Evaluation of Genetic Diversity and Population Structure of Rice Cultivars using Microsatellite Markers linked to iron and zinc

Document Type : Research Paper

Authors

Abstract

Determine genetic diversity in rice genetic resources is the first step toward the development of rice breeding programs. In this study genetic diversity of fifty cultivars of rice were analyzed using forty microsatellite markers linked to iron and zinc loci. Molecular analysis results showed the number of observed alleles per locus markers with average of 5.27 was varied from 2 to 10. The polymorphic information content values of loci was varied from 0.24 (RM19675) to 0.83 (RM276, RM402), respectively. The average of polymorphic information contents was estimated 0.63. RM276 marker was showed the highest genetic diversity and Shannon Index. Cultivars were classified into two sub-population groups according to analysis of population structure including landraces as first group and improved and foreign cultivars as second group. Based on the analysis of molecular variance, intra-population variance was higher than inter-population variance and the minimum and maximum genetic distance was between improved and foreign cultivars and landraces and foreign cultivars, respectively. Based on the cluster analysis, landraces cultivars were separate group than other cultivars. The results of this research could be useful in breeding programs of grain iron and zinc and expanding the genetic bases of rice cultivars.

Keywords


ارزیابی تنوع ژنتیکی و ساختار جمعیت ارقام برنج با استفاده از نشانگرهای ریزماهواره مرتبط با تجمع آهن و روی

 

شهربانو ابوطالبی*1، محمدحسین فتوکیان2، مهرشاد زین‏العابدینی3

1دانش آموخته کارشناسی ارشد بیوتکنولوژی کشاورزی، دانشکده کشاورزی، دانشگاه شاهد، تهران، ایران

2دانشیار، دانشکده کشاورزی، دانشگاه شاهد، تهران، ایران

3استادیار، پژوهشکده بیوتکنولوژی کشاورزی ایران، کرج، ایران

تاریخ دریافت: 03/12/1392، تاریخ پذیرش: 31/03/1393

 

چکیده

تعیین میزان تنوع ژنتیکی موجود در ذخایر ژنتیکی برنج، اولین گام در جهت پیشرفت برنامه‏های به‏نژادی برنج می‏باشد. در این مطالعه تنوع ژنتیکی 50 رقم برنج با استفاده از 40 نشانگر ریزماهواره مرتبط با آهن و روی مورد ارزیابی قرار گرفت. نتایج تجزیه مولکولی نشان داد که تعداد آلل‏های مشاهده شده در هر جایگاه نشانگری با میانگین 27/5 آلل از 2 تا 10 آلل متغیر بود. میزان محتوای اطلاعات چندشکلی در بین نشانگرها از 24/0 (RM19675) تا 83/0(RM276, RM402)  متغیر بود. میانگین محتوای اطلاعات چندشکلی 63/0 برآورد شد. بیشترین میزان تنوع ژنتیکی و شاخص شانون در نشانگر RM276 مشاهده گردید. در ارزیابی تجزیه ساختار، ارقام به دو زیر جمعیت تقسیم شدند، زیر جمعیت اول شامل ارقام بومی و دوم شامل ارقام اصلاحی و خارجی بودند. در تجزیه واریانس مولکولی، واریانس درون جمعیتی بیشتر از واریانس بین جمعیتی بوده و حداقل فاصله ژنتیکی بین ارقام اصلاحی و خارجی و حداکثر آن بین ارقام بومی و خارجی مشاهده شد. براساس تجزیه خوشه‏ای نیز ارقام بومی در گروه مجزایی نسبت به سایر ارقام قرار گرفتند. این نتایج می‏تواند جهت طراحی برنامه‏های به‏نژادی آهن و روی دانه و گسترش پایه‏های ژنتیکی ارقام برنج استفاده شود.

واژه‏های کلیدی: تجزیه خوشه‏ای، تجزیه ساختار جمعیت، شاخص شانون، محتوای اطلاعات چندشکلی.



