陆地棉杂交种产量及其组分在不同环境下的稳定性:AMMI–GGE–WAASBY集成分析

《Journal of Cotton Research》:Stability of yield and its components in upland cotton hybrids across environments: an AMMI–GGE–WAASBY integration

【字体: 大 中 小 】 时间:2026年07月11日 来源:Journal of Cotton Research 3.6

编辑推荐:

  摘要 背景 理解基因型–环境互作(genotype-environment interaction, GEI)对于优化棉花杂交种表现、促进半干旱地区的一致产量和稳定性至关重要。为应对这一挑战,研究人员在旁遮普农业大学阿博哈尔地区研究站(Punjab Agric

  
摘要
背景
理解基因型–环境互作(genotype-environment interaction, GEI)对于优化棉花杂交种表现、促进半干旱地区的一致产量和稳定性至关重要。为应对这一挑战,研究人员在旁遮普农业大学阿博哈尔地区研究站(Punjab Agricultural University Regional Research Station, Abohar)的三个卡里夫季节(Kharif seasons, 2021–2023)中评估了总共45个杂交种。该分析整合了联合方差分析(analysis of variance, ANOVA)、加性主效应和可乘交互作用(additive main effects and multiplicative interaction, AMMI)以及基因型+基因型×环境(genotype?+?genotype?×?environment, GGE)双标图方法,并辅以稳定性指标,如AMMI稳定性值(AMMI stability value, ASV)、基因型稳定性指数(genotype stability index, GSI)和绝对分数加权平均值(weighted average of absolute scores, WAASBY)指数,以识别高表现且稳定的杂交种。
结果
籽棉产量(seed-cotton yield, SCY)范围为2 122至3 168 kg·ha?1,环境效应解释了表型变异的最大比例。显著的基因型×环境互作(GEI)表明杂交种在不同季节的表现存在差异。AMMI和GGE分析识别出表现出广适性和特异性适应的杂交种。稳定性指标(ASV、GSI和WAASBY)一致地识别出G7、G8、G17、G22和G45为既稳定又高产的杂交种,其平均籽棉产量(SCY)范围为2 625至2 996 kg·ha?1。对于产量组分性状,G35和G21表现出最高的每株果枝数(sympodia per plant, SPP),G20和G41表现出优异的铃重(boll weight, BW),而G38具有最高的每株铃数(bolls per plant, BPP)。
结论
GGE双标图分析表明,对于籽棉产量(SCY),环境E1兼具区分力和代表性,而对于铃重(BW)和每株铃数(BPP),E2和E3分别提供了最多信息,反映了显著的季节性变异。总体而言,集成的分析流程(ANOVA → AMMI → GGE → ASV/GSI/WAASBY)有效地将复杂的GEI分解并解释为稳健的选择决策。该方法促进了识别出一组表现出时间稳定性、高产潜力以及适合广适性和季节特异性适应的优良杂交种。
论文解读文章

