شناسایی نشانگرهای ریزماهواره مرتبط با صفات زراعی مهم در کینوا (Chenopodium quinoa, Willd)
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 353
فایل این مقاله در 19 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_JCPP-13-1_003
تاریخ نمایه سازی: 30 اردیبهشت 1402
چکیده مقاله:
در این تحقیق، تعداد ۵۰ ژنوتیپ کینوا با استفاده از ۴۰ جفت نشانگر ریزماهواره (SSR) بررسی شد تا ضمن شناسایی ژنوتیپ های برتر از نظر عملکرد دانه و اجزای موثر بر آن، نشانگرهای پیوسته با صفات مورد مطالعه نیز با استفاده از روش تجزیه ارتباطی شناسایی و معرفی شوند. مطالعه صفات عملکرد دانه و اجزای موثر بر آن نشان داد که صفات روز تا رسیدگی فیزیولوژیک، طول خوشه، تعداد خوشه در بوته و وزن هزار دانه مهم ترین صفات موثر بر عملکرد دانه بودند که در نهایت ژنوتیپ های ۱، ۳۲ و ۴۹ از نظر این صفات به عنوان ژنوتیپ های برتر معرفی شدند. مطالعه ساختار جمعیت با استفاده از نرم افزار Structure دو زیر گروه احتمالی (K=۲) را در جمعیت مورد مطالعه نشان داد و نتایج حاصل از بارپلات نیز آن را تآیید کرد. نتایج حاصل از تجزیه ارتباطی با استفاده از مدل خطی عمومی (GLM) و مدل خطی مخلوط (MLM) تعداد ۴۹، ۵۳ (GLM) و تعداد ۴۸، ۵۲ (MLM) ارتباط نشانگر- صفت معنی دار را به-ترتیب برای سال اول (۱۳۹۸) و دوم (۱۳۹۹) شناسایی کرد. از بین روابط نشانگر- صفت معنی دار شناسایی شده برای صفات مختلف، بیشترین تعداد ارتباط معنی دار برای صفات عملکرد دانه و وزن هزار دانه به ترتیب با شش و پنج ارتباط شناسایی شد. در مجموع بر اساس نتایج حاصل از تجزیه ارتباطی تعداد ۱۲ نشانگر پیوسته و دارای ارتباط معنی دار با صفات ارزیابی شده طی هر دو سال شناسایی شد و بنابرین می توان از این نشانگرها به عنوان نشانگرهای ثابت و پایدار در برنامه های مختلف به نژادی کینوا استفاده کرد.
کلیدواژه ها:
نویسندگان
ابراهیم سوری لکی
University of Guilan, Rasht, Iran
بابک ربیعی
University of Guilan, Rasht, Iran
سید حسن مرعشی
University of Ferdowsi, Mashhad , Iran
وحید جوکارفرد
University of Guilan, Rasht, Iran
آندریاس برنر
(IPK), Leibniz, Germany
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 :