Отбор стабильных мутантов риса с помощью линейных моделей со смешанными эффектами (LMM) и индексов стабильности

Мутационные изменения служат основным источником разнообразия в селекции растений. Данное исследование было сосредоточено на выявлении стабильных мутантных линий риса. Четырнадцать мутантных линий и четыре обычных сорта риса были оценены в рандомизированном посеве с тремя повторениями в трех регионах Ирана (Решт, Чапарсар и провинция Фарс) в течение двух вегетационных сезонов 2015 и 2016 гг. Все статистические анализы выполнены с использованием пакета R ‘metan’ (multi-environment trial analysis). Однофакторный ANOVA показал значимые генотипические эффекты для всех признаков. Тесты отношения правдоподобия (LRT) подтвердили значимые эффекты среды и взаимодействия генотип–среда (GEI) для всех признаков. Первые три главные компоненты определяли 68.13, 14.46 и 9.76 % вариаций GEI соответственно. Визуализация тепловой карты для выраженности урожайности и WAASB (взвешенное среднее абсолютных баллов на основе наилучшего линейного несмещенного прогноза, BLUP) позволила выделить генотипы G3, G9, G6, G12 и G5 как высокоурожайные и стабильные. Анализ с помощью индекса мультипризнаковой стабильности (MTSI), разработанный для выявления сильных и слабых сторон генотипов, отобрал только генотипы G7, G5 и G1. С использованием параметра гармонического среднего относительной производительности генотипических значений (HMRPGV) были отмечены пять лучших генотипов – G5, G12, G7, G2 и G1. Высокая выраженность признаков у некоторых мутантов демонстрирует, что мутационные изменения могут эффективно создавать значительное генетическое разнообразие. В частности, генотипы G12, G5 и G9 имели явное преимущество перед другими генотипами и могут быть использованы для последующей селекции или для создания сорта. Однако только генотип G5 был отобран с учетом индекса MTSI на основе всех признаков и, следовательно, может быть использован в дальнейшем селекционном процессе или для создания сорта.

1. Ahakpaz F., Abdi H., Neyestani E., Hesami A., Mohammadi B., Nader Mahmoudi K., Abedi-Asl G., Jazayeri Noshabadih M.R., Ahakpaz F. Genotype-by-environment interaction analysis for grain yield of barley genotypes under dryland conditions and the role of monthly rainfall. Agric Water Manage. 2021;245. doi 10.1016/j.agwat.2020.106665

2. Akter A., Hasan M.J., Kulsum M.U., Rahman M.H., Paul A.K., Lipi L.F., Akter S. Genotype × environment interaction and yield stability analysis in hybrid rice (Oryza sativa L.) by AMMI biplot. Bangladesh Rice J. 2015;19(2):83-90. doi.org/10.3329/brj.v19i2.28168

3. Allahgholipour M. Analysis of grain yield stability of new rice (Oryza sativa L.) genotypes originated from Iranian local cultivars. Iranian J Crop Sci. 2017;18(4):288-301. (in Persian with English abstract).

4. Balestre M., dos Santos V.B., Soares A.A., Reis M.S. Stability and adaptability of upland rice genotypes. Crop Breed Appl Biotech. 2010;10:357-363. doi 10.1590/S1984-70332010000400011

5. Bocianowski J., Niemann J., Nowosad K. Genotype-by-environment interaction for seed quality traits in interspecific cross-derived Brassica lines using additive main effects and multiplicative interaction model. Euphytica. 2019;215(1):7. doi 10.1007/s10681-018-2328-7

6. Bose L.K., Jambhulkar N.N., Pande K., Singh O.N. Use of AMMI and other stability statistics in the simultaneous selection of rice genotypes for yield and stability under direct-seeded conditions. Chil J Agric Res. 2011;74(1):3-9. doi 10.4067/S0718-58392014000100001

7. Cheema A.A. Mutation breeding for rice improvement in Pakistan: achievements and impact. Plant Mut Rep. 2006;1(1):36-39. https://www-pub.iaea.org/MTCD/publications/PDF/Newsletters/PMR-01-01.pdf