**研究背景**

棉花(*Gossypium hirsutum* L.)是印度纤维经济的基石,印度拥有全球最大的种植面积,并在总产量方面位居前列。然而,由于生物胁迫、反复出现的干旱和高温胁迫以及不同环境中遗传增益实现的不一致性,印度全国平均生产力仍然相对较低(约447 kg·ha?1),这一持续存在的产量差距凸显了棉花育种中的根本性挑战。棉花产量是由多个相关组分(包括每株果枝数(SPP)、每株铃数(BPP)和铃重(BW))相互作用产生的涌现性状。这些性状的表现不仅受基因型(G)和环境(E)影响,还受它们的互作(GEI)影响。当GEI显著,尤其是交叉型互作时,基因型在不同季节的排名会发生变化,从而削弱真实遗传潜力与观察表型表现之间的关联,最终使选择决策复杂化。多环境试验(METs)旨在评估基因型在多个环境(通常涉及多个地点和年份)中的表现,以有效表征基因型×环境互作并识别稳定、广适的基因型。因此,育种项目日益采用乘性模型,如加性主效应和可乘交互作用(AMMI)方法。AMMI将ANOVA与主成分分析相结合,将GEI分解为少数几个互作主成分轴(IPCAs),提高了对时间稳定性的可解释性和预测能力。基因型+基因型×环境(GGE)双标图通过将数据中心化于环境均值来补充AMMI,可直接可视化基因型表现和GEI,有助于识别“在何处表现最佳”的模式、季节适应性、均值-稳定性关系(通过AEC视图)以及测试环境的区分力和代表性。然而,当多于两个IPCA显著贡献或育种者需要平衡产量和稳定性时,仅依赖双标图解释可能变得模糊。为克服这一局限,AMMI衍生的标量指标如AMMI稳定性值(ASV)和基因型选择指数(GSI)将多轴交互作用浓缩为基因型水平的度量。近期提出的绝对分数加权平均值家族(WAAS/WAASB)和WAASBY优越性指数提供了将表现和稳定性以用户定义权重联合优化的综合标准。本研究采用晶格设计以提高试验精度,并整合联合ANOVA、AMMI、GGE双标图和WAASBY以量化效应、建模GEI、可视化适应性并联合评估产量和稳定性。研究目标为:(i)识别高产、稳定的杂交种;(ii)检测具有特异适应性的顶点基因型;(iii)评估环境的区分力和代表性。整合关键产量组分(每株果枝数、每株铃数和铃重)为基因型表现提供机制性见解。该框架增强了生物学解释,支持基于证据的品种部署,为半干旱条件下的杂交种选择提供了稳健的多标准方法。

**研究内容**

研究人员在印度旁遮普农业大学阿博哈尔地区研究站(Punjab Agricultural University Regional Research Station, Abohar)的连续三个卡里夫季节(2021–2023年)中,对45个陆地棉杂交种进行了田间试验。试验地点位于半干旱亚热带地区,三个作物季节在气象条件(尤其是降水分布和温度)上存在显著差异,为评估基因型×环境互作提供了坚实基础。研究整合了联合方差分析(ANOVA)、加性主效应和可乘交互作用(AMMI)、基因型+基因型×环境(GGE)双标图,以及AMMI稳定性值(ASV)、基因型稳定性指数(GSI)和绝对分数加权平均值(WAASBY)等稳定性指标,系统评价了杂交种的产量和稳定性。研究结果识别出一批兼具高产和稳定性的杂交种,并揭示了不同季节的环境区分力和代表性,为半干旱地区的棉花杂交种选择与部署提供了科学依据。该论文发表在《Journal of Cotton Research》。

**主要技术方法**

研究人员采用α-晶格(α-lattice)不完全区组设计,在三个卡里夫季节(2021–2023年)于同一地点(旁遮普农业大学阿博哈尔地区研究站)对45个陆地棉杂交种进行评价。主要分析方法包括:联合方差分析(ANOVA)分解基因型、环境及其互作效应;加性主效应和可乘交互作用(AMMI)模型将GEI分解为互作主成分轴(IPCAs);基因型+基因型×环境(GGE)双标图可视化“何处获胜”、均值-稳定性关系及环境区分力/代表性;并计算AMMI稳定性值(ASV)、基因型稳定性指数(GSI)和绝对分数加权平均值(WAASBY)等稳定性指标,以综合评估产量和稳定性。所有计算基于R语言 metan包和Yan等的方法框架。

**研究结果**

**环境的描述**:三个季节(E1: 2021, E2: 2022, E3: 2023)在降水量和温度上存在显著年际差异,2022年早期生殖生长期降水显著高于其他年份,2023年则相对干燥。这些对比鲜明的季节性模式为评估GEI提供了稳健基础。

**性状均值、变异及跨性状模式**:籽棉产量(SCY)范围为2 122–3 168 kg·ha?1,群体均值为2 440 kg·ha?1,最佳杂交种G12比最差者高出近50%。每株果枝数(SPP)范围为16.2–19.8,每株铃数(BPP)范围为30.5–43.7,铃重(BW)范围为3.29–4.14 g。BPP变异最大,是产量变异的主要贡献者。

**联合方差分析与变异分解**:SCY、BW和BPP的基因型、环境及G×E效应均极显著(*P*?
**AMMI双标图分析**:对于SCY,IPCA1和IPCA2分别贡献8.36%和6.19%的总变异,共同解释100%的GEI。AMMI1双标图显示G10、G42、G32、G5、G15和G13具有接近零的IPCA1得分,表明高稳定性;AMMI2双标图中G14、G32、G37、G9和G31靠近原点,表现出广适性。组分性状方面,SPP稳定的基因型包括G2、G3、G32和G35;BW稳定的包括G20、G31、G42和G16;BPP稳定的包括G35、G37、G34和G16。

