Abstrak
Memilih keturunan yang dievaluasi pada musim, lokasi, dan tahun yang berbeda merupakan tantangan bagi pemulia tanaman dalam program pemuliaan tanaman. Hal ini karena kondisi lingkungan yang berbeda dapat menyebabkan perbedaan ekspresi gen yang terlibat dalam pengendalian sifat yang diinginkan, sehingga menghasilkan interaksi genotipe × lingkungan (G × E). Memanfaatkan interaksi G × E dengan tepat dapat meningkatkan pemilihan beberapa sifat ketika keturunan dievaluasi di lingkungan yang berbeda. Model Bayesian probabilistik telah menunjukkan kemampuan untuk mempertimbangkan efek interaksi G × E untuk menghitung risiko merekomendasikan genotipe kandidat tertentu untuk seleksi. Oleh karena itu, tujuan dari penelitian ini adalah untuk mengusulkan indeks seleksi berdasarkan model Bayesian probabilistik dan menerapkannya pada seleksi famili kacang-kacangan. Untuk tujuan ini, 380 famili kacang-kacangan umum dari siklus seleksi berulang ketiga dari program pemuliaan kacang-kacangan umum carioca di Universitas Federal Viçosa (UFV) dievaluasi melalui empat lingkungan untuk sifat-sifat berikut: hasil gabah (GY), penampilan gabah komersial (CGA), dan arsitektur tanaman (PA). Berdasarkan indeks seleksi probabilistik Bayesian (BPSI) yang diusulkan, yang memberi peringkat kinerja unggul multiciri dari keluarga di seluruh lingkungan, dan intensitas seleksi sebesar 10%, 12 keluarga unggul diidentifikasi. Keluarga-keluarga ini memiliki probabilitas kinerja unggul yang lebih tinggi di semua lingkungan untuk sifat-sifat GY (28%), CGA (52%), dan PA (62%) secara bersamaan dibandingkan dengan kultivar pembanding. Dibandingkan dengan indeks lainnya, BPSI memilih keluarga dengan peringkat jumlah yang lebih rendah, misalnya, posisi teratas memiliki probabilitas kinerja unggul di seluruh lingkungan, dan dengan setidaknya 42% keluarga yang tidak cocok dengan indeks lainnya. Indeks seleksi BPSI menunjukkan harapan untuk memilih keluarga dalam program pemuliaan kacang umum.
Ringkasan Bahasa Sederhana
Tinjauan subjek: Memahami teori Bayesian, interaksi genotipe × lingkungan, dan pemilihan genotipe untuk berbagai sifat. Tujuan penelitian: Kami memanfaatkan probabilitas Bayesian dari kinerja yang unggul untuk memilih genotipe untuk berbagai sifat berdasarkan risiko. Kami menggunakan risiko genotipe berada dalam kelompok unggul di semua lingkungan untuk memilih genotipe unggul untuk berbagai sifat. Temuan utama: BPSI dapat memilih genotipe berisiko rendah di berbagai lingkungan untuk berbagai sifat. Poin-poin utama: Program pemuliaan dapat menggunakan metode ini untuk memilih genotipe di sepanjang uji coba multi-lingkungan.
Singkatan
BLUAP
prediktor linier tak bias terbaik
Bahasa Inggris CGA
penampilan biji-bijian komersial
FAI
indeks analisis faktor
G × T
genotipe × lingkungan
Saya
hasil panen gabah
PA
Arsitektur tanaman
1. PENDAHULUAN
Pemuliaan kacang umum dengan seleksi berulang didasarkan pada perolehan keturunan dari beberapa populasi dan memilih mereka yang memiliki nilai genotipe tertinggi saat generasi perkawinan sedarah berlangsung, dengan tujuan untuk rekombinasi dan ekstraksi garis-garis superior (Lemos et al., 2020 ). Keturunan kacang umum yang dievaluasi dalam lingkungan yang berbeda dipengaruhi oleh interaksi genotipe × lingkungan (G × E) (Barili et al., 2015 ). Dalam program pemuliaan kacang umum, interaksi G × E biasanya hanya dipertimbangkan pada tahap akhir rekomendasi garis. Pada tahap itu, garis-garis dievaluasi nilainya untuk uji coba budidaya dan penggunaan di beberapa lokasi, musim panen, dan tahun. Dalam konteks ini, penting untuk menilai kinerja hasil dan stabilitas garis-garis ini (Ambrósio et al., 2024 ).