مقدمه

برنج غذای اصلی بیش از نیمی از مردم دنیا را تأمین می‏کند. به منظور تأمین منابع غذایی برای جمعیت روزافزون دنیا، تولید برنج تا سال 2025 باید به دو برابر افزایش یابد (Yashitola et al., 2002). حدود سی سال قبل سوء تغذیه فقط مفهومی معادل کمبود دریافت پروتئین و انرژی داشت، اما امروزه گستره وسیعی از کمبود ریزمغذی‏ها را نیز شامل می‏شود (Cole et al., 2010). حدود یک سوم جمعیت جهان و عمدتاً در کشورهای در حال توسعه، به شدت تحت تأثیر کمبود ریزمغذی‏های کلیدی مانند آهن و روی می‏باشند (Ghandilyan et al., 2006). امروزه تمرکز بر روی غنی‏سازی محصولات زراعی[1] از نظر این ریزمغذی‏ها به واسطه دستورزی‏های ژنتیکی و اصلاح نباتات به عنوان یکی از بهترین راه‏کارها مدنظر می‏باشد. برنامه‏های اصلاح نباتات در غنی‏سازی محصولات زراعی از قبیل گندم و برنج نیازمند بهره‏گیری از تنوع ژنتیکی موجود و غربال کردن ژرم پلاسم، واریته‏ها و لاین‏های منتخب برای استفاده به عنوان والدین دهنده است (Stangoulis, 2010). در سال‏های اخیر به علت استفاده از ارقام اصلاح شده و یکنواختی کشت، تنوع ژنتیکی انواع مختلف گیاهان در معرض خطر قرار گرفته است. بنابراین بررسی تنوع ژنتیکی ژرم‏پلاسم‏های گیاهی جهت حفظ و نگهداری تنوع در بانک‏های ژن و ژرم‏پلاسم و برنامه‏ریزی به‏نژادی اهمیت فراوانی دارد Mohammadi et al., 2003; Omidbakhsh) (Fard, 2005. نشانگرهای متداول مورد استفاده برای بررسی تنوع مولکولی و فاصله ژنتیکی شامل RFLP[2]، RAPD[3]، AFLP[4]، Microsatellites، [5]SNPs و … می‏باشد (Mburu and Hanotte, 2005). در حال حاضر نشانگرهای ریزماهواره به دلیل پوشش مناسب ژنومی و تکرارپذیری بالا یکی از بهترین و کامل‏ترین ابزارهای مولکولی در بررسی تنوع ژنتیکی به شمار می‏آیند. ریزماهواره‏ها واحد‏های تکرار شونده 1 تا 6 نوکلئوتیدی هستند که در ژنوم بیشتر پروکاریوت‏ها و یوکاریوت‏ها وجود دارند (Zane et al., 2002). این توالی‏ها عموماً از چندشکلی بالایی برخوردارند و در نواحی کدکننده و غیرکدکننده ژنوم موجودات مختلف وجود دارند (Zane et al., 2002; Karp et al., 1997). در پژوهشی که با استفاده از 25 نشانگر ریزماهواره به منظور بررسی تنوع ژنتیکی 23 رقم برنج ایرانی و 12 رقم برنج وارداتی صورت گرفت، در مجموع 164 آلل شناسایی شد. بیشترین تعداد آلل مربوط به جایگاه RM70 با تعداد 10 آلل و کمترین تعداد آلل در جایگاه RM184 با تعداد 2 آلل بود (Noori et al., 2004). در مطالعه دیگری که روی تنوع ژنتیکی 41 رقم برنج با استفاده از 30 نشانگر انجام گرفت تعداد 104 آلل در کل مشاهده شد و تعداد آلل تولید شده توسط هر نشانگر بین 2 تا 6 متغیر بود (Rabbani et al., 2010). هدف از این پژوهش استفاده از نشانگرهای ریزماهواره مرتبط با تجمع آهن و روی به منظور ارزیابی تنوع و ساختار ژنتیکی جمعیت و نیز گروه‏بندی ارقام برنج مورد مطالعه بوده ‏است. انتخاب والدین مناسب براساس نتایج گروه‏بندی و سایر تجزیه و تحلیل‏‏های این پژوهش می‏تواند گامی مؤثر برای دستیابی به هتروزیس بالاتر در راستای بهبود آهن و روی برنج باشد.

مواد و روش‏ها

مواد گیاهی

به منظور اجرای این پژوهش یک مجموعه شامل 50 رقم برنج از ایستگاه تحقیقات برنج چپرسر تنکابن وابسته به مؤسسه تحقیقات برنج کشور تهیه شد. این ارقام شامل 26 رقم بومی ایرانی، 15 رقم اصلاح شده ایرانی و 9 رقم خارجی می‏باشد (جدول 1). استخراج DNA به روش .Safaie et al (2005) از نمونه‏های برگی انجام شد.

 

 

جدول 1- اسامی ارقام مورد بررسی در این تحقیق.

Table 1- The names of evaluated cultivars in this research.

دیلمانی، موسی طارم، هاشمی، قشنگه، حسن مولایی، غریب، قنبرک، رشتی سرد، سنگ‏جو، عنبربو، فریده، آبجی بوجی، علی کاظمی، شاهک، حسنی، چلی، دمسیاه، صدری، شاهپسند، سالاری، چمپابودار، حسنی فومنی، آقایی سیاه، رمضانعلی طارم، دمسرخ، دادرس

Deilamani, Mosa tarom, Hashemi, Ghashange, Hasan molaee, Gharib, Ghanbarak, Rashti sard, Sang ju, Anbarbu, Faride, Abjibuji, Ali kazemi, Shahak, Hasani, Cheli, Domsiah, Sadri, Shahpasand, Salari, Champabudar, Hasani fumani, Aghaee seiah, Ramezanali tarom, Domsorkh, Dadras

ارقام بومی ایرانی

Iranian landrace cultivars

آمل3، گیل3، گیل1، هزار، نعمت، مهر، فجر، درفک، خزر، سپیدرود، دشت، بجار، 111، شماره 29 از محمدی×(آمل 3 × طارم)، شماره 27 از عسگری طارم × Ch21

Amol3, Gil3, Gil1, Haraz, Neemat, Mehr, Fajr, Dorfak, Khazar, Sepidrud, Dasht, Bojar, 111, 29 number of Mohammadi ×(Amol3× Tarom), 27 number of Asgari× Ch21

ارقام اصلاح شده ایرانی

Iranian improved cultivars

Fuji، IR24، IR30، Onda، Zineb، Norin22، Cantury patna، شماره 13 ایری از 207 لاین، شماره 18 ایری از 207 لاین

Fuji, IR24, IR30, Onda, Zineb, Norin22, Cantury patna, 13 number of IRRI from 207 Lines, 18 number of IRRI from 207 Lines

ارقام خارجی

foreign cultivars

 

 

