Genetic diversity and selection of durum wheat pure lines with desirable agronomy traits using SIIG index

Document Type : Research Paper

Authors

1 Crop and Horticultural Science Research Department, Fars Agricultural and Natural Resources Research Center, AREEO, Darab, Iran

2 Seed and Plant Improvement Institute, Agricultural Research, Education and Extension Organization (AREEO), Karaj, Iran.

Abstract

In order to study the genetic diversity and selection of superior durum wheat lines, 120 pure lines were investigated in augmented non-repetition design, with two control (Shabrang and Hanna lines), in the  Darab Agricultural Research Station field in 2017-18, using SIIG method. SIIG was used to select the best lines in terms of morphological traits. The results of the correlation showed that grain yield (YLD) and thousand kernel weight (TKW) had the significant correlation with SIIG (0.850** and 0.626**), respectively. These findings showed that YLD and TKW have the most impact on the value of SIIG method, respectively. Therefore, selected genotypes with SIIG method will have high YLD and TKW. The studied lines were grouped into 7 categories based on this index. Lines of groups 1, 2 and 3 were the best lines with the SIIG highest value, respectively, and the possibility of obtaining top lines from this group is very high. The results of SIIG index showed that 137, 19, 20, 136 and 143 lines with SIIG values 0.819, 0.808, 0.796, 0.796 and 0.794, respectively were the best lines, but 20 and 143 lines were recognized as the superior lines due to earlier. Genotypes of group 4 were the middle lines. Lines of groups 5, 6 and 7 with the lowest SIIG values were the weak lines. Finally, the results showed that SIIG method was able to group the studied lines simultaneously based on YLD, TKW and DHA and distinguish their distance.

Keywords


مقدمه

گندم دوروم (Triticum turgidum L. var. durum) یکی از محصولات مهم زراعی و صنعتی است. خصوصیات گلوتن سنگین، خمیر غیر­چسبنده و سنگین، این نوع گندم را برای تهیه محصولات پاستا از جمله ماکارونی و اسپاگتی ایده ­آل نموده است (Brennan et al., 2002). با توجه به اهمیتی که گندم دوروم در صنعت و تغذیه دارد، تولید و اصلاح ارقام جدید و پرمحصول با ویژگی­های مهمی مانند پایداری عملکرد ضروری است. در همین راستا، تولید ارقام پرمحصول که دارای ویژگی­های مناسبی برای کشت در مناطق مختلف کشور باشند، از اهداف مهم برنامه­های به­نژادی موسسات تحقیقاتی است.

با توجه به نقش تنوع ژنتیکی در پیش­برد اهداف برنامه­های به­نژادی، بدون شک بررسی لاین­های جدید گندم با خصوصیات مورفولوژیک مطلوب، از جمله روش­های مناسب در جهت بهبود عملکرد و اصلاح و معرفی ارقام تجاری است که نهایتاً منجر به افزایش تولید گندم خواهد شد. Aghaee-Sarbarzeh (2012) تنوع ژنتیکی 60 ژنوتیپ گندم دوروم انتخابی از مواد ژنتیکی موجود در بانک ژن گیاهی ملی ایران و کلکسیون بخش تحقیقات غلات موسسه اصلاح و تهیه نهال و بذر را مورد ارزیابی قرار داد و آن‌ها را در شش گروه طبقه‌بندی کرد و بیان نمود که هر یک از این گروه­ها، دارای ویژگی­های خاصی از جمله پتانسیل عملکرد، تعداد دانه در سنبله، وزن هزاردانه بالا هستند.

از آن‌جا ‌که عملکرد، به­مقدار زیادی تحت تأثیر محیط و اثر متقابل ژنوتیپ در محیط قرار می­گیرد، بنابراین به­نظر بسیاری از محققین، برای صفاتی مثل عملکرد دانه، انتخاب غیرمستقیم از طریق سایر صفاتی که همبستگی بالایی با عملکرد دارند از کارایی بیشتری برخوردار است (Rabiei et al., 2004)؛ به­همین دلیل محققان، شاخص­های مختلفی را برای افزایش کارایی انتخاب معرفی نموده­اند. در شاخص انتخاب اسمیت-هیزل (Smith, 1936) و پسک-بیکر (Pesek & Baker, 1969)، گزینش همزمان برای چندین صفت مهم با در نظر گرفتن ارزش اقتصادی و فنوتیپی و وراثت­پذیری آن‌ها و همبستگی بین صفات مختلف انجام می­شود. شاخص انتخاب ژنوتیپ ایده­آل[1] (SIIG) یکی از روش­های انتخاب ژنوتیپ­های برتر می­باشد (Zali et al., 2015; 2017) که می­تواند علاوه بر انتخاب ژنوتیپ­های ایده­آل، فاصله بین ژنوتیپ­ها را هم مشخص کند. در روش SIIG نیازی به محاسبه وراثت پذیری و ارزش فنوتیپی و اقتصادی نمی­باشد و امکان شناسایی ژنوتیپ­هایی با خصوصیات خاص وجود دارد.  از شاخص SIIG به­منظور ادغام تعدادی از صفات مهم مورفولوژیک و فنولوژیک، برای ارزیابی بهتر ژنوتیپ­ها و تنوع ژنتیکی آن‌ها می­توان استفاده نمود. از آن‌جا ‌که ممکن است هر ژنوتیپی از نظر یک شاخص یا صفتی برتر باشد و در نهایت با افزایش تعداد صفات یا شاخص‌ها، ممکن است انتخاب ژنوتیپ مناسب برای محقق دشوار شود، به­کمک روش SIIG تمام شاخص‌ها و صفات به­صورت یک شاخص واحد در‌می‌آید و رتبه‌بندی و تعیین ژنوتیپ‌های برتر بسیار راحت‌تر می‌شود. همچنین اگر تعداد صفات کم باشد، اما تعداد ژنوتیپ­ها زیاد باشد، انتخاب ژنوتیپ­های مطلوب با شاخص SIIG آسان­تر است (Zali & Barati, 2020). روش SIIG، برای اولین بار توسط Zali et al (2015) برای ادغام روش­های مختلف تجزیه پایداری معرفی شد. از روش SIIG می‌توان برای رتبه‌بندی و مقایسه بهتر ژنوتیپ‌های مختلف و انتخاب بهترین ژنوتیپ­ها و تعیین فواصل بین ژنوتیپ‌ها و گروه‌بندی آن‌ها استفاده نمود. از ویژگی‌های این روش آن است که برای محاسبه آن می­توان از شاخص­های مختلف، صفات مورفولوژیک، فیزیولوژیک و سایر صفات استفاده نمود و کارایی انتخاب را افزایش داد. از جمله مزیت‌های این روش آن است که معیارها یا شاخص‌های به­کار رفته برای مقایسه می‌توانند واحدهای سنجش متفاوتی داشته باشند و این شاخص، صفات را با وزن یکسانی بررسی می­کند (Zali et al., 2015; 2017).

از شاخص SIIG، به­منظور انتخاب بهترین ژنوتیپ­ها با استفاده از ادغام شاخص­های مختلف تحمل به خشکی (Zali et al., 2017)، ادغام پارامترهای تجزیه پایداری (Zali et al., 2015; Najafi Mirak et al., 2018) و ادغام صفات مختلف مورفولوژیک (Abdollahi Hesar et al., 2020; Zali & Barati, 2020) استفاده شده است. Ramzi et al (2018) از شاخص SIIG به­منظور بررسی تحمل لاین­های پیشرفته گندم دوروم تحت شرایط تنش آلومینیوم استفاده نمودند و بیان نمودند که در استفاده از شاخص تحمل Ti (مقدار صفت در سطح تنش تقسیم بر مقدار صفت در سطح شاهد) به­دلیل وجود Tiهای مختلف براساس صفات متفاوت، تصمیم­گیری روی لاین­های حساس و متحمل کار راحتی نیست. در صورتی­که با جمع این شاخص­ها در قالب یک شاخص تحت عنوان شاخص SIIG، کار تصمیم­گیری راحت­تر می­شود همچنین نتایج مشابهی از کاربرد شاخص SIIG توسط Tahmasebi et al. (2018) گزارش شده است. در تحقیق دیگری به­منظور ارزیابی 22 ژنوتیپ کلزا با استفاده از صفات مختلف مورفولوژیک، از شاخص SIIG استفاده شد. در این تحقیق، 13 صفت مورفولوژیک با استفاده از شاخص SIIG ادغام و تبدیل به یک شاخص واحد شدند و در نهایت برای انتخاب بهترین ژنوتیپ­ها از یک نمودار دو بعدی عملکرد و شاخص SIIG استفاده شد (Abdollahi Hesar et al., 2020).

هدف از این تحقیق، ارزیابی تنوع ژنتیکی و انتخاب لاین­های خالص گندم دوروم با خصوصیات زراعی مطلوب، از نظر عملکرد و تعدادی از خصوصیات مهم مورفولوژیک به­طور همزمان با استفاده از شاخص SIIG، به­منظور انجام آزمایشات تکمیلی و سازگاری در اقلیم گرم و خشک داراب بود.

 

مواد و روش­ها

به­منظور ارزیابی لاین­های پیشرفته گندم دوروم، 120 لاین خالص انتخابی (جدول 2) که از آزمایشات بررسی ارقام و لاین­های بین­المللی و سایر ژنوتیپ­های گزینش شده از آزمایشات داخلی غلات موسسه اصلاح و تهیه و نهال و بذر از سال زراعی 96-1395 انتخاب شده بودند مورد استفاده قرار گرفت. لاین­های دوروم مورد بررسی به­همراه دو رقم شاهد شبرنگ و هانا، در قالب طرح حجیم شده آگمنت[2] در 12 بلوک در مزرعه ایستگاه تحقیقات کشاورزی و منابع طبیعی داراب، طی سال زراعی 97-1396 ارزیابی شدند. ارتفاع منطقه از سطح دریا 1107 متر با اقلیم گرم و خشک و متوسط بارندگی 248 میلی­متر و زمستان­های معتدل بود. این منطقه در 54 درجه و 30 دقیقه طول شرقی و 50 درجه و 28 دقیقه عرض شمالی قرار داشت. سایر اطلاعات هواشناسی مربوط به سال زراعی در جدول 1 نشان داده شده است. ارقام و لاین­های مورد بررسی در 10 آذر و در شش خط به­طول شش متر به­فاصله 15 سانتی­متر (2/7 مترمربع) از هم­دیگر کشت و به­صورت نشتی آبیاری شدند. میزان بذر مصرفی، 450 دانه در متر مربع بود که  با در نظر گرفتن وزن هزاردانه برای هر لاین تعیین شد. هم­چنین قبل از برداشت، نیم­متر از ابتدا و انتهای هر کرت حذف و بقیه (شش مترمربع) برداشت شد. در طول فصل زراعی، کلیه عملیات­ زراعی مرسوم انجام شد. مبارزه با علف­های‌هرز پهن­برگ و نازک­برگ به­صورت مکانیکی و هم‌چنین با استفاده از علف­کش­­های پوماسوپر و گرانستار در مرحله پنجه­زنی تا ساقه­رفتن انجام شد. در طول دوره رشد علاوه بر مراقبت‌های زراعی، یادداشت­برداری از کرت­های آزمایشی شامل صفات تعداد روز تا گل­دهی، تعداد روز تا رسیدگی، ارتفاع بوته، وزن هزاردانه و عملکرد دانه ثبت شد.