Stabilitas genotipe ditentukan oleh ekspresi diferensial gen yang terlibat dalam mengendalikan sifat yang dianalisis, yang merupakan parameter yang dapat diwariskan yang dapat ditingkatkan melalui pemuliaan (Lin & Binns, 1991 ). Mengabaikan sifat ini dalam tahap evaluasi dan seleksi keturunan dapat menyebabkan pembuangan mereka yang memiliki potensi terbesar untuk menghasilkan garis dengan stabilitas yang lebih besar. Beberapa sifat menarik bagi produsen dan konsumen kacang umum, termasuk hasil gabah (GY), penampilan gabah komersial (CGA), arsitektur tanaman (PA), kualitas gabah teknologi dan nutrisi, ketahanan terhadap penyakit, dan lainnya (Kesiime et al., 2024 ; Lemos et al., 2022 ; Ribeiro et al., 2024 ). Oleh karena itu, indeks seleksi yang mencakup beberapa sifat yang diinginkan dan mempertimbangkan interaksi G × E secara memadai dapat memberikan keuntungan yang lebih besar dari seleksi dalam program pemuliaan.
Untuk melibatkan interaksi G × E dalam merekomendasikan kultivar, Dias et al. ( 2022 ) mengusulkan metrik berdasarkan model Bayesian probabilistik. Probabilitas memungkinkan seleksi berdasarkan risiko, sebuah konsep intuitif bagi pemulia (Eskridge, 1990 ; Mead et al., 1986 ; Piepho, 1996 ). Metrik Dias et al. ( 2022 ) didasarkan pada inferensi Bayesian, yang menghitung risiko merekomendasikan genotipe untuk populasi lingkungan target tertentu berdasarkan performa, stabilitas, atau keduanya. Metode ini memiliki kelebihan, yang melekat pada statistik Bayesian, seperti penggabungan informasi apriori dan estimasi interval kredibilitas (Miranda et al., 2024 ). Ini juga memungkinkan keputusan berdasarkan probabilitas risiko performa genotipe untuk sifat yang diinginkan (Dias et al., 2022 ). Namun, metrik ini adalah sifat tunggal.
Studi ini menggambarkan penggunaan probabilitas dalam konteks multiciri untuk membuat keputusan yang lebih baik saat memilih keturunan dalam pemuliaan kacang biasa. Dengan hipotesis ini sebagai panduan, kami bertujuan untuk mengusulkan indeks seleksi probabilistik Bayesian (BPSI), memberi peringkat kinerja multiciri keluarga di seluruh lingkungan, dan memilih keluarga kacang biasa dengan mempertimbangkan kinerja kandidat untuk seleksi secara multiciri dari uji coba multilingkungan.
2 BAHAN DAN METODE
2.1 Bahan tanaman dan desain eksperimen
Kami mengevaluasi 380 famili dari siklus seleksi berulang ketiga dalam program pemuliaan kacang kapri di Universitas Federal Viçosa (UFV) dalam dua musim: musim hujan 2019 (generasi S0:1) dan musim dingin 2020 (generasi S0:2) masing-masing menggunakan desain kisi sederhana dan rangkap tiga. Kami menggunakan satu baris sepanjang 1 m sebagai plot pada jarak baris 0,5 m (0,5 × 1 m = 0,5 m 2 ) dengan 20 pemeriksaan, yang menghasilkan 400 perlakuan.
Pada generasi S0:2, kami memilih 117 famili dan mengevaluasinya untuk dua musim lagi: kering 2021 dan kering 2022, masing-masing, generasi S0:3 dan S0:4. Kami menggunakan rancangan percobaan kisi rangkap tiga dengan 117 famili dan empat pemeriksaan, dengan total 121 perlakuan. Keempat pemeriksaan yang umum untuk semua percobaan adalah kultivar BRSMG Madrepérola, BRS Pérola, BRSMG Uai, dan BRSMG Zape. Kami menggunakan plot satu baris 2 m dengan jarak baris 0,5 m (0,5 × 2 m = 1 m 2 ). Kami mempertimbangkan kombinasi musim tanam, tahun, dan lokasi sebagai lingkungan yang berbeda (Tabel S1 ).