چهل نشانگر ریزماهواره براساس مطالعات نقشه‏یابی مکان‏های ژنی کنترل کننده تجمع آهن و روی در دانه برنج (Susanto, 2008; Garcia‐Oliveira et al., 2009; Stangoulis et al., 2007; Norton et al., 2010; Lu et al., (2008 و نیز اطلاعات نقشه ژنتیکی برنج از سایت‏های www.gramene.org و www.agri-trait.dna.affrc.go.jp انتخاب و سفارش آغازگر از شرکت سیناژن صورت گرفت (جدول 2). واکنش زنجیره‏ای پلیمراز در حجم 15 میکرولیتر انجام شد. مخلوط واکنش برای یک نمونه شامل 20 نانوگرم از DNA ژنومی، 5/0 میکرولیتر MgCl2 50 میلی مول، 5/1 میکرولیتر بافر 10x، 18/0 میکرولیتر dNTPs 10 میلی مول، 4/0 میکرولیتر از هر یک از دو آغازگر و 15/0 میکرولیتر Taq polymeras (ساخت شرکت سیناژن) بود. برای واکنش زنجیره‏ای پلیمراز از دستگاه ترموسایکلر ABI مدل Verit استفاده شد. در ابتدا بعد از گذشت 3 دقیقه واسرشته سازی اولیه، 35 چرخه به صورت یک دقیقه واسرشتگی در دمای°C94، یک دقیقه اتصال در دماهای °C58-54 و یک دقیقه بسط در °C72 انجام شد و در آخر واکنش با یک مرحله بسط نهایی به مدت هفت دقیقه در °C72 پایان یافت. محصولات تکثیر شده در واکنش زنجیره‎‏ای پلی‏مراز در ژل آگارز متافور 3 درصد (ساخت شرکت Sigma) تفکیک شدند و رنگ آمیزی و ظهور باندها با استفاده از اتیدیوم بروماید (5/0 میکروگرم در میلی لیتر) انجام گرفت.

تجزیه و تحلیل داده‏های ژنوتیپی

امتیازدهی باندها با استفاده از نرم افزار AlphaEase انجام گرفت. میزان اطلاعات چندشکلی[6] که از مهم‏ترین معیارها در شناسایی مناسب‏ترین نشانگر جهت بررسی تنوع ژنتیکی می‏باشد براساس رابطه (1) (Botstein, 1980)، محاسبه گردید.

 رابطه (1)

در این رابطه  Pi و Pj برابر فراوانی آلل‏های i و j در یک مکان ریزماهواره است که برای n آلل بسط داده‏ می‏شود. تنوع ژنی (Nei, 1978) و شاخص تنوع ژنتیکی شانون (Shannon and Weaver, 1949) نیز که از معیارهای دیگری برای مقایسه میزان تنوع ژنتیکی نمونه‏هاست از رابطه‏های (2) و (3) بدست آمدند.

رابطه (2)   در این رابطه Pij فراوانی آلل j برای نشانگر i و n مجموع آلل‏ها است.

رابطه (3)   در رابطه فوق Pi فراوانی آلل i ام و n تعداد کل آلل‏های مشاهده شده در آن مکان ژنی است. کلیه شاخص‏های ذکر شده با استفاده از نرم افزار Power marker ver 3.25 (Liu and Muse, 2005) برآورد شدند. تجزیه واریانس مولکولی نیز با استفاده از نرم افزار Arlequin ver 3.5انجام شد ( Excoffier et al., 2005). همچنین به منظور تجزیه مؤثر ساختار جمعیت و دسته‏بندی دقیق ژنوتیپ‏ها به جمعیت‏های مناسب و تشخیص ژنوتیپ‏های مختلط با استفاده از روش Bayesian و نرم‏افزار 2.3.4 Structure ارزیابی ساختار جمعیت انجام گرفت (Pritchard et al., 2000). این روش هر یک از ژنوتیپ‏ها را با یک احتمال و طوری به زیرجمعیت‏های فرضی منتسب می‏کند که در هر زیرجمعیت میزان عدم تعادل پیوستگی حداقل و تعادل مرحله گامتی حداکثر باشد. بین 1 تا 10 زیرجمعیت فرضی اولیه در نظر گرفته شد و جهت افزایش دقت برای هرکدام از زیرجمعیت‏ها سه تکرار منظور گردید. برای این منظور از مدل ترکیبی Admixture و استقلال فراوانی آللی با 50000 تکرار آزمایش یا burn-in و 50000 تکرار MCMC[7] استفاده گردید تا منحنی حداکثر درست نمایی حاصل شود. نرم‏افزار Structure برای هر مقدار K (تعداد واقعی زیر جمعیت) یک ماتریس به نام Qst را بدست می‏دهد که این ماتریس شامل برآورد ضرایب احتمال عضویت هر ژنوتیپ در هر یک از زیرجمعیت‏ها است. تعداد واقعی زیرجمعیت براساس روش Evanno و همکاران (2005) تعیین شد. این روش بر آماره K∆ استوار است که شیب تابع احتمالی را در نقطه‏ای می‏شکند که تعداد K فرضی درآن نقطه دارای حداکثر احتمال باشد. تجزیه خوشه‏ای با استفاده از ضریب فاصله Distance  Pبه روش Neighbor Net با 1000 تکرار توسط نرم‏افزار Split Tree ver 4.13.1 بدست آمد (Huson and (Bryant, 2006 و توسط آنالیز Bootstrap صحت گروه‏بندی بررسی گردید (Huson et al., 1998).

