Evaluation of Superior Bread Wheat Lines using the FAI-BLUP Selection Index in the Hot and Dry Climate of Southern Fars Province

. مقدمه

گندم نان (Triticum aestivum L.) به‌عنوان یکی از مهم‌ترین محصولات زراعی شناخته می‌شود. این گیاه به دلیل تنوع بالای ژنتیکی و قابلیت سازگاری‌ با شرایط مختلف محیطی، دارای ارقام متعددی است (Jasem et al., 2017). همچنین گندم به‌عنوان یک منبع اساسی پروتئین و کالری، تأثیر قابل ‌توجهی بر اقتصاد و امنیت غذایی در سطح جهانی دارد. بنابراین، توسعه پایدار ارقام با عملکرد دانه بالا برای تأمین نیازهای غذایی و حفظ امنیت غذایی بسیار حائز اهمیت است (Mondal et al., 2016). در سال زراعی 1401-1400، سطح زیر کشت گندم در کشور 908/6 میلیون هکتار بود که 283/13 میلیون تن تولید داشت. از این سطح، 369/2 میلیون هکتار با تولید 810/8 میلیون تن به کشت گندم آبی و 538/4 میلیون هکتار با تولید 473/4 میلیون تن به کشت گندم دیم اختصاص یافته است Anonymous, 2023)). عملیات به­نژادی و به­زراعی از مؤلفه‌های کلیدی برای افزایش عملکرد در واحد سطح به شمار می‌آیند. هدف اصلی برنامه­های به­نژادی گندم نان، تولید ارقام زراعی با ویژگی‌های مناسب و عملکرد پایدار است (Esmaeilzadeh Moghaddam et al., 2017). به منظور بهبود کارایی و کاهش هزینه‌ها، بررسی سازگاری از مراحل اولیه آغاز شده است و در مراحل پیشرفته‌تر ادامه می­یابد. این رویکرد به شناسایی ارقام با عملکرد بالا کمک کرده است و استفاده بهینه از منابع موجود را ممکن می‌سازد (Esmaeilzadeh Moghaddam et al., 2017; Rajaram & Van-Ginkel, 1994). یکی از اهداف اصلاح نباتات، شناسایی ژنوتیپ­های با خصوصیات زراعی مطلوب و عملکرد دانه بالا است. انتخاب همزمان چندین صفت با کارآیی بالا چالش‌برانگیز است (Rocha et al., 2018). برای حل این مشکل، شاخص‌های متعددی توسعه یافته است که یکی از آن‌ها، شاخص کلاسیک اسمیت-هیزل می­باشد. با این حال، وجود هم­خطی‌ و فقدان رویه­ای برای وزن­دادن به صفات اقتصادی می­تواند بر تخمین بهره ژنتیکی تأثیر بگذارد (Smith, 1936). هدف این شاخص‌ها انتخاب غیر مستقیم برای عملکرد دانه نیست، بلکه شناسایی ژنوتیپ‌های ایده‌آل از نظر عملکرد و سایر صفات است. یکی از شاخص‌های نوین FAI-BLUP است که بر اساس تحلیل عاملی طراحی شده است و به مقایسه ژنوتیپ‌ها نسبت به یک ژنوتیپ ایده‌آل می‌پردازد. یکی از این شاخص­ها، شاخص انتخاب FAI-BLUP [1]  است Rocha et al., 2018)). این شاخص بر اساس تحلیل عاملی و فاصله ژنوتیپ-ایدئوتیپ طراحی شده و هدف آن ارزیابی و مقایسه ژنوتیپ‌های مختلف نسبت به یک ژنوتیپ ایده‌آل است. محاسبه این شاخص چندصفتی، با هدف پیش‌بینی اثرات ژنتیکی و به‌کارگیری مدل‌های ترکیبی، نه تنها دقت بالایی را به همراه دارد بلکه قابلیت شناسایی دقیق‌تر و کارآمدتر ژنوتیپ‌های برتر را نیز فراهم می‌آورد. در روش FAI-BLUP، به‌کارگیری روش REML/BLUP برای تخمین مقادیر ژنتیکی به عنوان یک استراتژی مؤثر در بهینه‌سازی انتخاب ژنوتیپ‌ها مطرح می‌شود (da Silva et al., 2018 ؛Oliveira et al., 2019). شاخص چندصفتی جدید دیگری بر اساس تجزیه و تحلیـل عاملی و فاصله ژنوتیپ – ایدئوتیپ (MGIDI [2] ) معرفی کردند. این شاخص بر انتخاب ژنوتیپ­های برتر که در آن صفات متعدد اندازه­گیری شده است، تمرکز دارد. همچنین این شاخص می­توانـد نقاط قوت و ضعف ژنوتیـپ­هـای مـورد آزمـایش را ارزیابی کند (Olivoto & Nardino, 2021). پژوهش حاضر با هدف بررسی اولیه لاین‌های گندم نان و شناسایی لاین‌های برتر جهت انجام آزمایش­های تکمیلی، برای معرفی ارقام جدید در اقلیم گرم و خشک جنوب استان فارس انجام شد.

