بررسی تنوع ژنتیکی ژنوتیپ‌های گندم نان و روابط بین صفات زراعی با استفاده از روش‌های آماری چندمتغیره

. مقدمه

گندم بعد از برنج مهمترین گیاه زراعی در جهان است که حدود 18 درصد از کالری دریافتی و 20 درصد از پروتئین روزانه را برای انسان فراهم می‌کند. گندم یک غذای اصلی و از پرمصرف‌ترین محصولات زراعی در تمام نقاط جهان است
 (Reynolds et al., 2012). با ادامه رشد جمعیت انسانی، تولید گندم باید تا سال 2050 میلادی بیش از 40 درصد نسبت به سطح فعلی افزایش یابد تا برآورده‌کننده تقاضا باشد (Reynolds & Braun, 2022).

گندم به دلیل سازگاری گسترده آن در طیف وسیعی از محیط‌ها، مناطق خشک و مناطقی که کمبود آب خاک یک عامل محدودکننده اصلی رشد محصول است کشت می‌شود؛ ولی تولید آن به رطوبت ذخیره­شده خاک بستگی دارد
 (Monneveux et al., 2012). علاوه بر این، فعالیت­های صنعتی و روند رو به رشد صنعتی­شدن کشورها، دمای بالا و دسترسی نامنظم آب بر مناطق عمده تولیدکننده گندم تاثیر می‌گذارد (Thalassinos & Antoniadis, 2021; Yanagi, 2024). تلاش برای افزایش تولید گندم با به­کارگیری منابع ژنومی مختلف و شناسایی تنوع آللی درون ‌گونه و خلق بهترین ترکیب آللی جهت تولید ارقام برتر امکان‌پذیر می‌باشد (Zhao et al., 2018; Montenegro et al., 2017).

افزایش تقاضا برای محصولات زراعی به خصوص گندم از یک طرف و کاهش بهره‌وری کشاورزی توسط عوامل تنش‌ زیستی و غیر زیستی از طرف دیگر، اهمیت و ضرورت تلاش برای درک چگونگی واکنش گیاهان به تنش‌های مختلف و استفاده از دانش تولیدشده در برنامه‌های اصلاح نباتات جهت افزایش عملکرد را نشان می‌دهد (Dresselhaus & Hückelhoven 2018). در کشورهای تولیدکننده گندم توجه زیادی به انتخاب ژنوتیپ‌های پرمحصول و مقاوم در برابر عوامل نامطلوب محیطی می‌شود.

برای افزایش عملکرد، در دسترس­داشتن منابع ژنتیکی با تنوع زیاد در صفات زراعی و فیزیولوژیکی از اهمیت زیادی برخوردار است. صفات عملکرد و اجزای آن به­طور موفقیت‌آمیزی برای تخمین تنوع ژنتیکی و اصلاح برای افزایش عملکرد مورد استفاده قرار گرفته‌اند. صفات ارتفاع، تعداد دانه در سنبله و وزن هزار دانه در افزایش عملکرد گندم کمک زیادی کرده‌اند
 (Adilova et al., 2020). ژرم‌پلاسم با تنوع ژنتیکی زیاد از ابزارهای اساسی برای اصلاح و تولید قابل اعتماد و پایدار محصولات غذایی است. به منظور بهره‌برداری موثر از ژرم‌پلاسم گیاهی، مطالعه و ارزیابی تنوع از فعالیت‌های مستمر و همیشگی متخصصین اصلاح نباتات بوده است. استفاده از الگوریتم‌های آماری چندمتغیره، استراتژی مهم برای طبقه‌بندی ژرم‌پلاسم و تجزیه و تحلیل روابط ژنتیکی بین و درون منابع اصلاحی است (Ajmal et al., 2013). نخستین ارزیابی‌های تنوع، بر اساس صفات مورفولوژی و صفات زراعی بوده است (Condón et al., 2008). توسعه ارقام پرمحصول و پایدار در تنش‌های زیستی و غیر زیستی، نیازمند ژرم­پلاسم جدید و ارزیابی آن برای حفظ و استفاده مداوم از آنها می­باشد (Dos Santos et al., 2009). روش‌های مختلفی برای مطالعه تنوع ژنتیکی در گونه‌های گیاهی وجود دارد. استفاده از روش­های تجزیه و تحلیل چندمتغیره برای طبقه­بندی ژرم­پلاسم و تجزیه و تحلیل روابط ژنتیکی موجود بین مواد اصلاحی امری الزامی می­باشد. در بین روش­های مختلف تجزیه چندمتغیره، تجزیه خوشه، تجزیه به مولفه­های اصلی، تجزیه به عامل­ها، تجزیه رگرسیون چندمتغیره و تجزیه مسیر مهمترین روش­ها هستند
 (Naghavi & Khalili, 2017). برای نمونه در پژوهشی با روش‌های تجزیه خوشه‌ای، ضرایب همبستگی، تجزیه به مولفه‌های اصلی و با به­کارگیری شاخص‌های تحمل به خشکی، ارقام گندم مقاوم به خشکی شناسایی شد (Arshad & Zahravi, 2011).

خصوصیات کمی و کیفی 90 لاین اصلاح­شده و 55 رقم زراعی و بومی گندم در قالب طرح حجیم­شده (آگمنت) به همراه سه شاهد مورد تجزیه و تحلیل چندمتغیره شامل تجزیه به مولفه‌های اصلی، رگرسیون مرحله‌ای، تجزیه خوشه‌ای و همبستگی قرار گرفتند. در تجزیه به مولفه‌های اصلی، هفت مولفه توانستند 77 درصد از کل تنوع را توجیه کنند. با به­کارگیری این تجزیه‌ها، در نهایت ارقام با خصوصیت بالای پروتئین و عملکرد بالای دانه شناسایی شد (Shahin Nia & Rezai, 2002).

