تجزیه همبستگی برخی صفات زراعی با نشان گرهای ریزماهواره برای انتخاب کلون های پرقند نیشکر در استان خوزستان
محل انتشار: پژوهشنامه اصلاح گیاهان زراعی، دوره: 8، شماره: 18
سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 240
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JCB-8-18_012
تاریخ نمایه سازی: 17 مهر 1400
چکیده مقاله:
روش تجزیه همبستگی، امکان شناسایی اولیه و سریع ژن های کنترلکننده صفات کمی را ممکن می سازد. در این تحقیق ارتباط بین ۱۴ صفت زراعی و ۹۶ باند حاصل از ۲۰ جفت آغازگر ریزماهواره روی ۲۶ کلون و ۴ رقم تجاری از راه همبستگی کانونیکال مطالعه شد. میانگین تعداد آللها ۱۵/۵ آلل برای هر مکان ریزماهواره بود. میزان محتوای اطلاعات چندشکلی (PIC) آغازگرها بین ۱۹/۰ تا ۷۱/۰ متغیر بود. نشان گرهای ۶۲۷۳۴AFO، ۶۸۸UGSM و ۲UGSM با بیشترین محتوای اطلاعات چندشکلی آغازگرها، بیشترین شاخص چندشکلی را نشان دادند و توانستند بهتر از بقیه نشانگرها فاصله ژنتیکی ارقام را مشخص کنند، در حالی که نشانگرهای ۳۱UGSM و ۶SGM با کمترین مقدار شاخص چندشکلی، توانایی جداسازی ژنوتیپ ها را نداشتند. نتایج تجزیه همبستگی کانونیکال نشان داد که بین تعداد زیادی از مکان های ژنی و حداقل یکی از صفات زراعی به جز درصد شربت و درصد خلوص شربت ارتباط معنی داری وجود دارد. بنابراین احتمالا می توان از این مکان های ژنی برای انتخاب بهینه صفات مورفولوژیک در نیشکر استفاده کرد. بیشترین همبستگی مربوط به صفت عملکرد شکر و عملکرد نی توسط نشانگر CG۲۲۶SMC بهترتیب ۲۵ و ۲۶ درصد و برای صفت درصد قند قابل استحصال توسط نشانگر ۶۲۷۳۴AFO (۱۲ درصد) به دست آمد. همچنین برخی از نشانگرها با بیش از یک صفت ارتباط نشان می دهند که بیان گر این است که این صفات پیوستگی بسیار نزدیکی با همدیگر داشته و یا احتمالا تحت تاثیر ژن های چنداثره قرار دارند. در مطالعات آینده، از باند نشانگرهای شناسایی شده که همبستگی (r۲) بالایی با صفات زراعی دارند، می توان برای انتخاب والدین تلاقی ها و اصلاح ارقام پرقند استفاده کرد.
کلیدواژه ها:
traits ، Canonical Correlation ، Microsatellite ، Sugar ، Sugarcane ، نیشکر ، قند ، ریزماهواره ، صفات زراعی ، همبستگی کانونیکال
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :