیفیت پخت در محدوده کیفیت پخت ارقام محلی (درصد آمیلوز متوسط، درجه حرارت ژلاتینی­شدن و قوام ژل متوسط) بودند و همچنین طول دانه بلندی دارند.

جدول 4. ویژگی‌های زراعی و کیفی مهم لاین­های مورد مطالعه در این تحقیق.

4. نتیجه­گیری

برهمکنش ژنوتیپ × محیط به‌دلیل ماهیت پیچیده، همیشه به‌عنوان یکی از مهم‌ترین چالش‌ها و عوامل تاثیرگذار در ارزیابی لاین­ها و برنامه‌های معرفی رقم مطرح است. در این تحقیق، پایداری عملکرد 20 لاین امیدبخش برنج طی سه سال با استفاده از روش GGE-biplot ارزیابی شد. نتایج تجزیه واریانس مرکب داده‌ها نشان داد که اثر هر سه عامل سال، ژنوتیپ و برهمکنش ژنوتیپ × سال بر عملکرد دانه معنی­دار بود. سهم ژنوتیپ و برهمکنش ژنوتیپ × سال در توصیف تغییرات عملکرد دانه به‌ترتیب 57/82 و 04/6 درصد برآورد شد. نتایج تجزیه پایداری به روش GGE-biplot نشان داد که دو مولفه اصلی اول و دوم به‌ترتیب 64/93 و 79/3 و در مجموع 43/97 درصد از تغییرات عملکرد دانه را توجیه کردند. مطالعه همزمان عملکرد و پایداری بر اساس روش
 GGE-biplot نشان داد که به‌ترتیب لاین‌های شماره 9، 10 و 13 دارای بالاترین عملکرد دانه و کم‌ترین نوسانات عملکرد طی سه سال اجرای آزمایش بودند. بر اساس نمای بای­پلات ژنوتیپ ایده­آل نیز لاین شماره 9 نزدیک­ترین لاین به ژنوتیب ایده­آل بود و پس از آن لاین‌های شماره 1، 13، 10 و 19 پایدارترین و پرمحصول‌ترین لاین‌ها شناخته شدند. بررسی سایر ویژگی‌های زراعی و کیفی لاین‌های مورد مطالعه نشان داد که سه لاین 9، 10 و 13 علاوه بر عملکرد دانه بالا و پایدار، دارای زمان رسیدگی و ارتفاع بوته کم‌تر و کیفیت پخت متوسط و مطلوب‌تری نسبت به سایر لاین‌ها بودند و از این‌رو سه لاین مذکور جهت اجرای آزمایش­های بعدی به‌منظور معرفی رقم پیشنهاد می‌شوند. علاوه بر این، نتایج این آزمایش نشان داد که روش GGE-biplot به‌دلیل استفاده همزمان از اثر اصلی ژنوتیپ و برهمکنش ژنوتیپ × محیط (G + G×E) و ارائه نمودارهای دو بعدی قابل تفسیر، روش مناسبی برای ارزیابی پایداری و شناسایی ژنوتیپ‌های پایدار و پرمحصول است.

5. تشکر

نگارندگان از دانشگاه گیلان و موسسه تحقیقات برنج کشور برای پشتیبانی و همکاری­های لازم جهت اجرای این پژوهش صمیمانه تشکر می­کنند.

6. منابع

Akter, A., Hasan, M.J., Kulsum, M.U., Rahman, M.H., Khatun, M., & Islam, M.R. (2015). GGE biplot analysis for yield stability in multi-environment trials of promising hybrid rice (Oryza sativa L.). Bangladesh Rice Journal, 19(1), 1-8.

Akter, A., Hasan, M.J., Kulsum, M.U., Lipi, L.F., Begum, H., Rahman, N.M.F., Farhat, T., & Baki, M.Z.I. (2019). Stability and adaptability of promising hybrid rice genotypes in different locations of Bangladesh. Advances in Plants and Agriculture Research, 9(1), 35-39.

Allahgholipour, M. (2016). Genotype × environment interaction effect in rice genotypes using GGE-biplot. Cereal Research, 6(1), 1-14. (In Persian).

Bartlett, M.S. (1937). Properties of sufficiency and statistical test. Proceedings of the Royal Society A, 160(901), 268-282.