در مطالعه­ای از هیبریدهای  F₁گندم دوروم، به منظور مطالعه تنوع ژنتیکی و میزان تبعیت گزینش والدین تلاقی، از تجزیه خوشه‌ای (برآورد فواصل ژنتیکی به روش وارد و مربع فاصله اقلیدسی) و همبستگی استفاده شد. با این روش‌ها والدین با مشابهت ژنتیکی زیاد و همچنین فواصل ژنتیکی دور شناسایی شدند (Farahani & Arzani, 2006). در پژوهش دیگری، با روش‌های آماری همبستگی ساده، تحلیل مسیر، رگرسیون خطی چندگانه، رگرسیون گام­به­گام، تحلیل عاملی، مولفه‌های اصلی و تجزیه و تحلیل خوشه‌ای روابط عملکرد دانه گندم و اجزای آن در شرایط خشکسالی مورد بررسی قرار گرفت. نتایج نشان داد که تعداد سنبله در متر مربع، وزن 100 دانه، وزن دانه در سنبله و عملکرد بیولوژیکی مؤثرترین متغیرهای مؤثر بر عملکرد دانه در شرایط خشکسالی بودند (Leilah & Al-Khateeb, 2005). در مطالعه دیگری، تنوع ژنتیکی 64 لاین گندم نان در شرایط مزرعه­ای با روش­های آماری پیشرفته مورد بررسی قرار گرفت. لاین­ها به چهار گروه اصلی تقسیم شدند. در تجزیه به مولفه­های اصلی، پنج عامل اول 95/86 درصد از تنوع بین ژنوتیپ­ها را توجیه نمودند که طول سنبله، عملکرد بیولوژیکی، عملکرد دانه و وزن 100 دانه مهمترین صفات توجیه­کننده تنوع ژنتیکی بودند (Ali et al., 2021). یکی از روش‎ها برای انجام تجزیه خوشه‌ای استفاده از روش K-means می‎باشد. این الگوریتم ابتدا توسط مک­کویین (1967) مطرح شد. این روش یک روش پایه برای بسیاری از روش‎های خوشه‌بندی دیگر محسوب می‌شود (MacQueen, 1967). الگوریتم K-means نسبت به الگوریتم‎های سلسله­مراتبی خوشه‌بندی سریع‌تر بوده و برای حجم وسیعی از داده‌ها به کار می‌آید. این روش برای مجموعه داده‎های بزرگ، معمولا سریع‎ترین راه خوشه‌بندی و ارزیابی تنوع ژنتیکی است (Abbasali & Zahravi, 2017). با توجه به اهمیت اقتصادی و زراعی گندم و ارزش استراتژیک آن، اولین قدم برای ارزیابی میزان تنوع ژنتیکی گندم نان و برنامه­ریزی هدفمند برای کارهای اصلاحی، اطلاع از تنوع ژنتیکی ژرم­پلاسم می­باشد. نگرش منطقی برای تنظیم نمونه­های حاوی تنوع بالا، استفاده از روش­های آماری چندمتغیره را می‌طلبد. هدف از این پژوهش، بررسی تنوع ژنتیکی 805 ژنوتیپ گندم نان و روابط بین صفات با روش­های آماری چندمتغیره در شرایط آب و هوایی رفسنجان و غربالگری اولیه ژنوتیپ­های برتر از شاهدها از نظر عملکرد دانه و اجزاء عملکرد می­باشد.

2. روش­شناسی پژوهش

2-1. منبع ژنتیکی مورد استفاده و کشت در مزرعه

تعداد 800 ژنوتیپ گندم نان پائیزه، شامل ژنوتیپ­های جمع­آوری­شده از مناطق مختلف ایران (تهران، خراسان، خوزستان، سیستان و بلوچستان و سمنان) و خارج از کشور (استرالیا، انگلستان و افغانستان) از دانشکده کشاورزی کرج تهیه شده و در آبان­ماه 1398، ژنوتیپ­ها در قالب طرح حجیم­شده[1] در هشت بلوک همراه با ارقام شاهد (فلات، پیشگام، زارع، سرداری و روشن) در مزرعه دانشکده کشاورزی دانشگاه ولی عصر (عج) در یک خط 150 سانتی‎متری، با فاصله بین ردیف 15 و فاصله روی خط چهار سانتی­متر کشت شدند. به منظور تأمین عناصر مورد نیاز گیاه، کود فسفات آمونیوم و کود حیوانی، قبل از کاشت با خاک مخلوط شدند. کود نیتروژن به­صورت دست‌پاش، در اوایل به­ساقه­رفتن به خاک اضافه شد.

2-2. صفات مورد بررسی

صفات شاخص کلروفیل (SPAD^[2])، ارتفاع در زمان رسیدگی (H)، طول پدانکل (LP)، تاریخ سنبله­دهی (DF)، تاریخ رسیدگی (DR)، وزن کل بیولوژیک (WPP)، وزن کل دانه (WSP)، وزن دانه در سنبله (WS)، تعداد دانه در سنبله (NS)، طول سنبله (LS)، تعداد سنبلچه (SP)، وزن هزار دانه (W1000) و شاخص برداشت (HI) از جمله صفاتی بودند که در طول فصل رویشی و پس از برداشت اندازه­گیری و ثبت شدند.

2-3. تجزیه­های آماری

به منظور بررسی تنوع ژنتیکی ژنوتیپ­ها، روابط بین صفات زراعی و غربالگری ژنوتیپ­های برتر نسبت به ارقام شاهد، تجزیه واریانس، تجزیه خوشه‌ای به روش‌های (K-means) و فازی (FCM)، تجزیه رگرسیون چندمتغیره، تجزیه مسیر و برآورد اثرات مستقیم و غیر مستقیم صفات روی عملکرد انجام شد. به منظور انجام تجزیه­ها، از نرم­افزارهای آماریSAS ، MINITAB18، SPSS و Path2 استفاده شد. در خوشه‌بندی کا-مینز ابتدا تعدادی نقطه یا فرد (به تعداد خوشه‌های مورد نیاز) به­عنوان مرکز اولیه خوشه‌ها به­طور تصادفی و یا غیر تصادفی انتخاب و سپس افراد با توجه به میزان نزدیکی یا شباهت آنها به مراکز خوشه‌ها به هر یک از خوشه‎ها نسبت داده شدند و بدین­ترتیب خوشه‎های جدیدی حاصل شد. با تکرار همین روال می‌توان در هر تکرار با میانگین‌گیری افراد هر خوشه مرکز جدیدی برای هر خوشه به­وجود آورد و مجددا افراد را به خوشه‌های جدید منتسب نمود و این روند تا زمانی ادامه پیدا می‌کند که میانگین هر خوشه بهترین نماینده افراد آن خوشه باشد و دیگر تغییری در میانگین خوشه‌ها حاصل نشود که این مرحله را مرحله همگرا شدن می‌گویند. تابع هدف در الگوریتم کا-مینز به­صورت رابطه 1 تعریف می‌شود (Wu, 2012).

در این تابع c_j نشان‎دهنده مرکز خوشه j و x_i فرد i و ||x_i - c_j|| فاصله فرد iام از مرکز خوشه jام و k تعداد خوشه است. لذا فرد iام در خوشه­ای قرار می‎گیرد که این فاصله و یا تابع Minimum باشد؛ بنابراین در خوشه‎بندی کا-مینز مراکز خوشه‎ها در جذب نمونه‎های x_i با هم در رقابت هندسی‎اند و یک x_i به مرکز خوشه‎ای تعلق دارد که فاصله آن تا مرکز آن خوشه کمترین باشد. ضعف‎هایی برای کا-مینز ذکر شده که عمده‎ترین آنها عبارتند از: تعیین تعداد خوشه­ها از قبل، وقتی تعداد افراد کم است دقت خوشه‌بندی کم است، افراد دارای اطلاعات پرت مراکز خوشه‌ها را از محل واقعی خودشان خارج می‎کند و جواب نهایی به انتخاب خوشه‌های اولیه بستگی دارد. افزایش تعداد افراد و استفاده از میانه به جای میانگین حسابی در محاسبه مراکز خوشه‌ها، تدابیری هستند که برای کاهش مشکلات فوق ارائه شده­اند.

