Het ontrafelen van genotypische interacties in suikerbieten voor verbeterde opbrengststabiliteit en eigenschapsassociaties – Wetenschappelijke rapporten

Analyse van de interactie tussen genotype en omgeving

De onbeduidendheid van de G-statistiek in de Grubbs-test werd bepaald op basis van de normaliteit van de experimentele gegevens met betrekking tot WSY, RY, SC en ECS. Bovendien bevestigden de niet-significante chi-kwadraatwaarden verkregen uit de Bartlett-test voor deze eigenschappen verder de consistentie van experimentele foutvariantie in vier omgevingen (twee locaties gedurende 2 jaar). Nadat de hypothesen waren gevalideerd, werd een gecombineerde variantieanalyse uitgevoerd om de hoofdeffecten af ​​te bakenen en interacties tussen verschillende bronnen van variatie te kwantificeren. Het gemiddelde kwadraat van het hoofdeffect van genotype vertoonde een significante ongelijkheid op het 1% waarschijnlijkheidsniveau voor alle vier eigenschappen: WSY, RY, SC en ECS. Interactie-effecten van jaar-locatie, jaar-locatie-genotype op het 1% waarschijnlijkheidsniveau voor alle eigenschappen en jaar-genotype op het 5% waarschijnlijkheidsniveau voor WSY en op het 1% waarschijnlijkheidsniveau voor SC vertoonden opmerkelijke verschillen (tabel 4). Deze significante variaties die zijn waargenomen in experimentele jaren, locaties en genotypes kunnen worden toegeschreven aan veranderingen in omgevingsomstandigheden en genetische samenstelling, wat leidt tot verschillende prestaties van WSY, RY, SC en ECS in verschillende omgevingen. Dit onderstreept het belang van het beoordelen van genotypes in diverse omgevingen vanwege de GEI, waarbij genotypes verschillend reageren op verschillende locaties. De studie van Sadeghzadeh Hemayati, et al.²⁸ benadrukte de substantiële impact van de omgeving en de interactie ervan met de genetische samenstelling van verschillende genotypen op de fenotypische expressie van WSY in suikerbietgenotypen. Het onderzoek van Saremirad en Taleghani¹⁴ benadrukte dat de GEI de kwantitatieve en kwalitatieve aspecten van de suikeropbrengst in suikerbiethybriden aanzienlijk beïnvloedt, wat het belang onderstreept van het overwegen van deze interactie bij het kweken van nieuwe hybriden. Het schatten van GEI biedt waardevolle inzichten voor besluitvorming met betrekking tot aanpassingsvermogen in verschillende omgevingsomstandigheden, wat bijdraagt ​​aan de ontwikkeling van stabiele cultivars die geschikt zijn voor specifieke omgevingen. Het gebruik van multivariate statistische methoden kan het begrip van GEI in landbouwkundig onderzoek verbeteren²⁷.

Om de betrouwbaarheid van experimentele analyses in meerdere omgevingen te verbeteren en een nauwkeuriger begrip van GEI's te krijgen, werd de data-analyse van WSY, RY, SC en ECS uitgevoerd met behulp van een combinatie van AMMI- en BLUP-modellen. De significante impact van de omgeving, waargenomen op een waarschijnlijkheidsniveau van 1% voor alle vier de eigenschappen, benadrukte variaties in de omgevingsomstandigheden in de studiegebieden. Genotype-effecten waren ook significant voor alle bestudeerde eigenschappen op een waarschijnlijkheidsniveau van 1%, wat duidt op uiteenlopende prestaties in WSY, RY, SC en ECS tussen de onderzochte genotypen. GEI vertoonde significantie voor alle vier eigenschappen op het waarschijnlijkheidsniveau van 1% (tabel 5), wat aantoont dat experimentele genotypen verschillend reageren op veranderende omgevingsomstandigheden. Deze interactie bepaalt de sterke en zwakke punten van elk genotype op basis van omgevingsfactoren, wat leidt tot schommelingen in de rangschikking van het genotype en resulteert in variaties in WSY, RY, SC en ECS in verschillende omgevingen. Deze bevindingen benadrukken de noodzaak om rekening te houden met diverse interacties in landbouwkundig onderzoek om gunstige resultaten te bereiken in de ontwikkeling van landbouwkundig onderzoek^39,52.