2. روش­شناسی پژوهش

به منظور ارزیابی رقم­های جدید گندم نان در اقلیم گرم و خشک جنوب استان فارس، در مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی فارس (ایستگاه داراب)، دو آزمایش مستقل در سال‌های زراعی 1402-1401 و 1403-1402 انجام شد. لاین‌های مورد استفاده از مراکز و ایستگاه‌های تحقیقاتی داخلی (کرج، داراب و زابل) و بین­المللی (مرکز بین المللی تحقیقات ذرت و گندم (CIMMYT)) تهیه و همچنین لاین‌های دابل هاپلویید حاصل از همکاری موسسه اصلاح و تهیه نهال و بذر با شرکت فلوریماند دپره به آزمایش اضافه شدند. در سال اول، 320 لاین خالص گندم نان به همراه چهار شاهد (مهرگان، برات، سارنگ و چمران 2) مورد بررسی قرار گرفتند. عملکرد لاین­های مورد مطالعه با عملکرد میانگین شاهدها مورد بررسی و مقایسه قرار گرفتند. در سال دوم 106 لاین انتخابی از سال اول به صورت طرح آلفا لاتیس 22×5 به همراه چهار شاهد (اوج، مهرگان، برات و سارنگ) در دو تکرار اجرا شدند. کرت‌های آزمایشی شامل شش خط با فاصله 20 سانتی‌متر و مساحت کاشت 2/7 متر مربع بودند. میزان بذر مورد نیاز براساس وزن هزار دانه 350 دانه در متر مربع محاسبه شد. همچنین، خاک محل اجرای آزمایش دارای بافتی با اسیدیته معادل 7/7 در سال اول و 8/7 در سال دوم و هدایت الکتریکی 1/1 و 9/0 دسی­زیمنس بر متر به­ترتیب در سال اول و دوم بود. نتایج آزمون خاک نشان داد که محتوای ماده آلی 42/0 درصد در سال اول و 6/0 درصد در سال دوم، فسفر هشت و 11 میلی­گرم برکیلوگرم به­ترتیب در سال اول و سال دوم و پتاسیم 170 و 198 میلی­گرم بر کیلوگرم به­ترتیب در سال اول و سال دوم بود. در نتیجه، میزان اوره 420 و 390 کیلوگرم در هکتار به­ترتیب در سال اول و دوم، سوپرفسفات تریپل270 و 180 کیلوگرم در هکتار به­ترتیب در سال اول و دوم، سولفات پتاسیم 120 کیلوگرم در هکتار در هر دو سال و ریزمغذی به­صورت محلول­پاشی با غلظت 3-2 در هزار در هر دو سال استفاده شد. لازم به ذکر است 100 کیلوگرم در هکتار اوره در زمان کاشت استفاده شد. عملیات خاک‌ورزی شامل شخم، دیسک، لولر و ایجاد فارو در زمین آیش انجام شد. کشت آزمایش‌ها با استفاده از بذرکار خطی وینتراشتایگر ساخت اتریش در نیمه اول آذرماه صورت گرفت. آبیاری به­صورت تحت فشار با نوار تیپ صورت گرفت. برای کنترل علف‌های هرز باریک­برگ و پهن­برگ از سموم علف‌کش آکسیال و برومایسید استفاده شد. وضعیت دما و بارندگی در طول دوره آزمایش در جدول 1 نشان داده شده است.

جدول 1. داده­های هواشناسی ماهیانه داراب در فصول زراعی 1401-1402 و 1403-1402.

در طول مراحل رشد گیاه، یادداشت‌برداری از صفات زراعی شامل تعداد روز تا گلدهی (DHE: Number of days to heading)، تعداد روز تا رسیدگی (DME: Number of days to maturity) و ارتفاع بوته (PLH: Plant height) انجام شد. پس از برداشت محصول، صفات دیگری همچون وزن هزار دانه (TKW: Thousand kernel weight)، طول دوره پر شدن
(SFP: Seed Filling Period)، سرعت پر شدن دانه (SFR: Seed Filling Rate) و عملکرد دانه (YLD: Grain yield) مورد بررسی قرار گرفتند. طول دوره پر شدن از تفاضل تعداد روز رسیدگی از تعداد روز گرده­افشانی به­دست آمد. همچنین سرعت پر شدن دانه از طریق تقسیم حداکثر وزن دانه بر طول دوره پر شدن دانه حاصل می­گردد (Egli, 2004).

