بررسی اثر متقابل ژنوتیپ × محیط در لاین ‌های پیشرفته امید بخش سویا با استفاده از تجزیه گرافیکی gge-biplot

مقدمه و هدف: دانه‌های روغنی از جمله مهم‌ترین منابع تامین انرژی در سراسر جهان می‌باشند. سویا یک محصول مهم زراعی می‌باشد که روغن آن ارزش غذایی و اقتصادی بالایی دارد. سویا (l.glycine max ) گیاهی یک‎ساله و خودگشن، دیپلوئید، متعلق به تیره نخود leguminosae می‌باشد و از مهم‎ترین گیاهان روغنی در جهان محسوب می‌شود که بسته به نوع ژنوتیپ و عوامل محیطی دارای 22-18 درصد روغن و 50-40 درصد پروتئین است. سویا قرن‌هاست که غذای مردم آسیا مخصوصاً چین بوده است و مردم چین آن را همراه با برنج به‌عنوان غذای اصلی خود مصرف می‌کنند. ایالات‌ متحده آمریکا بزرگ‌ترین تولیدکننده سویا می‌باشد و تقریباً دوسوم محصول کل دنیا را تولید می‌کند. بهبود عملکرد دانه همیشه هدف اصلی در برنامه‌های اصلاحی سویا است. با بهره‌گیری از ارقام جدید و پربازده، می‌توان عملکرد اقتصادی سویا را افزایش داد. ارزیابی ژنوتیپ‌های پیشرفته امیدبخش سویا در شرایط محیطی مختلف، در شناسایی و انتخاب لاین‌های برتر با پتانسل عملکرد بالا و پایدار ضروری می‌باشد. ارزیابی اثر متقابل ژنوتیپ × محیط مطالعات ارزشمندی در رابطه با عملکرد ارقام گیاهی در محیط‌های مختلف فراهم کرده و نقش مهمی در بررسی پایداری عملکرد ارقام اصلاح شده دارد. اثرات متقابل ژنوتیپ × محیط از عوامل مهم محدود کننده در معرفی ارقام جدید محسوب می‌شود. اثر متقابل ژنوتیپ × محیط مسئله‌ای مهم در مطالعه صفات کمی می‎باشد زیرا پایداری عملکرد در محیط‌های مختلف را کاهش می‌دهد و همچنین تفسیر آزمایش‌های ژنتیکی را دشوار و پیش‌بینی‌ها را با مشکل مواجه می‌سازد. لذا شناخت نوع و ماهیت اثر متقابل و دستیابی به ارقامی که کمترین واکنش را نسبت به اثرات متقابل نشان دهند از اهمیت ویژهای برخوردار است. روش‌های مختلفی برای ارزیابی اثرات متقابل معرفی شده است که هریک ماهیت اثر متقابل را از دیدگاه مشخصی بررسی می‌کنند. در این میان روش گرافیکی gge-biplot روشی با کارایی مناسب برای بررسی اثر متقابل ژنوتیپ × محیط بوده و اطلاعات خوبی در مورد ژنوتیپ‌ها و محیط‌های مورد مطالعه به‎صورت گرافیکی در اختیار قرار می‌دهد. هدف از اجرای این مطالعه، بررسی اثر متقابل ژنوتیپ × محیط با استفاده از روش گرافیکی gge-biplot به‎منظور ارزیابی ژنوتیپ‌ها، محیط‌ها، روابط ژنوتیپ‌ها و محیط‌ها و در نهایت شناسایی ژنوتیپ‌های پایدار با عملکرد دانه بالا تحت شرایط محیطی مختلف در سویا بود. مواد و روش‌ها: تعداد 27 لاین جدید سویا به‎همراه ارقام صبا و امیر تحت شرایط محیطی مختلف در چهار ایستگاه‌ تحقیقاتی (کرج، گرگان، ساری و مغان) در قالب طرح بلوک‌های کامل تصادفی با سه تکرار در سال زراعی 1401 مورد ارزیابی قرار گرفتند. هر کرت آزمایشی شامل چهار ردیف پنج متری با فاصله بین ردیف‌های 50 سانتی‎متر بود. برای ارزیابی پایداری و سازگاری ژنوتیپ‌ها در محیط‌های مورد بررسی از روش آماری gge بای‌پلات با مدل اثر ژنوتیپ + برهمکنش ژنوتیپ × محیط استفاده شد. در زمان رسیدگی محصول عملکرد دانه برای هر ژنوتیپ در هر محیط اندازه‌گیری گردید. یافته‌ها: نتایج تجزیه مرکب عملکرد دانه نشان داد که اثر محیط، اثر ژنوتیپ و اثر متقابل ژنوتیپ × محیط معنی‌دار بود. معنی‌دار بودن اثر متقابل ژنوتیپ × محیط، بیانگر واکنش متفاوت ژنوتیب‌ها در محیط‌های مختلف بود و از این‎رو، امکان تجزیه پایداری ژنوتیپ‌ها وجود داشت. نتایج تجزیه اثر متقابل ژنوتیپ × محیط با روش gge-biplot نشان داد که دو مولفه اول و دوم gge-biplot، 84/8 درصد از تغییرات کل عملکرد دانه را توجیه کردند که نشان دهنده اعتبار بالای بای‎پلات در توجیه تغییرات ژنوتیپ و برهمکنش ژنوتیپ × محیط (g+ge) بود. در این مطالعه دو محیط کلان شناسایی گردید که محیط کلان اول شامل محیط‌های گرگان و مغان بود. محیط کلان دوم نیز شامل محیط‌های ساری و کرج بود. براساس نمایش چندضلعی بای‌پلات، لاین g1 در محیط‌های ساری و کرج و ژنوتیپ‌های g21 و g22 در محیط‌های گرگان و مغان، ژنوتیپ‌های برتر و با سازگاری خصوصی بالا بودند. نتایج نمودار مختصات محیط متوسط نشان داد که ژنوتیپ‌های g1، g22،g5  و g9 به‎ترتیب بیشترین عملکرد دانه را دارا بودند. از طرف دیگر ژنوتیپ‌های g28، g25، g16 و g19 به‎ترتیب کمترین مقدار عملکرد دانه را دارا بودند. بر اساس بای‌پلات ژنوتیپ فرضی ایده‌‌آل، ژنوتیپ‌های g22، g5، g16، g12، g14 و g9 از نظر هردو عامل پایداری و میانگین عملکرد دانه، بهتر از سایر ژنوتیپ‌ها بودند و سازگاری عمومی بالایی در همه محیط‌های مورد بررسی داشتند. همچنین نتایج نشان داد که محیط‌های کرج و مغان نزدیک‌ترین محیط‌‌ها به محیط ایده‌آل بودند و بیشترین تمایز و بیانگری را نشان دادند. بنابراین می‌توان از محیط‌های کرج و مغان به‎عنوان محل ارزیابی مناسب برای انتخاب ژنوتیپ‌های برتر سویا استفاده کرد. نتیجه‌گیری: براساس نتایج این پژوهش، ژنوتیپ‌های g22، g5، g16، g12، g14 و g9 از نظر هردو عامل پایداری و میانگین عملکرد دانه، ژنوتیپ‌های برتر این آزمایش بودند و می‌توان از آن‌ها برای انجام آزمایشات بیشتر از جمله آزمایشات سازگاری استفاده نمود. همچنین نتایج نشان داد که محیط‌های کرج و مغان به‎عنوان محل ارزیابی مناسب برای انتخاب ژنوتیپ‌های برتر سویا شناسایی شدند. به‎طور کلی نتایج نشان داد که روش گرافیکی gge-biplot روشی با کارایی مناسب برای بررسی اثر متقابل ژنوتیپ × محیط بوده و اطلاعات خوبی در مورد ژنوتیپ‌ها و محیط‌های مورد مطالعه در اختیار قرار می‌دهد. 