تفاوت مجموعه‎های فازی یا گروه‎بندی فازی بر اساس منطق فازی با مجموعه­های کلاسیک که کا-مینز یکی از آنها است در این است که تابع تعلق مجموعه‎های کلاسیک دارای دو مقدار است (صفر یا یک)؛ ولی تابع تعلق در مجموعه‎های فازی دو مقداری نیست؛ بلکه هر مقداری را بین صفر یا یک می‌تواند اختیار کند. به­عبارتی، در خوشه‎بندی کلاسیک یک فرد نمی‌تواند متعلق به بیش از یک خوشه باشد، ولی در خوشه‌بندی فازی این امر پذیرفته شده است؛ اما با درجه خاصی که تابع عضویت و یا تعلق آن را تعیین می‌کند. یکی از ضعف‎های گروه‌بندی کلاسیک، ورود افرادی که در فاصله بین مراکز خوشه­ها قرار می‎گیرند به یکی از خوشه­ها است که ممکن است جایگاه واقعی آن فرد نباشد، ولی در خوشه‌بندی فازی با تعیین درجه عضویت فرد به یک گروه و یا چند گروه این مشکل رفع می‎شود. با توجه به تابع هدف که برای الگوریتم خوشه‎بندی فازی تعریف شده است، رابطه 2 تعریف می‎شود.

در این تابع x_k نمونه kام،  v_iمرکز خوشه iام ، ²||x_k - v_i|| فاصله x_k از مرکز خوشه iام و U_ik درجه عضویت نمونه iام درخوشه kام و c تعداد خوشه‌ها و n تعداد افراد می‎باشد. برای محاسبه (x_k-v_i) می‎توان از هر تابعی که بیانگر تشابه نمونه و مرکز خوشه باشد استفاده کرد. از مقادیر درجات عضویت افراد به خوشه­های مختلف U_ik ماتریس U تعریف می‎شود که دارای c سطر و n ستون است و اعضاء آن هر مقداری بین صفر و یک می‎تواند باشد (0<U_ik<1). اگر تمامی اعضاء این ماتریس فقط به­صورت صفر و یک باشد الگوریتم همان خوشه­بندی کلاسیک را اعمال می‎کند. مجموع اعضاء هر ستون این ماتریس برابر است با یک. با استفاده از این شرط تابع هدف را Minimum می‎نمایند.

خوشه‎بندی فازی همان تعمیم خوشه‌بندی کامینز است با این تفاوت که در فازی درجه عضویت هر فرد به تمام خوشه­ها تعیین می­شود و وقتی m به سمت بی­نهایت میل نماید خوشه‌بندی فازی به خوشه‌بندی کلاسیک منطبق می‌شود، ولی در فازی مقدارm  را معمولا دو در نظر می‎گیرند (Ashabi et al., 2020; Dehariya et al., 2010; Shedthi et al., 2017;
Shovon & Haque, 2012).

به منظور محاسبه شاخص­های اعتبار و همچنین ارزیابی کیفیت مدل رگرسیون چندگانه شاخص‌های متوسط انحراف پیشگویی از مقدار واقعی (MAE^[3])، جذر میانگین مربعات خطا (RMSE^[4])، میانگین درصد قدر مطلق خطا (MAPE^[5]) و ضریب تغییرات جذر میانگین مربعات خطا (CV RMSE^[6]) طبق روابط زیر (روابط 6، 7، 8 و 9) محاسبه شد( Hodson, 2022) :

3. 3. نتایج پژوهش و بحث

ابتدا به منظور تعیین وضعیت یکنواختی زمین و لزوم تصحیح برای اثر بلوک، شاهدها مورد تجزیه واریانس قرار گرفتند. نتایج حاصل نشان داد که برای کلیه صفات (بجز تعداد روز تا رسیدگی و شاخص کلروفیل) اختلاف معنی­داری بین بلوک­ها مشاهده نشد و در نتیجه نیاز به تصحیحات مربوط به اثر بلوک نبود و صفات روز تا رسیدگی و شاخص کلروفیل نسبت به اثر بلوک­ها تصحیح شدند. آمار توصیفی برای صفات زراعی در جدول 1 آورده شده است. این نتایج نشان­دهنده وجود تنوع قابل ملاحظه­ای از نظر مهم­ترین صفات زراعی در بین ژنوتیپ­های مورد مطالعه است. با توجه به این نتایج می­توان بیان کرد که در منبع ژنتیکی مورد بررسی از تنوع ژنتیکی موجود بین ژنوتیپ‌ها برای عملکرد دانه و اجزای آن در برنامه­های اصلاحی می‎توان استفاده نمود.

صفات وزن دانه، وزن دانه در سنبله و شاخص برداشت را به عنوان صفات با بالاترین میزان تنوع، و صفات تعداد روز تا گلدهی و تعداد روز تا رسیدگی را به عنوان صفات با کمترین میزان تنوع معرفی می‌شوند. صفات دارای دامنه تغییرات زیاد و تنوع بالا در برنامه­های به­نژادی می­توانند مورد توجه به‎نژادگران قرار گیرند. افزایش عملکرد دانه در گندم نان از طریق توسعه و کشت ژنوتیپ‌های برتر با ترکیب ویژگی‌های زراعی و فیزیولوژیکی مرتبط با عملکرد حاصل از ژرم‌پلاسم متنوع و با تنوع ژنتیکی بالا به­دست آمده است (Tshikunde et al., 2019). بنابراین، در این پژوهش صفات دارای دامنه تغییرات زیاد و تنوع بالا که در ژرم‌پلاسم مورد مطالعه دیده شده است، می‌تواند در برنامه­های به­نژادی مورد توجه به‎نژادگران در برنامه‌های دورگ‌گیری و انتخاب قرار گیرند.