برای رتبه‌بندی لاین­ها از شاخصFAI-BLUP و نمودار قوت و ضعف شاخص MGIDI استفاده شد. این شاخص بر اساس اطلاعات صفات مورد بررسی محاسبه می­شود (Olivoto & Nardino, 2021).

شاخص FAI-BLUP: مراحل محاسبه این شاخص به­صورت زیر می­باشد:

1-تحلیل عاملی: برای محاسـبه کـاهش ابعـاد داده­هـا و سـاختار روابط انجام شد.

2- طراحی ایدئوتیپ‌ها: تغییر مقیاس صفات: Xij یک جدول دوطرفه با i ردیف یا ژنوتیپ و j ستون یا صفت می­باشد که به­صورت رابطه 1 محاسبه شد:

]رابطه 1[                                           

 و  به­ترتیب مقادیر اصلی حداقل و حداکثر برای صفتj ،  و  به­ترتیب مقادیر جدید حداقل و حداکثر برای صفتj  و  مقدار اصلی برای صفت jام از ژنوتیپ iام.

3-تعیین تعداد ایدئوتیپ: تعداد ایدئوتیپ‌ها بر اساس ترکیب صفات دارای دیفرانسیل انتخاب مطلوب و نامطلوب برای هدف انتخاب تعریف شد. تعداد ایدئوتیپ‌ها بر اساس رابطه 2 محاسبه می‌شود:

]رابطه 2[                                                                   NI = 2ⁿ

که در آن NI تعداد ایدئوتیپ‌ها وn  تعداد عامل­ها است.

در نهایت، پس از تعیین ژنوتیپ ایده­آل، فاصله بین ژنوتیپ ایده­آل و هر ژنوتیپ برآورد شد. سپس آن را به احتمال مکانی خاصی تبدیل گردید تا بتوان ژنوتیپ­ها را رتبه­بندی کرد. فرمول محاسبه شاخص FAIBLUP به­شرح زیر است (Rocha et al., 2019):

 [رابطه 3]                                                               

که در آن Pij احتمال مشابه­بودن ژنوتیپ iام با ژنوتیپ ایده­آل jام، dij فاصله ژنوتیپ ایده­آل از ژنوتیپ iام تا ژنوتیپ ایده­آل jام بر اساس فاصله اقلیدسی است.

شاخص MGIDI: مراحل 1 و 2 در محاسبه این شاخص، مشابه با شاخص FAI-BLUP می­باشد. در مرحله بعد، فاصله اقلیدسی بین نمرات ژنوتیپ­ها و ژنوتیپ­های ایده­آل به­عنوان شاخص MGIDI با استفاده از رابطه 4 محاسبه شد:

]رابطه 4[                                          

 γijامتیاز i امین ژنوتیپ در فاکتور  jام، t و f به­ترتیب تعداد ژنوتیپ­ها و عامل­ها و γj نمره jام ژنوتیپ ایده­آل می­باشد.

شاخص­های آمار توصیفی و تجزیه واریانس­ها با استفاده از نرم­افزار  SAS9.1اندازه­گیری شد. برای برآورد شاخص­های FAI-BLUP و MGIDI از بسته تجزیه آزمایش­های چند محیطی metan (Olivoto & Lúcio, 2020) در نرم­افزار R4.2.1 استفاده شد.

3. نتایج پژوهش و بحث

با توجه به نتایج به­دست­آمده در سال اول آزمایش که با استفاده از 320 لاین جدید به همراه چهار شاهد منطقه انجام شد، با مقایسه عملکرد هر لاین با شاهدها، تعداد 106 لاین برتر انتخاب شد. شاخص­های آمار توصیفی و ویژگی­های مهم لاین­های مورد بررسی به همراه شاهدها و لاین­های انتخابی در جدول 2 ارائه شده است. همانطور که مشاهده می­شود، میانگین صفات عملکرد دانه، وزن هزار دانه، طول دوره پر شدن و سرعت پر شدن دانه در لاین­های انتخابی از مجموع لاین­های اولیه بیشتر بود و در مورد بقیه صفات کمتر بود. بیشترین مقدار ضریب تغییرات فنوتیپی در مجموع لاین­ها و لاین­های انتخابی مربوط به صفات عملکرد دانه و وزن هزار دانه و کمترین آنها به­ترتیب مربوط به دو صفت تعداد روز تا رسیدگی و تعداد روز تا گلدهی بود. بر این اساس، شاید بتوان نتیجه گرفت عملکرد دانه و وزن هزار دانه می­توانند معیارهای مناسبی برای انتخاب لاین­های برتر باشد. میزان عملکرد در سال اول از 90/1 تن در هکتار (لاین شماره 33) برای ضعیف­ترین لاین تا 89/7 تن در هکتار (لاین شماره 312) برای بهترین لاین متغیر بود و میانگین عملکرد کلیه لاین­های مورد آزمایش برابر 22/5 تن در هکتار بود (نتایج نشان داده نشده است).