Chandra, B.S., Devi, K.R., Lingaiah, N., Hari, Y., & Prasad, K.R. (2022). Evaluation of phenotypic stability for grain yield in rice (Oryza sativa L.) genotypes using AMMI and GGE biplot models. International Journal of Environmental and Climate Change, 12(11), 3146-3157.

Chandrashekhar, S., Babu, R., Jeyaprakash, P., Umarani, R., Bhuvaneshwari, K., & Manomani, S. (2020). Yield stability analysis in multi-environment trials of hybrid rice (Oryza sativa L.) in Northern India using GGE biplot analysis. Electronic Journal of Plant Breeding, 11(2), 665-673.

Ghazy, M.I., Abdelrahman, M., El-Agoury, R.Y., El-hefanwy, T.M., EL-Naem, S.A., Daher, E.M., & Rehan, M. (2024). Exploring genetics by environment interactions in some rice genotypes across varied environmental conditions. Plants(Basel), 13(1), 1-17.

Cheloei, G., Ranjbar, G.A., Babaeian- Jelodar, N., Bagheri, N., & Nouri, M. (2020). Evaluation of genotype × environment interaction for grain yield of promising genotypes of rice (Oryza sativa L.) derived from mutation induction using the GGE-biplot method. Journal of Plant Physiology and Breeding, 10(2), 69-72.

Fan, X.M., Kang, M.S., Chen, H., Zhang, Y., Tan, J., & Xu, C. (2007). Yield stability of maize hybrids evaluated in multi-environment trials in Yunnan, China. Agronomy Journal, 99, 220–228.

Food and Agricultural Organization. (2024). FAOSTAT. Retrieved July 1. from: https://www.fao.org/faostat/en/#data/QCL.

GenStat. (2010). Genstat Procedure Library Release PL22.1. (12th ed.). VSN International Ltd., Hemel Hempstead.

Hasan, M.J., Kulsum, M.U., Sarker, U., Matin, M.Q.I., Shahin, N.H., Kabir, M.S., Ercisli, S., & Marc, R.A. (2022). Assessment of GGE, AMMI, regression, and its deviation model to identify stable rice hybrids in Bangladesh. Plants, 11(2336), 1-26.  

Ikmal, A.M., Noraziyah, A.A.S., Ellina, Z.P.D., Riana, T.A.T.N.A., Amira, I., Wickneswari, R., & Aisyah, Z.S. (2020). Genotype-by-environment interaction and stability analysis of qDTYs pyramided rice (Oryza sativa) lines under water-limited environments. International Journal of Agriculture & Biology, 24(6), 1835‒1844.

Jokarfard, V., & Rabiei, B. (2020). Selecting superior and high yielding recombinant inbred lines of an F11 rice population using index selection method. Cereal Research, 10(1), 19-32.

Kaya, Y., Akcura, M., & Taner, S. (2006). GGE-biplot analysis of multi- environment yield trails in bread wheat. Turhish Journal of Agriculture and Foresty, 30(5), 325-337.

Khan, R.A.R., Ramzan, M., Haider, Z., Akhter, M., Riaz, M., Sultan Ali, S., Awan, T.H., & Mahmood, A. (2019). Stability and adaptability analysis in advance fine grain rice (Oryza sativa L.) genotypes for yield. Journal of Agriculture and Aquaculture, 1(2), 1-9.

Khatun, M., Aminul Islam, A.K.M., Rafiqul Islam, M., Rahman Khan, M.A., & Kamal Hosain, M. (2021). Grain yield stability analysis using AMMI and GGE biplot models in different breeding zones of Bangladesh. Research Square, 1-17.

Kordrostami, M., Rabiei, B., & Hassani Kumleh, H. (2017). Biochemical, physiological and molecular evaluation of rice cultivars differing in salt tolerance at the seedling stage. Physiology and Molecular Biology of Plants, 23(3), 529-544. 

Kroonenberg, P.M. (1995). Introduction to biplots for G×E tables. Department of Mathematics, Research Report51. Australia: The University of Queensland. 1-22.

Laxami, J., Kumar, B., & Razdan, A.K. (2017). GGE biplot analysis of genotype x environment interaction in basmati rice (Oryza sativa L.). International Journal of Current Microbiology and Applied Sciences, 6(12), 3345-3350.