3-1. تجزیه خوشه‌ای ژنوتیپ­ها

تجزیه خوشه‌ای می­تواند برای گروه‎بندی افراد بر اساس تشابه و یا عدم تشابه مورد استفاده قرار گیرد که در اصلاح نباتات اهمیت زیادی دارد. بر این اساس، به منظور تعیین روابط بین ژنوتیپ­های مورد بررسی و گروه­بندی آنها از نظر صفات اندازه‌گیری­شده، تجزیه خوشه­ای به روش کا-مینز بر مبنای فاصله اقلیدسی به عنوان معیار فاصله انجام شد.از­آنجایی­که در تجزیه خوشه­ای به روش کا-مینز تعداد خوشه­ها را باید از قبل تعیین نمود، جهت اطلاع ازتعداد خوشه مطلوب یک تجزیه خوشه­ای سلسله مراتبی به روش وارد انجام شد که تعداد چهار خوشه مناسب به­نظر می­رسید و ازطرفی چون منشا ژنوتیپ­های مورد مطالعه از چهار کشور مختلف بودند؛ لذا تعداد خوشه چهار در نظر گرفته شد و ژنوتیپ‌های مورد مطالعه به چهار گروه تقسیم شدند (جدول 2). تجزیه واریانس چندمتغیره تفاوت معنی­دار بین بردار میانگین­های صفات برای چهار گروه را نشان می­دهد که بیان­کننده منطقی­بودن و توجیه­پذیر­بودن تعداد خوشه­ها است (جدول 3)، همچنین همگن­بودن واریانس­های داخل گروه‌ها اعتباری برای تجزیه واریانس است (جدول 3). گروه اول 217 ژنوتیپ، گروه دوم 242 ژنوتیپ، گروه سوم 160 ژنوتیپ و گروه چهارم 186 ژنوتیپ را شامل شد. با توجه به ضرایب بردار ویژه صفات، گروه اول و دوم در گروه ژنوتیپ‌های دیررس قرار می‌گیرند (جدول 2). ژنوتیپ‌های گروه 3 از نظر تمام صفات مورد مطالعه بجز شاخص برداشت، نسبت به دیگر گروه‌ها برتری دارند؛ لذا جهت انتخاب ژنوتیپ‌های با طول خوشه، تعداد سنبلچه در سنبله و عملکرد بیولوژیکی بالا و در ضمن دیررس، ارتفاع زیاد و همچنین دارای بیشترین عملکرد دانه، تعداد دانه و وزن دانه در سنبله بیشتر باید به گروه 2 مراجعه نمود. همچنین برای انتخاب ژنوتیپ‌های زودرس و در ضمن دارای طول سنبله، تعداد سنبلچه در سنبله، عملکرد دانه، تعداد دانه در سنبله، وزن دانه در سنبله خوب و متوسط و همچنین بالاترین شاخص برداشت باید به کلاستر 4 مراجعه نمود (جدول 2). بنابراین تجزیه خوشه­ای بر اساس تنوع ژنتیکی عملکرد دانه و اجزای آن می‌تواند برای ارزیابی تنوع ژنتیکی بین ژنوتیپ‌های گیاهی برای شناسایی ژنوتیپ‌های پرمحصول، کارایی بالایی داشته باشد. بسیاری از پژوهشگران، انتخاب اولیه ژنوتیپ‌های با عملکرد بالا را به منظور تعیین اثربخشی استفاده از تجزیه خوشه­ای برای ارزیابی لاین­ها و ژنوتیپ­های دارای صفات اقتصادی ارزشمند انجام داده‌اند (Ahmadizadeh et al, 2011; Awan et al., 2014;
Hailegiorgis et al., 2011).      

در تجزیه خوشه‎ای به روش فازی، ژنوتیپ‌ها به چهار گروه تقسیم شدند که 250 ، 172 ، 175 و 61 ژنوتیپ با درجه عضویت بیشتر از نیم به­ترتیب در گروه‌های اول، دوم، سوم و چهارم قرارگرفتند (جدول 4). اعضای دو گروه برتر مانند تجزیه خوشه‌ای به روش کا-مینز از نظر اکثر صفات زراعی برتر می‌باشند (جدول 5). به نظر می­رسد تلاقی بین ژنوتیپ­هایی که در گروه­های متفاوت قرار دارند (مانند ژنوتیپ­های گروه اول و سوم در هر دو روش تجزیه خوشه­ای می­تواند ژنوتیپ­های با حداکثر تنوع را به وجود آورد). همانطور که در پژوهشی اثبات شد که تلاقی بین ژنوتیپ­هایی که فواصل دوری از یکدیگر دارند، برای به­دست­آوردن حداکثر واگرایی ژنتیکی مفید خواهد بود که می­تواند برای بهبود ژنتیکی و تولید واریته‌های جدید گندم به­کار برده شوند و این اطلاعات می‌تواند برای طرح‌ریزی تلاقی‌های گسترده، بهره‌برداری از تنوع ژنتیکی و به حداکثر رساندن بیان هتروزیس مورد استفاده قرار گیرند (Ahmad et al., 2014).

به منظور مقایسه خوشه بندی به روش کا-مینز و فازی، همبستگی بردارهای میانگین خوشه‌های تشکیل شده در دو روش محاسبه شد. همبستگی بالای بردار میانگین صفات در گروه­های تشکیل شده در دو روش نشان می­دهد که روش کا- مینز با روش فازی مشابهت زیادی دارد. چون روش فازی تعمیم یافته روش کا-مینز است (جدول 6). ژنوتیپ­های برتر در هر دو گروه­بندی می­توانند به عنوان ژنوتیپ­های کاندید در برنامه­های به­نژادی گندم مورد استفاده و بهره­برداری قرار بگیرند.

جدول 6. همبستگی مراکز خوشه­ها در دو روش K-means و فازی (Fcm).

هیستوگرام ضریب تغییرات صفات به­منظور شناسایی مهم‌ترین صفات در گروه‌بندی ژنوتیپ‌ها در هر دو روش رسم شد. در روش فازی عملکرد بیولوژیک، عملکرد دانه، شاخص برداشت، ارتفاع و صفات مربوط به اجزاء عملکرد با بیشترین میزان ضریب تغییرات به عنوان مهمترین صفات در گروه‌بندی صفات معرفی می‌شوند (شکل 1). همچنین در روش کا-مینز نیز همین صفات بیشترین میزان ضریب تغییرات و بیشترین تاثیر را در گروه‌بندی ژنوتیپ‌ها داشتند (شکل 2). به­عبارت دیگر، این صفات دارای تنوع ژنتیکی بالایی در بین دیگر صفات هستند و تنوع بالا به به­نژادگر در برنامه‌های به‌نژادی و انجام دورگ گیری و انتخاب ژنوتیپ‌های برتر کمک می‌نماید.

شکل 1. هیستوگرام ضریب تغییرات میانگین صفات مختلف جهت نشان­دادن اهمیت هریک از صفات در تجزیه خوشه‌ای و گروه‌بندی ژنوتیپ‌ها به روش فازی.