همچنین میانگین عملکرد دانه در ژنوتیپ­های شاهد برات، چمران 2، مهرگان و سارنگ به­ترتیب 17/6، 12/4، 89/4 و 33/5 تن در هکتار با میانگین عملکرد 14/5 تن در هکتار به­دست آمد (جدول 2). نتایج کلیه صفات اندازه­گیری­شده نیز نشان­دهنده این می­باشد که در لاین­های انتخابی، نسبت به مجموع لاین­ها و شاهدهای منطقه میزان صفات اندازه­گیری­شده بهبود یافته است. نتایج سایر تحقیقات نشان داد که صفات عملکرد دانه، وزن هزار دانه، روز تا گلدهی، روز تا رسیدگی و ارتفاع بوته در بین ارقام مختلف گندم نان دارای تنوع بسیار بالایی می­باشند (Keshavarznia et al., 2023; Shifaraw et al., 2023;
Sönmezoğlu et al., 2012).

جدول 2. شاخص­های آمار توصیفی لاین­های گندم نان در فصل زراعی 1402-1401.

DHE: تعداد روز تا گلدهی، DME: تعداد روز تا رسیدگی، PLH: ارتفاع بوته، TKW: وزن هزار دانه، SFP: طول دوره پر شدن، SFR: سرعت پر شدن دانه و YLD: عملکرد دانه.

جدول 3. نتایج تجزیه واریانس 110 ژنوتیپ گندم نان در فصل زراعی 1403-1402.

^ns ، *و **به­ترتیب نشان­دهنده عدم معنی­داری، معنی­داری در سطح پنج و یک درصد. DHE: تعداد روز تا گلدهی، DME: تعداد روز تا رسیدگی، PLH: ارتفاع بوته، TKW: وزن هزار دانه، SFP: طول دوره پر شدن، SFR: سرعت پر شدن دانه و YLD: عملکرد دانه.

نتایج تجزیه واریانس صفات در سال دوم نشان داد که لاین­ها از نظر صفات تعداد روز تا گلدهی، تعداد روز تا رسیدگی، وزن هزار دانه و عملکرد دانه مورد مطالعه تفاوت معنی­داری داشتند؛ اما بین صفات ارتفاع بوته، سرعت پر شدن دانه و دوره پر شدن دانه تفاوت معنی­داری مشاهده نشد (جدول 3).