نتایج و بحث

ارزیابی آماره‏های تنوع ژنتیکی

از میان 40 نشانگر مورد بررسی 34 نشانگر چندشکل بودند و در مجموع 179 آلل مشاهده شد. تعداد آلل مشاهده شده در هر جایگاه از 2 تا 10 متغیر بود که به طور متوسط 27/5 آلل برای هر نشانگر می‏باشد. بیشترین تعداد آلل در آغازگر RM6925 و کمترین تعداد آلل در RM349 و RM28722 مشاهده شد (جدول 3). همچنین بیشترین تعداد آلل مؤثر در نشانگر RM276 و کمترین آن در RM19675 بدست آمد. بیشترین میزان اطلاعات چندشکلی (83/0) و نیز تنوع ژنی (85/0) مربوط به آغازگر RM276 و کمترین میزان اطلاعات چندشکلی (24/0) و تنوع ژنی (25/0) مربوط به آغازگر RM19675 بود. میانگین شاخص میزان چندشکلی کل 63/0 بدست آمد. در ارزیابی فراوانی آللی و چندشکلی 27 نشانگر ریزماهواره مرتبط با کیفیت دانه برنج روی 47 رقم بومی و اصلاح شده و خارجی، RM276 بیشترین تعداد آلل چندشکل، شاخص شانون و میزان چندشکلی را نشان داد (Tabkhkar et al., 2011).

 


جدول 2- مشخصات نشانگرهای ریزماهواره مورد استفاده.

Table 2- Characteristics of used microsatellite markers.

نشانگر

Marker

کروموزوم

Chromosome

توالی

تکراری

Repeat Motif

نشانگر

Marker

کروموزوم

Chromosome

توالی

تکراری

Repeat Motif

RM259

1

(CT)17

RM234

7

(CT)25

RM243

1

(CT)18

RM137

8

(CT)7

RM81

1

(TCT)10

RM152

8

(GGC)10

RM237

1

(CT)18

RM407

8

(AG)13

RM34

1

(CT)17(TC)2

RM337

8

(CTT)4-19-(CTT)8

RM53

2

(GA)14

RM6925

8

(TTA)30

RM300

2

(GTT)14

RM22253

8

(TA)13

RM6641

2

(GTA)14

RM22254

8

(ATAG)5

RM6931

3

(TTA)32

RM296

9

(GA)10

RM6832

3

(TCT)8

RM257

9

(CT)24

RM349

4

(GA)16

RM215

9

(CT)16

RM1089

5

(AC)33

RM239

10

(AG)5TG(AG)2

RM276

6

(AG)8A3(GA)33

RM21

11

(GA)18

RM402

6

(ATA)7

RM270

12

(GA)13

RM217

6

(CT)20

RM20

12

(ATT)14

RM204

6

(CT)44

RM3331

12

(CT)15

RM7193

6

(ATAG)7

RM235

12

(CT)24

RM8226

6

 (AAG)14

RM1999

12

(AT)19

RM19708

6

(TA)14

RM28722

12

(TA)44

RM19675

6

(TA)22

RM17

12

(GA)21

 

 

براساس نتایج بدست آمده در این پژوهش، شاخص شانون جمعیت‏های بومی، اصلاحی و خارجی به ترتیب 125/1، 088/1 و 027/1 بوده است. بالا بودن شاخص شانون در جمعیت بومی بیانگر وجود تنوع بالا در ارقام بومی می‏باشد.

 

بررسی واریانس مولکولی و ساختار ژنتیکی جمعیت

به منظور ارزیابی درصد و سهم تنوع ژنتیک درون و بین جمعیتی در سطح مولکولی تجزیه واریانس مولکولی[8] انجام گردید که نتایج در جدول 4 نشان داده شده است. براساس نتایج تجزیه واریانس، 03/16 درصد از تنوع کل به علت تنوع و تمایز بین جمعیت‏ها بود در حالی که 97/83 درصد از تنوع کل به تفاوت درون جمعیت‏ها برمی‏گردد. در مطالعه تنوع ژنتیکی 119 رقم بومی، اصلاحی ایرانی و خارجی با استفاده از نشانگرهای ریزماهواره پیوسته با عطر و طعم برنج، نتایج مشابهی گزارش گردید و در پژوهش مذکور درصد تنوع درون جمعیت‏ها بیشتر از بین جمعیت‏ها بود (Moumeni et al., 2007)؛ که علت آن می‏تواند به خاطر استفاده از ارقام خارجی در برنامه‏های اصلاحی برنج باشد که به دنبال آن افزایش تفاوت‏های آللی در ارقام ایرانی و زیاد شدن واریانس درون جمعیتی را موجب شده است.

 

جدول 3- آماره‏های تنوع ژنتیکی نشانگرهای ریزماهواره در ارقام برنج مورد بررسی.

Table 3- Diversity statistic of microsatellite markers in evaluated rice cultivars.