Meng, Y., Ren, P., Ma, X., Li, B., Bao, Q., Zhang, H., Wang, J., Bai, J., & Wang, H. (2016). GGE biplot-based evaluation of yield performance of barley genotypes across different environments in China. Journal of Agriculture Science and Technology, 18(2), 533-543.

Mohamed, N.E.M., Said, A.A., & Amein, K.A. (2013). Additive main effects and multiplicative interaction (AMMI) and GGE-biplot analysis of genotype × environment interactions for grain yield in bread wheat (Triticum aestivum L.). African Journal of Agricultural Research, 8(42), 5197-5203.

Mohammadi, R., Haghparast, R., Amir, A., & Ceccareli, S. (2010). Yield stability of rainfed durum wheat and GGE biplot analysis of multi-environment trials. Crop & Pasture Science, 61, 92-101.

Mohidem, N.A., Hashim, N., Shamsudin, R., & Che Man, H. (2022). Rice for food security: Revisiting its production, diversity, rice milling process and nutrient content. Agriculture, 12, 741.1-28.

Rakshit, S., Ganapathy, K.N., Gomashe, S.S., Rathore, A., Ghorade, R.B., Kumar, M.V.G., Ganesmurthy, K., Jain, S.K., Kamtar, M.Y., Sachan, J.S., Ambekar, S.S., Ranwa, B.R., Kanawade, D.G., Balusamy, M., Kadam, D., Sarkar, A., Tonapi, V.A., & Patil, J.V. (2012). GGE biplot analysis to evaluate genotype, environment and their interactions in sorghum multi-location data. Euphytica, 185, 465-479.

Rebollo, I., Aguilor, I., Pérez de Vida, F., Molina, F., Gutiérrez, L., & Rosas, J.E. (2023). Genotype by environment interaction characterization and its modeling with random regression to climatic variables in two rice breeding populations. Crop Science, 63(4), 2220-2240.

Roy, R., Weng Chan, N., & Rainis, R. (2013). Development of an empirical model of sustainable rice farming: A case study from three rice-growing ecosystems in Bangladesh. American-Eurasian Journal of Agricultural & Environmental Science, 13(4), 449-460.

SAS Institute. (2003). SAS 9.1 for Windows. SAS Institute Inc., Cary, NC, USA.

Samal, R., Roy, P.S., Sahoo, A., Kar, M.K., Patra, B.C., Marndi, B.C., & Gundimod, J.N.R. (2018). Morphological and molecular dissection of wild rices from Eastern India suggests distinct speciation between O. rufipogon and O. nivara populations. Scientific Reports, 8(1), 1-13.

Silva Júnior, A.C., Carneiro, V.Q., Santos, I.G., Costa, W.G., Silva, G.N., Cruz, C.D., & Soares, P.C. (2020). Methods of adaptability and stability applied to the improvement of flooded rice. Genetics and Molecular Research, 19(3), 1-17.

Wijesingha, J.S.J., Deshapriya, N.L., & Samarakoon, L. (2015). Rice crop monitoring and yield assessment with MODIS 250m gridded vegetation product: A case study in Sa Kaeo province, Thailand. The International Archives of the Photogrammetry Remote Sensing and Spatial Information Sciences, volume XL-7/W3, 2015, 36th International symposium on Remote sensing of Environment, 11-15 may, Berlin, Germany, pp. 121–127.

Yan, W. (2011). GGE biplot vs. AMMI graphs for genotype – by – environment data analysis. Journal of the Indian Society of Agricultural Statistics, 65(2), 181-193.

Yan, W., Hunt, L.A., Sheng, Q., & Szlavnics, Z. (2000). Cultivar evaluation and mega-environment investigation based on the GGE biplot. Crop Science, 40(3), 597-605.

Yan, W., & Kang, M.S. (2003). GGE biplot analysis: A graphical tool for breeders, geneticists, and agronomists. CRC Press, Boca Raton, FG, USA.

Yan, W., & Tinker, N.A. (2006). Biplot analysis of multi-environment trial data: Principles and applications. Canadian Journal of Plant Science, 86(3), 623–645.