Semua percobaan dilakukan di Unit Pengajaran, Penelitian, dan Penyuluhan Coimbra (UEPE) UFV di kotamadya/kabupaten Coimbra, MG, Brasil (20° 83 S, 42° 73 W, 713 meter di atas permukaan laut).
2.2 Sifat-sifat yang dievaluasi
Kami menilai PA, CGA, dan GY. PA dinilai menggunakan skala penilaian dari 1 sampai 5 (Collicchio et al., 1997 ). Skor 1 berhubungan dengan tanaman tegak dengan satu batang dan beberapa cabang, dan skor 5 berhubungan dengan tanaman yang sepenuhnya sujud dengan banyak cabang dan tanaman merambat yang sangat panjang. Sifat CGA juga dinilai menggunakan skala penilaian dari 1 sampai 5 (Ramalho et al., 1998 ). Skor 1 berhubungan dengan biji kacang tipe carioca yang khas: kulit biji berwarna krem dengan garis-garis coklat muda, tidak ada halo, dan biji gemuk; skor 5 berhubungan dengan penampilan biji yang berlawanan dengan standar biji tipe carioca. GY diubah menjadi kg ha −1 , berdasarkan hasil yang diperoleh di area setiap plot yang digunakan untuk pengumpulan data.
2.2.1 Konversi skala penilaian
Dalam pemuliaan tanaman, beberapa sifat dievaluasi secara visual dengan menetapkan nilai menggunakan skala skor. Biasanya, titik asal ditetapkan secara acak sebagai 1, baik untuk skala menaik maupun menurun. Ideotipe yang tidak diinginkan dapat dipindahkan dengan mengubah skala skor dari satu arah ke arah lain. Selain itu, statistik yang menggunakan rata-rata, seperti koefisien variasi, bias jika diturunkan dari skala skor yang tidak dimulai dari 0, sehingga perlu diubah. (Anjos et al., 2019 ).
Mengingat bahwa skor yang lebih rendah diinginkan pada skala deskriptif ini, kami mengubahnya sehingga nilai fenotip yang diinginkan sesuai dengan skor tertinggi pada skala tersebut. Akibatnya, semua sifat yang digunakan, termasuk GY, memiliki nilai fenotip yang diinginkan dalam arah yang sama.
Skala penilaian deskriptif (1–5) yang digunakan untuk sifat CGA dan PA kemudian diubah menjadi 0–4 menurut usulan Anjos et al. ( 2019 ) (Persamaan 1 ).
2.3 Analisis statistik
Analisis statistik dilakukan dalam dua langkah. Pada langkah pertama, kami memperoleh rata-rata yang disesuaikan, yaitu bebas dari efek desain, untuk setiap eksperimen. Model Bayesian menggunakan rata-rata ini untuk menghitung probabilitas pada langkah kedua. Semua analisis dilakukan dalam perangkat lunak R (Tim Inti R, 2023 ).
2.3.1 Analisis individu
Kami memperoleh rata-rata yang disesuaikan untuk setiap sifat menggunakan model berikut:
Model yang dijelaskan di atas (Persamaan 2 )—yang umum digunakan untuk menganalisis eksperimen kisi—hanya digunakan untuk analisis GY. Sebaliknya, kami menggunakan model yang umum digunakan dalam desain blok lengkap acak untuk CGA dan PA. Hal ini karena pemulihan informasi antar-blok untuk sifat-sifat ini tidak relevan atau hanya sedikit relevan (pengamatan empiris).
Analisis individual dilakukan dalam ASReml-R versi 4.1 (Tim VSNi, 2023 ).