شکل 2. ضریب تغییرات میانگین صفات در خوشه­های مختلف جهت نشان­دادن اهمیت هریک از صفات در تجزیه خوشه‌ای و گروه‎بندی ژنوتیپ­ها به روش
 K-means

3-2. همبستگی بین صفات زراعی

جدول 7، همبستگی بین صفات زراعی را نشان می­دهد. بالاترین ضریب همبستگی بین وزن کل دانه با وزن کل بیولوژیک (^***711/0)، وزن دانه در سنبله با تعداد دانه در سنبله (^***692/0) و طول پدانکل با ارتفاع (^***711/0) بود. همبستگی وزن هزار دانه با وزن دانه در سنبله مثبت و معنی­دار بود (^***319/0). همبستگی ارتفاع با تمام صفات بجز تعداد دانه در سنبله، معنی­دار و با شاخص برداشت، منفی و معنی­دار (^***340/0-) بود. می‎توان این موضوع را به امکان انتخاب غیر مستقیم برای عملکرد دانه بیشتر، از طریق تعداد دانه در سنبله دانست (Arshad & Zahravi, 2011). با افزایش ارتفاع، وزن کل بیولوژیک (^***530/0) و وزن کل دانه (^***276/0) بیشتر می­شود. افزایش وزن کل بیولوژیک همراه با افزایش تعداد پنجه و تعداد سنبله می­باشد که این صفات منجر به افزایش تعداد دانه و در نهایت وزن دانه می­شوند و همراه با افزایش وزن دانه، شاخص برداشت هم افزایش می­یابد (^***239/0). همبستگی شاخص برداشت با دیگر صفات اندازه­گیری­شده، منفی و معنی­دار است. همبستگی تعداد روز تا رسیدگی با صفات تعداد روز تا گلدهی، ارتفاع، طول پدانکل، شاخص کلروفیل، طول سنبله، تعداد سنبلچه، وزن کل بیولوژیک، وزن کل دانه، وزن دانه در سنبله و وزن هزار دانه مثبت و معنی­دار بود. یافته­های این پژوهش با بیشتر یافته­های محققان دیگر کاملا همخوانی دارد
 (Farahani & Arzani, 2006; Pour Danesh et al., 2014; Tabrizi & Kazemi-e-Arbat, 2011).

محتوای کلروفیل یک صفت مفید برای اصلاح پتانسیل بالای عملکرد دانه در گندم است. صفت سبز ماندن که مربوط به حفظ محتوای کلروفیل است به عنوان یک صفت هدف کلیدی برای بهبود استفاده از نور شناسایی شده است و می­تواند به افزایش عملکرد گندم کمک کند (Cossani & Reynolds, 2012). همچنین مشخص شده است که سبز ماندن با عملکرد تحت تنش گرمایی و گرما همراه با خشکی در گندم بهاره همبستگی دارد. بنابراین، انتخاب برای صفت سبز ماندن در ژنوتیپ‌های امیدبخش گندم، احتمالاً نرخ پیشرفت ژنتیکی برای سازگاری گندم را افزایش می‌دهد (Lopes & Reynolds, 2012;
Christopher et al., 2018). همچنین گزارش شده است که ارتباط معنی‌دار بین صفت سبز ماندن (شاخص کلروفیل) و بهبود عملکرد دانه می­تواند برای توسعه رقم جدید مورد استفاده قرار گیرد (Lopes et al., 2012; Beche et al., 2014).

علاوه بر این، گزارش شده است که عملکرد دانه با عملکرد بیولوژیک و تعداد سنبله در متر مربع همبستگی مثبت دارد که با نتایج این پژوهش هماهنگ است (Okuyama et al., 2004). با افزایش تعداد روز تا رسیدگی، شاخص برداشت کاهش می­یابد. به­عبارت دیگر، گیاهان فرصت بیشتری برای رشد رویشی خواهند داشت و با افزایش رشد رویشی، بیوماس (زیست‎­توده) گیاهی افزایش یافته ولی ضریب افزایش عملکرد دانه به اندازه ضریب افزایش زیست­توده نبوده، لذا شاخص برداشت هم که از تقسیم عملکرد دانه به عملکرد بیولوژیک به دست می­آید، کاهش می­یابد. همچنین گزارش شده است که ارقامی که زود به سنبله می­روند، فرصت بیشتری برای پر کردن دانه و افزایش وزن دانه دارند و بنابراین وزن دانه و عملکرد دانه هم افزایش می­یابد
 (Tabrizi & Kazemi-e-Arbat 2011). صفات شاخص برداشت، تعداد و طول سنبله از اجزای مهم عملکرد دانه بوده و انتخاب بر اساس آنها می‎تواند موجب بهبود عملکرد دانه در گندم شود (Dawari & Luthra, 1991). عملکرد گندم نان عمدتاً به سه عامل مهم بستگی دارد، این عوامل عبارتند از تعداد دانه در سنبله، وزن هزار دانه و تعداد سنبله در واحد سطح. از طرف دیگر، بسیاری از به­نژادگران روی اصلاح تعداد دانه در سنبله و وزن هزار دانه گندم تمرکز می­کنند تا به عملکرد بالایی دست یابند
(Leilah & Al-Khateeb 2005; Kesavan et al., 2013; Distelfeld et al., 2014). بنابراین، برای انتخاب ارقام برتر باید به مهمترین صفات مرتبط با عملکرد توجه نمود؛ البته ذکر این نکته مهم است که ژن­ها و صفاتی که برای اهداف بالقوه انتخاب شناسایی می‌شوند باید برهمکنش و تعامل معنی­داری با سایر ژنها و صفات مرتبط داشته باشند؛ زیرا فقط ترکیبات آلل خاصی برای عملکرد دانه گندم مفید هستند. بسیاری از صفات مربوط به عملکرد توسط چندین ژن کنترل و کدگذاری می‌شوند. افزایش تعداد سنبلچه و انشعاب سنبلچه در سنبله به عنوان یک عامل مهم در افزایش عملکرد دانه گندم گزارش شده است که می‌توان با هرمی­نمودن ژن‌های مؤثر بر عملکرد (افزایش تعداد سنبلچه، وزن دانه در خوشه و تعداد دانه در خوشه)، عملکرد دانه گندم را افزایش داد (Nadolska-Orczyk et al., 2017).

3-3. رگرسیون چندگانه به روش مرحله‎ای

در این پژوهش، به منظور تعیین صفاتی که میزان قابل ملاحظه­ای از تغییرات عملکرد را توجیه نمایند، صفت وزن کل دانه (عملکرد دانه در ردیف) به عنوان متغیر تابع در مقابل سایر صفات زراعی قرار گرفت. نتایج نشان داد که از بین 13 صفت زراعی مورد مطالعه، هشت صفت شامل روز تا رسیدگی (DR)، روز تا گلدهی (DF)، طول سنبله (LS)، عملکرد بیولوژیک‌ (WPP)، تعداد دانه در سنبله (NS)، وزن دانه در سنبله (WS)، وزن هزار دانه (W1000) و شاخص برداشت (HI) وارد مدل شدند و این صفات 89/85 درصد از کل تغییرات عمکلرد دانه را توجیه نمودند (جدول 8). بر اساس رگرسیون استاندارد، صفات عملکرد بیولوژیک، شاخص برداشت، تعداد دانه در سنبله، وزن دانه در سنبله، طول سنبله، وزن هزار دانه، روز تا گلدهی و روز تا رسیدن به­ترتیب بیشترین اهمیت و تاثیر را در پیشگویی عملکرد دانه داشتند. شاخص‌های ارزیابی اعتبار و دقت مدل (جدول 9) نشان می‌دهد که مدل از اعتبار بالایی برخوردار است ( توزیع خطاها نرمال می‌باشد (probe( ks) =0.09)، ضریب تبیین چندگانه تعدیل شده 85%، میانگین VIF برابر 8/1 که بسیار پایینتر از 10 می‌باشد و همخطی بسیار پائین متغیرهای پیشگو را بیان می‌نماید و دوربین واتسون برابر با 8/1 که بسیار نزدیک به دو بوده و حاکی از عدم همبستگی خطاها است و علاوه بر این شاخص‌های MAE ، RMSE و MAPE که متوسط میزان خطای پیشگویی را برحسب گرم نشان می­دهند، همگی در حد مطلوب و قابل قبول و نزدیک یکدیگر بوده و CvRMSE که ضریب تغییرات خطا در پیشگویی را بر حسب درصدی از میانگین متغیر تابع نشان می­دهد برابر با 9/15% است که مقداری قابل قبول است (جدول‌های 8، 9 و 10).

می­توان استنیاط نمود که برای بهبود عملکرد دانه گندم باید به این صفات که بیشترین اثر را روی عملکرد دانه گیاه دارند توجه داشت. طبق معادله رگرسیونی به­دست­آمده صفات روز تا رسیدگی و طول سنبله دارای ضرایب منفی هستند؛ در­صورتی­که انتظار می­رود با افزایش این صفات عملکرد دانه افزایش یابد، اما در این معادله ظاهرا با افزایش این صفات عملکرد کاهش می­یابد، احتمالا این صفات اثر مثبت خود را به­طور غیر مستقیم از طریق صفات دیگر روی عملکرد اعمال می­نمایند. از آنجایی که در تولید ارقام پرمحصول باید ارتباط بین عملکرد دانه و سایر صفات به­ویژه اجزاء عملکرد در نظر گرفته شود؛ لذا برای بررسی این مسئله تجزیه مسیر انجام شد و اثرات مستقیم و غیر مستقیم صفات روی عملکرد دانه محاسبه شد.

بسیاری از صفات مربوط به عملکرد توسط چندین ژن کنترل و کدگذاری می‌شوند. هرمی­نمودن ژن‌های مؤثر بر عملکرد با سایر ژن‌های مهم زراعی می­توان به افزایش عملکرد در گندم رسید (Nadolska-Orczyk et al., 2017).

3-4. تجزیه مسیر

در این پژوهش، با توجه به نتایج حاصل از تجزیه رگرسیون مرحله­ای و ضرایب همبستگی بین صفات از تجزیه مسیر برای بررسی اثرات مستقیم و غیر مستقیم صفات بر عملکرد دانه استفاده شد. اثرات مستقیم صفات وارد شده در مدل روی متغیر تابع همان ضرایب رگرسیون جزء در مدل استاندارد می­باشند (جدول 11)، صفات عملکرد بیولوژیک و شاخص برداشت به­ترتیب با ضرایب 915/0 و 581/0 بیشترین اثر مستقیم و مثبت را روی عملکرد دانه داشتند. صفت عملکرد بیولوژیک، بیشترین اثر غیر مستقیم و منفی (391/0-) را از طریق شاخص برداشت روی عملکرد دانه داشت. صفات DF، DR و LS که ضرایب منفی در مدل رگرسیونی دارند، از طریق صفت وزن بیولوژیکی اثر مثبت خود را بر عملکرد دانه اعمال می­نمایند؛ چون به­ترتیب دارای اثرات غیر مسقیم 244/0، 352/0 و 432/0 از طریق WPP روی عملکرد دانه می­اشند. به منظور توسعه ارقام گندم پرمحصول، باید ارتباط ژنتیکی بین عملکرد دانه و اجزای آن در نظر گرفته شود. از آنجایی که عملکرد دانه توسط چند ژن کنترل می­شود، تجمع تدریجی ژن­ها باعث عملکرد بالاتر و حذف ژن­های نامطلوب از طریق روش­های مختلف اصلاحی می­شود. تجزیه و تحلیل آماری صفات زراعی از طریق آنالیز مسیر می­تواند در دست‌یابی به ارقام گندم نان پرمحصول در برنامه‌های اصلاح ژنتیکی کارا باشد، زیرا صفات زراعی حاصل عملکرد ژن­ها هستند.

در جدول 12، شماره تعدادی از ژنوتیپ­ها همراه با ویژگی شاخص آنها که نسبت به ارقام شاهد برتری نشان دادند آورده شده است. این ژنوتیپ‌ها بر اساس صفاتی انتخاب شدند که در تجزیه خوشه­ای و گروهبندی به دو روش کا-مینز و فازی دارای اهمیت زیادی بودند (شکل 1 و 2)، در رگرسیون چندگانه وارد مدل رگرسیونی شدند (جدول 7)، همبستگی بالایی با عملکرد دانه داشتند (جدول 7) و از مهم‌ترین اجزای عملکرد هستند.

این ژنوتیپ­ها می­توانند در برنامه­های دورگ­گیری مورد استفاده قرار گیرند. همچنین می­توان آزمایش­های غربال‌گری نسبت به تنش‌های زیستی و غیر زیستی را به منظور شناسایی بهترین ژنوتیپ­ها (با عملکرد و مقاومت بالا) انجام داد. آنچه مسلم است این است که این ژنوتیپ­ها به عنوان ژنوتیپ­های منتخب و باارزش بالا می­توانند مورد استفاده پژوهشگران و موسسات تحقیقاتی قرار گیرند.‌ وزن هزار دانه، تعداد دانه در سنبله، وزن دانه در سنبله و طول سنبله از صفات بسیار مهم و تاثیرگذار روی عملکرد دانه هستند. به نظر می­رسد که در اصلاح گندم اهمیت به هریک از این صفات می­تواند تا حد زیادی عملکرد دانه گندم را افزایش دهد. تغییرات وزن هزار دانه در ارقام شاهد از 14/36 گرم در رقم فلات تا 76/54 گرم در رقم سرداری مشاهده شد، در این بین ژنوتیپ­هایی مشاهده شدند که وزن هزار دانه بیشتر از 55 گرم را داشتند. طول سنبله یکی دیگر از صفات مهم است که می‌تواند بر عملکرد دانه تاثیرگذار باشد تغییرات طول سنبله 57/6 سانتی­متر در رقم پیشگام تا 25/10 سانتی­متر در رقم روشن متغیر بود؛ ولی تعدادی از ژنوتیپ­ها طول سنبله بیشتر از 15 سانتی­متر را داشتند که توجه به این صفت و همچنین افزایش تعداد و وزن دانه در سنبله می­تواند در انتخاب ژنوتیپ­های با عملکرد بالا به به­نژادگر کمک زیادی نماید. در پژوهش­های پیشین گزارش شده است که واکنش عملکرد دانه در گندم نان تحت تأثیر چندین صفت زراعی (ارتفاع، شاخص برداشت، عملکرد بیولوژیک، تعداد پنجه بارور، تعداد دانه در سنبله، طول سنبله، تعداد سنبلچه، وزن هزار دانه و وزن دانه در سنبله) و صفات فیزیولوژیکی شامل محتوای کلروفیل است (Chen et al., 2012; Foulkes et al., 2007; Beche et al., 2014; Chen & Hao, 2015). بنابراین، با استفاده از ژنوتیپ‌های با عملکرد و تنوع ژنتیکی بالا و دسترسی به ژرم‌پلاسم متنوع در برنامه‌های به‌نژادی گندم، می­توان افزایش عملکرد گندم را تسریع و بهبود بخشید (Chen et al., 2012; Bustos et al., 2013; Reynolds et al., 2012).

