利用多元方法评估指小米（Eleusine coracana L.）基因型的产量稳定性

《Scientifica》：Evaluation of Yield Stability in Finger Millet (Eleusine coracana L.) Genotypes Using Multivariate Approaches

针对埃塞俄比亚 Finger Millet 多环境试验，利用 AMMI 和 GGE 模型分析基因型与环境互作（GEI）的影响，评估 55 个品系的产量稳定性。结果表明，G32 品系在产量和稳定性方面表现最优（2.75 吨/公顷），其 cultivar superiority 稳定性值为 9.0；G53 在 Wricke’s ecovalence 和 MADPR 指标中均位列前茅。AMMI 和 GGE 分析显示，环境方差贡献率达 35.94%，GEI 显著影响产量。研究证实多环境试验结合 GEI 分析能有效筛选适应性强、产量稳定的品系，为 finger millet 育种提供理论依据。

　　该研究聚焦于指针谷物（Finger millet）的产量表现和品种稳定性，探讨了在不同环境条件下如何选择高产且稳定的品种。指针谷物主要种植在半干旱热带地区，广泛分布于非洲和印度。然而，其产量受限于复杂的遗传与环境交互作用（GEI），导致品种适应性和稳定性难以准确评估。为了应对这一挑战，研究者采用了多环境试验（METs）以及先进的统计分析方法，如加性主效应与乘性交互（AMMI）模型和基因型与环境交互双图（GGE）分析，以揭示不同环境对产量的影响以及特定品种在不同环境中的表现。

### 研究背景与重要性

指针谷物是一种具有显著抗旱能力的作物，但其生产仍然受到多种非生物胁迫的影响，包括温度波动、降雨变化、土壤条件以及病虫害等。这些因素使得其产量难以预测，且在不同环境中的表现差异较大。研究指出，传统的育种方法主要基于单个环境下的平均产量，忽视了GEI对产量的深远影响。因此，有必要引入多环境试验和统计分析方法，以更全面地评估品种的稳定性和适应性。通过分析GEI，研究者能够识别出在不同环境下表现优异的品种，从而为育种提供更科学的依据。

### 研究方法

本研究在埃塞俄比亚的三个主要指针谷物种植区（Axum、Negele Arsi 和 Assosa）进行了两年（2018-2019）的多环境试验，采用行-列设计以确保数据的代表性。试验中，每种基因型种植于5米长的行中，每行种植三排，行间距和株间距分别为0.40米和0.15米。为了提高产量，研究者在播种时施用了磷酸二铵（DAP）肥料，并在播种和分蘖阶段施用了尿素（UREA）。所有试验地点均采用了统一的田间管理措施，如除草、间苗、病虫害防治等，以减少外部因素对数据的干扰。

在数据收集方面，研究者记录了多个关键性状，包括开花时间、植株高度、手指长度、手指数量以及产量。这些数据被用于进一步的统计分析，以评估基因型和环境之间的相互作用及其对产量的影响。此外，研究者还采用了多种稳定性指标，如平均排名值（Mean ranks）、栽培品种优势值（Cultivar superiority value）、环境变异系数（ECV）等，以判断品种在不同环境中的稳定性。

### 研究结果

分析结果显示，基因型和环境对产量有显著影响，且GEI在其中扮演了重要角色。具体而言，基因型G32表现出最高的平均产量（2.75吨/公顷），其稳定性也较高，表现出良好的适应性。相比之下，基因型G53则被认定为最稳定的品种，其变异系数（variance of ranks）为17.60，平均绝对排名差（MADPR）为4.90，Wricke生态值（ecovalence）为0.02。这些数据表明，G53在不同环境中的表现相对一致，是稳定基因型的代表。

在稳定性分析中，研究者发现，不同的稳定性指标对品种选择有不同影响。例如，基于平均排名值的稳定性分析显示，G32和G42为最稳定的基因型；而基于MADPR的分析则显示，G53和G12是最稳定的。此外，通过Wricke生态值的计算，基因型G53在所有稳定性指标中均表现出最优的适应性。这些结果表明，指针谷物的稳定性不仅取决于其在单一环境中的表现，还应综合考虑其在不同环境中的表现一致性。