2.3.2 Analisis bersama
Kami menggunakan data fenotipik dalam model campuran linier untuk menilai signifikansi interaksi G × E oleh LRT. Model ini diberikan oleh persamaan berikut:
2.3.3 Kemungkinan kinerja yang lebih unggul
Awalnya, usulan Dias et al. ( 2022 ) digunakan untuk menghitung probabilitas. Singkatnya, metode ini memanfaatkan pengambilan sampel Hamiltonian untuk mengambil sampel ulang berbagai eksperimen. Kemudian, metode ini memeriksa keluarga mana yang berkinerja lebih baik dalam setiap sampel. Perbedaan apakah keluarga lebih unggul atau tidak dibuat berdasarkan nilai genotipe (distribusi posterior) dan intensitas seleksi. Setelah intensitas ditentukan, probabilitas kinerja yang lebih unggul dihitung sebagai rasio keberhasilan seleksi, yaitu, berapa kali genotipe tertentu telah dipilih berdasarkan jumlah total kejadian yang diambil sampelnya:
Analisis Bayesian, model, dan perhitungan probabilitas dilakukan menggunakan paket ProbBreed, versi 1.0.3 (Chaves et al., 2024 ).
2.3.4 Indeks seleksi probabilistik Bayesian
Berdasarkan probabilitas yang terkait dengan kinerja keluarga di berbagai lingkungan untuk sifat-sifat yang diminati, kami mengusulkan indeks berdasarkan jumlah peringkat. Gagasan utamanya adalah melakukan analisis univariat, menghitung probabilitas, dan memeriksa peringkat setiap keluarga. Terakhir, skor genotipe
akan diberikan berdasarkan jumlah peringkat:
2.3.5 Perbandingan antar indeks
BPSI diuji dengan indeks klasik Smith–Hazel, indeks Desire, dan Indeks Analisis Faktor menggunakan Prediksi Linear Tidak Bias Terbaik (FAI-BLUP) untuk memilih 10% famili kacang-kacangan carioca (Hazel, 1943 ; Kinghorn, 2016 ; Rocha et al., 2018 ).
3 HASIL
3.1 Analisis varians individu dan gabungan
Berdasarkan uji rasio kemungkinan, kami memverifikasi efek signifikan keluarga untuk tiga sifat yang dievaluasi (CGA, GY, dan PA) di semua lingkungan (Tabel 1 ). Keakuratan pemilihan keluarga dalam analisis individu berkisar antara 0,80 hingga 0,92 untuk sifat CGA, 0,67 hingga 0,85 untuk GY, dan 0,74 hingga 0,75 untuk PA. Dalam analisis gabungan, efek interaksi G × E signifikan hanya untuk GY (Tabel 1 ).
| Sifat | Memengaruhi | Lingkungan | Jalur Kereta Api Ringan (LRT) | H2 | r | Riwayat Hidup (%) |
|---|---|---|---|---|---|---|
| Bahasa Inggris CGA | G | MENANG 20 | Rp 548,99 * | 0.86 | 0,93 | 3.86 |
| Bahasa Inggris CGA | G | KERING21 | 50.06 * | 0.66 | 0.81 | 2.82 |
| Bahasa Inggris CGA | G | KERING22 | 152,86 * | 0.86 | 0.92 | 2.33 |
| Saya | G | Tahun Baru 19 | 153.64 * | 0.72 | 0,85 | tanggal 14.13 |
| Saya | G | MENANG 20 | 120,96 * | 0,60 | 0,77 | 15.83 |
| Saya | G | KERING21 | 34.80 * | 0,60 | 0,77 | 5.44 |
| Saya | G | KERING22 | 20.65 * | 0.52 | 0.67 | 4.14 |
| PA | G | KERING21 | 35.13 * | 0,60 | 0,75 | 6.54 |
| PA | G | KERING22 | 35.94 * | 0,60 | 0,75 | 2.36 |
| Saya | G × T | – | 60,79 * | – | – | – |
| Bahasa Inggris CGA | G × T | – | 1.36 | – | – | – |
| PA | G × T | – | 0.00 | – | – | – |
Singkatan: LRT, uji rasio kemungkinan. * Efek signifikan oleh LRT pada probabilitas 5%.
3.2 Pemasangan model Bayesian
Model Bayesian konsisten dengan
(konvergensi) sebesar 1,06, 1,03, dan 1,08 untuk GY, CGA, dan PA, masing-masing. Distribusi nilai sampel cukup mirip dengan distribusi nilai empiris (Gambar 1 ).