در شاخص FAI-BLUP به­طور پیش­فرض، انتخاب برای افزایش ارزش صفات سرعت پر شدن دانه، تعداد روز تا پرشدن دانه، وزن هزاردانه، عملکرد دانه، کاهش طول دوره گلدهی، رسیدگی و ارتفاع بوته انجام شد. بر اساس این شاخص ژنوتیپ­هایی با بیشترین مقـدار جزء ژنوتیپ­های برتر و ایده­آل می­باشند (جدول 4). دایره قرمز در شکل 1-الف نشان­دهنده نقطه برش
 FAI-BLUP با توجه به شدت انتخاب می­باشد. بنابراین، همان­گونه که مشاهده می­شود 16 ژنوتیپ شماره 19، 67، 110 (شاهد: سارنگ)، 93، 27، 16، 39، 4، 21، 63، 107، 8، 65، 9، 64 و 68 به­ترتیب با بیشترین مقدار FAI-BLUP به­عنوان برترین ژنوتیپ­ها انتخاب شدند (شکل 1-الف و جدول 4(.Rocha et al.  (2018) با استفاده از شاخص FAI-BLUP نشان داد که ژنوتیپ‌های انتخابی بیشترین پتانسیل را برای برنامه‌های اصلاحی گندم نشان می‌دهند، زیرا صفات نزدیک‌تر به ایدئوتیپ، پنجه‌های بارور و وزن هزار دانه بالایی را دارا بودند. دیفرانسیل انتخاب شاخص FAI-BLUP برای تمامی صفاتی که مقادیر بالاتر آنها مطلوب است، مثبت و برای صفاتی که مقادیر کمتر آنها مورد توجه است، منفی به­دست آمده است. شاخص FAI-BLUP دیفرانسیل انتخاب مطلوبی را برای تمامی صفات مورد مطالعه نشان داد. بیشترین و کمترین درصد دیفرانسیل انتخاب به­ترتیب مربوط به صفات وزن هزار دانه (94/4 درصد) و ارتفاع بوته (2/1- درصد) بودند (جدول 5). نتایج دیفرانسیل انتخاب نشان داد که این شاخص در انتخاب برای عملکرد دانه کم­اثر است، اما اجزای عملکرد مانند وزن هزار دانه دیفرانسیل انتخاب بالاتری نسبت به سایر صفات دارند. علت کم­اثر بودن ژنوتیپ در توجیه این سه صفت را اینطور می­توان اینطور توضیح داد که در انتخاب­های برنامه­های اصلاحی سال­های گذشته، ژنوتیپ­های برتر انتخاب شدند و این ژنوتیپ­ها از لحاظ این صفات نزدیک به یکدیگر می­باشند (Arief et al., 2015). شاخص انتخاب ژنوتیپ ایده­آل (SIIG [3] ) به‌عنوان یک روش کارآمد و ساده برای شناسایی بهترین ژنوتیپ‌ها مطرح شده است. این شاخص، ویژگی‌های گوناگون را در قالب یک آماره جدید ادغام می‌کند و به محققان کمک می‌کند تا ارزیابی دقیق‌تری از عملکرد ژنوتیپ‌ها داشته باشند .(Zali et al., 2023) مقایسه شاخص انتخاب FAI-BLUP با دو شاخص انتخاب SIIG و MGIDI نشان داد که شاخص­های FAI-BLUP، MGIDI و SIIG به­ترتیب هفت، شش و پنج شش صفت از هفت صفت مورد مطالعه، دیفرانسیل انتخاب مورد نظر مطلوب را ارائه کردند که نشان‌دهنده میزان موفقیت 100 درصدی شاخص FAI-BLUP نسبت به دو شاخص دیگر در انتخاب صفات با مقادیر مورد نظر بود. صفت عملکرد دانه در شاخص MGIDI و صفات وزن هزار دانه و ارتفاع بوته در شاخص انتخاب SIIG دارای دیفرانسیل انتخاب نامطلوب بودند. همچنین دیفرانسیل انتخاب مطلوب مثبت به­ترتیب در شاخص­های FAI-BLUP، MGIDI و SIIG 02/6، 41/5 و 58/3 بود. همچنین دیفرانسیل انتخاب مطلوب منفی در همین شاخص­ها به­ترتیب 37/4-، 01/4- و 56/3- بود (نتایج گزارش نشده است). با توجه به نتایج این تحقیق، شاخص انتخاب FAI-BLUP نسبت به دو شاخص انتخاب دیگر برتری داشته و جهت انتخاب و معرفی لاین­های برتر استفاده شد. شـاخص FAI-BLUP یک ابزار مناسب برای انتخاب همزمان صفات مهم برای اصلاح گندم است (Meier et al., 2021). Woyann et al. (2019)، Oliveira et al. (2019) و Rocha et al. (2019) کــارایی این شاخص را در انتخــاب گیاهان مختلف گزارش کرده­اند.

در شکل 1-ب، وضعیت قوت و ضعف لاین‌های انتخابی با استفاده از شاخص FAI-BLUP بر اساس MGIDI به تصویر کشیده شده است. در این شکل، خط­چین نمایانگر مقادیر نظری است که در آن فرض بر این است که تمامی عوامل به یک اندازه تأثیر دارند. نسبت‌های بزرگ‌تر که توسط یک عامل تجزیه شده و به لبه داخلی نزدیکتر هستند، نشان‌دهنده این است که صفت مربوطه درون آن عامل به ژنوتیپ ایده‌آل کمتر مطابقت دارد. برعکس، نسبت‌های کوچک‌تر که تحت تأثیر یک عامل مشخص قرار دارند و به لبه خارجی نزدیک‌ترند، بیانگر این موضوع هستند که صفت درون آن عامل به ژنوتیپ ایده‌آل نزدیک‌تر است
(Olivoto & Nardino, 2021) . در نمودار قوت و ضعف، ژنوتیپ­های 63، 68، 64، 110، 67، 16، 93، 27، 6، 65، 8 و 9 بیشتر از لحاظ عامل اول یعنی از نظر صفات ارتفاع بوته، وزن هزار دانه و سرعت پر شدن دانه به ژنوتیپ ایده­آل نزدیک­تر هستند (شکل 1-ب)؛ بنابراین این عامل به درستی لاین­های برتر را انتخاب کرده است. نتایج عامل دوم نشان داد که لاین شماره 21 بیشتر از لحاظ دو صفت تعداد روز تا رسیدگی و عملکرد دانه قوی و برجسته­تر بوده و به ژنوتیپ ایده­آل نزدیکتر می­باشند. همچنین نتایج عامل سوم نشان داد که لاین شماره 39، 107 و 19 بیشتر از لحاظ صفات تعداد روز تا گلدهی و دوره پر شدن دانه قوی و برجسته­تر بوده و به ژنوتیپ ایده­آل نزدیکتر می­باشند (شکل 1-ب). در بین 16 لاین انتخابی، تعداد هشت لاین به شماره­های 27، 67، 8، 39، 16، 63، 21 و 19 و 50 دارای عملکرد بالاتر از لاین­های انتخاب­نشده، میانگین لاین­های انتخاب­شده و ژنوتیپ­های شاهد بود. همچنین هشت لاین دیگر تفاوت قابل ملاحظه­ای از لحاظ عملکرد با لاین­های انتخاب­نشده، میانگین لاین­های انتخاب­شده و ژنوتیپ­های شاهد نداشتند که این مطلب بیانگر این می­باشد که استفاده از شاخص FAI-BLUP منجر به انتخاب کامل لاین­هایی با عملکرد بالا شده است (جدول 6). Al-Ashkar et al. (2023) در تحقیق خود شش عامل را در نمودار قوت و ضعف ژنوتیپ­های مورد بررسی شناسایی کردند. عامل اول چهار صفت، عامل دوم، دو صفت، عامل سوم سه صفت، عامل چهارم، پنجم و ششم هر کدام جداگانه دو صفت را توجیه کردند که از این روش می­توان به عنوان یک ابزار قدرتمند برای شناسایی نقاط قوت وضعف ژنوتیپ­های گندم جهت استفاده هدفمند در برنامه­های اصلاحی آتی استفاده کرد.