 

نشانگر

Marker

فراوانی آلل غالب

Major Allele Frquency

تعداد آلل مشاهده شده

Observed Allele

number

تعداد آلل مؤثر

Effective

Allele

number

تنوع ژنی

gene

diversity

محتوای اطلاعات چندشکلی

PIC

شاخص شانون

Shannon Index

اندازه آلل(bp)

Size of

Allele

(bp)

 

RM217

0.42

5

3.23

0.69

0.64

1.32

129-162

 

 

RM276

0.28

9

6.51

0.85

0.83

2.03

96-155

 

 

RM8226

0.26

6

5.12

0.80

0.78

1.69

205-250

 

 

RM402

0.18

7

6.58

0.85

0.83

1.91

116-139

 

 

RM7193

0.5

8

3.20

0.69

0.65

1.49

122-186

 

 

RM204

0.27

7

4.90

0.80

0.77

1.72

105-168

 

 

RM337

0.46

5

3.18

0.69

0.64

1.34

154-457

 

 

RM152

0.38

5

3.50

0.71

0.66

1.36

132-159

 

 

RM407

0.44

4

3.25

0.69

0.64

1.27

162-176

 

 

RM235

0.26

6

5.12

0.80

0.78

1.69

102-137

 

RM17

0.72

5

1.82

0.45

0.42

0.9

154-184

 

RM3331

0.31

5

4.45

0.78

0.74

1.55

128-144

 

RM270

0.5

3

2.6

0.62

0.54

1.02

104-111

 

RM20

0.32

9

5.59

0.82

0.80

1.92

201-307

 

RM259

0.46

5

2.93

0.66

0.60

1.22

147-186

 

RM237

0.64

3

2.09

0.52

0.46

0.89

124-132

 

RM243

0.38

4

3.64

0.73

0.68

1.34

116-128

 

RM34

0.52

3

2.59

0.61

0.55

1.02

168-180

 

RM300

0.42

5

2.72

0.63

0.56

1.14

121-176

 

RM1089

0.44

7

3.33

0.70

0.65

1.42

212-261

 

RM234

0.26

6

4.70

0.79

0.75

1.61

132-158

 

RM215

0.36

3

2.98

0.66

0.59

1.1

138-147

 

RM257

0.36

8

4.88

0.80

0.77

1.80

121-196

 

RM21

0.34

7

4.84

0.79

0.77

1.73

128-150

 

RM6925

0.32

10

5.27

0.81

0.79

1.88

155-287

 

RM22254

0.58

4

2.30

0.57

0.50

1.00

252-274

 

RM19708

0.46

3

2.72

0.63

0.56

1.04

316-337

 

RM28722

0.78

2

1.52

0.34

0.28

0.52

183-200

 

RM19675

0.86

4

1.34

0.25

0.24

0.54

357-417

 

RM1999

0.34

5

4.31

0.77

0.73

1.54

170-227

 

RM6931

0.41

5

2.91

0.66

0.59

1.23

180-233

 

RM6832

0.46

6

3.62

0.72

0.69

1.53

136-186

 

RM349

0.76

2

1.57

0.36

0.30

0.55

136-144

 

RM22253

0.42

3

2.77

0.64

0.56

1.05

306-327

 

میانگین Mean

0.44

5.27

3.59

0.67

0.63

1.34

 

 

                                   

 

 

به عنوان مثال رقم هراز از تلاقی دمسیاه×IR8×IR498 و رقم دشت از تلاقی آمل 1×IR29 حاصل شدند (http://berenjamol.areo.ir). برای بررسی فاصله ژنتیکی بین و درون جمعیت‏ها، فاصله ژنتیکی Nei محاسبه گردید. شاخص تمایز ژنتیک کل جمعیت‏های مورد مطالعه از نظر آماری در سطح احتمال 5 درصد معنی‏دار بود (1602/0=Fst، 000/0>P). مقایسه تفاوت دو‏به‏دوی جمعیت‏ها (شکل 1) نشان داد که بیشترین فاصله ژنتیکی Nei بین ارقام خارجی و بومی وجود دارد (شدت رنگ‏های آبی و سبز) و کمترین فاصله بین ارقام اصلاحی و خارجی می‏باشد، که این می‏تواند به دلیل استفاده از ژنوتیپ‏های خارجی در برنامه‏های اصلاحی باشد.

 

 

جدول 4- نتایج تجزیه واریانس مولکولی بر روی جمعیت‏های برنج.

 Table 4- Result of AMOVA for populations of rice.

منابع تغییر

S.V.

 درجه آزادی   df

مجموع مربعات Sum of squares

اجزای واریانس Variance component

درصد تنوع Percentage of variation

بین جمعیت Between populations

2

124.513

1.748

16.03

درون جمعیت Within population

97

888.727

9.162

83.97

کل Total

99

1013.240

10.910

 

 

شکل1 - متوسط تفاوت دو به دوی جمعیت‏ها (براساس نرم افزار Arlequin).

Figure 1- Populations average pairwise difference (Using Arlequin software).

 

تجزیه مؤثر ساختار جمعیت و دسته‏بندی دقیق افراد به زیرجمعیت‏های مناسب با استفاده از نرم افزار structure انجام گرفت (شکل 2). با توجه به اینکه مقادیر حداکثر ∆K در 2=K بدست آمده، بنابراین ژنوتیپ‏های برنج مورد مطالعه به احتمال قوی دارای دو زیرجمعیت بوده‏اند. در 2=K از میان 26 رقم بومی، 20 رقم (92/76 درصد از ارقام بومی) در زیرجمعیت اول قرار گرفتند و 6 رقم بومی (08/23 درصد) (دادرس، قنبرک، حسنی، حسنی فومنی، چلی و شاهک) علاوه بر زیرجمعیت اول در بخش‏هایی از ژنوم خود با زیرجمعیت دوم مشابهت دارند اما با وجود این، میزان شباهتشان به زیرجمعیت اول بیشتر می‏باشد. اغلب ارقام اصلاحی و خارجی زیر جمعیت دوم را شامل می‏شدند، همچنین ارقام اصلاحی بجار، خزر، گیل1 و شماره 29 محمدی ترکیبی از هر دو زیرجمعیت را دارا بودند. یکسان شدن زیرجمعیت ارقام اصلاحی با ارقام خارجی و نیز حالت اختلاط آن‏ها با ارقام بومی ایرانی می‏تواند به دلیل وجود زمینه ژنتیکی مشترک بین ارقام و نیز جریان ژنی به ارقام اصلاح شده طی انجام برنامه‏های اصلاحی باشد.