Gezien de significante impact van GEI op alle beoordeelde eigenschappen—WSY, RY, SC en ECS—werd een multiplicatieve effectenanalyse uitgevoerd om stabiele genotypen te identificeren op basis van het AMMI-model. De analyse van het multiplicatieve effect van GEI op WSY onthulde dat de eerste IPC, significant verschillend op het 1% waarschijnlijkheidsniveau, bijdroeg aan 87.30% van het totale kwadraat van GEI, terwijl de twee niet-significante IPC respectievelijk 10.10% en 2.60% voor hun rekening namen. Evenzo was voor RY de eerste IPC significant op het 1% waarschijnlijkheidsniveau, waarbij de tweede en derde IPC's geen significante verschillen vertoonden. Hun respectievelijke bijdragen aan het verklaren van de som van kwadraten van GEI waren 87.70%, 9.20% en 3.20%. Analyse van SC bracht één significante IPC op het 1% waarschijnlijkheidsniveau en twee niet-significante IPC's aan het licht, die 85.20%, 11.30% en 3.50% van de variatie verklaarden. In termen van ECS verduidelijkten twee significante IPC's 98.20% van de GEI-variaties, met aandelen van elk 79.40% en 18.80% (tabel 6). Eerdere studies door Omrani, et al.⁵³, Sadabadi, et al.⁵⁴, Mostafavi en Saremirad⁵⁵, Rajabi, et al.¹³en Sadeghzadeh Hemayati, et al.²⁸ hebben verschillende bijdragen van PC's aangetoond bij het verklaren van GEI. Het combineren van de kracht van het AMMI-model met de voorspellende nauwkeurigheid van het BLUP-model wordt aanbevolen om vooroordelen te verminderen en een uitgebreid begrip van GEI's te bieden, zoals aangegeven in deze studie en eerder onderzoek.

De likelihood ratio-test bevestigde de resultaten van de AMMI-analyse, en gaf aan dat er significante effecten waren van genotype, omgeving en GEI op een waarschijnlijkheidsniveau van 1% voor alle vier de kenmerken: WSY, RY, SC en ECS (tabel 5). De opmerkelijke impact van GEI onderstreept hoe de genetische samenstelling van een genotype, gekoppeld aan omgevingsomstandigheden die specifiek zijn voor het veld, gezamenlijk de fenotypische expressie van deze eigenschappen vormgeven. Gezien de continue invloed van meerdere genen die geassocieerd worden met kwantitatieve eigenschappen, genomische regio's en omgevingsfactoren op deze eigenschappen⁵⁶, genen die opbrengsten en hun componenten bepalen zijn bijzonder gevoelig voor omgevingsvariaties en vertonen een complexe interactie tussen controlegebieden van kwantitatieve eigenschappen en de omgeving. Deze wisselwerking kan reacties op selectie vergemakkelijken of belemmeren, wat het belang benadrukt van het zorgvuldig beheren van deze effecten door fokkers⁵⁷Het gebruik van BLUP-analyse om genetische variantiecomponenten te schatten kan leiden tot robuustere en nauwkeurigere resultaten, waardoor de uitkomsten van fokprogramma's worden verbeterd.⁵⁰De REML/BLUP-methode werd gebruikt om genetische variantiecomponenten voor de bestudeerde eigenschappen te schatten, waarbij de hoogste fenotypische variantie in WSY en RY werd toegeschreven aan genetische variantie, terwijl SC en ECS voornamelijk werden beïnvloed door omgevingsvariantie (Fig. 1). Een hogere genetische diversiteit-tot-omgevingsverhouding in WSY en RY verbetert de selectie-efficiëntie, waardoor de identificatie en selectie van gunstige genotypen nauwkeuriger kan worden uitgevoerd.⁵⁸. GEI-variantie had de kleinste impact op fenotypische variantie over alle eigenschappen, wat suggereert dat er een beperkte invloed is op de variabiliteit van eigenschapsexpressie tussen suikerbietgenotypes in verschillende omgevingen. Wanneer GEI-variantie laag is in vergelijking met omgevingsvariantie, heeft genetische variatie een verminderd effect op eigenschapsexpressie, wat impliceert dat fenotypische eigenschapsverschillen tussen omgevingen minder genetisch worden beïnvloed⁵⁹. Dit inzicht is cruciaal voor veredelaars bij het selecteren van eigenschappen. De uitkomsten van studies over winterse suikerbietenteelt en gerelateerd onderzoek onderstrepen de primaire invloed van de omgeving op WSY, gevolgd door genotypebijdragen, terwijl GEI een kleinere rol speelt in variatie in eigenschapsexpressie³²Deze bevindingen werpen licht op de verschillende effecten van omgevingsomstandigheden en genetische factoren op de expressie van eigenschappen in suikerbietengenotypes, en vormen een leidraad voor veredelaars bij hun selectieprocessen.