شکل 1. (A) الگوی رتبه­بندی لاین­های انتخابی بر اساس شاخص FAI-BLUP - گوی رنگ قرمز: ژنوتیپ­های انتخاب­شده و (B) بای­پلات قوت و ضعف لاین­های انتخابی براساس شاخص MGIDI -FA1: عامل اول (ارتفاع بوته، وزن هزار دانه و سرعت پر شدن دانه) (قرمز)، FA2: عامل دوم (تعداد روز تا رسیدگی و عملکرد دانه) (سبز) و FA3: عامل سوم (تعداد روز تا گلدهی و دوره پر شدن دانه) (آبی).

نتایج این مطالعه نشان می‌دهد که میانگین عملکرد ۱۰۶ لاین انتخابی در سال دوم به تقریبی 49/6 تن در هکتار رسیده است که نسبت به عملکرد همین لاین‌ها در سال اول، افزایشی حدود 300 کیلوگرم را نشان می‌دهد (جدول 6). داده­های هواشناسی از مهرماه تا خردادماه به­صورت روزانه در دو سال از ایستگاه هواشناسی حسن­آباد داراب دریافت شد. تجزیه و تحلیل این داده­ها نشان داد که یکی از عوامل اصلی این افزایش عملکرد، کاهش دما و افزایش بارش در اردیبهشت سال دوم (322 میلی­متر) نسبت به سال اول (270 میلی­متر) است که منجر به افزایش وزن هزاردانه از 50/38 گرم در سال اول به 06/51 گرم در سال دوم شد (جدول 1 و جدول 6). عوامل اقلیمی تأثیر زیادی بر این تغییرات گذاشته‌اند و به همین دلیل در سال دوم، هر دو ویژگی مهم عملکرد دانه و وزن هزاردانه نسبت به سال اول افزایش یافته است (جدول 6). در این تحقیق، هوای خنک انتهای فصل به علت بارش و دماهای پایین‌تر در سال دوم نسبت به سال اول، از بروز تنش خشکی در پایان فصل جلوگیری کرده و این امر به بهبود پر شدن دانه‌های گندم و در نتیجه افزایش وزن هزاردانه انجامیده است (جدول 1). تحلیل شجره لاین‌های انتخاب­شده نشان می‌دهد که در شش لاین برتر، یک والد مشترک به نام WBLL1 و در سه لاین دیگر والد مشترکی به نام PFAU وجود دارد (جدول 7). این والدین احتمالاً نقشی اساسی در موفقیت این لاین‌ها در مقایسه با سایر لاین‌های آزمایش شده ایفا کرده‌اند.

