稳定性参数与选择模型的协同作用：多环境试验中优异大麦基因型鉴定的新策略

本研究针对多环境试验(METs)中基因型-环境互作(GEI)效应解析的挑战，创新性地整合31种稳定性参数与MGIDI、FAI-BLUP选择模型，开发了改良R脚本分析流程。伊朗农业研究团队通过20个大麦基因型的10环境测试，发现G3、G4、G6等基因型兼具高产稳产特性，为暖区大麦育种提供了可靠的决策工具，相关方法发表于《BMC Research Notes》。

　　

在作物育种领域，一个长期困扰科学家的难题是：如何从成千上万的候选品种中筛选出既高产又适应不同环境的"全能选手"？这个问题源于基因型与环境之间复杂的互作关系（Genotype-by-Environment Interaction, GEI），就像同样的学生在不同老师手下表现迥异。传统方法往往顾此失彼——要么只关注产量忽视稳定性，要么过度追求稳定而牺牲产量潜力。位于伊朗卡拉杰的种子与植物改良研究所（Seed and Plant Improvement Institute, AREEO）的Alireza Pour-Aboughadareh团队在《BMC Research Notes》发表的研究，为解决这一困境提供了创新方案。

研究人员采用多学科交叉方法，首先通过随机区组设计在伊朗5个暖区环境进行两年大麦试验，收集18个新品系与2个对照品种的产量数据。运用STABILITYSOFT和R语言metan包计算31种稳定性参数，包括Shukla方差（σ²）、Wricke生态价（W²）等经典指标。创新性地将AMMI（加性主效应乘性交互作用）分析与BLUP（最佳线性无偏预测）模型结合，开发改良R脚本实现MGIDI（多性状基因型-理想型距离指数）和FAI-BLUP（基于因子分析的理想型设计指数）的自动化计算。

研究结果显示，环境因素解释68%产量变异（P<0.01），基因型贡献7%，GEI占25%。AMMI分析提取6个显著交互主成分（IPCAs），其中IPC1解释40.3%变异。通过MGIDI模型筛选发现，G2、G14等基因型在7个主成分（累计解释96.1%变异）中表现最优，其BLUP参数（HMGV、RPGV）选择差（SD%）达+7.18%。FAI-BLUP模型则验证G2、G3、G6兼具高产（SD% +8.26%）与稳产特性（WAASB稳定性参数降低8.89%）。

特别值得注意的是，传统ASR（平均秩次）方法仅能识别稳定基因型（如G8、G10），而新方法可同步评估产量与稳定性。维恩图分析显示G2、G6、G14被两种模型共同推荐，其中G2作为已审定品种的优异表现验证了方法的可靠性。

这项研究的意义在于：首先，建立首个整合31种稳定性参数的选择模型框架，解决传统方法结论不一致的难题；其次，开发的R脚本（如ideotype=c("h,h,h,h,h,l...")参数设置）使育种家能自定义选择标准；最后，鉴定的G3、G4、G6等基因型为伊朗暖区大麦生产提供新材料。正如作者强调的，该方法可扩展到其他作物性状分析，为应对气候变化下的品种选育提供普适性工具。研究也指出需在不同生态区验证模型适用性，这正是团队下一步的工作方向。