8. Coan M.M.D., Marchioro V.S., Franco F.A., Pinto R.J.B., Scapim C.A., Baldissera J.N.C. Determination of genotypic stability and adaptability in wheat genotypes using mixed statistical models. J Agric Sci Tech. 2018;20:1525-1540. https://jast.modares.ac.ir/article-23-20190-en.pdf

9. Colombari-Filho J.M., Resende M.D.V., de Morais O.P., Castro A.P., Guimaraes E.L., Pereira J.M., Utumi M.M., Breseghello F. Upland rice breeding in Brazil: a simultaneous genotypic evaluation of stability, adaptability and grain yield. Euphytica. 2013;192:117-129. doi 10.1007/s10681-013-0922-2

10. Dewi A.K., Dwimahyani I. Grain yield stability analysis of Jembar local rice mutant lines generated from mutation breeding. IOP Conf Ser Earth Environ Sci. 2019;230:012112. doi 10.1088/1755-1315/230/1/012112

11. Dia M., Wehner T.C., Arellano C. Analysis of genotype × environment interaction (G×E) using SAS programming. Agron J. 2016;108: 1838-1852. doi 10.2134/agronj2016.02.0085

12. Donoso-Ñanculao G., Paredes M., Becerra V., Arrepol C., Balzarini M. GGE biplot analysis of multi-environment yield trials of rice produced in a temperate climate. Agric Res. 2015;76(2):152-157. doi 10.4067/S0718-58392016000200003

13. Dushyanthakumar B.M., Shadadashari Y.G. Stability analysis of P.U. Belliyappa local rice mutants. Karnataka J Agric Sci. 2007; 20(4):724-726. http://14.139.155.167/test5/index.php/kjas/article/viewFile/1032/1024

14. Ebadi A.A., Hallajian M.T., Kordrostami M. The genetic variation and stability analysis of rice mutant lines using AMMI model under normal and drought stress conditions. Genetika. 2019;51(2):687-699. doi 10.2298/GENSR1902687E

15. Farshadfar E. Incorporation of AMMI stability value and grain yield in a single non-parametric index (GSI) in bread wheat. Pakistan J Biol Sci. 2008;11(14):1791-1796. doi 10.3923/pjbs.2008.1791.1796

16. Gauch H.G. A simple protocol for AMMI analysis of yield trials. Crop Sci. 2013;53(5):1860-1869. doi 10.2135/cropsci2013.04.0241

17. Kang M.S. A rank-sum method for selecting high-yielding, stable corn genotypes. Cereal Res Comm. 1988;16:113-115

18. Karimizadeh R., Pezeshkpour P., Barzali M., Mehraban A., Sharifi P. Evaluation the mean performance and stability of lentil genotypes by combining features of AMMI and BLUP techniques. J Crop Breed. 2020;12(36):160-170. (In Persian with English abstract). doi 10.52547/jcb.12.36.160

19. Khush G.S. What it will take to feed 5.0 billion rice consumers in 2030. Plant Mol Biol. 2005;59:1-6. doi 10.1007/s11103-005-2159-5

20. Koundinya A.V.V., Pandit M.K., Ramesh D., Mishra P. Phenotypic stability of eggplant for yield and quality through AMMI, GGE and cluster analyses. Sci Hort. 2019;247:216-223. doi 10.1016/j.scienta.2018.12.019

21. Nayak D., Bose L.K., Singh S., Nayak P. Additive main effects and multiplicative interaction analysis of host-pathogen relationship in rice-bacterial blight pathosystems. Plant Path J. 2008;24(3): 337-351

22. Olivoto T., Lúcio A.D. Metan: an R package for multi-environment trial analysis. Meth Ecol Evol. 2020;11:783-789. doi 10.1111/2041-210X.13384

23. Olivoto T., Lúcio A.D.C., da Silva J.A.G., Marchioro V.S., de Souza V.Q., Jost E. Mean performance and stability in multi-environment trials I: combining features of AMMI and BLUP techniques. Agron J. 2019a;111(6):2949-2960. doi 10.2134/agronj2019.03.0220