 

 

 

 

شکل 2- گروه‏بندی 50 رقم برنج براساس نرم‏افزار Structure.

Figure 2- Classification of 50 rice cultivars using structure software.

 


تجزیه خوشه‏ای ارقام برنج

براساس نمودار تجزیه خوشه‏ای ارقام در چهار گروه قرار گرفتند که گروه اول بیشترین تعداد ارقام (27 رقم) را شامل می‏شد و اغلب ارقام بومی را به خود اختصاص داده است (شکل 3). گروه‏های دوم و چهارم هر دو نوع رقم اصلاحی و بومی را دارا بودند و گروه دوم با داشتن 3 رقم (دادرس، بجار و درفک) کوچکترین گروه می‏باشد. گروه سوم شامل 16 رقم بوده که اکثر ارقام خارجی همراه با برخی ارقام اصلاحی (مهر، فجر، هراز، نعمت، دشت، گیل3، آمل3 و سپیدرود) در این گروه قرار گرفتند. در تجزیه خوشه‏ای 119 رقم بومی، اصلاحی و خارجی با استفاده از نشانگر‏های ریزماهواره، دو جمعیت اصلاحی و خارجی در یک گروه و جمعیت بومی در گروه جداگانه‏ای قرارگرفتند (Moumeni et al., 2007). با توجه به معیارهای مختلف محاسبه شده در ارقام مورد مطالعه می‏توان بیان کرد که تنوع ژنتیکی نسبتاً خوبی در هر یک از جمعیت‏های بومی، اصلاحی و خارجی از نظر نشانگرهای ریزماهواره مرتبط با آهن و روی مورد بررسی وجود دارد و این نشانگرها توانستند تقریباً تمام ارقام بومی را از سایر ارقام به ویژه از ارقام خارجی تفکیک نمایند. این در حالی است که در اکثر نتایج این بررسی، ارقام اصلاح شده ایرانی از ارقام خارجی تفکیک نشدند و به این خاطر پیشنهاد می‏شود با افزایش تعداد نشانگرهای ریزماهواره به تفکیک بهتری از ارقام مورد مطالعه دست یافت. از آنجایی که نشانگرهای مورد مطالعه در این تحقیق با مکان‏های ژنی کنترل کننده آهن و روی دانه پیوسته می‏باشند، این گروه‏بندی برای مکان‏های ژنی مرتبط با این دو ریزمغذی است و می‏توان از تنوع موجود و سایر نتایج ژنوتیپی این پژوهش در جهت اصلاح تجمع آهن و روی دانه ارقام در برنامه‏های به‏نژادی مخصوصاً انتخاب والدین مناسب استفاده نمود.

 

 

 

شکل 3- گروه‏بندی ارقام برنج با استفاده از نشانگرهای ریزماهواره‏ براساس الگوریتم Neighbor-Net.

Figure 3- Grouping of rice cultivars using microsatellite markers according to Neighbor- Net algorithm.


منابع

Botstein D, White RL, Skolnick M, Davis RW (1980). Construction of genetic linkage map in man using restriction fragment length polymorphisms. American journal of human genetics 32: 314-331.

Cole CR, Grant FK, Swaby-Ellis ED, Smith JL, Jacques A, Northrop-Clewes CA, Caldwell KL, Pfeiffer CM, Ziegler TR (2010). Zinc and iron deficiency and their interrelations in low-income African American and Hispanic children in Atlanta. The American journal of clinical nutrition 91: 1027-1034.

Evanno G, Regnaut S, Goudet J (2005). Detecting the number of clusters of individuals using the software structure: a simulation study. Molecular ecology 14: 2611–2620.

Excoffier L, Laval G, Schneider S (2005). Arlequin (version 3.0): an integrated software package for population genetics data analysis. Evolutionary bioinformatics online 1: 47.

Garcia‐Oliveira AL, Tan L, Fu Y, Sun C (2009). Genetic identification of quantitative trait loci for contents of mineral nutrients in rice grain. Journal of integrative plant biology 51: 84-92.

Ghandilyan A, Vreugdenhil D, Aarts GM (2006). Progress in the genetic understanding of plant iron and zinc nutrition. Pysiological plant arum 126: 407-417.

Huson DH (1998). SplitsTree: analyzing and visualizing evolutionary data. Bioinformatics. 14: 68-73.

Huson DH, Bryant D (2006). Application of Phylogenetic Networks in Evolutionary Studies. Molecular biology and Evolution 23: 254-267.

Karp A, Edwards KJ, Bruford M, Funk S, Vosman B, Morgante M, Seberg O, Kremer A, Boursot P, Arctander P (1997). Molecular technologies for biodiversity evaluation: opportunities and challenges. Nature biotechnology 15: 625-628.

Liu K, Muse SV (2005). PowerMarker: an integrated analysis environment for genetic marker analysis. Bioinformatics 21: 2128-2129.

Lu K, Li L, Zheng X, Zhang Z, Mou T, Hu Z (2008). Quantitative trait loci controlling Cu, Ca, Zn, Mn and Fe content in rice grains. Journal of genetics 87: 305-310.

Mburu D, Hanotte O (2005). A practical approach to microsatellite genotyping with special reference to livestock population genetics. ILRI, Nairobi, Kenya.