**GGE双标图:分区表现与稳定性**:GGE双标图PC1和PC2共同解释SCY 82.1%的变异。“何处获胜”多边形显示:顶点基因型G12和G45在E1表现最佳,G4在E2表现最佳,G23和G21在E3表现最佳。均值-稳定性双标图(AEC方法)表明,G45、G5、G7、G8、G17和G22在SCY上兼具高均值和高稳定性;而G12和G6虽高产但互作效应更强,表现季节特异性。环境分析表明E1对SCY兼具区分力和代表性,E2和E3对组分性状提供互补信息。

**稳定性排名(ASV, GSI, WAASBY)与双标图交叉验证**:ASV识别G14、G37、G42和G32为稳定;GSI排名G17、G7、G29和G5为优越;WAASBY(等权重)确认G17为最佳,其后依次为G10、G29、G32和G5。多种指标的一致性增强了对基因型分类的信心。G7、G8、G17、G22和G45表现出广适性,而G12(E1)、G4(E2)、G23和G21(E3)表现出季节特异性适应。

**产量与组分性状的相关性分析**:籽棉产量(SCY)与铃重(BW, r=0.66)、每株铃数(BPP, r=0.85)和每株果枝数(SPP, r=0.69)均呈强正相关,表明BPP是增产的主要贡献因素。BPP与BW呈弱正相关(r=0.38),提示两者间可能存在补偿关系。SPP与所有组分性状正相关,表明其在产量架构中的基础作用。同时选择BPP、SPP和BW对提高籽棉产量最有效。

**讨论与结论**

讨论部分指出,半干旱西北印度籽棉产量(SCY)主要由环境变异主导,季节效应解释约60%的总方差,而基因型×环境互作(GEI)贡献约为基因型主效应的两倍。由于试验在单地点进行,环境变异主要代表年际时间变异。AMMI模型将GEI均衡分解到IPCA1(57.4%)和IPCA2(42.6%),表明交叉型GEI占主导。生理上,季节间温度、降水和热胁迫的波动直接影响棉花产量形成,稳定的杂交种能在波动条件下维持生殖发育和铃的保留,表现出更高的产量稳定性。ASV、GSI和WAASBY等指标与GGE AEC排名的收敛性为基因型表现提供了强验证,识别出G17和G29为SCY的稳健选择,以及各组分性状的优异基因型。WAASBY采用产量和稳定性等权重(50:50),因为半干旱地区年际气候变异大,兼具高产和稳定性的基因型更受青睐。GGE双标图显示E1是理想选择环境,E2和E3提供补充诊断信息。“何处获胜”多边形揭示了三个季节性表现扇区,支持双部署策略:广适性杂交种(如G7、G8、G17、G22、G45)适合区域推广,而顶点基因型(G12、G4、G23/G21)应靶向各自适生环境。集成分析流程(ANOVA→AMMI→GGE→ASV/GSI/WAASBY)将复杂GEI转化为明确育种决策,在半干旱棉花系统中具有重要应用价值。

结论翻译:本研究的多季节评估表明,在半干旱条件下,籽棉产量(SCY)主要由环境变异和显著的基因型×环境互作驱动。集成的分析框架(ANOVA–AMMI–GGE–ASV/GSI/WAASBY)有效地解开了GEI并促进了稳健的基因型选择。在所有方法中,杂交种G7(ACH 33–2)、G8(ANKUR 3224)、G17(MH 5302)、G22(NCS 855 BG II)和G45(VICH 310 BG II)一致地结合了高产和稳定性,反映了广适性。相比之下,G12(KCH 999 BG II)、G4(ACH 133–2)和G23/G21表现出季节特异性适应。稳定性指标与双标图分析的一致性增强了对这些选择的信心。总体而言,本研究为在可变半干旱环境下识别稳定、高产的棉花杂交种提供了一个稳健的多标准框架,并支持定向和广泛部署。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号