24. Olivoto T., Lúcio A.D.C., da Silva J.A.G., Sari B.G., Diel M.I. Mean performance and stability in multi-environment trials II: selection based on multiple traits. Agron J. 2019b;111(6):2961-2969. doi 10.2134/agronj2019.03.0221

25. Olivoto T., Nardino M., Meira D., Meier C., Follmann D.N., de Souza V.Q., Konflanz V.A., Baretta D. Multi-trait selection for mean performance and stability in maize. Agron J. 2021;113:3968-3974. doi 10.1002/agj2.20741

26. Patterson H.D., Thompson R. Recovery of interblock information when block sizes are unequal. Biometrics. 1971;58:545-554. doi 10.2307/2334389

27. Piepho H.P. Best linear unbiased prediction (BLUP) for regional yield trials: a comparison to additive main effects and multiplicative interaction (AMMI) analysis. Theor Appl Genet. 1994;89(5):647-654. doi 10.1007/BF00222462

28. Rahayu S. Yield stability analysis of rice mutant lines using AMMI method. J Phys Conf Ser. 2020;1436:012019. doi 10.1088/1742-6596/1436/1/012019

29. Resende M.D.V. Matemática e Estatística na Análise de Experimentos e no Melhoramento Genético. Embrapa Florestas, Colombo, Brazil, 2007

30. Rodovalho M.A., Coan M.M.D., Scapim C.A., Pinto R.J.B., Contreras-Soto R.I. Comparison of HMRPGV, Lin and Binns’s and Annichiarico’s methods for maize hybrid selection for high and stable yield. Maydica. 2015;60(1):1-7

31. Santos F., Marza F. Selection of forage oat genotypes through GGE Biplot and BLUP. bioRxiv. 2020. doi 10.1101/2020.03.10.986422

32. Searle S.R., Casella G., McCulloch C.E. Variance Components. John Wiley and Sons, New York, USA, 1992

33. Sellami M.H., Lavini A., Pulvento C. Phenotypic and quality traits of chickpea genotypes under rainfed conditions in South Italy. Agronomy. 2021;11:962. doi 10.3390/agronomy11050962

34. Sharifi P. Evolution, domestication, breeding methods and the latest breeding findings in rice. Agric Natural Res Engining Org of Iran. 2020. (in Persian)

35. Sharifi P., Aminpanah H., Erfani R., Mohaddesi A., Abbasian A. Evaluation of genotype×environment interaction in rice based on AMMI model in Iran. Rice Sci. 2017;24(3):173-180. doi 10.1016/j.rsci.2017.02.001

36. Sharifi P., Erfani A., Abbasian A., Mohaddesi A. Stability of some of rice genotypes based on WAASB and MTSI indices. Iranian J Gen Plant Breed. 2021;9(2):1-11. doi 10.30479/IJGPB.2021.14432.1283

37. Shu Q.Y. Plant Mutation and Biotechnology. CABI, 2012 van Eeuwijk F.A., Bustos-Korts D.V., Malosetti M. What should students in plant breeding know about the statistical aspects of genotype × environment interactions? Crop Sci. 2016;56(5):2119-2140. doi 10.2135/cropsci2015.06.0375

38. Verma A., Singh G.P. Simultaneous application of AMMI measures and yield for stability analysis of wheat genotypes evaluated under irrigated late sown conditions of Central Zone of India. J Appl Nat Sci. 2020;12(4):541-549. doi 10.31018/jans.v12i4.2391

39. Yan W. Analysis and handling of G × E in a practical breeding program. Crop Sci. 2016;56:2106-2118. doi 10.2135/cropsci2015.06.0336

40. Yan W. A systematic narration of some key concepts and procedures in plant breeding. Front Plant Sci. 2021;12:724517. doi 10.3389/fpls.2021.724517

41. Yan W., Hunt L.A., Sheny Q., Szlavnics Z. Cultivar evaluation and mega-environment investigation based on the GGE biplot. Crop Sci. 2000;40:597-605 doi 10.2135/cropsci2000.403597x

42. Yan W., Pageau D., Frégeau-Reid J., Durand J. Assessing the representativeness and repeatability of test locations for genotype evaluation. Crop Sci. 2011;51:1603-1610. doi 10.2135/cropsci2011.01.0016