بررسی لاین­های انتخابی نشان داد که لاین­های شماره 4، 8 و9 حاصل از برنامه تلاقی منطقه گرم و خشک دزفول و داراب، لاین­های شماره 16، 19، 21 و 27 حاصل انتخاب از برنامه خزانه بین­المللی گندم سیمیت مکزیک (54IBWSN)، لاین شماره 39 حاصل انتخاب از خزانه بین­المللی گندم­های منطقه نیمه­خشک دنیا (39SAWSN)، لاین­های شماره 63 و 64، حاصل انتخاب از خزانه بین­المللی گندم­های آزمایش­شده در شرایط دمای بالا در نقاط مختلف دنیا (20HTWYT)، لاین­های شماره 65، 67 و 68 حاصل از انتخاب از آزمایش­های بین­المللی مقایسه عملکرد گندم در مناطق نیمه­خشک در نقاط مختلف دنیا (29SAWYT) و دو لاین انتخابی 91 و 107 حاصل از برنامه دبل­هاپلوئید بود. مقاومت به تنش‌های محیطی یکی از ویژگی‌های بارز این لاین‌ها است. تحقیقات نشان داده‌اند که انتخاب گیاهانی با توانایی تحمل خشکی و گرما می‌تواند بقاء گیاه را تحت شرایط جوی نامناسب افزایش دهد و انرژی کمتری را برای مقابله با این تنش‌ها مصرف کند (Ahmed et al., 2023). علاوه بر مقاومت به شرایط سخت، عملکرد دانه بالا یکی دیگر از مزایای مهم این لاین‌ها است. پژوهش‌ها نشان داده‌اند که ویژگی‌های اصلاحی مانند وزن هزار دانه، عملکرد دانه و ارتفاع مناسب بالاتر باعث تمایل بیشتر کشاورزان به انتخاب این لاین­ها می‌شوند ((Ahmed et al., 2023. با توجه به این جنبه‌ها، لاین‌های انتخابی نه تنها به بهبود تولید و کیفیت محصولات کمک می‌کنند بلکه در درازمدت به پایداری و امنیت غذایی در مناطق گرم و خشک نیز یاری می‌رسانند.

جدول 4. نتایج شاخص انتخاب FAI-BLUP لاین­های گندم نان در فصل زراعی 1403-1402.

جدول 5. دیفرانسیل انتخاب و واریانس توجیه­شده، مقادیر ویژه، بارهای عاملی در تحلیل عاملی در لاین­های گندم نان.

DHE: تعداد روز تا گلدهی، DME: تعداد روز تا رسیدگی، PLH: ارتفاع بوته، TKW: وزن هزار دانه، SFP: طول دوره پر شدن، SFR: سرعت پر شدن دانه و YLD: عملکرد دانه.

جدول 6. مقایسه صفات لاین­های انتخابی با مجموع لاین­ها و ژنوتیپ­های شاهد در فصول زراعی مورد بررسی.

DHE: تعداد روز تا گلدهی، DME: تعداد روز تا رسیدگی، PLH: ارتفاع بوته، TKW: وزن هزار دانه، SFP: طول دوره پر شدن، SFR: سرعت پر شدن دانه و YLD: عملکرد دانه.

جدول 7. شجره لاین­های برتر منتخب با استفاده از شاخص FAI-BLUP.

4. نتیجه­ گیری

نتایج این تحقیق نشان داد که شاخص انتخاب FAI-BLUP به خوبی توانسته است لاین­های برتر را بر اساس صفات مورد بررسی انتخاب کند. این شاخص، لاین­های 19، 67، 93، 27، 16، 39، 4، 21، 63، 107، 8، 65، 9، 64 و 68 را به عنوان لاین­های برتر برای آزمایش­های سازگاری و پایداری در سال زراعی 1403-1404 معرفی کرد.

5. منابع

Ahmed, S.F., Ahmed, J.U., Hasan, M., & Mohi-Ud-Din, M. (2023). Assessment of genetic variation among wheat genotypes for drought tolerance utilizing microsatellite markers and morpho-physiological characteristics. Heliyon, 9(11).

Al-Ashkar, I., Sallam, M., Almutairi, K.F., Shady, M., Ibrahim, A., & Alghamdi, S.S. (2023). Detection of high-performance wheat genotypes and genetic stability to determine complex interplay between genotypes and environments. Agronomy, 13(2), 585.

Anonymous (2023). Statistical year book of agricultural crops. 1st Volume: Filed Crops. Ministry of Jihad-eAgriculture, Tehran, Iran, 103 pp. (In Persian).

Arief, V.N., DeLacy, I.H., Crossa, J., Payne, T., Singh, R., Braun, H.J., Tian, T., Basford, K.E., & Dieters, M.J. (2015). Evaluating testing strategies for plant breeding field trials: redesigning a CIMMYT international wheat nursery. Crop Science, 55(1), 164-177.

da Silva, M.J., Carneiro, P.C.S., de Souza Carneiro, J.E., Damasceno, C.M.B., Parrella, N.N.L.D., Pastina, M.M., Simeone, M.L.F., Schaffert, R.E., & da Costa Parrella, R.A. (2018). Evaluation of the potential of lines and hybrids of biomass sorghum. Industrial Crops and Products, 125, 379–385.