Aandeel van de fenotypische variantie voor bestudeerde eigenschappen in suikerbietgenotypes.

Afbeelding op volledige grootte

Hoewel de eerste twee IPC's van het AMMI-model doorgaans de diversiteit van de meeste genotypen verklaren, kunnen bepaalde genotypen aanvullende IPC's vereisen voor een uitgebreide analyse²⁷. Om dit aan te pakken, staat de WAASB-index als een kwantitatieve maatstaf voor duurzaamheid, die deze variaties accommodeert. De biplot in Fig. 2 illustreert prestatiekenmerken (WSY, RY, SC en ECS) op de horizontale as en WAASB-indexwaarden op de verticale as. Binnen deze biplot vertegenwoordigt de verticale lijn in het midden de gemiddelde algehele prestatie over testomgevingen. Genotypes en omgevingen rechts van deze lijn geven hogere prestatiewaarden aan dan het gemiddelde, terwijl die aan de linkerkant lagere prestatiewaarden vertonen. De horizontale as in het midden geeft de gemiddelde WAASB-index aan. De biplot is verdeeld in vier kwadranten op het snijpunt van deze as met de verticale as (gemiddelde prestatie), waardoor classificatie van genotypen mogelijk is op basis van hun aanpassingsvermogen aan verschillende omgevingen. In het eerste kwadrant van de WSY-biplot (Fig. 2A), genotypes 1, 2 en 3 en omgevingen E3 en E4, voor RY (Fig. 2B), genotypes 1, 2 en 3 en omgevingen E3 en E4, voor SC (Fig. 2C), genotypes 1, 2, 3, 4 en 11 en omgevingen E1 en E2, en voor ECS (Fig. 2D), genotypes 2, 3 en 1 en omgevingen E2 en E3 vertoonden hoge WAASB-waarden en prestaties onder het algemene gemiddelde, wat duidt op instabiliteit en fluctuatie in prestaties, evenals waarden onder het gemiddelde. Deze genotypes worden ongeschikt geacht voor teelt vanwege hun onstabiele aard. Daarentegen genotypes zoals 18 en omgeving E2 in het tweede kwadrant van de WSY-biplot (Fig. 2A), genotype 16 en omgeving E2 in het tweede kwadrant van de RY-biplot (Fig. 2B), genotypes 7 en 18 en omgevingen E3 en E4 in het tweede kwadrant van de SC-biplot (Fig. 2C), en omgevingen E1 en E2 in het tweede kwadrant van de ECS-biplot (Fig. 2D) vertoonden hoge WAASB en prestatiewaarden die het gemiddelde overtroffen. Deze genotypen, die reageren op omgevingsomstandigheden, bezitten een goed aanpassingsvermogen en uitzonderlijke prestaties onder gunstige omstandigheden, waardoor ze geschikt zijn voor teelt in omgevingen die bevorderlijk zijn voor de groei van suikerbieten. Omgevingen in het tweede kwadrant verdienen speciale aandacht vanwege hun bovengemiddelde productiviteit en vermogen om genotypen effectief te onderscheiden. In de WSY-biplot (Fig. 2A) genotypen 9, 4, 5 en 11, in de RY-biplot (Fig. 2B) genotypes 4, 5, 17 en 11, in de SC-biplot (Fig. 2C) genotypes 8, 9 en 5, en in de ECS-biplot (Fig. 2D) genotypes 9, 5, 11 en 4 waren gepositioneerd in het derde kwadrant. Deze genotypes vertoonden lagere WAASB-indexwaarden, wat duidt op stabiliteit of verminderde gevoeligheid voor omgevingsinvloeden, naast lagere prestatiewaarden. In essentie vertoonden deze genotypes lagere prestaties maar hogere stabiliteit, wat duidt op een afweging tussen prestaties en stabiliteit. Aan de andere kant waren genotypes 10, 8, 17, 6, 13, 14, 15, 7, 12 en 16, samen met omgeving E1, gesitueerd in het vierde kwadrant van de WSY-biplot (Fig. 2A), genotypes 9, 10, 6, 14, 7, 8, 13, 12, 18 en 15, samen met omgeving E1, in het vierde kwadrant van de RY-biplot (Fig. 2B), genotypes 10, 15, 12, 13, 16, 17, 6 en 14 in het vierde kwadrant van de SC-biplot (Fig. 2C) en genotypes 8, 10, 7, 6, 13, 12, 16, 17, 15, 14 en 18 in het vierde kwadrant van de ECS-biplot (Fig. 2D) vertoonden lage WAASB-indexwaarden en opbrengsten die het gemiddelde overtroffen. Deze genotypes, erkend voor hun stabiele en optimale prestaties, vertoonden minimale gevoeligheid voor omgevingsomstandigheden en consistent sterke prestaties. Omgevingen in het vierde kwadrant vertoonden een hoge productiviteit en lage WAASB-waarden vergeleken met de andere experimentele omgevingen. De WAASB-index, afgeleid van AMMI-decompositie op de BLUP-matrix, biedt een voordeel ten opzichte van het AMMI-model door alle IPC-scores te omvatten om de stabiliteit op basis van GEI's uitgebreid te bepalen. Deze index houdt rekening met de totale GEI-variantie en helpt bij het identificeren van stabiele genotypes. In gevallen waarin de eerste IPC alleen niet effectief stabiele genotypes kan identificeren vanwege meerdere IPC's die GEI beïnvloeden, wordt de WAASB-index aanbevolen vanwege het vermogen om de variantie van GEI uitgebreid vast te leggen. Studies hebben aangetoond dat een op BLUP gebaseerd gemengd model, zoals het model met de WAASB-index, AMMI-modellen met vaste effecten vaak overtreft in nauwkeurigheids- en stabiliteitsbeoordelingen^60,61,62,63De WAASB-stabiliteitsindex heeft bewezen effectief te zijn bij het identificeren van genotypen met gunstige en consistente prestaties in verschillende plantensoorten, zoals tarwe⁶⁴, soja⁶⁵, linzen⁶⁶, rijst⁶⁷, maïs⁶³, en suikerbiet^27,28,31,52, wat waardevolle en betrouwbare resultaten oplevert in plantenveredelingsstudies.