4. نتیجه­گیری

منابع ژنتیکی مورد بررسی در این پژوهش، از نظر صفات عملکرد و اکثر صفات زراعی از تنوع بسیار بالایی برخوردار بودند. در تجزیه خوشه­ای، ژنوتیپ­ها در چهار گروه قرار گرفتند و صفات وزن بیولوژیک، عملکرد دانه، شاخص برداشت و ارتفاع مهمترین نقش را در گروه­بندی داشتند و گروه­بندی به روش فازی نتایج مشابهی را در بیان تنوع ارائه نمود. نتایج رگرسیون چندگانه نشان داد که عملکرد بیولوژیک، شاخص برداشت، تعداد دانه در سنبله، طول سنبله، وزن دانه در سنبله، وزن هزاردانه، روز تا سنبله­دهی و روز تا رسیدن به­ترتیب مهمترین صفاتی بودند که وارد مدل شدند و 85% تنوع عملکرد دانه را توجیه نمودند. با توجه به نتایج، تعدادی از ژنوتیپ­ها بر اساس تعدادی از صفات مهم که وارد مدل رگرسیونی شدند نسبت به ارقام شاهد هم عملکرد بالاتری داشتند و این نشان می­دهد که این ژنوتیپ­ها در شرایط آب و هوایی رفسنجان می­توانند به­عنوان ژنوتیپ­های کاندید در برنامه­های اصلاحی مورد توجه ویژه قرار گیرند.

5. منابع

Abbasali, M., & Zahravi, M. (2017). Genetic diversity in safflower germplasm of national plant gene bank of Iran. Seed and Plant Journal, 32(4), 527-543.

Adilova, S.S., Qulmamatova, D.E., Baboev, S.K., Bozorov, T.A., & Morgunov, A.I. (2020). Multivariate cluster and principle component analyses of selected yield traits in Uzbek bread wheat cultivars. American Journal of Plant Sciences, 11(06), 903.

Ahmad, H.M., Awan, S.I., Aziz, O., & Ali, M.A. (2014). Multivariate analysis of some metric traits in bread wheat (Triticum aestivum L.). European Journal of Biotechnology and Bioscience, 1(4), 22-26.

Ahmadizadeh, M., Nori, A., Shahbazi, H., & Habibpour, M. (2011). Effects of drought stress on some agronomic and morphological traits of durum wheat (Triticum durum Desf.) landraces under greenhouse condition. African Journal of Biotechnology, 10(64), 14097-14107.

Ajmal, S.U., Minhas, N.M., Hamdani, A., Shakir, A., Zubair, M., & Ahmad, Z. (2013). Multivariate analysis of genetic divergence in wheat (Triticum aestivum) germplasm. Pakistan Journal of Botany, 45(5), 1643-1648.

Ali, N., Hussain, I., Ali, S., Khan, N.U., & Hussain, I. (2021). Multivariate analysis for various quantitative traits in wheat advanced lines. Saudi Journal of Biological Sciences, 28(1), 347-352.

Arshad, Y., & Zahravi, M. (2011). Identification of drought tolerant genotypes in selected wheat genetic resources in the National Plant Gene-Bank of Iran. Iranian Journal of Crop Sciences, 13(1), 157-177.

Ashabi, A., Sahibuddin, S.B., & Salkhordeh Haghighi, M. (2020). The systematic review of K-means clustering algorithm. Paper presented at the Proceedings of the 2020 9th International Conference on Networks, Communication and Computing, 13-18.

Awan, F.K., Khurshid, M.Y., Afzal, O., Ahmed, M., & Chaudhry, A.N. (2014). Agro-morphological evaluation of some exotic common bean (Phaseolus vulgaris L.) genotypes under rainfed conditions of Islamabad, Pakistan. Pakistan Journal of Botany, 46(1), 259-264.

Beche, E., Benin, G., da Silva, C.L., Munaro, L.B., & Marchese, J.A. (2014). Genetic gain in yield and changes associated with physiological traits in Brazilian wheat during the 20th century. European Journal of Agronomy, 61, 49-59.‏

Becher, E., Benin, G., da Silva, C.L., Munaro, L.B., & Marchese, J.A. (2014). Genetic gain in yield and changes associated with physiological traits in Brazilian wheat during the 20th century. European Journal of Agronomy, 61, 49-59.‏

Bustos, D.V., Hasan, A.K., Reynolds, M.P., & Calderini, D.F. (2013). Combining high grain number and weight through a DH-population to improve grain yield potential of wheat in high-yielding environments. Field Crops Research, 145, 106-115.‏

Chen, S., Gao, R., Wang, H., Wen, M., Xiao, J., Bian, N., & Wang, X. (2015). Characterization of a novel reduced height gene (Rht23) regulating panicle morphology and plant architecture in bread wheat. Euphytica, 203, 583-594.‏

Chen, X., Min, D., Yasir, T.A., & Hu, Y.G. (2012). Evaluation of 14 morphological, yield-related and physiological traits as indicators of drought tolerance in Chinese winter bread wheat revealed by analysis of the membership function value of drought tolerance (MFVD). Field Crops Research, 137, 195-201.‏

Christopher, M., Chenu, K., Jennings, R., Fletcher, S., Butler, D., Borrell, A., & Christopher, J. (2018). QTL for stay-green traits in wheat in well-watered and water-limited environments. Field Crops Research, 217, 32-44.‏

Condón, F., Gustus, C., Rasmusson, D.C., & Smith, K.P. (2008). Effect of advanced cycle breeding on genetic diversity in barley breeding germplasm. Crop Science, 48(3), 1027-1036.

Cossani, C.M., & Reynolds, M.P. (2012). Physiological traits for improving heat tolerance in wheat. Plant Physiology, 160(4), 1710-1718.‏

Dawari, N., & Luthra, O. (1991). Character association studies under high and low environments in wheat (Triticum aestivum L.). Indian Journal of Agricultural Research, 25, 68-72.