### 两种统计模型的比较

AMMI模型和GGE模型在分析GEI方面各有优势。AMMI模型通过主成分分析（PCA）将基因型与环境的交互效应分解为多个主成分轴，能够有效识别出对产量影响较大的环境因素。例如，AMMI分析显示，环境对基因型的产量影响非常显著，交互主成分轴（IPCA1和IPCA2）共同解释了超过80%的GEI变异。这意味着，环境对基因型的适应性具有重要影响，基因型在不同环境中的表现差异较大。

另一方面，GGE模型通过将基因型主效应与GEI结合，能够更直观地展示基因型与环境之间的关系。研究者利用GGE双图，识别了哪些基因型在特定环境中表现最佳，哪些环境对基因型的适应性影响最大。例如，G32在Negele Arsi 2019年的试验中表现出优异的产量，且其稳定性指标较高，是理想的高产基因型。此外，研究还发现，某些基因型在多个环境中的表现较为一致，表明其具有较强的适应能力。

### 稳定性指标的适用性

研究者强调了不同稳定性指标在育种中的适用性。例如，基于平均排名值的稳定性分析（Mean ranks）能够反映基因型在不同环境中的平均表现，而基于变异系数的分析（如Wricke生态值）则更关注基因型在不同环境中的表现一致性。基因型G32在这些指标中均表现出较高的稳定性，表明其具有广泛的适应性。相比之下，G53在生态值和变异系数指标中表现最佳，说明其在特定环境下的稳定性更强。

### 产量与环境的交互作用

分析还显示，环境对基因型的产量有显著影响，尤其是在不同年份和不同地点的试验中。例如，在Negele Arsi 2019年的试验中，平均产量最高，而在Negele Arsi 2018年的试验中，平均产量最低。这表明，不同环境条件对基因型的产量影响较大，且需考虑环境的年际变化。基因型G32在Negele Arsi 2018和2019年的试验中均表现出较高的产量，且其稳定性指标优于其他基因型，因此被认为是理想的高产基因型。

### 稳定性分析的应用

研究者还探讨了不同稳定性指标的应用场景。例如，静态稳定性（static stability）适用于评估基因型在不同环境中的表现一致性，但其并不一定能反映基因型在不同环境下的产量潜力。因此，育种者应结合多种稳定性指标，以更全面地评估基因型的适应性。同时，研究者发现，基因型G53在生态值、变异系数和MADPR指标中均表现出较高的稳定性，表明其在不同环境下的表现更加一致，适用于特定环境的种植。

### 品种选择与推荐

基于上述分析，研究者推荐基因型G32作为高产且稳定的品种，适合在多个种植区推广。该基因型在所有测试环境中均表现出较高的平均产量，并且其稳定性指标在多个方面均优于其他基因型。相比之下，基因型G53虽然在某些稳定性指标中表现最佳，但其平均产量相对较低，因此可能更适合特定环境的种植。研究者还指出，不同环境对基因型的适应性有显著差异，因此需要根据具体的种植条件选择适合的基因型。

### 对未来育种的启示

本研究为指针谷物的育种提供了重要的参考价值。首先，AMMI和GGE模型能够有效识别出在不同环境中表现优异的基因型，帮助育种者制定更科学的品种选择策略。其次，研究者强调了GEI在作物产量评估中的重要性，指出应通过多环境试验来更全面地评估基因型的适应性和稳定性。最后，研究者建议未来的研究应进一步探讨多地点、多季节试验的可行性，以更准确地评估基因型在不同环境下的表现。此外，还应关注其他性状，如营养成分和抗逆性，以提高指针谷物的适应性和产量潜力。

综上所述，本研究通过多环境试验和先进的统计分析方法，揭示了指针谷物在不同环境下的产量表现和稳定性特征。研究结果表明，基因型G32和G53在不同稳定性指标中均表现出优异的性能，但其适用性取决于具体的种植条件。因此，研究者建议在育种过程中结合多种稳定性指标，以更全面地评估基因型的适应性和稳定性。这不仅有助于提高指针谷物的产量，还能增强其在不同环境下的适应能力，从而推动其在更广泛的农业区域中的应用。