به­منظور بررسی تنوع ژنتیکی و انتخاب لاین­ها با خصوصیات زراعی مطلوب، از روش SIIG استفاده شد که نحوه محاسبه این شاخص به شرح ذیل می­باشد:

1-  تشکیل ماتریس داده‌ها: با توجه به تعداد ژنوتیپ‌ها و صفات مختلف مورد بررسی، ماتریس داده‌ها به­صورت رابطه 1 تشکیل شد (ماتریس D).

رابطه (1)                                                                                

در این ماتریس، xij: مقدار ژنوتیپ iام (i = 1, 2, … n) در رابطه با صفتj ام (j = 1, 2, …m) بود. به­عبارت دیگر، ردیف­ها را ژنوتیپ­ها و ستون­ها را صفات تشکیل دادند.

 

 

جدول 1- داده­های هواشناسی ماهیانه در فصل زراعی 97-1396

Table 1. Monthly meteorological data in 2017-18 cropping season

Cropping season 2018-19

 

 

Month

 

Rainfall (mm)

Tem. (centigrade)

Mean

Max

Min

0

24.5

15.3

33.6

Oct.

0.1

18.4

9.5

24.4

Nov.

0.9

12.1

4.7

19.5

Dec.

0

11.7

3.3

20.1

Jan.

0

12.9

4.5

21.4

Feb.

2.2

15.6

8.6

22.5

Mar.

47.8

17.8

10.6

25.0

Apr.

0

26.2

17.9

34.5

May

0

29.9

20.8

39.0

Jun.

51

 

 

 

Sum

 

 

 

تبدیل ماتریس داده‌های اولیه (ماتریس D) به یک ماتریس نرمال (ماتریس R): از رابطه زیر برای نرمال­کردن داده‌ها (بدون واحد کردن داده­ها) استفاده شد:

رابطه (2)                                    در رابطه 2، برای نرمال نمودن داده­ها، تک تک ژنوتیپ­ها برای هر صفت، به توان دو رسید و سپس جمع شد و جذر گرفته شد (مخرج کسر) و در نهایت تک تک ژنوتیپ­ها به مخرج کسر تقسیم شد. بنابراین بعد از نرمال نمودن داد­های اولیه (ماتریس D)، ماتریس R به­صورت رابطه 3 تعریف شد:

رابطه (3)                      3- پیدا کردن ژنوتیپ ایده‌آل و ژنوتیپ غیر­ایده­آل (ضعیف) برای هر صفت (شاخص): در این مرحله با توجه به نوع صفت و نظر محقق برای هر صفت به‌طور جداگانه، بهترین ژنوتیپ (ایده­آل) و ضعیف‌ترین (غیرایده­آل) انتخاب شد. به­عنوان مثال در مورد عملکرد، حداکثر مقدار عملکرد یک ژنوتیپ، مقدار ایده‌آل و پایین­ترین مقدار عملکرد، به­عنوان ژنوتیپ غیر­ایده­آل (ضعیف) در نظر گرفته شد. هم‌چنین در مورد تعداد روز تا رسیدگی (DMA)، چنانچه زودرسی ژنوتیپ­ها مهم باشد، مقدار ایده‌آل برابر کم‌ترین مقدار DMA و مقدار ضعیف برابر با حداکثر مقدار DMA برای ژنوتیپ‌ها بود.

4- محاسبه فاصله از ژنوتیپ­های ایده‌آل (di+) و ژنوتیپ­های ضعیف (di-): در این مرحله برای هر ژنوتیپ، فاصله از ژنوتیپ­های­ ایده‌آل (di+) و ژنوتیپ­های ضعیف (di-) به­ترتیب با استفاده از روابط 4 و 5 محاسبه شد. به­عبارت دیگر، برای محاسبه فاصله از ژنوتیپ­های­ ایده‌آل (di+)، با توجه به رابطه 4، ابتدا مقادیر تمام صفات (نرمال شده) در یک لاین (ژنوتیپ) از مقادیر ایده­آل برای هر صفت (که در مرحله قبل مشخص شده است) کم شد و به توان دو رسید و در نهایت جمع شدند و از آن‌ها جذر گرفته شد. همین کار هم برای محاسبه فاصله از ژنوتیپ ضعیف (di-) برای هر لاین انجام شد (رابطه 5).

رابطه (4) 

رابطه (5)    

در روابط فوق rij: مقدار نرمال شده ژنوتیپ iام (i = 1, 2, … n) در رابطه با شاخص (صفت) jام (j = 1, 2, …m) و  rj+ و rj¯: به­ترتیب مقادیر نرمال شده ژنوتیپ­های ایده­آل و ژنوتیپ­های ضعیف برای هر شاخص (صفت) jام (j = 1, 2, … m) است.

5- محاسبه شاخص انتخاب ژنوتیپ ایده‌آل (SIIG): در آخرین مرحله، برای محاسبه شاخص انتخاب ژنوتیپ ایده‌آل برای هر لاین یا ژنوتیپ از رابطه 6 استفاده شد.

 

جدول 2- شجره لاین­های خالص گندم دوروم مورد بررسی در سال زراعی 97-1396

 

Table 2. Pedigree of durum wheat pure line at 2017-2018 cropping year

Pedigree

Lines

JUPARE C 2001

3

SORA/2*PLATA_12/3/SORA/2*PLATA_12//SOMAT_3/4/AJAIA_13/YAZI//DIPPER_2/BUSHEN_3

4

GUAYACAN INIA/2*SNITAN/7/ALTAR 84/BINTEPE 85/3/STOT//ALTAR 84/ALD/4/POD_11/YAZI_1/5/VANRRIKSE_12/SNITAN/6/SOOTY_9/RASCON_37//WODUCK/CHAM_3

5

ALTAR 84/STINT//SILVER_45/3/GUANAY/4/GREEN_14//YAV_10/AUK/5/SOMAT_4/INTER_8/6/BCRIS/BICUM//LLARETA INIA/3/DUKEM_12/2*RASCON_21

6

CAMAYO//HYDRANASSA30/SILVER_5/3/SOOTY_9/RASCON_37/5/DUKEM_15/3/BISU_1/PLATA_16//RISSA/4/SOOTY_9/RASCON_37/6/SOOTY_9/RASCON_37//TILO_1/LOTUS_4/7/BCRIS/BICUM//LLARETA INIA/3/DUKEM_12/2*RASCON_21

7

ALTAR 84/BINTEPE 85/3/STOT//ALTAR 84/ALD/4/POD_11/YAZI_1/5/VANRRIKSE_12/SNITAN/6/SOOTY_9/RASCON_37//WODUCK/CHAM_3/7/YAV79/4/ARMENT//SRN_3/NIGRIS_4/3 /CANELO_9.1/5/MINIMUS/COMB DUCK_2//CHAM_3/3/GREEN_19

8

ALTAR 84/BINTEPE 85/3/STOT//ALTAR 84/ALD/4/POD_11/YAZI_1/5/VANRRIKSE_12/SNITAN/6/SOOTY_9/RASCON_37//WODUCK/CHAM_3/7/TOPDY_18/FOCHA_1//ALTAR 84/3/AJAIA_12/F3LOCAL(SEL.ETHIO.135.85)//PLATA_13/4/SOMAT_3/GREEN_22/5/VRKS_3/3/AJAIA_12/F3LOCAL(SEL.ETHIO.135

9

PLATA_7/ILBOR_1//SOMAT_3/3/CABECA_2/PATKA_4//BEHRANG/10/1A.1D 5+1-06/2*WB881//1A.1D 5+1-06/3*MOJO/3/SOOTY_9/RASCON_37/9/USDA595/3/D67.3/RABI//CRA/4/ALO/5/HUI/YAV_1/6/ARDENTE/7/HUI/YAV79/8/POD_9/11/CIRNO C 2008

10

PLATA_7/ILBOR_1//SOMAT_3/3/CABECA_2/PATKA_4//BEHRANG/5/ARMENT//SRN_3/NIGRIS_4/3/CANELO_9.1/4/VITROMAX/6/SOOTY_9/RASCON_37//GUAYACAN INIA

11

SNITAN/5/AJAIA_12/F3LOCAL(SEL.ETHIO.135.85)//PLATA_13/3/SOMAT_3/4/SOOTY_9/RASCON_37/6/SNITAN/11/CANELO_9.1/SNITAN/10/PLATA_10/6/MQUE/4/USDA573//QFN/AA_7/3/ALBA-D/5/AVO/HUI/7/PLATA_13/8/THKNEE_11/9/CHEN/ALTAR 84/3/HUI/POC//BUB/RUFO/4/FNFOOT/12/CBC 509

12

MINIMUS/COMB DUCK_2//CHAM_3/3/FICHE_6/4/MOJO/AIRON/5/SOMAT_3.1/6/CHEN/ALTAR 84/3/HUI/POC//BUB/RUFO/4/FNFOOT/5/TILO_1/LOTUS_4/10/CBC 509 CHILE//SOOTY_9/RASCON_37/9/USDA595/3/D67.3/RABI//CRA/4/ALO/5/HUI/YAV_1/6/ARDENTE/7/HUI/YAV79/8/POD_9/11/ALTAR 84/S

15

MIRADOUX/3/AG 1-22/2*ACO89//2*UC1113

16

CBC 509 CHILE/5/2*AJAIA_16//HORA/JRO/3/GAN/4/ZAR/6/SOOTY_9/RASCON_37//GUAYACAN INIA/10/COMARA//SOOTY_9/RASCON_37/3/2*AJAIA_12/F3LOCAL(SEL.ETHIO.135.85)// PLATA_13/9/USDA595/3/D67.3/RABI//CRA/4/ALO/5/HUI/YAV_1/6/ARDENTE/7/HUI/YAV79/8/POD_9

17

STORLOM/3/RASCON_37/TARRO_2//RASCON_37/4/D00003A/5/1A.1D 5+1-06/3*MOJO/3/AJAIA_12/F3LOCAL(SEL.ETHIO.135.85)//PLATA_13/6/SOOTY_9/RASCON_37// WODUCK/CHAM_3/3/ SOMAT_3/PHAX_1//TILO_1/LOTUS_4/7/BCRIS/BICUM//LLARETA INIA/3/DUKEM_12/2*RASCON_21

18

BRENNUR/CIRNO C 2008

19

GEROMTEL-3/7/ALTAR 84/BINTEPE 85/3/STOT//ALTAR 84/ALD/4/POD_11/YAZI_1/5/VANRRIKSE_12/SNITAN/6/SOOTY_9/RASCON_37//WODUCK/CHAM_3

20

GERUFTEL-1//GUAYACAN INIA/2*SNITAN

21

CBC 509 CHILE/5/2*AJAIA_16//HORA/JRO/3/GAN/4/ZAR/6/BCRIS/BICUM//LLARETA INIA/3/DUKEM_12/2*RASCON_21/9/GUAYACAN INIA/GUANAY/8/GEDIZ/FGO//GTA/3/SRN_1/4/TOTUS/5/ENTE/MEXI_2//HUI/4/YAV_1/3/LD357E/2*TC60//JO69/6/SOMBRA_20/7/JUPARE C 2001

22

CBC 509 CHILE/SOMAT_3.1//BOOMER_18/LOTUS_4/6/SOMAT_3/PHAX_1//TILO_1/LOTUS_4/3/GUANAY/5/NETTA_4/DUKEM_12//RASCON_19/3/SORA/2*PLATA_12/4/ GREEN_18/FOCHA_1//AIRON_1/9/CBC 509 CHILE/6/ECO/CMH76A.722//BIT/3/ALTAR 84/4/AJAIA_2/5/KJOVE_1/7/AJAIA_12/F3LOCAL(S