Biplotanalyse van de opbrengst van witte suiker (a), wortelopbrengst (b), suikergehalte (c) en extractiecoëfficiënt van suiker (d) van suikerbietengenotypen, geëvalueerd door gewogen gemiddelde absolute scores van de beste lineaire, onbevooroordeelde voorspellingen (WAASB).

Afbeelding op volledige grootte

Om de nauwkeurigheid van de prestatie- en stabiliteitsevaluaties te verbeteren, werden experimentele genotypen gerangschikt op basis van WAASBY-indexscores (Fig. 3De WAASBY-indexscores, weergegeven in een heatmap-formaat, vertegenwoordigen verschillende verhoudingen van de WAASB-index tot de opbrengst voor WSY (Fig. 3A), RY (Figuur. 3B), SC (Figuur. 3C) en ECS (Fig. 3D). Genotype-rangschikkingen met behulp van de WAASBY kunnen variëren afhankelijk van de verhouding van WAASB tot prestatie. De eerste component, links van de diagonale lijn, komt overeen met de verhouding van WAASB tot opbrengst, met de nadruk op ecologische duurzaamheid, terwijl de tweede component, rechts van de diagonale lijn, betrekking heeft op prestatie. Dit rangschikkingssysteem kent een verhouding van 0.100 toe aan stabiliteit en een andere verhouding van 0.100 aan prestatie. Door één eenheid van links naar rechts te verplaatsen, wordt de ecologische stabiliteitscomponent met 5% verminderd en de prestatiecomponent verhoogd, wat er uiteindelijk toe leidt dat de genotypes uitsluitend op basis van prestatie worden gerangschikt (0.100). Op basis van de WAASBY-scores werden experimentele genotypes in vier groepen ingedeeld. De eerste groep (groen) voor WSY omvatte genotypes 1 en 11, voor RY omvatte genotypes 1, 2, 3, 4, 5, 11 en 17, voor SC omvatte genotypes 1, 3 en 11, en voor ECS omvatte genotypes 1, 2, 3, 4, 9 en 11, die stabiele genotypes met optimale prestaties vertegenwoordigden. De tweede groep (rood) omvatte genotypes met ongunstige prestaties en instabiliteit, zoals genotypes 2, 3, 4 en 5 voor WSY, 6, 9, 13 en 16 voor RY, 2, 4, 5, 8 en 9 voor SC, en 5, 7 en 8 voor ECS. De derde groep (blauw) omvatte genotypen met een goede prestatiewaarde maar instabiliteit, bestaande uit genotypen 6, 7, 9, 13, 14, 15, 16, 17 en 18 voor WSY, 7, 8, 10 en 12 voor RY, 6, 10, 12 en 16 voor SC en 6, 10 en 12 voor ECS. De vierde groep (zwart) bestond uit genotypen met stabiele prestaties ondanks ongunstige waarden, zoals genotypen 8, 10 en 12 voor WSY, 14, 15 en 18 voor RY, 7, 13, 14, 15, 17 en 18 voor SC en 13, 14, 15, 16, 17 en 18 ECS. De WAASBY, die dient als selectie-index die stabiliteit en prestatie in evenwicht brengt, stelt kwekers in staat om genotypen te kiezen op basis van verschillende stabiliteits- en prestatieverhoudingen die