a study on the genotype × environment interaction in promising advanced genotypes of soybean using graphical gge-biplot analysis

background: oilseeds are among the most important sources of energy all over the world. soybean (glycine max l.) is an important crop and its oil has nutritional and high economic value. as an annual, self-pollinating, diploid plant belonging to the leguminosae pea family, soybean falls into the most important oil plants in the world, containing 18-22% oil and 40-50% protein, depending on the genotype and environmental factors. soybean has been the food of asian people, especially china, for centuries, and chinese people consume it along with rice as their main food. the united states of america is the largest producer of soybeans and produces almost two-thirds of the world’s crop. improving seed yield is always a major goal in soybean breeding programs. the economic performance of soybeans can be increased by using new and high-yield varieties. it is essential to evaluate promising advanced soybean genotypes under different environmental conditions for identifying and selecting superior genotypes with high and stable yield potential. genotype × environment interaction effects are important limiting factors in the introduction of new cultivars. the genotype × environment interaction is a major challenge in the study of quantitative characters because it reduces yield stability in different environments and complicates the interpretation of genetic experiments, making predictions difficult. therefore, it is crucial to know the type and nature of the interaction effect and reach the verities that have the least role in creating interaction effects. various methods have been introduced to evaluate the interaction effect, each of which examines the nature of the interaction effect from a specific point of view. the gge-biplot graphic method is a technique with suitable efficiency to investigate the genotype × environment interaction effect and provides good information about the studied genotypes and environments graphically. this study aimed to investigate the genotype × environment interaction effect using the gge-biplot graphic method to evaluate genotypes, environments, and relationships between genotypes and environments. finally, this research seeks to identify stable soybean genotypes with high grain yields under different environmental conditions.methods: in total, 27 new soybean lines along with saba and amir cultivars were evaluated under different environmental conditions in a randomized complete block design with three replications in four experimental field stations (karaj, gorgan, sari, and moghan) during the 2022 cropping season. the plots consisted of four rows of 5 m in length with 50 cm spacing between the rows. the gge biplot statistical method (the genotype effect + genotype × environment interaction) was used to study the stability of genotypes in the studied environments. plants were harvested at maturity, and then the seed yield was recorded for each genotype at each test environment.results: the results of the combined analysis of variance indicated that the effects of environments (e), genotypes (g), and genotype × environment (g×e) interaction were significant for seed yield, suggesting that the genotypes responded differently in the studied environmental conditions, making the stability analysis possible. the results of the genotype × environment interaction analysis using the gge-biplot method indicated that the two first and second principal components of the gge-biplot explained 84.8% of the total seed yield variation, indicating the high validity of the biplot in explaining the variations of genotypes and the genotype × environment interaction (g + ge). this study identified two mega-environments, the first of which included gorgan and mughan, and the second mega-environment included sari and karaj.