23

CBC 509 CHILE/6/ECO/CMH76A.722//BIT/3/ALTAR 84/4/AJAIA_2/5/KJOVE_1/7/AJAIA_12/F3LOCAL(SEL.ETHIO.135.85)//PLATA_13/8/SOOTY_9/RASCON_37//WODUCK/CHAM_3/9/ SOOTY_9/RASCON_37//WODUCK/CHAM_3/3/SOMAT_3/PHAX_1//TILO_1/LOTUS_4/10/GUAYACAN INIA/2*SNITAN

24

SOOTY_9/RASCON_37//GUAYACAN INIA/4/BCRIS/BICUM//LLARETA INIA/3/DUKEM_12/2*RASCON_21/9/CBC 509 CHILE/6/ECO/CMH76A.722//BIT/3/ALTAR 84/4/AJAIA_2/5/KJOVE_1/7/AJAIA_12/F3LOCAL(SEL.ETHIO.135.85)//PLATA_13/8/SOOTY_9/RASCON_37//WODUCK/CHAM_3

27

GUAYACAN INIA/GUANAY//PORRON_4/BEJAH_7/7/CAMAYO//HYDRANASSA30/SILVER_5/3/SOOTY_9/RASCON_37/5/DUKEM_15/3/BISU_1/PLATA_16//RISSA/4/SOOTY_9/ RASCON_37/6/SOOTY_9/RASCON_37//TILO_1/LOTUS_4/8/ALTAR 84/BINTEPE 85/3/STOT//ALTAR 84/ALD/4/POD_11/YAZI_1/5/VANRRI

28

GUAYACAN INIA/GUANAY//PORRON_4/BEJAH_7/3/VANRRIKSE_12/SNITAN/7/MOHAWK/6/RASCON_37/2*TARRO_2/4/ROK/FGO//STIL/3/BISU_1/5/MALMUK_1/SERRATOR_1/8/STOT// ALTAR 84/ALD/3/THB/CEP7780//2*MUSK_4/6/ECO/CMH76A.722//BIT/3/ALTAR 84/4/AJAIA_2/5/KJOVE_1/7/RASCON_37/2

29

GUAYACAN INIA/GUANAY/8/GEDIZ/FGO//GTA/3/SRN_1/4/TOTUS/5/ENTE/MEXI_2//HUI/4/YAV_1/3/LD357E/2*TC60//JO69/6/SOMBRA_20/7/JUPARE C 2001/9/RCOL/THKNEE_2/3/SORA/2*PLATA_12//SOMAT_3/10/SOMAT_4/INTER_8/4/GODRIN/GUTROS//DUKEM/3/THKNEE_11/5/1A.1D 5+1-06/2*WB881

30

CNDO/VEE//PLATA_8/3/6*PLATA_11/6/PLATA_8/4/GARZA/AFN//CRA/3/GTA/5/RASCON/9/USDA595/3/D67.3/RABI//CRA/4/ALO/5/HUI/YAV_1/6/ARDENTE/7/HUI/YAV79/8/POD_9/10/GUAYACAN INIA/POMA_2//SNITAN/4/D86135/ACO89//PORRON_4/3/SNITAN

31

CNDO/VEE//PLATA_8/3/6*PLATA_11/6/PLATA_8/4/GARZA/AFN//CRA/3/GTA/5/RASCON/9/USDA595/3/D67.3/RABI//CRA/4/ALO/5/HUI/YAV_1/6/ARDENTE/7/HUI/YAV79/8/POD_9/10/GUAYACAN INIA/GUANAY/8/GEDIZ/FGO//GTA/3/SRN_1/4/TOTUS/5/ENTE/MEXI_2//HUI/4/YAV_1/3/LD357E/2*TC60//

32

RANCO//CIT71/CII/3/COMDK/4/TCHO//SHWA/MALD/3/CREX/5/SNITAN/6/YAZI_1/AKAKI_4//SOMAT_3/3/AUK/GUIL//GREEN/7/CIRNO C 2008

33

1A.1D 5+1-06/3*MOJO//RCOL/4/ARMENT//SRN_3/NIGRIS_4/3/CANELO_9.1/11/SOOTY_9/RASCON_37//WODUCK/CHAM_3/10/PLATA_10/6/MQUE/4/USDA573//QFN/AA_7/3/ALBA-D/5/AVO/HUI/7/PLATA_13/8/THKNEE_11/9/CHEN/ALTAR 84/3/HUI/POC//BUB/RUFO/4/FNFOOT/12/ALTAR 84/STINT//SILVE

34

ALTAR 84/STINT//SILVER_45/3/JUPARE C 2001/4/AJAIA_12/F3LOCAL(SEL.ETHIO.135.85)//PLATA_13/5/ALBIA_1/ALTAR 84//RCOL/3/PLATA_6/GREEN_17/9/CBC 509 CHILE/6/ECO/CMH76A.722//BIT/3/ALTAR 84/4/AJAIA_2/5/KJOVE_1/7/AJAIA_12/F3LOCAL(SEL.ETHIO.135.85)//PLATA_13/8

35

GUAYACAN INIA/POMA_2//SNITAN/4/D86135/ACO89//PORRON_4/3/SNITAN/12/CNDO/VEE//PLATA_8/3/6*PLATA_11/4/GUANAY/10/PLATA_10/6/MQUE/4/USDA573//QFN/AA_7/3/ALBA-D/5/AVO/HUI/7/PLATA_13/8/THKNEE_11/9/CHEN/ALTAR 84/3/HUI/POC//BUB/RUFO/4/FNFOOT/11/ADAMAR_15//ALBI

36

CBC 509 CHILE/6/ECO/CMH76A.722//BIT/3/ALTAR 84/4/AJAIA_2/5/KJOVE_1/7/AJAIA_12/F3LOCAL(SEL.ETHIO.135.85)//PLATA_13/8/SOOTY_9/RASCON_37//WODUCK/CHAM_3/11/ CANELO_9.1/SNITAN/10/PLATA_10/6/MQUE/4/USDA573//QFN/AA_7/3/ALBA-D/5/AVO/HUI/7/PLATA_13/8/THKNEE_11

39

CANELO_8//SORA/2*PLATA_12/4/STORLOM/3/RASCON_37/TARRO_2//RASCON_37/5/TECA96/TILO_1/6/SORA/2*PLATA_12/3/SORA/2*PLATA_12//SOMAT_3/4/AJAIA_13/YAZI//DIPPER_2/BUSHEN_3/7/ALTAR 84/BINTEPE 85/3/STOT//ALTAR 84/ALD/4/POD_11/YAZI_1/5/VANRRIKSE_12/SNITAN/6/SOOT

40

SOMAT_3/PHAX_1//TILO_1/LOTUS_4/3/GUANAY/5/NETTA_4/DUKEM_12//RASCON_19/3/SORA/2*PLATA_12/4/GREEN_18/FOCHA_1//AIRON_1/6/LILE/3/SORA/2*PLATA_12//SOMAT_3/7/AJAIA/LOTUS_4/3/SOMAT_3/PHAX_1//TILO_1/LOTUS_4

41

ALTAR 84/BINTEPE 85/3/STOT//ALTAR 84/ALD/4/POD_11/YAZI_1/5/VANRRIKSE_12/SNITAN/6/SOOTY_9/RASCON_37//WODUCK/CHAM_3/7/PLATA_6/GREEN_17/3/CHEN/AUK// BISU*2/5/PLATA_3//CREX/ALLA/3/SOMBRA_20/4/SILVER_14/MOEWE/8/AJAIA_3/SILVER_16//AJAIA_13/YAZI/4/ARMENT//SR

42

BD98082/CIRNO C 2008/5/00D1065/4/GUAYACAN INIA/GUANAY//PORRON_4/BEJAH_7/3/VANRRIKSE_12/SNITAN

43

BD00088.504/4/GUAYACAN INIA/GUANAY//PORRON_4/BEJAH_7/3/VANRRIKSE_12/SNITAN/5/D04340B/CIRNO C 2008

44

BYBLOS/6/PLATA_6/GREEN_17/3/CHEN/AUK//BISU*2/5/PLATA_3//CREX/ALLA/3/SOMBRA_20/4/SILVER_14/MOEWE/9/CBC 509 CHILE/6/ECO/CMH76A.722//BIT/3/ALTAR 84/4/AJAIA_2/5/KJOVE_1/7/AJAIA_12/F3LOCAL(SEL.ETHIO.135.85)//PLATA_13/8/SOOTY_9/RASCON_37//WODUCK/CHAM_3

45

BYBLOS/6/TOPDY_18/FOCHA_1//ALTAR 84/3/AJAIA_12/F3LOCAL(SEL.ETHIO.135.85)//PLATA_13/4/SOMAT_3/GREEN_22/5/VRKS_3/3/AJAIA_12/F3LOCAL(SEL.ETHIO.135.85)// PLATA_13/7/GUAYACAN INIA/GUANAY//PORRON_4/BEJAH_7/3/VANRRIKSE_12/SNITAN

46

GEDIZ/FGO//GTA/3/SRN_1/4/TOTUS/5/ENTE/MEXI_2//HUI/4/YAV_1/3/LD357E/2*TC60//JO69/6/SOMBRA_20/7/JUPARE C 2001/8/SOMAT_3/PHAX_1//TILO_1/LOTUS_4/9/SOOTY_9/RASCON_37//WODUCK/CHAM_3/10/CNDO/VEE//CELTA/3/PATA_2/6/ARAM_7//CREX/ALLA/5/ENTE/MEXI_2//HUI/4/YAV_1

47

PLATA_10/6/MQUE/4/USDA573//QFN/AA_7/3/ALBA-D/5/AVO/HUI/7/PLATA_13/8/RAFI97/9/MALMUK_1/SERRATOR_1/10/ARMENT//SRN_3/NIGRIS_4/3/CANELO_9.1/11/SHAG_21/ DIPPER_2//PATA_2/6/ARAM_7//CREX/ALLA/5/ENTE/MEXI_2//HUI/4/YAV_1/3/LD357E/2*TC60//JO69/12/CNDO/VEE//PLAT

48

SNITAN*2/RBC/10/KOFA/9/USDA595/3/D67.3/RABI//CRA/4/ALO/5/HUI/YAV_1/6/ARDENTE/7/HUI/YAV79/8/POD_9

51

ATIL/3/KNIPA/TAGUA//PLANETA/TRILE

52

SORA/2*PLATA_12/3/SORA/2*PLATA_12//SOMAT_3/4/AJAIA_13/YAZI//DIPPER_2/BUSHEN_3

53

PRECO/10/TARRO_1/2*YUAN_1//AJAIA_13/YAZI/9/USDA595/3/D67.3/RABI//CRA/4/ALO/5/HUI/YAV_1/6/ARDENTE/7/HUI/YAV79/8/POD_9/11/CNDO/PRIMADUR//HAI-OU_17/3/SNITAN/4/JUPARE C 2001/5/CNDO/PRIMADUR//HAI-OU_17/3/SNITAN

54

GUAYACAN INIA/2*SNITAN/7/ALTAR 84/BINTEPE 85/3/STOT//ALTAR 84/ALD/4/POD_11/YAZI_1/5/VANRRIKSE_12/SNITAN/6/SOOTY_9/RASCON_37//WODUCK/CHAM_3

55

CAMAYO//HYDRANASSA30/SILVER_5/3/SOOTY_9/RASCON_37/5/DUKEM_15/3/BISU_1/PLATA_16//RISSA/4/SOOTY_9/RASCON_37/6/SOOTY_9/RASCON_37//TILO_1/LOTUS_4/7/BCRIS/BICUM//LLARETA INIA/3/DUKEM_12/2*RASCON_21