Mohammadi SA, Parsanna BM (2003). Analysis of genetic diversity in crop Plants- Salient statistical tools and considerations. Crop Science 43: 1235-1248.

Moumeni A, Emanykhah F, Maleki Zanjani B, Maleki S (2007). Estimation of genetic diversity of iranian rice cultivars for tight linked markers to aroma. Proc. of 5th National Biotechnology Congress. Nov. 22-25, 2007. Tehran, Iran.

Nei M (1978). Estimation of average heterozygosity and genetic distance from a small number of individuals. Genetics 89: 583-590.

Noori Z, Honarnejad R, Moameni A, Ebadi AA, Allahgholipoor M (2004). Study on genetic diversity and classification of some Iranian & exotic rice germplasm using microsatellite marker. Journal of Agriculture Science 2: 89-99.

Norton GJ, Deacon CM, Xiong L, Huang S, Meharg AA, Price AH (2010). Genetic mapping of the rice ionome in leaves and grain: identification of QTLs for 17 elements including arsenic, cadmium, iron and selenium. Plant and soil 329: 139-153.

Omidbakhsh Fard MA (2005). Study of genetic diversity in durum wheat using SSR marker. MSc. Thesis. University of Tehran, Iran.

Pritchard JK, Stephens M, Donnelly P (2000). Inference of population structure using multilocus genotype data. Genetics 155: 945-959.

Rabbani MA, Masood MS, Shinwari ZK, Yamaguchi-Shinozaki K (2010). Genetic analysis of basmati and non-basmati Pakistani rice (Oryza sativa L.) cultivars using microsatellite markers. Pakistan Journal of Botany 42: 2551-2564.

Safaie N, Alizadeh A, Saidi A, Rahimian H, Adam G (2005). Molecular characterization and genetic diversity among Iranian populations of Fusarium graminearum, the causal agent of wheat head blight. Iranian Journal of Plant Pathology 41: 171-189.

Shannon CE, Weaver W (1949). The mathematical theory of communication. University of Illinois Press, Urbana.

Stangoulis AJ (2010). Technical aspects of zinc and iron analysis in biofortification of the staple food crops, wheat and rice. Proc. of 19th World Congress of Soil Science. August. 1-6, 2010. Brisbane, Australia.

Stangoulis JC, Huynh BL, Welch RM, Choi EY, Graham RD (2007). Quantitative trait loci for phytate in rice grain and their relationship with grain micronutrient content. Euphytica 154: 289-294.

Susanto U (2008). Mapping Of Quantytative Trait Loci For High Iron Ang Zinc Content In Polished Rice (Oryza Sativa L.) Grain And Some Agronomic Traits Using Simple Sequence Repeats Markers. Bogor agricultural university, Indonesia.

Tabkhkar N, Rabiei B, Sabouri A (2011). Allelic frequency and polymorphism of microsatellite markers linked to QTLs controlling grain in rice. Iranian Journal of Field Crop Science 42: 495-507.

Yashitola J, Thirumurugan T, Sundaram R, Naseerullah M, Ramesha M, Sarma N, Sonti RV (2002). Assessment of purity of rice hybrids using microsatellite and STS markers. Crop Science 42: 1369-1373.

Zane L, Bargelloni L, Patarnello T (2002). Strategies for microsatellite isolation: a review. Molecular ecology 11: 1-16.

 


Evaluation of Genetic Diversity and Population Structure of Rice Cultivars using Microsatellite Markers linked to iron and zinc

 

Abutalebi Sh.*1, Fotokian M.H.2, Zeinalabedini M.3

1MSc Student of Agriculture Biotechnology, College of Agriculture, Shahed University, Tehran, Iran.

2Associate Professor, College of Agriculture, Shahed University, Tehran, Iran.

3Assistant Professor, Agriculture Biotechnology Research Institute of Iran, Karaj, Iran.

 

Abstract

Determine genetic diversity in rice genetic resources is the first step toward the development of rice breeding programs. In this study genetic diversity of fifty cultivars of rice were analyzed using forty microsatellite markers linked to iron and zinc loci. Molecular analysis results showed the number of observed alleles per locus markers with average of 5.27 was varied from 2 to 10. The polymorphic information content values of loci was varied from 0.24 (RM19675) to 0.83 (RM276, RM402), respectively. The average of polymorphic information contents was estimated 0.63. RM276 marker was showed the highest genetic diversity and Shannon Index. Cultivars were classified into two sub-population groups according to analysis of population structure including landraces as first group and improved and foreign cultivars as second group. Based on the analysis of molecular variance, intra-population variance was higher than inter-population variance and the minimum and maximum genetic distance was between improved and foreign cultivars and landraces and foreign cultivars, respectively. Based on the cluster analysis, landraces cultivars were separate group than other cultivars. The results of this research could be useful in breeding programs of grain iron and zinc and expanding the genetic bases of rice cultivars.

