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، x_ij: 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

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 (d_i⁺) و ژنوتیپ­های ضعیف (d_i^-): در این مرحله برای هر ژنوتیپ، فاصله از ژنوتیپ­های­ ایده‌آل (d_i⁺) و ژنوتیپ­های ضعیف (d_i^-) به­ترتیب با استفاده از روابط 4 و 5 محاسبه شد. به­عبارت دیگر، برای محاسبه فاصله از ژنوتیپ­های­ ایده‌آل (d_i⁺)، 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 (d_i^-) برای هر لاین انجام شد (رابطه 5).

رابطه (4) 

رابطه (5)    

در روابط فوق r_ij: مقدار نرمال شده ژنوتیپ iام (i = 1, 2, … n) در رابطه با شاخص (صفت) jام (j = 1, 2, …m) و  r_j⁺ و r_j^¯: 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

رابطه (6)                          مقدار SIIG_i بین صفر تا یک تغییر می‌کند و هر چه گزینه مورد نظر به ژنوتیپ ایده‌آل نزدیک‌تر باشد، مقدار SIIG_i 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 LSD_0.05 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.

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

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

DHE: تعداد روز تا گل­دهی؛ DMA: تعداد روز تا رسیدگی؛ PLH: ارتفاع بوته؛ TKW: وزن هزاردانه؛ YLD: عملکرد دانه؛ He²: وراثت­پذیری؛ δ²_gen: واریانس ژنتیکی؛ δ²_Res: واریانس باقیمانده.

DHE: Days to heading; DMA: Days to maturity; PLH: Plant height; TKW: Thousand kernel weight; YLD: Seed yield; He²: Heritability; δ²_gen: Genetic variance; δ²_Res: 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: 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 =LSD_0.05 (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 LSD_0.05 (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

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  

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