Besaran kecil efek interaksi untuk sifat CGA dan PA juga tercermin dari estimasi masing-masing komponen varians model Bayesian (Tabel 2 ). Menurut Perez-Elizalde et al. ( 2012 ), ketika interval kredibilitas distribusi a posteriori (0,05 dan 0,95) mencakup titik nol, ada bukti non-signifikansi efek. Ini hanya terjadi untuk efek interaksi. Untuk ketiga sifat, signifikansi efek lingkungan menonjol, menyoroti efek ekstrinsik komposisi genetik keluarga pada ekspresi fenotipik (Tabel 2 ).
| Sifat | Memengaruhi | VC | HDP (0,05) | HDP (0,95) |
|---|---|---|---|---|
| Bahasa Inggris CGA | Genotipe (G) | 0,031 | 0,018 | 0,047 tahun |
| Lingkungan (E) | 8.136 | 0,009 | 20.868 | |
| G × T | 0,04 | angka 0 | 0,081 tahun | |
| Kesalahan | 0,036 hari | 0,002 | 0,082 | |
| Saya | Genotipe (G) | 18314.900 | 332.149 | 42239.694 |
| Lingkungan (E) | 3808551.300 | 143501.463 | 21978738.500 | |
| G × T | 32543.119 | 1.586 | 156390.836 | |
| Kesalahan | 193951.014 | 69921.263 | 256589.277 | |
| PA | Genotipe (G) | 0,035 | 0,019 | 0,053 |
| Lingkungan (E) | 180.519 | 0,150 | 1020.549 | |
| G × T | 0,018 | angka 0 | 0,045 pukul 0,045 | |
| Kesalahan | 0,032 | 0,007 tahun | 0,059 tahun |
3.3 Kemungkinan kinerja yang lebih unggul
Probabilitas kinerja unggul dalam setiap lingkungan (Gambar 2 ) menegaskan kembali pentingnya efek interaksi untuk sifat GY. Probabilitas dalam lingkungan memiliki besaran yang lebih rendah. CGA dan PA memiliki besaran yang lebih tinggi (Gambar 2 ). Karena tujuannya adalah untuk memilih famili dengan kinerja unggul secara umum, alih-alih kinerja dalam lingkungan tertentu, pengambilan keputusan didasarkan pada probabilitas kinerja unggul dalam lingkungan (Gambar 2 ). Untuk GY, 11 famili mengungguli kultivar pembanding, BRSMG Zape, dengan probabilitas kinerja unggul di atas 40%. Famili 702F2I120, dengan kinerja terbaik di GY, memiliki peluang 63% untuk berada di antara famili dengan kinerja unggul di semua lingkungan. Dalam CGA, 13 famili memiliki probabilitas di atas 50% dan mengungguli kultivar pembanding BRSMG Madrepérola. Famili dengan kinerja terbaik, 696F2I332, memiliki probabilitas kinerja yang unggul sebesar 85% dan risiko kinerja yang tidak memuaskan hanya sebesar 15%. Terakhir, untuk PA, kultivar pembanding BRSMG Uai merupakan yang berkinerja terbaik (risiko kinerja yang tidak memuaskan sebesar 0%). Meskipun demikian, sembilan famili memperoleh kinerja yang mendekati BRSMG Uai, dengan setidaknya probabilitas kinerja yang unggul sebesar 60% di lingkungan tersebut (Gambar 3 ).
3.4 Indeks seleksi probabilistik Bayesian
BPSI memberi peringkat famili kacang Carioca berdasarkan jumlah peringkat berdasarkan probabilitas kinerja yang lebih unggul dalam lingkungan rata-rata. Akibatnya, probabilitas kinerja yang lebih unggul untuk sifat tertentu berarti berada di posisi teratas dengan nilai peringkat yang lebih rendah selama nilai yang lebih rendah diinginkan untuk jumlah peringkat famili dalam indeks BPSI (Gambar 4 ).
Indeks BPSI memilih famili kedua yang memiliki peringkat terbaik, dengan probabilitas 55% untuk kinerja yang unggul di berbagai lingkungan untuk GY, ketiga untuk CGA (76%), dan kelima untuk PA (88%). Dua belas famili kacang carioca dipilih menggunakan BPSI. Famili yang dipilih memiliki peringkat dan probabilitas kinerja yang unggul yang berbeda. Famili 703F2I34 (probabilitas kinerja yang unggul 55% untuk GY di lingkungan) berada di peringkat kedua dalam hal probabilitas kinerja yang unggul dan berada di peringkat pertama untuk GY di BPSI, karena bobot yang diberikan (
= 2) (Gambar 5 ).