56

ALTAR 84/BINTEPE 85/3/STOT//ALTAR 84/ALD/4/POD_11/YAZI_1/5/VANRRIKSE_12/SNITAN/6/SOOTY_9/RASCON_37//WODUCK/CHAM_3/7/TOPDY_18/FOCHA_1//ALTAR 84/3/AJAIA_12/F3LOCAL(SEL.ETHIO.135.85)//PLATA_13/4/SOMAT_3/GREEN_22/5/VRKS_3/3/AJAIA_12/F3LOCAL(SEL.ETHIO.135

57

MINIMUS/COMB DUCK_2//CHAM_3/3/FICHE_6/4/MOJO/AIRON/5/SOMAT_3.1/6/CHEN/ALTAR 84/3/HUI/POC//BUB/RUFO/4/FNFOOT/5/TILO_1/LOTUS_4/10/CBC 509 CHILE//SOOTY_9/RASCON_37/9/USDA595/3/D67.3/RABI//CRA/4/ALO/5/HUI/YAV_1/6/ARDENTE/7/HUI/YAV79/8/POD_9/11/ALTAR 84/S

58

CBC 509 CHILE/5/2*AJAIA_16//HORA/JRO/3/GAN/4/ZAR/6/SOOTY_9/RASCON_37//GUAYACAN INIA/10/COMARA//SOOTY_9/RASCON_37/3/2*AJAIA_12/F3LOCAL(SEL.ETHIO.135.85)//PLATA_13/9/USDA595/3/D67.3/RABI//CRA/4/ALO/5/HUI/YAV_1/6/ARDENTE/7/HUI/YAV79/8/POD_9

59

STORLOM/3/RASCON_37/TARRO_2//RASCON_37/4/D00003A/5/1A.1D 5+1-06/3*MOJO/3/AJAIA_12/F3LOCAL(SEL.ETHIO.135.85)//PLATA_13/6/SOOTY_9/RASCON_37//WODUCK/ CHAM_3/3/SOMAT_3/PHAX_1//TILO_1/LOTUS_4/7/BCRIS/BICUM//LLARETA INIA/3/DUKEM_12/2*RASCON_21

60

GERUFTEL-1//GUAYACAN INIA/2*SNITAN

63

SOOTY_9/RASCON_37//GUAYACAN INIA/4/BCRIS/BICUM//LLARETA INIA/3/DUKEM_12/2*RASCON_21/9/CBC 509 CHILE/6/ECO/CMH76A.722//BIT/3/ALTAR 84/4/AJAIA_2/5/KJOVE_1/7/AJAIA_12/F3LOCAL(SEL.ETHIO.135.85)//PLATA_13/8/SOOTY_9/RASCON_37//WODUCK/CHAM_3

64

GUAYACAN INIA/GUANAY//PORRON_4/BEJAH_7/3/VANRRIKSE_12/SNITAN/7/MOHAWK/6/RASCON_37/2*TARRO_2/4/ROK/FGO//STIL/3/BISU_1/5/MALMUK_1/SERRATOR_1/ 8/STOT//ALTAR 84/ALD/3/THB/CEP7780//2*MUSK_4/6/ECO/CMH76A.722//BIT/3/ALTAR 84/4/AJAIA_2/5/KJOVE_1/7/RASCON_37/2

65

RANCO//CIT71/CII/3/COMDK/4/TCHO//SHWA/MALD/3/CREX/5/SNITAN/6/YAZI_1/AKAKI_4//SOMAT_3/3/AUK/GUIL//GREEN/7/CIRNO C 2008

66

ALTAR 84/BINTEPE 85/3/STOT//ALTAR 84/ALD/4/POD_11/YAZI_1/5/VANRRIKSE_12/SNITAN/6/SOOTY_9/RASCON_37//WODUCK/CHAM_3/7/PLATA_6/ GREEN_17/3/CHEN/AUK//BISU*2/5/ PLATA_3//CREX/ALLA/3/SOMBRA_20/4/SILVER_14/MOEWE/8/AJAIA_3/SILVER_16//AJAIA_13/YAZI/4/ARMENT//SR

67

BYBLOS/6/PLATA_6/GREEN_17/3/CHEN/AUK//BISU*2/5/PLATA_3//CREX/ALLA/3/SOMBRA_20/4/SILVER_14/MOEWE/9/CBC 509 CHILE/6/ECO/CMH76A.722//BIT/3/ALTAR 84/4/AJAIA_2/5/KJOVE_1/7/AJAIA_12/F3LOCAL(SEL.ETHIO.135.85)//PLATA_13/8/SOOTY_9/RASCON_37//WODUCK/CHAM_3

68

PLATA_10/6/MQUE/4/USDA573//QFN/AA_7/3/ALBA-D/5/AVO/HUI/7/PLATA_13/8/RAFI97/9/MALMUK_1/SERRATOR_1/10/ARMENT//SRN_3/NIGRIS_4/3/CANELO_9.1/1 /SHAG_21/DIPPER_2// PATA_2/6/ARAM_7//CREX/ALLA/5/ENTE/MEXI_2//HUI/4/YAV_1/3/LD357E/2*TC60//JO69/12/CNDO/VEE//PLAT

69

SNITAN*2/RBC/10/KOFA/9/USDA595/3/D67.3/RABI//CRA/4/ALO/5/HUI/YAV_1/6/ARDENTE/7/HUI/YAV79/8/POD_9

70

BCRIS/BICUM//LLARETA INIA/3/DUKEM_12/2*RASCON_21/5/SRN_2//YAVAUS/HUI/3/RASCON_19/4/SOMAT_3/PHAX_1//TILO_1/LOTUS_4

71

Pedigree

Lines

SILK_3/DIPPER_6/3/ACO89/DUKEM_4//5*ACO89/4/PLATA_7/ILBOR_1//SOMAT_3/6/GUANAY//TILO_1/LOTUS_4/5/OSU-3880005/3/STOT//ALTAR 84/ALD/4/KUCUK_2

72

MOHAWK/4/DUKEM_1//PATKA_7/YAZI_1/3/PATKA_7/YAZI_1/6/PLATA_6/GREEN_17/3/CHEN/AUK//BISU*2/5/PLATA_3//CREX/ALLA/3/SOMBRA_20/4/SILVER_14/MOEWE

75

 

GUAYACAN INIA/GUANAY//PORRON_4/BEJAH_7/7/CAMAYO//HYDRANASSA30/SILVER_5/3/SOOTY_9/RASCON_37/5/DUKEM_15/3/BISU_1/PLATA_16//RISSA/4/ SOOTY_9/RASCON_37/6/SOOTY_9/RASCON_37//TILO_1/LOTUS_4/8/ALTAR 84/BINTEPE 85/3/STOT//ALTAR 84/ALD/4/POD_11/YAZI_1/5/VANRRI

76

 

RANCO//CIT71/CII/3/COMDK/4/TCHO//SHWA/MALD/3/CREX/5/SNITAN/6/YAZI_1/AKAKI_4//SOMAT_3/3/AUK/GUIL//GREEN/9/CBC 509 CHILE/6/ECO/CMH76A.722//BIT/3/ALTAR 84/4/AJAIA_2/5/KJOVE_1/7/AJAIA_12/F3LOCAL(SEL.ETHIO.135.85)//PLATA_13/8/SOOTY_9/RASCON_37//WODUCK/CHA

77

 

BD00088.504/4/GUAYACAN INIA/GUANAY//PORRON_4/BEJAH_7/3/VANRRIKSE_12/SNITAN/5/D04340B/CIRNO C 2008

78

 

CBC 509 CHILE/5/2*AJAIA_16//HORA/JRO/3/GAN/4/ZAR/6/AJAIA_12/F3LOCAL(SEL.ETHIO.135.85)//PLATA_13/4/CHEN_1/TEZ/3/GUIL//CIT71/CII/5/SORA/2*PLATA_12//SOMAT_3

79

 

CBC 509 CHILE/6/ECO/CMH76A.722//BIT/3/ALTAR 84/4/AJAIA_2/5/KJOVE_1/7/AJAIA_12/F3LOCAL(SEL.ETHIO.135.85)//PLATA_13/8/SOOTY_9/RASCON_37//WODUCK/CHAM_3/ 11/CANELO_9.1/SNITAN/10/PLATA_10/6/MQUE/4/USDA573//QFN/AA_7/3/ALBA-D/5/AVO/HUI/7/PLATA_13/8/THKNEE_11

80

 

GEN/4/D68.1.93A.1A//RUFF/FGO/3/MTL_5/5/TARRO_1/2*YUAN_1//AJAIA_13/YAZI/3/SOMAT_3/PHAX_1//TILO_1/LOTUS_4/4/CANELO_8//SORA/2*PLATA_12/6/CBC 509 CHILE/5/2*AJAIA_16//HORA/JRO/3/GAN/4/ZAR

81

 

BCRIS/BICUM//LLARETA INIA/3/DUKEM_12/2*RASCON_21/5/CAMAYO/GUANAY/4/ARMENT//SRN_3/NIGRIS_4/3/CANELO_9.1

82

 

CBC 509 CHILE/6/ECO/CMH76A.722//BIT/3/ALTAR 84/4/AJAIA_2/5/KJOVE_1/7/AJAIA_12/F3LOCAL(SEL.ETHIO.135.85)//PLATA_13/8/SOOTY_9/RASCON_37// WODUCK/CHAM_3/9/ BCRIS/BICUM//LLARETA INIA/3/DUKEM_12/2*RASCON_21

83

 

CBC 514 CHILE/3/AUK/GUIL//GREEN/10/CHEN_1/TEZ/3/GUIL//CIT71/CII/4/SORA/PLATA_12/5/STOT//ALTAR 84/ALD/9/USDA595/3/D67.3/RABI//CRA/4/ALO/5/HUI/YAV_1/6/ARDENTE/7/ HUI/YAV79/8/POD_9

84

 

GUAYACAN INIA/POMA_2//SNITAN/4/D86135/ACO89//PORRON_4/3/SNITAN/5/CAMAYO/GUANAY/4/ARMENT//SRN_3/NIGRIS_4/3/CANELO_9.1/9/CBC 509 CHILE/6/ECO/ CMH76A.722//BIT/3/ALTAR 84/4/AJAIA_2/5/KJOVE_1/7/AJAIA_12/F3LOCAL(SEL.ETHIO.135.85)//PLATA_13/8/SOOTY_9/RASCON_

87

 

STORLOM/3/RASCON_37/TARRO_2//RASCON_37/4/D00003A/5/1A.1D 5+1-06/3*MOJO/3/AJAIA_12/F3LOCAL(SEL.ETHIO.135.85)//PLATA_13/6/SOOTY_9/RASCON_37// WODUCK/CHAM_3/3/SOMAT_3/PHAX_1//TILO_1/LOTUS_4/7/BCRIS/BICUM//LLARETA INIA/3/DUKEM_12/2*RASCON_21

88

 

SELIM/3/CF4-JS 21//TECA96/TILO_1/4/SORA/2*PLATA_12//SRN_3/NIGRIS_4

89

 

WID22241/4/ARMENT//SRN_3/NIGRIS_4/3/CANELO_9.1/5/TARRO_1/2*YUAN_1//AJAIA_13/YAZI/3/SOMAT_4/INTER_8/4/ARMENT//SRN_3/NIGRIS_4/3/CANELO_9.1

