Comparison of Results from AMMI and REML/BLUP Methods in Assessing the Adaptability and Stability of Wheat Genotypes Yield
本研究表明，将 AMMI 与 REML/BLUP 方法相结合，在评估面包小麦基因型在伊朗不同环境下的产量稳定性与适应性方面，比仅使用传统的 AMMI 方法提供了一个更全面且更可靠的框架，特别是在交互作用方差分布在多个主成分的情况下。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在农业领域，农民面临的最大挑战往往是天气。一种在某个山谷里能产生丰收的麦种，在下一个山谷可能会完全歉收，仅仅是因为土壤、降雨量或温度略有不同。这种植物遗传组成与其周围环境之间难以预测的关系被称为基因型与环境互作（genotype-by-environment interaction）。对于植物育种家而言，目标不仅仅是寻找长得最高或长得最快的麦种，而是要找到既高产又可靠的品种。他们需要那些无论季节干旱或湿润、炎热或寒冷都能表现良好的种子。为了实现这一目标，科学家们进行多环境试验，将相同的种子种植在许多不同的地点和年份，以观察它们的表现。然而，分析这些试验产生的海量数据却非常困难。传统方法通常依赖于观察数据中的前几种模式来做出决策，但如果环境条件很复杂，前几种模式可能无法说明问题的全貌。
来自伊朗农业研究、教育与推广组织的科研团队着手通过比较两种不同的分析小麦表现的方法来解决这个谜题。他们在伊朗寒冷且灌溉充足的地区，跨越两个生长季节，在九个研究站种植了二十种不同的面包小麦基因型。这些地点包括卡拉杰、马什哈德和赞詹等城市，每个地点都提供了独特的环境条件。团队采用标准的网格布局种植小麦，每个站点设置三个重复以确保准确性，并对种子进行了杀菌处理并仔细管理杂草，以确保研究重点严格集中在植物如何对环境做出反应上。小麦成熟后，他们收获了谷物并测量了每个样方的产量。
研究人员随后将这些数据输入到两种不同的统计模型中。第一种是名为 AMMI 的成熟方法，它通过分解产量数据来分离地点、特定小麦品种以及两者之间相互作用的影响。第二种方法是更为现代的技术，称为 REML/BLUP，它使用混合模型框架来预测小麦的遗传潜力，同时考虑到随机的环境噪声。团队发现，环境本身是最大的影响因素，解释了 61% 的产量变化。特定小麦品种与环境之间的相互作用解释了另外 18.4%，而小麦品系本身的遗传差异仅占 3%。这微小的遗传贡献表明，这些小麦品系已经非常相似，因为它们已经过多次筛选，这使得在没有极其灵敏工具的情况下更难区分它们。
当研究人员使用传统的 AMMI 方法观察结果时，他们注意到一个局限性。该模型识别出的前两种模式解释了小麦与环境之间总相互作用量的不到一半。这意味着，关于小麦行为的大量信息隐藏在传统方法通常会忽略的后续更复杂的模式中。为了获得更清晰的图景，团队转向了 REML/BLUP 方法，该方法允许他们纳入所有显著的相互作用模式，而不只是前几种。他们使用了一种新的稳定性指数——WAASB，它就像一份综合评分表，总结了特定小麦品种在所有不同测试站点中的波动程度。
对比结果显示，传统方法虽然有用，但在环境相互作用复杂时可能会产生误导。通过忽略后续模式，它存在过度简化小麦表现现实情况的风险。这种考虑了数据完整复杂性的新方法，为品种排名提供了更稳健、更可靠的依据。当研究人员将谷物产量数据与稳定性得分相结合时，他们确定了四个特定的基因型——标记为 G9、G3、G15 和 G18——作为最有潜力的品种。这些品种在多样化的环境中始终保持高产且具有稳定性。它们并非在每一个地点都是产量最高的，但它们是最可靠的，在生产力和韧性之间取得了平衡，这对于农民来说至关重要。
研究结论指出，虽然传统分析有其地位，但在环境相互作用复杂时仅依赖它可能会导致不完整的结论。研究人员发现，将现代混合模型方法与传统方法相结合，提供了一个更优越的筛选小麦的框架。这种综合策略使他们能够看到植物对周围环境反应的全貌，从而确保被选用于未来耕作的品种真正适应了该地区的挑战性条件。这项工作强调，在追求更好农作物的过程中，用于分析数据的工具与种子本身同样重要，而且有时，深入挖掘数据能揭示出最好的前进路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。