Famili yang dipilih oleh BPSI memiliki probabilitas performa superior berpasangan yang lebih tinggi untuk GY daripada BRSMG Zape (28%), BRSMG Uai (42%), BRSMG Madrepérola (67%), dan BRS Pérola (84%). Dengan mempertimbangkan sifat CGA, famili yang dipilih memiliki probabilitas yang lebih tinggi daripada kultivar cek BRSMG Madrepérola (52%), BRSMG Zape (71%), BRSMG Uai (75%), dan BRS Pérola (86%). Famili tersebut juga mengungguli kultivar cek BRS Pérola (62%) dan BRSMG Madrepérola (83%) untuk sifat PA. Akibatnya, famili tersebut secara bersamaan mengungguli kultivar cek untuk sifat yang dievaluasi dan menawarkan risiko seleksi yang lebih rendah (Gambar 6 ). Famili 697F2I50 mempunyai kemungkinan lebih tinggi untuk memperoleh performa yang lebih unggul dalam lingkungan dibandingkan kultivar pembanding BRSMG Madrepérola (63%), BRSMG Zape (80%), BRSMG Uai (84%), dan BRS Pérola (91%) untuk sifat CGA (Gambar 6 ).
Keluarga yang dipilih oleh BPSI memiliki peringkat jumlah probabilitas kinerja yang lebih rendah, yang berarti posisi teratas memiliki peringkat. Indeks lainnya sebagian besar memiliki keluarga dengan peringkat jumlah yang lebih tinggi, yang berarti jauh dari posisi teratas dan sebagian besar lebih tinggi dari peringkat keluarga terakhir yang dipilih oleh BPSI di bawah garis putus-putus pada Gambar 7. Sebanyak tujuh (58%), tiga (25%), dan dua keluarga (17%) dari 12 yang dipilih oleh indeks Smith–Hazel, Desire, dan FAI-BLUP, masing-masing, cocok dengan yang dipilih oleh BPSI.
4 DISKUSI
Dalam studi ini, kami memperluas metode probabilistik yang diusulkan oleh Dias et al. ( 2022 ) untuk melaksanakan seleksi multivariat dan multilingkungan dari famili-famili dalam program pemuliaan kacang melalui seleksi berulang. Menggunakan BPSI, 12 famili dipilih. Famili-famili ini menonjol dalam tiga sifat yang dievaluasi (lima famili untuk GY, 10 famili untuk CGA, dan tiga famili untuk PA), bahkan mengungguli kultivar pembanding (BRSMG ZAPE, BRSMG Madrepérola, BRSMG Uai, dan BRS Pérola). Famili-famili yang dipilih akan digunakan untuk mengekstrak galur untuk merekomendasikan kultivar kacang umum carioca baru.
Populasi yang diteliti dikembangkan untuk menghasilkan kultivar hasil tinggi dengan CGA dalam standar yang dapat diterima oleh pasar konsumen. Oleh karena itu, tiga siklus seleksi dan rekombinasi dilakukan, termasuk galur parental yang memenuhi kriteria ini. Selain itu, siklus kedua mencakup galur parental biji carioca elit dan galur parental dengan alel piramida untuk ketahanan terhadap penyakit antraknosa ( Colletotrichum lindemuthianum ) dan bercak daun bersudut ( Pseudocercospora griseola ). Piramida dilakukan dengan introgress gen Phg1 , Co-4 , dan Co-10 melalui seleksi berbantuan penanda molekuler (Souza et al., 2014 ).
Sifat CGA sangat penting dalam tanaman kacang umum carioca. Kacang carioca memiliki standar komersial yang ditandai dengan latar belakang kulit biji berwarna krem muda dan garis-garis cokelat muda. Kombinasi ini, bersama dengan bentuk non-reniform dan tidak adanya halo oranye, memainkan peran penting dalam penerimaan oleh konsumen akhir, dan itu mempengaruhi aspek-aspek yang relevan dalam fase pasca panen dan di seluruh rantai produksi (Carneiro et al., 2012 ; Silva et al., 2023 ). Kultivar BRSMG Madrepérola menonjol dalam hal sifat ini. Dengan demikian, keluarga dengan pola bulir yang mirip atau lebih unggul dari kultivar ini memiliki potensi besar untuk ekstraksi galur.