90

 

E90040/MFOWL_13//LOTAIL_6/3/PROZANA/ARLIN//MUSK_6/9/USDA595/3/D67.3/RABI//CRA/4/ALO/5/HUI/YAV_1/6/ARDENTE/7/HUI/YAV79/8/POD_9/10/TOSKA_26/RASCON_37//SNITAN/4/ARMENT//SRN_3/NIGRIS_4/3/CANELO_9.1

91

 

PLANETA/AMIC//BERGAND/TRILE/3/KNIPA

92

 

ATIL/3/KNIPA/TAGUA//PLANETA/TRILE

93

 

PLATINUM/3/KNIPA/TAGUA//PLANETA/TRILE

94

 

ATIL/HELLER #1

95

 

ATIL/BAIRDS

96

 

CIRNO C 2008/HELLER #1

99

 

CIRNO C 2008/DUNKER

100

 

CIRNO C 2008/3/KNIPA/TAGUA//PLANETA/TRILE

101

 

CIRNO C 2008/3/KNIPA/TAGUA//PLANETA/TRILE

102

 

ATIL*2/HELLER #1

103

 

ATIL*2/3/KNIPA/TAGUA//PLANETA/TRILE

104

 

ATIL*2/3/KNIPA/TAGUA//PLANETA/TRILE

105

 

ATIL*2/3/KNIPA/TAGUA//PLANETA/TRILE

106

 

CIRNO C 2008*2/HELLER #1

107

 

CIRNO C 2008*2/HELLER #1

108

 

CIRNO C 2008*2/HELLER #1

111

 

CIRNO C 2008*2/HELLER #1

112

 

CIRNO C 2008*2/HELLER #1

113

 

CIRNO C 2008*2/BAIRDS

114

 

CIRNO C 2008*2/BAIRDS

115

 

CIRNO C 2008*2/BAIRDS

116

 

CIRNO C 2008*2/BAIRDS

117

 

CIRNO C 2008*2/BAIRDS

118

 

CIRNO C 2008*2/BAIRDS

119

 

CIRNO C 2008*2/DUNKER

120

 

CIRNO C 2008*2/DUNKER

123

 

CIRNO C 2008*2/DUNKER

124

 

CIRNO C 2008*2/3/KNIPA/TAGUA//PLANETA/TRILE

125

 

CIRNO C 2008*2/3/KNIPA/TAGUA//PLANETA/TRILE

126

 

Mrf/Stj2//Mgnl1/3/Bcrch1

127

 

Mrf/Stj2//Mgnl1/3/lcasy1

128

 

IcamorTA0471//IcamorTA0459/Arishahn10/3/Mgnl3/Ainzen1

129

 

Osicrederaa1/4/BEZAIZSHF//SD19539/Waha/3/Stj/Mrb3/6/Stk/Hau//Heca1

130

 

Mrb5/TdicoAlpCol//Cham1

131

 

Younes1/6/Oualoukos1/5/Azn1/4/BEZAIZSHF//SD19539/Waha/3/Gd2

132

 

Icasyr1/3/Gcn//Sti/Mrb3/4/Mgnl3/Ainzen1/3/Bcr/Gro1//Mgnl1

135

 

ICAMPORTA0469/4/ICAMPORTA0463/3/CandocrossH25//Msbl1/Quarmal04182/5/Icasyr2/6/Geromtel1/Icasyr1

136

 

ICAMPORTA0469/4/ICAMPORTA0463/3/CandocrossH25//Msbl1/Quarmal04182/5/Icasyr2/6/Geromtel1/Icasyr1

137

 

Miki3(Stj3//Bcr/Lks4)

138

 

Icasyr1//Mrf2/T.dids20123/6/319ADDO/5/D68193A1A//Ruff/Fg/3/Mtl5/4/Lahn/7/Quasloukos1/5/Anzn1/4/BEZAIZSHF//SD19539/Waha/3/Gd2

139

 

Waha(Plc/Ruff//Gta/Rtte)

140

 

SwAlgia/Gd181//Ch172/3/Atlas2/4/EMNO0918//Geromtel1/Icasyr1

141

 

TOPDY_21/RASCON_33 // Hcn-1

142

 

TOPDY_21/RASCON_33 // Hcn-2

143

 

TOPDY_21/RASCON_33 // Hcn-12

144

 

Local check

Shabrang

 

Local check

Hana

 

       

 

 

رابطه (6)                          مقدار SIIGi بین صفر تا یک تغییر می‌کند و هر چه گزینه مورد نظر به ژنوتیپ ایده‌آل نزدیک‌تر باشد، مقدار SIIGi آن به یک نزدیک‌تر خواهد بود. بر اساس این روش، بهترین ژنوتیپ، نزدیک‌ترین ژنوتیپ به ژنوتیپ­های ایده‌آل و دورترین از ژنوتیپ­های­ ضعیف است (Zali et al., 2015, 2017).

در این تحقیق، مقایسه میانگین صفات با استفاده از روش حداقل تفاوت معنی­دار (LSD) در سطح احتمال 05/0 که بر­مبنای آماره BLUE و BLUP محاسبه شده بود انجام شد. برای انجام تجزیه REML از نرم­افزار ACBD-R (Rodríguez et al., 2017) و برای محاسبه شاخص SIIG (Zali et al., 2015) از نرم‌افزار Excel استفاده شد.

 

نتایج و بحث

مقادیر میانگین، حداقل، حداکثر، انحراف معیار و ضریب تغییرات در 120 لاین گندم دوروم مورد مطالعه در جدول 4 نشان داده شده است. هم­چنین میانگین صفات مورفولوژیک دو رقم شبرنگ و هانا برای مقایسه لاین­ها در جدول 4 آمده است. نتایج آزمایش، بیانگر تنوع ژنتیکی زیاد از نظر عملکرد دانه و سایر صفات اندازه­گیری شده بود. حداقل، حداکثر و میانگین عملکرد دانه در بین ژنوتیپ­های مورد آزمایش به­ترتیب 5067، 10343، 7798 کیلوگرم در هکتار و عملکرد دانه در ارقام شاهد شبرنگ و هانا به­ترتیب 7622 و 7579 کیلوگرم در هکتار بود (جدول 4). وجود تنوع ژنتیکی زیاد از نظر عدم محدودیت در انتخاب ژنوتیپ مناسب، برای به­نژادگر ارزشمند می­باشد. تغییرات قابل توجهی در صفات تعداد روز تا گل­دهی (92-76 روز)، رسیدگی فیزیولوژیک (161-132 روز)، ارتفاع بوته (103-83 سانتی­متر) و وزن هزار­دانه (2/57-2/37 گرم) مشاهده شد که نشان­دهنده تنوع ژنتیکی این صفات در بین ژنوتیپ­های مورد آزمایش بود (جدول 7). مقدار LSD0.05 برمبنای آماره­های BLUE[3] و BLUP[4] برای مقایسه میانگین صفات در جدول 5 نشان داده شده است. به جز در مورد تعداد روز تا رسیدگی، تفاوت معنی­داری بین بلوک­ها مشاهده نشد (جدول 3)؛ بنابراین تعداد روز تا رسیدگی تصحیح شد و تجزیه­های بعدی با استفاده از داده­های تصحیح شده انجام شد.

واریانس ژنتیکی و باقیمانده و وراثت­پذیری صفات تعداد روز تا گل­دهی، تعداد روز تا رسیدگی، ارتفاع بوته، وزن هزاردانه و عملکرد دانه با استفاده از تجزیه REML[5] محاسبه شدند. نتایج تجزیه REML با استفاده از آماره­های BLUP و BLUE برای لاین­های مورد بررسی و ژنوتیپ­های شاهد در جدول 5 برای همه صفات نشان داده شده است. از مزایای روش REML نسبت به روش­های کلاسیک، بازدهی بالا برای طرح­های آگمنت و همچنین کاهش تعداد برآوردهای منفی پارامترهای ژنتیکی که به­دلیل مشکلاتی مانند مناسب نبودن طرح آزمایشی که در روش­های کلاسیک ایجاد می­شود، اشاره نمود (Holland, 2006).

نتایج تجزیه همبستگی بین صفات مورفولوژیک (جدول 6) نشان داد که ارتباط معنی­دار بالایی بین عملکرد دانه با صفات تعداد روز تا گل­دهی، تعداد روز تا رسیدگی و ارتفاع بوته وجود نداشت. سال­ها اصلاح و انتخاب ارقام زودرس در مناطق گرم جنوب کشور، باعث کاهش تنوع این صفت در مناطق گرمسیری شده است؛ بنابراین عدم همبستگی بین صفت تعداد روز تا رسیدگی با عملکرد دانه کاملاً طبیعی است. گرچه همبستگی بین عملکرد دانه و وزن هزاردانه معنی­دار بود، ولی مقدار این همبستگی بالا نبود. همبستگی بالا بین صفات مورد بررسی و عملکرد دانه، کارایی شاخص SIIG برای انتخاب ژنوتیپ­های مطلوب با عملکرد بالا را افزایش می­دهد، ولی حتی اگر همبستگی بین صفات و عملکرد دانه پایین باشد، شاخص SIIG یکی از روش­های مناسب برای شناسایی ژنوتیپ­های با عملکرد بالا و صفات زراعی مطلوب خواهد بود (Zali & Barati, 2020).

شاخص SIIG بر اساس صفات عملکرد دانه، تعداد روز تا گل­دهی، تعداد روز رسیدگی، ارتفاع بوته و وزن هزار­دانه محاسبه شد (جدول 7). هم­چنین در این تحقیق برای محاسبه شاخص SIIG فرض بر این بود که لاین­هایی با بیشترین عملکرد دانه و وزن هزار­دانه بالا و از طرفی با کمترین ارتفاع بوته، تعداد روز تا رسیدگی و تعداد روز تا گل­دهی، ایده­آل می­باشند.

 

 

 

جدول 3- تجزیه واریانس صفات مختلف مورفولوژیک شاهدهای لاین­های خالص گندم دوروم

Table 3. Variance analysis of different morphological traits of durum wheat promising lines checks.

S.O.V

df

DHE

DMA

PLH

TKW

YLD

Block

11

8.17ns

43.7**

23.5ns

23.67ns

740651ns

Checks

1

1.50ns

2.67ns

35.04ns

28.17ns

31537ns

Error

11

6.41

5.58

8.68

23.2

431210

DHE: تعداد روز تا گل­دهی؛ DMA: تعداد روز تا رسیدگی؛ PLH: ارتفاع بوته؛ TKW: وزن هزاردانه؛ YLD: عملکرد دانه

ns  و **: به­ترتیب غیر­معنی­دار و معنی­دار در سطح احتمال یک درصد.

DHE: Days to heading; DMA: Days to maturity; PLH: Plant height; TKW: Thousand kernel weight; YLD: Seed yield.

ns and **: non-significant and significant at 1% of probability level, respectively.

 

جدول 4- آمار توصیفی صفات مختلف مورفولوژیک در لاین­های خالص گندم دوروم

Table 4. Descriptive statistics parameters of different morphological traits of durum wheat promising lines

 

Traits

 

Mean

 

Min

 

Max

Standard deviation

CV (%)

 

Checks 

Shabrang

Hana

DHE (Day)

79

75

92

3.12

3.96

 

80

80

DMA (Day)

147

132

161

5.54

3.77

 

148

148

PLH (cm)

95

83

106

4.89

5.13

 

99

97

TKW (g)

47

36

57

4.55

9.69

 

44.6

46.8

YLD (kg ha-1)

7798

5067

10343

975

12.51

 

7622

7579

DHE: تعداد روز تا گل­دهی؛ DMA: تعداد روز تا رسیدگی؛ PLH: ارتفاع بوته؛ TKW: وزن هزاردانه؛ YLD: عملکرد دانه.