aansluiten bij hun fokdoelen. Gezien het wereldwijde belang van de suikerbietenproductie, goed voor ongeveer 30% van de wereldwijde vraag naar suiker⁷, en de groeiende zorgen over klimaatverandering en de verschuiving naar hernieuwbare brandstoffen⁶⁸het ontwikkelen van genotypen met optimale kwantitatieve en kwalitatieve prestaties die bestand zijn tegen uiteenlopende omgevingsomstandigheden wordt cruciaal^28,31,69De WAASBY, met zijn nadruk op zowel opbrengst als stabiliteit, vergemakkelijkt de selectie van hoogproductieve en stabiele genotypen, in lijn met strategische fokdoelen^31,70,71.

De rangschikking van suikerbietengenotypen volgens verschillende wegingen van stabiliteit en witte suikeropbrengst (a) /wortelopbrengst (b) /suikergehalte (c) /extractiecoëfficiënt van suiker (d).

Afbeelding op volledige grootte

Genotype door opbrengst × eigenschapinteractieanalyse

De resultaten van Pearson's correlatieanalyse voor verschillende eigenschappen in experimentele suikerbietgenotypes worden weergegeven in figuur 1. 4. De meest opvallende bevinding was een sterke positieve correlatie, significant op het 1% waarschijnlijkheidsniveau, tussen N en SC, met een coëfficiënt van 0.54. Deze correlatie impliceert dat naarmate de SC toeneemt, ook het N-gehalte toeneemt. Bovendien, K⁺ vertoonde een positieve maar zwakke correlatie met N (r = 0.34) en met SC (r = 0.24), beide significant op het 1% waarschijnlijkheidsniveau. Omgekeerd vertoonde RY negatieve correlaties met alle eigenschappen, inclusief SC, Na⁺K⁺, en N. In het bijzonder werd een substantiële negatieve correlatie opgemerkt, significant op het 1% waarschijnlijkheidsniveau, tussen RY en K⁺ (r = −0.27), wat duidt op een afname van K⁺ inhoud met hogere RY. Aan de andere kant werden zwakke en niet-significante negatieve correlaties waargenomen tussen RY en SC (r = −0.03), RY en N (r = −0.02), en RY en Na⁺ (r = −0.11). Soortgelijke verbanden tussen RY en SC zijn gedocumenteerd in eerdere studies^19,72. In de studie van Hassani et al.²⁷, positieve correlaties werden gevonden tussen N en K⁺, Na⁺ en N, SC en K⁺, Na⁺ en K⁺, terwijl er negatieve correlaties werden geïdentificeerd tussen RY en K⁺, RY en SC, RY en N, en RY en Na⁺. Deze onderlinge relaties tussen belangrijke suikerbieteigenschappen introduceren complexiteiten in fokprogramma's, waardoor fokkers de afwegingen die worden veroorzaakt door negatieve correlaties tussen deze cruciale eigenschappen zorgvuldig moeten beheren. Het gebruik van grafische methoden zoals GYT-analyses kan een uitgebreide en effectieve aanpak bieden om deze eigenschapsinteracties in suikerbietenfokprogramma's te navigeren.