Dehariya, V.K., Shrivastava, S.K., & Jain, R. (2010). Clustering of image data set using k-means and fuzzy k-means algorithms. Paper presented at the 2010 International conference on computational intelligence and communication networks, 386-391.

Distelfeld, A., Avni, R., & Fischer, A.M. (2014). Senescence, nutrient remobilization, and yield in wheat and barley. Journal of Experimental Botany, 65(14), 3783-3798.‏

Dos Santos, T.M., Ganança, F., Slaski, J.J., & Pinheiro de Carvalho, M.Â. (2009). Morphological characterization of wheat genetic resources from the Island of Madeira, Portugal. Genetic Resources and Crop Evolution, 56, 363-375.

Dresselhaus, T., & Hückelhoven, R. (2018). Biotic and abiotic stress responses in crop plants. Agronomy, 8(11), 267.

Farahani, A., & Arzani, A. (2006). Genetic variation of F₁ hybrid varieties and genotypes of durum wheat using agronomic and morphological traits. Science and Technology of Agriculture and Natural Resources, 10(4), 341-354.

Foulkes, M.J., Sylvester-Bradley, R., Weightman, R., & Snape, J.W. (2007). Identifying physiological traits associated with improved drought resistance in winter wheat. Field Crops Research, 103(1), 11-24.‏

Hailegiorgis, D., Mesfin, M., & Genet, T. (2011). Genetic divergence analysis on some bread wheat genotypes grown in Ethiopia. Journal of Central European Agriculture, 12(2), 344-352.

Hodson, T.O. (2022). Root-mean-square error (RMSE) or mean absolute error (MAE): When to use them or not, Geosci. Model Dev., 15, 5481–5487. https://doi.org/10.5194/gmd-15-5481-2022, 2022.

Kesavan, M., Song, J.T., & Seo, H.S. (2013). Seed size: A priority trait in cereal crops. Physiologia Plantarum, 147(2), 113-120.‏

Leilah, A., & Al-Khateeb, S. (2005). Statistical analysis of wheat yield under drought conditions. Journal of Arid Environments, 61(3), 483-496.

Lopes, M.S., & Reynolds, M.P. (2012). Stay-green in spring wheat can be determined by spectral reflectance measurements (normalized difference vegetation index) independently from phenology. Journal of Experimental Botany, 63(10), 3789-3798.‏

Lopes, M.S., Reynolds, M.P., Manes, Y., Singh, R.P., Crossa, J., & Braun, H.J. (2012). Genetic yield gains and changes in associated traits of CIMMYT spring bread wheat in a “historic” set representing 30 years of breeding. Crop Science, 52(3), 1123-1131.‏

MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. Paper presented at the Proceedings of the fifth Berkeley symposium on mathematical statistics and probability, 1(14), 281-297.

Monneveux, P., Jing, R., & Misra, S.C. (2012). Phenotyping for drought adaptation in wheat using physiological traits. Frontiers in Physiology, 3, 429.‏

Montenegro, J.D., Golicz, A.A., Bayer, P.E., Hurgobin, B., Lee, H., Chan, C.K.K., Visendi, P., Lai, K., Doležel, J., Batley, J., & Edwards, D. (2017). The pangenome of hexaploid bread wheat. The Plant Journal, 90(5), 1007-1013.

Nadolska-Orczyk, A., Rajchel, I.K., Orczyk, W., & Gasparis, S. (2017). Major genes determining yield-related traits in wheat and barley. Theoretical and Applied Genetics, 130, 1081-1098.‏

Naghavi, M.R., & Khalili, M. (2017). Evaluation of genetic diversity and traits relations in wheat cultivars under drought stress using advanced statistical methods. Acta Agriculture Slovenia, 109(2), 403–415.

Okuyama, L.A., Federizzi, L.C., & Barbosa Neto, J.F. (2004). Correlation and path analysis of yield and its components and plant traits in wheat. Ciência Rural, 34, 1701-1708.

Pour Danesh, A., Arshad, Y., Vaezi, S., & Rashidi, V. (2014). The study of genetic diversity and relationships of major agronomical traits for several wheat accessions of National Plant Gene Bank of Iran. Applied Field Crops Research, 27(104), 76-86.

Reynolds, M.P., & Braun, H.J. (2022). Wheat improvement: Food security in a changing climate (p. 629). Springer Nature.‏

Reynolds, M., Foulkes, J., Furbank, R., Griffiths, S., King, J., Murchie, E., Parry, M., & Slafer, G. (2012). Achieving yield gains in wheat. Plant, Cell & Environment, 35(10), 1799-1823.

Shahin Nia, F., & Rezai, A.M. (2002). An evaluation of quantitative and qualitative characteristics of breeding lines, cultivars and landrace varieties of bread wheat sing multivariate statistical analysis. Iranian Journal of Agricultural Sciences, 33(1), 89-102.

Shedthi, B.S., Shetty, S., & Siddappa, M. (2017). Implementation and comparison of K-means and fuzzy C-means algorithms for agricultural data. Paper presented at the 2017. International Conference on Inventive Communication and Computational Technologies.

Shovon, M.H.I., & Haque, M. (2012). An approach of improving students academic performance by using k means clustering algorithm and decision tree. ArXiv preprint arXiv, 1211, 6340.

Tabrizi, M., & Kazemi-e-Arbat, H. (2011). Genetic diversity for grain yield and its components in winter wheat genotypes (Triticum aestivum L.). Journal of Crop Ecophysiology, 18(2), 35-50.

Thalassinos, G., & Antoniadis, V. (2021). Monitoring potentially toxic element pollution in three wheat-grown areas with a long history of industrial activity and assessment of their effect on human health in Central Greece. Toxics, 9(11), 293.‏

Tshikunde, N.M., Mashilo, J., Shimelis, H., & Odindo, A. (2019). Agronomic and physiological traits, and associated quantitative trait loci (QTL) affecting yield response in wheat (Triticum aestivum L.): A review. Frontiers in Plant Science, 10, 1428.‏

Wu, J. (2012). Cluster analysis and K-means clustering: An Introduction. In: Advances in K-means Clustering. Springer Theses. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-29807-3_1.

Yanagi, M. (2024). Climate change impacts on wheat production: Reviewing challenges and adaptation strategies. Advances in Resources Research, 4(1), 89-107.‏

Zhao, Q., Feng, Q., Lu, H., Li, Y., Wang, A., Tian, Q., Zhan, Q., Lu, Y., Zhang, L., Huang, T., & Wang, Y. (2018). Pan-genome analysis highlights the extent of genomic variation in cultivated and wild rice. Nature Genetics, 50(2), 278-284.

1. Augmented
2. 2. Soil-Plant Analysis Development
3. 1. Mean Absolute Error
4. 2. Root of Error Mean Square
5. 3. Mean Absolute Percentage Error
6. 4. Coefficient of Error Variation for RMSE