DHE: Days to heading; DMA: Days to maturity; PLH: Plant height; TKW: Thousand kernel weight; YLD: Seed yield.

 

جدول 5- تجزیه REML صفات مورفولوژیک و فنولوژیک در لاین­های خالص گندم دوروم

Table 5. Results of REML analysis of morphological and phonologic traits of durum wheat inbred lines

 

Inbred lines

DHE

 

DMA

 

PLH

 

TKW

 

YLD

S.O.V

BLUP

BLUE

BLUP

BLUE

BLUP

BLUE

BLUP

BLUE

BLUP

BLUE

He2

 (lines)

0.36

 

 

0.289

 

 

0

 

 

0

 

 

0.506

 

He2 (checks)

0

 

 

0

 

 

0.067

 

 

0.044

 

 

0

 

δ2gen.

 (lines)

3.083

 

 

5.64

 

 

0

 

 

0

 

 

348231

 

δ2gen. (checks)

0

 

 

0

 

 

1.35

 

 

0.833

 

 

0

 

δ2Res

5.48

6.409

 

12.9

6.1

 

18.9

8.68

 

18.2

23.2

 

339555

431294

Mean

(lines)

79.4

78.8

 

146.9

146.6

 

96.5

95.3

 

46.8

47.0

 

7681

7798

Mean (check)

79.4

80.1

 

147.1

148.4

 

96.7

98.0

 

46.5

45.8

 

7670

7513

Avg Std Err Diff. (lines)

2.03

4.27

 

2.81

3.88

 

0

5.0

 

0

8.1

 

606

1056

LSD0.05 (lines)

4.01

9.4

 

5.9

9.0

 

0

10.9

 

0

17.8

 

1198

2324

Avg Std Err Diff. (checks)

0

1.02

 

0

0.98

 

1.21

1.10

 

1.04

1.40

 

0.026

16.4

LSD0.05 (checks)

0

2.24

 

0

2.19

 

2.38

2.414

 

2.05

3.09

 

0.052

36.0

DHE: تعداد روز تا گل­دهی؛ DMA: تعداد روز تا رسیدگی؛ PLH: ارتفاع بوته؛ TKW: وزن هزاردانه؛ YLD: عملکرد دانه؛ He2: وراثت­پذیری؛ δ2gen: واریانس ژنتیکی؛ δ2Res: واریانس باقیمانده.

DHE: Days to heading; DMA: Days to maturity; PLH: Plant height; TKW: Thousand kernel weight; YLD: Seed yield; He2: Heritability; δ2gen: Genetic variance; δ2Res: Residual variance.

 

 

نتایج همبستگی بین شاخص SIIG و سایر صفات اندازه­گیری شده نشان داد که عملکرد دانه و وزن هزاردانه به­ترتیب بیشترین همبستگی بالا و معنی­داری با شاخص SIIG (**850/0 و **626/0) داشتند. همبستگی شاخص SIIG با ارتفاع بوته، تعداد روز تا گل­دهی و تعداد روز تا رسیدگی به­ترتیب برابر با 008/0-، 153/0 و **384/0- بود (جدول 6). این نتایج نشان داد که عملکرد دانه و وزن هزاردانه، به­ترتیب بیشترین سهم را در مقدار شاخص SIIG داشتند،. ژنوتیپ­های انتخابی با روش SIIG، از پتانسیل عملکرد دانه و وزن هزاردانه بالایی برخوردار خواهند بود. هم­چنین تعداد روز تا رسیدگی و ارتفاع؛ نقش ناچیزی در مقدار عددی SIIG داشتند که این مطلب، بیانگر تنوع ژنتیکی پایین این صفات نسبت به سایر صفات بود. در مواردی که همبستگی شاخص SIIG و عملکرد دانه پایین باشد، برای انتخاب ژنوتیپ­های پرمحصول با صفات مطلوب بهتر است از نمودار دو بعدی عملکرد و شاخص SIIG استفاده شود (Najafi Mirak et al., 2018; Abdollahi Hesar et al., 2020).

 

 

جدول 6- ضرایب همبستگی بین صفات مختلف مورفولوژیک و شاخص SIIG

Table 6. Correlation coefficients among different morphological traits and SIIG index

 

DHE

DMA

PLH

TKW

YLD

DMA

0.194

 

 

 

 

PLH

-0.031

0.180

 

 

 

TKW

-0.400**

0.130

0.074

 

 

YLD

-0.174

0.186

0.106

0.301**

 

SIIG

-0.384**

0.153

-0.008

0.626**

0.850**

DHE: تعداد روز تا گل­دهی؛ DMA: تعداد روز تا رسیدگی؛ PLH: ارتفاع بوته؛ TKW: وزن هزاردانه؛ YLD: عملکرد دانه.

**: معنی­دار در سطح احتمال یک درصد.

DHE: Days to heading; DMA: Days to maturity; PLH: Plant height; TKW: Thousand kernel weight; YLD: Seed yield.

**: Significant at 1% of probability level.

 

 

 

نتایج شاخص SIIG نشان داد که به­ترتیب لاین­های شماره 137، 19، 20، 136، 143، 139، 108، 138، 23، 16، 12، 114، 22، 7، 15، 142 و 18 با بیشترین مقدار SIIG (مقدار SIIG بزرگتر از 700/0 و کوچکتر 900/0)، جزء بهترین لاین­ها در درجه اول از نظر عملکرد و در درجه دوم از نظر وزن هزاردانه بودند. عملکرد این لاین­ها از متوسط کل و هم­چنین از عملکرد شاهدها بالاتر بودند و بسیاری از آن‌ها با توجه بهkg ha-1  1198 =LSD0.05 (BLUP)  (جدول 5)، تفاوت معنی­داری نسبت به ژنوتیپ­های شاهد شبرنگ و هانا داشتند (جدول 7).

نتایج SIIG نشان داد که لاین­های شماره­80 و 48 با کمترین مقدار SIIG (279/0) ضعیف­ترین لاین­ها در شرایط داراب بودند؛ از طرفی این دو لاین، دارای عملکرد دانه (به­ترتیب 5067 و 6250 کیلوگرم در هکتار) و وزن هزاردانه پایین (به­ترتیب 4/38 و 2/37 گرم) بودند و لاین شماره­ 48، یکی از دیررس­ترین لاین­ها (159 روز تا رسیدگی) نسبت به بسیاری از لاین­ها مورد مطالعه بودند. در گروه بعدی، لاین­های شماره­ 76، 81، 41، 70، 64، 51، 63، 60، 77، 33، 8 و 24 به­ترتیب با کمترین مقدار SIIG (به­ترتیب 368/0، 372/0، 410/0، 426/0، 432/0، 443/0، 451/0، 474/0، 477/0، 485/0، 486/0 و 486/0) جزء ضعیف­ترین لاین­ها از نظر عملکرد و وزن هزاردانه به­طور همزمان بودند. عملکرد دانه هیچ­کدام از این لاین­ها از متوسط کل و سایر شاهد­ها بیشتر نبود (جدول 7). این نتایج نشان داد که شاخص SIIG قابلیت تعیین بهترین و ضعیف­ترین ژنوتیپ­ها را در مطالعه صفات مورفولوژیک دارا می­باشد. در بسیاری از آزمایشات، داشتن یک ژنوتیپ عالی و یک ژنوتیپ ضعیف، پیش شرط بسیاری از مقایسات خواهد بود.

به­منظور بررسی کارایی شاخص  SIIGدر انتخاب بهترین لاین­ها از نظر صفات مورد بررسی به­طور همزمان، لاین­ها بر اساس شاخص SIIG در هفت دسته گروه­بندی شدند (جدول 8). در واقع لاین­هایی که مقدار عددی شاخص SIIG آن‌ها کوچکتر از 9/0 و بزرگتر از 8/0 بود در گروه یک قرار گرفتند. لاین­هایی که شاخص SIIG آن‌ها کوچکتر از 8/0 و بزرگتر از 7/0 بود، در گروه دو و به همین ترتیب سایر لاین­ها نیز گروه­بندی شدند.

 نتایج گروه­بندی لاین­های مورد بررسی براساس شاخص SIIG (جداول6، 7) نشان داد که در گروه یک، دو لاین 137 و 19 قرار گرفت؛ این دو لاین به­ترتیب با عملکرد 10343 و 9523 کیلوگرم در هکتار، وزن هزاردانه 6/55 و 8/54 گرم، ارتفاع بوته 98 و 96 و تعداد روز تا رسیدگی 156 و 154روز، از لاین­های با پتانسیل عملکرد و وزن هزاردانه بالا، ولی دیررس در میان لاین­های مورد بررسی در شرایط گرم و خشک داراب بود.

در گروه دو، 15 لاین وجود داشت که متوسط عملکرد دانه، وزن هزاردانه، ارتفاع بوته، تعداد روز تا گل­دهی و تعداد روز تا رسیدگی آن‌ها به­ترتیب 9108 کیلوگرم در هکتار، 51 گرم، 97 سانتی­متر، 77 روز و 148 روز بود که این گروه، 3/12درصد از ژنوتیپ­ها را شامل می­شد. لاین­های شماره­20، 136، 143، 139، 108، 138، 23، 16، 12، 114، 22، 7، 15، 142 و 18 در این گروه قرار گرفتند و عملکرد دانه و وزن هزاردانه (به­جزء لاین­های شماره­ 7، 15، 142 و 18) لاین­های این گروه از متوسط کل و هر دو شاهد آزمایش بیشتر بود و هم­چنین از نظر تعداد روز تا رسیدگی، لاین­های شماره­ 139 و 114 جزء ارقام زودرس بودند، ولی با توجه به LSD0.05 (جدول 5) تفاوت معنی­داری با دو شاهد شبرنگ و هانا نداشتند.

بیشترین تعداد لاین در گروه سه قرار داشت در این گروه، 53 لاین (4/43 درصد از کل لاین­ها) وجود داشت که متوسط عملکرد دانه، وزن هزاردانه، ارتفاع بوته، تعداد روز تا گل­دهی و تعداد روز تا رسیدگی آن‌ها به­ترتیب 8054 کیلوگرم در هکتار، 48 گرم، 94 سانتی­متر، 78 روز و 147 روز بود. در این گروه، 35 لاین دارای عملکرد بالاتر از متوسط کل و هم­چنین بالاتر از ژنوتیپ­های شبرنگ و هانا وجود داشت (جدول 8).

در گروه چهار، 38 لاین (1/31 درصد از کل لاین­ها) قرار داشت که متوسط عملکرد دانه، وزن هزاردانه، ارتفاع بوته و تعداد روز تا گل­دهی رسیدگی آن‌ها به­ترتیب 7364 کیلوگرم در هکتار، 45 گرم، 96 سانتی­متر، 79 روز و 146 روز بود. در این گروه، نه لاین دارای عملکرد بالاتر از متوسط کل و هم­چنین بالاتر از ژنوتیپ­های شبرنگ و هانا بودند؛ هم­چنین ژنوتیپ­های هانا و شبرنگ در این گروه قرار گرفتند. در گروه پنج نیز 10 لاین (2/8 درصد از کل لاین­ها) با متوسط عملکرد دانه، وزن هزاردانه، ارتفاع بوته، تعداد روز تا گل­دهی و تعداد روز تا رسیدگی به­ترتیب 6410 کیلوگرم در هکتار، 43 گرم، 98 سانتی­متر، 81 روز و 149 روز بود. عملکرد دانه همه لاین­های این گروه از لاین­های شاهد پایین­تر بود. در گروه شش و هفت، چهار لاین وجود داشت که از نظر هیچ­کدام از صفات مورد نظر، برتر از ارقام شاهد نبودند؛ بنابراین جزء ضعیف­ترین لاین­های این آزمایش بودند.