Pearson-correlatieanalyse tussen belangrijke kenmerken van suikerbietengenotypes.

Afbeelding op volledige grootte

Om de genetische invloeden die de gewasproductiviteit beïnvloeden te ontleden, werd een grafische GYT-analysemethode geïmplementeerd. De uitkomsten lieten zien dat de eerste en tweede PC's respectievelijk 60.61% en 33.73% verduidelijkten, wat cumulatief 94.34% van de variaties in RY-gegevens verklaart. De substantiële dekking door de eerste twee PC's, die 70% van de datavariantie overschrijdt, onderstreept de relatieve validiteit van de biplotdiagrammen die uit deze studie zijn afgeleid bij het afbakenen van GYT⁷³. In gevallen waarin de som van de eerste en tweede pc's niet het grootste deel van de datavariantie kan verklaren, duidt dit op de ingewikkelde aard van de dataset, hoewel dit de biplot niet ongeldig maakt.⁷⁴. Shojaei, et al.⁷⁵ toonde aan dat ongeveer 50% van de GYT-variatie kan worden toegeschreven aan de eerste twee pc's. In een studie van Faheem et al.⁴⁷de gecombineerde bijdrage van de eerste en tweede pc's bereikte bijna 85%, waarbij de pc₁ wat ongeveer 74% verklaart en de tweede pc₂ verhelderen van ongeveer 11% van de totale datavariaties. In een apart experiment, Hassani, et al.²⁷ vonden dat de eerste en tweede pc's respectievelijk 50.53% en 34.96% voor hun rekening namen en samen 85.49% van de wijzigingen in de RY-gegevens vertegenwoordigden.

Ongewenste N, Na⁺en K⁺ niveaus worden herkend als onzuiverheden in suikerbietwortels, wat zowel de kwaliteit als de opbrengst van de resulterende suiker beïnvloedt. N in suikerbietwortels, dat oplosbare aminozuren en amidegroepen bevat, heeft een aanzienlijke invloed op de efficiëntie van suikerextractie⁷⁶. Verhoogde N-niveaus kunnen de suikerextractie belemmeren en spelen tegelijkertijd een cruciale rol in de bewaring en kwaliteit van suikerbieten tijdens opslag. Daarom wordt het beheren van N-niveaus cruciaal, beïnvloed door factoren zoals temperatuur, opslagduur en de diverse genetische samenstelling van suikerbietvariëteiten.⁷⁷. In⁺ en K⁺ in suikerbietwortels fungeren als melassestoffen, waardoor de oplosbaarheid van sucrose wordt verbeterd en kristallisatie wordt verminderd, wat uiteindelijk de kwaliteit van de suikerbiet en de extractie-efficiëntie in gevaar brengt^78,79,80,81. Overmatige niveaus van deze elementen kunnen leiden tot hun accumulatie in melasse, wat de kwaliteit beïnvloedt en specifieke toepassingen beperkt. Daarom moeten corrigerende strategieën gericht zijn op het tegelijkertijd verbeteren van RY en het verminderen van onzuiverheidsconcentraties. Het onderzoeken van de correlaties tussen opbrengst- en eigenschapcombinaties kan ingewikkelde associaties onthullen, wat toekomstige experimenten kan leiden naar het ontwikkelen van nieuwe genotypen. In de grafische weergave geven scherpe hoeken tussen de vectoren positieve correlaties aan tussen opbrengst-eigenschapcombinaties, wat prestaties als een primaire component binnen deze combinaties weerspiegelt³⁷. Sterke correlaties tussen yield-trait-paren suggereren een hoge consistentie in genotype-rangschikkingen in deze combinaties. Opvallend was dat er een zwakke positieve correlatie was tussen RY/N en RY*SC, naast een negatieve correlatie met RY/Na⁺Omgekeerd bestond er een significante positieve correlatie tussen RY*SC, RY/K⁺, en RY/Na⁺ (Fig. 5A). Deze positieve associaties tussen RY en SC met andere verbindingen impliceren het potentieel om SC te verbeteren door N, Na te minimaliseren⁺en K⁺ niveaus in een bepaald genotype. Echter, de negatieve correlatie tussen RY/N en RY/Na⁺ maakt het kweekproces ingewikkelder en vereist een nauwkeurige planning om alle drie de onzuiverheden effectief aan te pakken.