Beberapa penelitian telah melaporkan estimasi korelasi fenotipik positif (0,35) antara GY dan PA (Ribeiro et al., 2018, 2024 ). Hal ini membuat sulit untuk meningkatkan sifat-sifat ini secara bersamaan, karena skor yang lebih tinggi menunjukkan tanaman yang lebih banyak bersujud. Sebaliknya, tanaman dengan sedikit cabang dan lebih tegak saat berbunga lebih disukai oleh petani. Ini karena mereka mengalami lebih sedikit kerusakan dari penyakit seperti jamur putih ( Sclerotinia sclerotiorum ) dan memungkinkan pemanenan mekanis dengan lebih sedikit kerugian (Teixeira et al., 2024 ). Dalam penelitian ini, kami mengidentifikasi keluarga (704F2I271 dan 712F2I103) dengan fenotipe yang menguntungkan untuk sifat-sifat ini, yaitu, skor yang lebih rendah dan hasil yang lebih tinggi (Gambar 5 ). Hasil ini menunjukkan efisiensi seleksi berulang dalam memutus asosiasi antara sifat-sifat karena hubungan gen (Kelly & Adams, 1987 ).
Selain korelasi antara sifat-sifat untuk seleksi multivariat, interaksi G × E harus dipertimbangkan sebagai faktor yang mempengaruhi seleksi. Interaksi G × E dicirikan oleh ekspresi gen yang berbeda di lingkungan yang berbeda (Malosetti et al., 2016 ). Karena interaksi ini, genotipe tertentu tidak mungkin berkinerja sama baiknya di lingkungan yang kontras. Mengevaluasi kandidat untuk seleksi di berbagai lingkungan sangat penting untuk memilih mereka dengan kinerja yang memuaskan dan lebih stabil. Dalam hal ini, indeks BPSI terbukti menjadi alat yang potensial untuk memilih keluarga kandidat yang dievaluasi di lingkungan yang berbeda untuk beberapa sifat. Kombinasi metode inferensi Bayesian berbasis probabilitas dan indeks seleksi berdasarkan jumlah peringkat telah memungkinkan untuk memperluas penggunaan probabilitas risiko untuk pengambilan keputusan yang lebih baik dalam konteks multivariat dan multi-lingkungan.
Ada indeks seleksi lain untuk seleksi multi-sifat dalam multi-lingkungan, seperti analisis faktor dan desain jarak genotipe-ideotipe (FAI-BLUP) (Rocha et al., 2018 ). Akan tetapi, indeks tersebut tidak memperhitungkan risiko seleksi. Keuntungan dari indeks yang diusulkan adalah memperhitungkan risiko seleksi, memperluas metode probabilistik yang telah digunakan untuk merekomendasikan varietas pada tanaman jeruk nipis asam dan kacang-kacangan biasa (Malikouski et al., 2024 ; Miranda et al., 2024 ).
Lebih jauh, indeks Desire dan FAI-BLUP tidak memiliki bobot yang sama dengan BPSI, dan keduanya perlu memberi bobot pada setiap kombinasi sifat di setiap lingkungan (sembilan bobot), dan BPSI hanya memerlukan bobot jumlah sifat. Penelitian di masa mendatang dapat mempertimbangkan varians-kovarians genetik di seluruh lingkungan dan dalam sifat. Perbaikan lainnya dapat mencakup galat heteroskedastik, model spasial, dan matriks hubungan untuk meningkatkan estimasi posterior nilai genetik dan dengan demikian meningkatkan akurasi indeks.
5 KESIMPULAN
Berdasarkan BPSI, 12 famili dipilih (697F2I50, 702F2I121, 702F2I131, 703F2I34, 703F2I38, 704F2I271, 706F2I266, 707F2I7, 710F2I316, 712F2I100, 712F2I103, dan 713F2I225). BPSI berpotensi mengekstraksi galur dengan mempertimbangkan sifat GY, CGA, dan PA secara bersamaan. BPSI menunjukkan hasil yang menjanjikan dalam pengambilan keputusan seleksi multiciri pada program pemuliaan.
Leave a Reply