Egli, D.B. (2004). D Seed-Fill Uration and Yield of Grain Crops. Advances in Agronomy, 83, 243. 

Esmaeilzadeh Moghaddam, M., Khodarahmi, M., Pour-Shabazi, A., Akbari Moghaddam, H., Sayahfar, M., Tahmasebi, S., Aeineh, G.L., Amir-Bkhtiar, N., Afshari, F., & Dalvand, M. (2017). Mehreghan, a new bread wheat cultivar, resistant to yellow, leaf and stem rust and high bread making quality for cultivation in agricultural systems in southern warm and dry zone of Iran. Research Achievements for Field and Horticulture Crops, 6(1), 71-77. (In Persian).

Jasemi, S.S., Naghipour, F., Sanjani, S., Esfandiyari, E., Khorsand, H., and Najafian, G. (2017). Evaluation of quality properties of four wheats (Triticum aestivum L.) cultivars in wheat producing provinces of Iran. Iranian Journal of Crop Sciences, 19(2), 102-115. (In Persian).

Keshavarz Nia, R., Esmaeilzadeh Moghaddam, M., & Tabib Ghaffary, S.M. (2023). Evaluation and preliminary identification of superior lines of bread wheat in the north of khuzestan province. Iranian Journal of Field Crop Science, 54(4), 177-186. (In Persian).

Mondal, S., Singh, R.P., Mason, E.R., Huerta -Espino, J., Autrique, E., and Joshi, A.K. (2016). Grain yield, adaptation and progress in breeding for early-maturing and heat -tolerant wheat lines in South Asia. Field Crops Research, 192, 78-85.

Meier, C., Marchioro, V.S., Meira, D., Olivoto, T., & Klein, L.A. (2021). Genetic parameters and multiple-trait selection in wheat genotypes. Pesquisa Agropecuária Tropical, 51, e67996.

Oliveira, I.C.M., Marçal, T.d.S., Bernardino, K.d.C., Ribeiro, P.C.d. O., Parrella, R.A.d.C., Carneiro, P.C.S., Schaffert, R.E., & Carneiro, J.E.d.S. (2019). Combining ability of biomass sorghum lines for agroindustrial characters and multitrait selection of photosensitive hybrids for energy cogeneration. Crop Science, 59(4), 1554-1566.

Olivoto, T., & Lúcio, A.D.C. (2020). Metan: An R package for multi‐environment trial analysis. Methods in Ecology and Evolution, 11(6), 783-789.

Olivoto, T., & Nardino, M. (2021). MGIDI: Toward an effective multivariate selection in biological experiments. Bioinformatics, 37(10), 1383-1389.

Rajaram, S., & Van-Ginkel, M. (1994). A guide to the CIMMYT bread wheat program. Wheat Special, 5.

Rocha, J.R.d.A.S.d.C., Nunes, K.V., Carneiro, A.L.N., Marçal, T.d.S., Salvador, F.V., Carneiro, P.C.S., & Carneiro, J.E.S. (2019). Selection of superior inbred progenies toward the common bean ideotype. Agronomy Journal, 111(3), 1181-1189.

Rocha, J.R.d.A.S.d.C., Machado, J.C., & Carneiro, P.C.S. (2018). Multitrait index based on factor analysis and ideotype-design: Proposal and application on elephant grass breeding for bioenergy. Gcb Bioenergy, 10, 52–60.

Shifaraw, G., Alamerew, S., & Birhan, T. (2023). Morphological variations in bread wheat (Triticum aestivum L.) genotypes in Gechi district, South West Ethiopia.

Sönmezoğlu, Ö.A., Bozmaz, B., Yildirim, A., Kandemir, N., & Aydin, N. (2012). Genetic characterization of Turkish bread wheat landraces based on microsatellite markers and morphological characters. Turkish Journal of Biology, 36(5), 589-597.

Smith, H.F. (1936). A discriminant function for plant selection. Annals of Eugenics, 7, 240-250.

Woyann, L.G., Zdziarski, A.D., Baretta, D., Meira, D., Dallacorte, L.V., & Benin, G. (2019). Selection of high-yielding, adapted and stable wheat lines in preliminary trials. Crop Breeding and Applied Biotechnology, 19, 412-419.

Zali, H., Barati, A., Pour-Aboughadareh, A., Gholipour, A., Koohkan, S., Marzoghiyan, A., Bocianowski, J., Bujak, H., & Nowosad, K. (2023). Identification of superior barley genotypes using selection index of ideal genotype (SIIG). Plants, 12(9), 1843.

1. Factor Analysis and Ideotype Design-Best Linear Unbiased Prediction
2. 2. Multi-trait Genotype-Ideotype Distance Index
3. 3. Selection index of ideal genotype