(a) De tester vectorweergave van het genotype door wortelopbrengst × eigenschap-biplot om associaties tussen de opbrengst-eigenschapcombinaties te tonen, (b) De which-won-where-weergave van het genotype door wortelopbrengst × eigenschap-biplot om genotypen met uitstekende profielen te benadrukken, (c) De gemiddelde testercoördinatieweergave van het genotype per wortelopbrengst × eigenschapsbiplot om de genotypen te rangschikken op basis van hun algehele superioriteit en hun sterke en zwakke punten, (d) De genotype-rangschikkingsweergave van het genotype op basis van wortelopbrengst × eigenschap-biplot om de genotypes te rangschikken op basis van het ideale genotype.

Afbeelding op volledige grootte

In biplot van Fig. 5B, een polygoon is duidelijk zichtbaar, die genotypes 15, 18, 16, 3, 2 en 1 verbindt, die het verst van de coördinatenoorsprong zijn gepositioneerd. Loodrechte lijnen werden van de oorsprong naar de zijkanten van deze polygoon verlengd, wat helpt bij de classificatie van GYT-combinaties. Genotypes die boven specifieke opbrengst-kenmerkcombinaties zijn gelegen, duiden op hun sterke prestatiewaarde met betrekking tot die specifieke kenmerken, wat duidt op superieure prestaties in die kenmerkcombinaties. Met name genotypes 15 en 12 excelleerden in de RY/Na⁺ combinatie, genotype 18 schitterde in de RY*SC en RY/K⁺ combinaties, terwijl genotypes 16 en 7 opvielen in de RY/N-combinatie. Omgekeerd geven genotypes die zich in secties zonder combinaties bevinden, aan dat ze niet wenselijk zijn in alle eigenschapscombinaties, waardoor ze als zwakkere presteerders worden afgeschilderd. De polygonale biplot vergemakkelijkte de categorisering van opbrengst-eigenschapscombinaties in drie afzonderlijke groepen: RY/Na⁺ in de eerste groep, RY*SC en wortel RY/K⁺ in de tweede groep, en RY/N in de derde groep (Fig. 5B).

De rangschikking van genotypen op basis van de combinatie van opbrengst en kenmerk werd beoordeeld met behulp van het biplotdiagram van gemiddelde testercoördinaten (Fig. 5C) en de superioriteitsindex (tabel 7). Binnen de coördinaten-biplot van de tester vertegenwoordigt de gemiddelde as, gemarkeerd door een pijl die door de coördinatenoorsprong gaat, het gemiddelde van alle opbrengst-kenmerkcombinaties. De as loodrecht op de gemiddelde as meet het evenwicht van de genotypes met betrekking tot verschillende kenmerken. Opvallend is dat genotype 18, gevolgd door genotype 16, de hoogste gemiddelde opbrengst vertoonde en werd geïdentificeerd als de best presterende genotypes, terwijl genotypes 1 en 2 de laagste gemiddelde opbrengst vertoonden. De uitkomsten afgeleid van de gemiddelde testercoördinaten-biplot werden verder bevestigd door de superioriteitsindex. Meerdere onderzoeken, waaronder die van Faheem, et al.⁴⁷, Hassani, et al.²⁷, Shojaei, et al.⁷⁵, en Yan en Frégeau-Reid³⁷, naast de bevindingen van de huidige studie, getuigen van het nut van de gemiddelde testercoördinaten biplot in de GYT-analyse, wat waardevolle inzichten biedt in genotypeprestaties. De identificatie van een ideaal hypothetisch genotype is gebaseerd op het bereiken van een balans tussen eigenschappen en het maximaliseren van prestaties. Een ideaal genotype combineert idealiter de hoogste opbrengst met een optimale balans, waarbij superieure genotypes het dichtst bij dit hypothetische ideaal liggen en minder wenselijke genotypes verder weg liggen. Genotypes 18, 10, 12, 16 en 7 kwamen naar voren als top performers vanwege hun nabijheid tot het ideale genotype, terwijl genotypes 1 en 2 als ongunstig werden beschouwd omdat ze het verst van dit ideaal af stonden (Fig. 5D). Hassani, et al.²⁷ maakte gebruik van de grafische GYT-methode om kenmerkassociaties te onderzoeken en superieure genotypen te identificeren, wat inzichtelijke en praktische resultaten opleverde.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://www.nature.com/articles/s41598-024-71139-2