­Zali & Barati (2020) به­منظور بررسی کارایی شاخصSIIG  در انتخاب بهترین لاین­های جو از نظر عملکرد دانه، وزن هزاردانه، ارتفاع بوته و تعداد روز تا گل­دهی و رسیدگی به­طور هم­زمان از این شاخص استفاده نمودند. در این تحقیق، لاین­های مورد بررسی براساس شاخص SIIG در شش دسته گروه­بندی شدند. نتایج آن نشان داد که شاخص SIIG به­خوبی توانسته ژنوتیپ­ها را براساس سه صفت عملکرد دانه، وزن هزاردانه و ارتفاع بوته دسته­بندی نماید.Najafi Mirak et al (2018) از شاخص SIIG به­منظور ادغام روش­های مختلف تجزیه پایداری ناپارامتری در گندم دوروم استفاده نمودند و با استفاده از شاخص SIIG و عملکرد در یک نمودار دو بعدی توانستند ژنوتیپ­های پایدار با عملکرد بالا را معرفی نمایند. در تحقیقی دیگر، Yaghotipour et al. (2017) از شاخص SIIG به­منظور ادغام شاخص­های مختلف تحمل به خشکی در گندم نان استفاده نمودند و بیان داشتند که شاخص SIIG، یک روش ترکیبی جدید و کارا در انتخاب موثرتر ژنوتیپ­های مطلوب می­باشد. Zali et al (2017) صفات مختلف تحمل به خشکی را با استفاده از شاخص SIIG ادغام نمودند و بیان داشتند که شاخص SIIG با ادغام صفات یا شاخص­های مختلف، انتخاب ژنوتیپ­های مطلوب را مؤثرتر انجام می­دهد.

(2015) Zali et al.,  از شاخص SIIG به­منظور ادغام روش­های مختلف تجزیه پایداری پارامتری و ناپارامتری در کلزا استفاده نمودند. آن‌ها شاخص SIIG را روشی مناسب به­منظور ادغام صفات مورفولوژیکی و فیزیولوژیکی و هم­چنین سایر شاخص­های تجزیه پایداری معرفی نمودند. نتایج مشابهی توسط Tahmasebi et al. (2018) نیز در مورد شاخص SIIG بیان شده است.

 

 

                       

جدول 7- مقادیر صفات مختلف مورفولوژیکی و شاخص SIIG در 120 لاین خالص گندم دوروم

Table 7. Amounts of different morphological traits and SIIG index of 120 durum wheat pure lines

 

Lines no.

DHA (Day)

DMA (Day)

PLH (cm)

TKW

(g)

 

YLD

(kg ha-1)

Rank of YLD

 

index SIIG

 

SIIG

Rank

Group

 

137

76

156

98

55.6

10343

1

0.819

1

1

 

19

79

154

96

54.8

 

9523

6

 

0.808

2

1

 

20

76

147

95

52.0

 

9555

5

 

0.796

3

2

 

136

76

153

99

54.0

 

9190

12

 

0.796

4

2

 

143

76

146

96

48.8

 

10030

3

 

0.794

5

2

 

139

76

141

98

55.2

 

8917

17

 

0.770

6

2

 

108

76

148

90

52.0

 

8833

18

 

0.759

7

2

 

138

78

148

101

52.0

 

9047

13

 

0.759

8

2

 

23

76

151

99

55.2

 

9293

10

 

0.758

9

2

 

16

82

153

102

51.2

 

9480

7

 

0.753

10

2

 

12

78

146

102

56.8

 

8750

20

 

0.746

11

2

 

114

79

143

89

49.6

 

8740

21

 

0.739

12

2

 

22

76

150

101

53.2

 

8537

26

 

0.737

13

2

 

7

79

149

89

46.4

 

9573

4

 

0.715

14

2

 

15

77

148

99

46.4

 

8957

15

 

0.714

15

2

 

142

77

148

95

42.8

 

9020

14

 

0.706

16

2

 

18

78

156

100

47.2

 

8700

23

 

0.701

17

2

 

11

76

147

97

50.4

 

8023

47

 

0.697

18

3

 

17

79

157

103

44.8

 

10037

2

 

0.696

19

3

 

128

79

148

83

51.2

 

8020

48

 

0.693

20

3

 

94

79

149

96

53.6

 

8413

29

 

0.693

21

3

 

131

76

146

94

52.4

 

7960

51

 

0.689

22

3

 

57

77

141

101

43.6

 

9357

8

 

0.687

23

3

 

58

77

143

98

46.4

 

8460

27

 

0.674

24

3

 

104

80

159

99

45.6

 

8937

16

 

0.672

25

3

 

34

79

144

90

52.0

 

7910

53

 

0.671

26

3

 

127

77

148

97

54.4

 

7610

69

 

0.667

27

3

 

10

78

144

95

47.2

 

8240

36

 

0.667

28

3

 

99

76

148

96

48.4

 

8300

34

 

0.665

29

3

 

103

77

157

105

48.4

 

8717

22

 

0.664

30

3

 

113

76

141

92

42.8

 

8397

30

 

0.663

31

3

 

105

79

150

89

41.6

 

9200

11

 

0.661

32

3

 

107

82

161

99

45.6

 

8677

24

 

0.661

33

3

 

112

80

141

95

49.6

 

7917

52

 

0.660

34

3

 

132

77

158

89

50.0

 

8030

45

 

0.657

35

3

 

135

76

146

92

51.2

 

7173

92

 

0.654

36

3

 

55

77

141

93

49.2

 

7970

50

 

0.652

37

3

 

5

76

142

96

57.2

 

7420

81

 

0.652

38

3

 

129

76

149

92

49.2

 

7867

54

 

0.650

39

3

 

68

75

141

86

44.8

 

8137

39

 

0.647

40

3

 

115

78

144

93

47.6

 

8067

43

 

0.645

41

3

 

130

76

147

95

49.6

 

7620

68

 

0.644

42

3

 

126

81

149

89

45.2

 

8120

41

 

0.643

43

3

 

96

79

161

94

48.8

 

8063

44

 

0.643

44

3

 

40

79

147

91

54.8

 

7820

58

 

0.642

45

3

 

59

77

153

99

46.4

 

8793

19

 

0.640

46

3

 

111

78

143

93

47.2

 

7847

57

 

0.638

47

3

 

9

78

143

103

43.2

 

8670

25

 

0.634

48

3

 

52

80

145

94

44.8

 

8210

37

 

0.632

49

3

 

144

77

149

97

44.4

 

9313

9

 

0.632

50

3

 

6

78

147

87

42.4

 

7750

62

 

0.632

51

3

 

46

76

146

90

53.6

 

7040

96

 

0.628

52

3

 

21

76

148

103

51.6

 

7360

85

 

0.628

53

3

 

124

81

147

88

46.0

 

8133

40

 

0.626

54

3

 

91

80

149

95

48.4

 

7567

70

 

0.623

55

3

 

28

82

145

95

45.2

 

8437

28

 

0.622

56

3

 

92

79

150

102

56.8

 

7507

75

 

0.620

57

3

 

45

76

148

88

43.6

 

7860

55

 

0.616

58

3

 

119

79

141

100

52.4

 

7717

64

 

0.616

59

3

 

106

82

159

98

50.8

 

7667

67

 

0.611

60

3

 

Lines no.

DHA (Day)

DMA (Day)

PLH (cm)

TKW

(g)

 

YLD

(kg ha-1)

Rank of YLD

 

index SIIG

Lines no.

DHA (Day)

 

53

77

145

101

51.6

 

7547

72

 

0.610

61

3

 

44

82

148

94

50.8

 

7430

80

 

0.609

62

3

4

76

143

93

51.6

 

6753

108

 

0.608

63

3

79

79

136

98

48.0

 

8247

35

 

0.605

64

3

36

76

142

83

52.4

 

7000

99

 

0.605

65

3

43

82

149

86

45.6

 

7737

63

 

0.603

66

3

72

77

148

92

49.6

 

7293

87

 

0.602

67

3

83

78

135

94

41.6

 

8360

32

 

0.600

68

3

32

79

152

89

44.0

 

8390

31

 

0.600

69

3

140

77

143

95

48.0

 

7757

61

 

0.600

70

3

54

77

143

100

44.8

 

7703

65

 

0.597

71

4

47

78

149

101

49.2

 

8333

33

 

0.597

72

4

93

78

149

97

49.6

 

6940

103

 

0.595

73

4

3

82

146

94

42.8

 

8117

42

 

0.594

74

4

66

82

145

90

44.8

 

8030

46

 

0.593

75

4

100

79

156

99

49.6

 

7770

60

 

0.592

76

4

35

77

154

96

50.8

 

7000

100

 

0.589

77

4

87

77

147

95

47.6

 

7403

82

 

0.586

78

4

88

79

149

99

45.6

 

7973

49

 

0.585

79

4

56

82

144

102

38.4

 

8183

38

 

0.584

80

4

123

82

149

85

44.0

 

7500

76

 

0.583

81

4

39

78

147

92

41.6

 

7490

77

 

0.581

82

4

42

79

149

101

46.4

 

7697

66

 

0.580

83

4

Shabrang

80

148

97

46.9

 

7549

71

 

0.580

84

4

116

77

141

88

44.4

 

7437

79

 

0.576

85

4

125

81

149

91

46.4

 

7267

88

 

0.573

86

4

102

76

147

97

46.4

 

6963

102

 

0.572

87

4

69

79

140

97

46.0

 

7813

59

 

0.566

88

4

27

76

146

96

46.0

 

7103

95

 

0.566

89

4

118

79

150

92

43.6

 

7220

89

 

0.559

90

4

117

79

141

92

45.6

 

7370

83

 

0.556

91

4

31

79

144

95

47.2

 

6820

106

 

0.556

92

4

95

82

158

95

43.6

 

7543

73

 

0.554

93

4

67

77

148

95

42.4

 

7197

90

 

0.553

94

4

141

76

145

94

42.8

 

6800

107

 

0.547

95

4

30

79

143

94

49.2

 

6940

104

 

0.546

96

4

78

81

135

96

40.0

 

7303

86

 

0.544

97

4

Hana

80

148

99

44.7

 

7477

78

 

0.542

98

4

65

77

144

96

43.6

 

7147

93

 

0.542

99

4

75

76

132

96

46.0

 

7513

74

 

0.539

100

4

101

78

145

98

48.0

 

7000

101

 

0.534

101

4

29

77

144

93

44.8

 

7017

98

 

0.534

102

4

84

78

134

91

44.4

 

6620

110

 

0.520

103

4

120

82

143

91

44.4

 

6827

105

 

0.513

104

4

71

78

147

102

41.6

 

7193

91

 

0.511

105

4

89

79

149

98

40.4

 

7853

56

 

0.510

106

4

82

84

139

99

40.0

 

7023

97

 

0.506

107

4

90

80

148

99

45.6

 

6683

109

 

0.502

108

4

24

77

151

105

47.6

 

6580

111

 

0.486

109

5

8

90

154

96

44.8

 

6413

113

 

0.486

110

5

33

79

146

85

40.8

 

5813

120

 

0.485

111

5

77

82

147

97

41.6

 

7127

94

 

0.477

112

5

60

79

152

99

40.0

 

7363

84

 

0.474

113

5

63

76

146

101

46.8

 

6507

112

 

0.451

114

5

51

82

149

106

41.2

 

6220

118

 

0.443

115

5

64

77

145

102

41.6

 

6333

115

 

0.432

116

5

70

78

140

95

40.4

 

6317

116

 

0.426

117

5

41

92

160

89

45.2

 

5427

121

 

0.410

118

5

81

84

146

93

36.4

 

6337

114

 

0.372

119

6

76

82

144

102

40.8

 

5917

119

 

0.368

120

6

48

91

159

99

37.2

 

6250

117

 

0.279

121

7

80

92

147

91

38.4

 

5067

122

 

0.279

122

7

                                             

DHE: تعداد روز تا گل­دهی؛ DMA: تعداد روز تا رسیدگی؛ PLH: ارتفاع بوته؛ TKW: وزن هزاردانه؛ YLD: عملکرد دانه.

