Comparison of Results from AMMI and REML/BLUP Methods in Assessing the Adaptability and Stability of Wheat Genotypes Yield
Deze studie toont aan dat het integreren van de AMMI- en REML/BLUP-methoden een uitgebreider en betrouwbaarder kader biedt dan conventionele AMMI alleen voor het beoordelen van de opbrengststabiliteit en adaptiviteit van broodtarwegenotypes over diverse omgevingen in Iran, met name wanneer interactievariantie verdeeld is over meerdere hoofdcomponenten.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van de landbouw is de grootste uitdaging voor een boer vaak het weer. Een tarwevariëteit die een recordoogst produceert in de ene vallei, kan in de volgende volledig mislukken, simpelweg omdat de bodem, de neerslag of de temperatuur net iets anders is. Deze onvoorspelbare relatie tussen de genetische opmaak van een plant en zijn omgeving staat bekend als de genotype-door-omgeving-interactie. Voor plantenveredelaars is het doel niet alleen om de tarwe te vinden die het hoogst of het snelst groeit, maar om de variëteiten te vinden die zowel productief als betrouwbaar zijn. Ze hebben zaden nodig die goed presteren, of het seizoen nu droog of nat is, warm of koud. Om dit te doen, voeren wetenschappers multi-omgevingsexperimenten uit, waarbij ze dezelfde zaden op veel verschillende locaties en in verschillende jaren planten om te zien hoe ze standhouden. Het analyseren van de bergen data die deze proeven produceren is echter moeilijk. Traditionele methoden vertrouwen vaak op het bekijken van de eerste paar patronen in de data om een beslissing te nemen, maar als de omgevingsomstandigheden complex zijn, vertellen die eerste paar patronen misschien niet het hele verhaal.
Een team onderzoekers van de Iraanse organisatie voor landbouwkundig onderzoek, onderwijs en extensie zette zich in om dit puzzelstukje op te lossen door twee verschillende manieren te vergelijken om de prestaties van tarwe te analyseren. Ze verbouwden twintig verschillende broodtarwe-genotypes over negen onderzoekstations in de koude, geïrrigeerde regio's van Iran over twee groeiseizoenen. Deze locaties omvatten steden zoals Karaj, Mashhad en Zanjan, die elk een unieke set omgevingsfactoren boden. Het team plantte de tarwe in een standaard rasterpatroon met drie herhalingen op elke locatie om de nauwkeurigheid te waarborgen, waarbij de zaden met fungicide werden behandeld en onkruid zorgvuldig werd beheerd om de focus strikt te houden op hoe de planten op hun omgeving reageerden. Zodra de tarwe volgroeid was, oogstten ze de korrels en maten ze de opbrengst voor elk afzonderlijk perceel.
De onderzoekers voerden deze gegevens vervolgens in twee verschillende statistische modellen in. De eerste was een goed gevestigde methode genaamd AMMI, die de opbrengstgegevens ontleedt om de effecten van de locatie, de specifieke tarwevariëteit en de interactie tussen de twee te scheiden. De tweede aanpak was een modernere techniek genaamd REML/BLUP, die een gemengd modelkader gebruikt om het genetische potentieel van de tarwe te voorspellen, terwijl rekening wordt gehouden met willekeurige omgevingsruis. Het team kwam tot de conclusing dat de omgeving zelf de grootste factor was, die 61 procent van de variatie in de tarweproductie verklaarde. De interactie tussen de specifieke tarwevariëteit en de omgeving verklaarde nog eens 18,4 procent, terwijl de genetische verschillen tussen de tarwelijnen zelf slechts 3 procent accounten. Deze kleine genetische bijdrage suggereerde dat de tarwelijnen al vrij vergelijkbaar waren, door vele rondes van selectie, wat het zelfs moeilijker maakte om ze zonder een zeer gevoelig instrument van elkaar te onderscheiden.
Toen de onderzoekers naar de resultaten keken met behulp van de traditionele AMMI-methode, merkten ze een beperking op. De eerste twee patronen die het model identificeerde, verklaarden minder dan de helft van de totale interactie tussen de tarwe en de omgeving. Dit betekende dat een aanzienlijke hoeveelheid informatie over hoe de tarwe zich gedroeg verborgen zat in de latere, complexere patronen die de traditionele methode vaak negeert. Om een duidelijker beeld te krijgen, stapte het team over op de REML/BLUP-aanpak, die hen in staat stelde om alle significante patronen van interactie op te nemen, en niet alleen de eerste paar. Ze gebruikten een nieuwe stabiliteitsindex genaamd WAASB, die fungeert als een uitgebreide scorekaart door de mate waarin een specifieke tarwevariëteit fluctueert over alle verschillende testlocaties samen te vatten.
De vergelijking toonde aan dat de traditionele methode, hoewel nuttig, misleidend kan zijn wanneer de interacties met de omgeving complex zijn. Door de latere patronen te negeren, liep het het risico de realiteit van hoe de tarwe presteerde te oversimplificeren. De nieuwe aanpak, die de volledige complexiteit van de data in overweging nam, bood een robuustere en betrouwbaardere rangschikking van de variëteiten. Wanneer de onderzoekers de gegevens over korrelopbrengst combineerden met de stabiliteitsscores, identificeerden zij vier specifieke genotypes — aangeduid als G9, G3, G15 en G18 — als de meest veelbelovende. Deze variëteiten produceerden consistent hoge opbrengsten terwijl ze stabiliteit behielden over de diverse omgevingen. Ze waren niet de absolute hoogste opbrengstleveranciers op elke locatie, maar ze waren de meest betrouwbare, waarbij ze een balans boden tussen productiviteit en veerkracht die cruciaal is voor boeren.
De studie concludeerde dat hoewel traditionele analyse zijn plaats heeft, het vertrouwen op die methode alleen wanneer omgevingsinteracties complex zijn, kan leiden tot onvolledige conclusies. De onderzoekers vonden dat het integreren van de moderne mixed-model benadering met de traditionele methode een superieur kader bood voor de selectie van tarwe. Deze gecombineerde strategie stelde hen in staat om het volledige beeld te zien van hoe de planten reageerden op hun omgeving, waardoor werd gewaarborgd dat de variëteiten die voor toekomstige teelt werden gekozen, werkelijk aangepast waren aan de uitdagende omstandigheden van de regio. Het werk benadrukt dat in de zoektocht naar betere gewassen de instrumenten die worden gebruikt om de data te analyseren net zo belangrijk zijn als de zaden zelf, en dat het soms kijken dieper in de data de beste weg vooruit onthult.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.