DHE: Days to heading; DMA: Days to maturity; PLH: Plant height; TKW: Thousand kernel weight; YLD: Seed yield.

 



جدول 8- گروه­بندی لاین­های گندم دوروم براساس شاخص SIIG و میانگین صفات مختلف مورفولوژیک در هر گروه

Table 8. Durum wheat lines grouping based on SIIG index and mean of morphological different traits in each group  

 

 

SIIG index

 

 

Groups

Lines

number per group

 

Relative per.

 

Cumulative per.

 

Average of groups

 

DHA

 

DMA

 

PLH

 

TKW

 

YLD

0.8SIIG<0.9

1

2

1.6

1.3

 

78

155

97

55

9933

0.7SIIG<0.8

2

15

12.3

13.9

 

77

148

97

51

9108

0.6SIIG<0.7

3

53

43.4

57.4

 

78

147

94

48

8054

0.5SIIG<0.6

4

38

31.1

88.5

 

79

146

96

45

7364

0.4SIIG<0.5

5

10

8.2

96.7

 

81

149

98

43

6410

0.3SIIG<0.4

6

2

1.6

98.4

 

82

144

102

41

5917

0.2SIIG<0.3

7

2

1.6

100.0

 

92

153

95

38

5658

DHE: تعداد روز تا گل­دهی؛ DMA: تعداد روز تا رسیدگی؛ PLH: ارتفاع بوته؛ TKW: وزن هزاردانه؛ YLD: عملکرد دانه.

DHE: Days to heading; DMA: Days to maturity; PLH: Plant height; TKW: Thousand kernel weight; YLD: Seed yield.

 

 

نتیجه­گیری کلی

نتایج این تحقیق نشان داد که شاخص SIIG به­خوبی توانسته است لاین­های مورد بررسی را هم­زمان براساس چند صفت شامل عملکرد دانه، وزن هزاردانه و زودرسی گروه­بندی نماید و فاصله آن‌ها را از هم مشخص کند. طبق نتایج به‌دست آمده می­توان این هفت گروه را در سه دسته عالی، متوسط و ضعیف دسته­بندی نمود. لاین­های گروه یک، دو و سه، جزء بهترین لاین­ها بودند و امکان به‌دست آوردن لاین­های برتر، بسیار بالا است. ژنوتیپ­های گروه­های چهار، جزء لاین­های متوسط هستند و در این گروه، نه لاین از همه برتر بودند. لاین­های گروه پنج، شش و هشت جزء لاین­های ضعیف در این تحقیق بودند. در نهایت نتایج شاخص SIIG نشان داد که لاین­های شماره­ 137، 19، 20، 136 و 143 با مقدار SIIG به­ترتیب 819/0، 808/0، 796/0، 796/0 و 794/0 از بهترین لاین­ها بودند، ولی لاین­های شماره­ 20 و 143 به­علت زودرس­تر بودن، لاین­های برتر شناخته شدند.

 

REFERECES

  1. Abdollahi Hesar, A., Sofalian, O., Alizadeh, B., Asghari, A. & Zali, H. (2020). Evaluation of some autumn canola genotypes based on agronomy traits and SIIG index. Journal of Crop Breeding, 12(34), 93-104. (In Persian)
  2. Aghaee-Sarbarzeh, M. (2012). Variation of agronomic traits in durum wheat genotypes. Seed and Plant Improvement Journal, 1(28), 481-502. (In Persian)
  3. Brennan, J. P., Aw-Hassan, A., Quade, K. J. & Nordblom, T. L. (2002). Impact of ICARDA research on Australian agriculture, Economic Research Report, , NSW Agriculture, Wagga.
  4. Holland, J. B. (2006). Estimating genotypic correlations and their standard errors using multivariate restricted maximum likelihood estimation with SAS Proc MIXED. Crop Science, 46, 642-654.
  5. Najafi Mirak, T., Dastfal, M., Andarzian, B., Farzadi, H., Bahari, M. & Zali, H. 2018. Stability analysis of grain yield of durum wheat promising lines in warm and dry areas using parametric and non-parametric methods. Journal of Crop Production and Processing, 8(2), 79-96. (In Persian)
  6. Pesek, J. & Baker, R. J. 1969. Desired improvement in relation to selection indices. Canadian Journal of Plant Science, 49, 803-804.
  7. Rabiei, B., Valizdah, M., Ghareyazie, B. & Moghaddam. M. (2004). Evaluation of selection indices for improving rice grain shape. Field Crops Research, 89, 359-367.
  8. Ramzi, E., Asghari, A., Khomari, S. & Chamanabad, H. M. (2018). Investigation of durum wheat (Triticum turgidum subsp. Durum Desf) lines for tolerance to aluminum stress condition. Journal of Crop Breeding, 10(25), 63-72. (In Persian)
  9. Rodríguez, F., Alvarado, G., Pacheco, Á. & Burgueño. J. (2017). ACBD-R. Augmented Complete Block Design with R for Windows. Version 3.0. https://hdl.handle.net/11529/10855. CIMMYT Research Data & Software Repository Network, V3, DEACCESSIONED VERSION.
  10. Smith, H. F. (1936). A discriminant function for plant selection. Annals of Eugenics, 7, 240-250.
  11. Tahmasebi, S., Dastfal, M., Zali, H. & Rajaei. M. (2018). Drought tolerance evaluation of bread heat cultivars and promising lines in warm and dry climate of the south. Cereal Research, 8(2), 209-225. (In Persian)
  12. Yaghotipour, A., Farshadfar, E. & Saeedi, M. (2017). Assessment of durum wheat genotypes for drought tolerance by suitable compound method. Environmental Stress in Crop Sciences, 10(2), 247-256. (In Persian)
  13. Zali, H., Sofalian, O., Hasanloo, T., Asghari, A. & Hoseini, S. M. (2015). Appraising of drought tolerance relying on stability analysis indices in canola genotypes simultaneously, using selection index of ideal genotype (SIIG) technique: Introduction of new method. Biological Forum – An International Journal, 7(2), 703-711.
  14. Zali, H., Sofalian, O., Hasanloo, T., Asghari, A. & Zeinalabedini, M. (2017). Appropriate strategies for selection of drought tolerant genotypes in canola. Journal of Crop Breeding, 78 (20), 77-90. (In Persian)
  15. Zali, H. & Barati, A. (2020). Evaluation of selection index of ideal genotype (SIIG) in other to selection of barley promising lines with high yield and desirable agronomy traits. Journal of Crop Breeding, 12(34), 93-104. (In Persian)

 

[1] - Selection index of ideal genotype

[2] - Augmented design

[3] - Best linear unbiased prediction

[4] - Best linear unbiased estimation

[5] - Restricted maximum likelihood

  1. REFERECES

    1. Abdollahi Hesar, A., Sofalian, O., Alizadeh, B., Asghari, A. & Zali, H. (2020). Evaluation of some autumn canola genotypes based on agronomy traits and SIIG index. Journal of Crop Breeding, 12(34), 93-104. (In Persian)
    2. Aghaee-Sarbarzeh, M. (2012). Variation of agronomic traits in durum wheat genotypes. Seed and Plant Improvement Journal, 1(28), 481-502. (In Persian)
    3. Brennan, J. P., Aw-Hassan, A., Quade, K. J. & Nordblom, T. L. (2002). Impact of ICARDA research on Australian agriculture, Economic Research Report, , NSW Agriculture, Wagga.
    4. Holland, J. B. (2006). Estimating genotypic correlations and their standard errors using multivariate restricted maximum likelihood estimation with SAS Proc MIXED. Crop Science, 46, 642-654.
    5. Najafi Mirak, T., Dastfal, M., Andarzian, B., Farzadi, H., Bahari, M. & Zali, H. 2018. Stability analysis of grain yield of durum wheat promising lines in warm and dry areas using parametric and non-parametric methods. Journal of Crop Production and Processing, 8(2), 79-96. (In Persian)
    6. Pesek, J. & Baker, R. J. 1969. Desired improvement in relation to selection indices. Canadian Journal of Plant Science, 49, 803-804.
    7. Rabiei, B., Valizdah, M., Ghareyazie, B. & Moghaddam. M. (2004). Evaluation of selection indices for improving rice grain shape. Field Crops Research, 89, 359-367.
    8. Ramzi, E., Asghari, A., Khomari, S. & Chamanabad, H. M. (2018). Investigation of durum wheat (Triticum turgidum subsp. Durum Desf) lines for tolerance to aluminum stress condition. Journal of Crop Breeding, 10(25), 63-72. (In Persian)
    9. Rodríguez, F., Alvarado, G., Pacheco, Á. & Burgueño. J. (2017). ACBD-R. Augmented Complete Block Design with R for Windows. Version 3.0. https://hdl.handle.net/11529/10855. CIMMYT Research Data & Software Repository Network, V3, DEACCESSIONED VERSION.
    10. Smith, H. F. (1936). A discriminant function for plant selection. Annals of Eugenics, 7, 240-250.
    11. Tahmasebi, S., Dastfal, M., Zali, H. & Rajaei. M. (2018). Drought tolerance evaluation of bread heat cultivars and promising lines in warm and dry climate of the south. Cereal Research, 8(2), 209-225. (In Persian)
    12. Yaghotipour, A., Farshadfar, E. & Saeedi, M. (2017). Assessment of durum wheat genotypes for drought tolerance by suitable compound method. Environmental Stress in Crop Sciences, 10(2), 247-256. (In Persian)
    13. Zali, H., Sofalian, O., Hasanloo, T., Asghari, A. & Hoseini, S. M. (2015). Appraising of drought tolerance relying on stability analysis indices in canola genotypes simultaneously, using selection index of ideal genotype (SIIG) technique: Introduction of new method. Biological Forum – An International Journal, 7(2), 703-711.
    14. Zali, H., Sofalian, O., Hasanloo, T., Asghari, A. & Zeinalabedini, M. (2017). Appropriate strategies for selection of drought tolerant genotypes in canola. Journal of Crop Breeding, 78 (20), 77-90. (In Persian)
    15. Zali, H. & Barati, A. (2020). Evaluation of selection index of ideal genotype (SIIG) in other to selection of barley promising lines with high yield and desirable agronomy traits. Journal of Crop Breeding, 12(34), 93-104. (In Persian)
Volume 53, Issue 1
March 2022
Pages 161-174
  • Receive Date: 01 March 2020
  • Revise Date: 18 March 2021
  • Accept Date: 29 March 2021
  • Publish Date: 21 March 2022