Keyword:  cluster analysis, population structure analysis, Shannon Index, Polymorphic Information Content.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 



* نویسنده مسئول: شهربانو ابوطالبی                       تلفن: 09139087360                                         Email: abootalebi5585@gmail.com

[1] Bio fortification

[2] Restriction Fragment Lengh Polmorphism

[3] Randomly Amplified Polymorphic DNA

[4] Amplified Fragment Lengh Polmorphism

[5] Single Nucleotide Polymorphism

[6] Polymorphic Information Content(PIC)

[7]Markov Chain Monte Carlo

[8] Analysis of Molecular Variance (AMOVA)

* Corresponding Author: Abutalebi Sh.              Tel: 09139087360               Email: abootalebi5585@gmail.com

Botstein D, White RL, Skolnick M, Davis RW (1980). Construction of genetic linkage map in man using restriction fragment length polymorphisms. American journal of human genetics 32: 314-331.
Cole CR, Grant FK, Swaby-Ellis ED, Smith JL, Jacques A, Northrop-Clewes CA, Caldwell KL, Pfeiffer CM, Ziegler TR (2010). Zinc and iron deficiency and their interrelations in low-income African American and Hispanic children in Atlanta. The American journal of clinical nutrition 91: 1027-1034.
Evanno G, Regnaut S, Goudet J (2005). Detecting the number of clusters of individuals using the software structure: a simulation study. Molecular ecology 14: 2611–2620.
Excoffier L, Laval G, Schneider S (2005). Arlequin (version 3.0): an integrated software package for population genetics data analysis. Evolutionary bioinformatics online 1: 47.
Garcia‐Oliveira AL, Tan L, Fu Y, Sun C (2009). Genetic identification of quantitative trait loci for contents of mineral nutrients in rice grain. Journal of integrative plant biology 51: 84-92.
Ghandilyan A, Vreugdenhil D, Aarts GM (2006). Progress in the genetic understanding of plant iron and zinc nutrition. Pysiological plant arum 126: 407-417.
Huson DH (1998). SplitsTree: analyzing and visualizing evolutionary data. Bioinformatics. 14: 68-73.
Huson DH, Bryant D (2006). Application of Phylogenetic Networks in Evolutionary Studies. Molecular biology and Evolution 23: 254-267.
Karp A, Edwards KJ, Bruford M, Funk S, Vosman B, Morgante M, Seberg O, Kremer A, Boursot P, Arctander P (1997). Molecular technologies for biodiversity evaluation: opportunities and challenges. Nature biotechnology 15: 625-628.
Liu K, Muse SV (2005). PowerMarker: an integrated analysis environment for genetic marker analysis. Bioinformatics 21: 2128-2129.
Lu K, Li L, Zheng X, Zhang Z, Mou T, Hu Z (2008). Quantitative trait loci controlling Cu, Ca, Zn, Mn and Fe content in rice grains. Journal of genetics 87: 305-310.
Mburu D, Hanotte O (2005). A practical approach to microsatellite genotyping with special reference to livestock population genetics. ILRI, Nairobi, Kenya.
Mohammadi SA, Parsanna BM (2003). Analysis of genetic diversity in crop Plants- Salient statistical tools and considerations. Crop Science 43: 1235-1248.
Moumeni A, Emanykhah F, Maleki Zanjani B, Maleki S (2007). Estimation of genetic diversity of iranian rice cultivars for tight linked markers to aroma. Proc. of 5th National Biotechnology Congress. Nov. 22-25, 2007. Tehran, Iran.
Nei M (1978). Estimation of average heterozygosity and genetic distance from a small number of individuals. Genetics 89: 583-590.
Noori Z, Honarnejad R, Moameni A, Ebadi AA, Allahgholipoor M (2004). Study on genetic diversity and classification of some Iranian & exotic rice germplasm using microsatellite marker. Journal of Agriculture Science 2: 89-99.
Norton GJ, Deacon CM, Xiong L, Huang S, Meharg AA, Price AH (2010). Genetic mapping of the rice ionome in leaves and grain: identification of QTLs for 17 elements including arsenic, cadmium, iron and selenium. Plant and soil 329: 139-153.
Omidbakhsh Fard MA (2005). Study of genetic diversity in durum wheat using SSR marker. MSc. Thesis. University of Tehran, Iran.
Pritchard JK, Stephens M, Donnelly P (2000). Inference of population structure using multilocus genotype data. Genetics 155: 945-959.
Rabbani MA, Masood MS, Shinwari ZK, Yamaguchi-Shinozaki K (2010). Genetic analysis of basmati and non-basmati Pakistani rice (Oryza sativa L.) cultivars using microsatellite markers. Pakistan Journal of Botany 42: 2551-2564.
Safaie N, Alizadeh A, Saidi A, Rahimian H, Adam G (2005). Molecular characterization and genetic diversity among Iranian populations of Fusarium graminearum, the causal agent of wheat head blight. Iranian Journal of Plant Pathology 41: 171-189.
Shannon CE, Weaver W (1949). The mathematical theory of communication. University of Illinois Press, Urbana.
Stangoulis AJ (2010). Technical aspects of zinc and iron analysis in biofortification of the staple food crops, wheat and rice. Proc. of 19th World Congress of Soil Science. August. 1-6, 2010. Brisbane, Australia.
Stangoulis JC, Huynh BL, Welch RM, Choi EY, Graham RD (2007). Quantitative trait loci for phytate in rice grain and their relationship with grain micronutrient content. Euphytica 154: 289-294.
Susanto U (2008). Mapping Of Quantytative Trait Loci For High Iron Ang Zinc Content In Polished Rice (Oryza Sativa L.) Grain And Some Agronomic Traits Using Simple Sequence Repeats Markers. Bogor agricultural university, Indonesia.
Tabkhkar N, Rabiei B, Sabouri A (2011). Allelic frequency and polymorphism of microsatellite markers linked to QTLs controlling grain in rice. Iranian Journal of Field Crop Science 42: 495-507.
Yashitola J, Thirumurugan T, Sundaram R, Naseerullah M, Ramesha M, Sarma N, Sonti RV (2002). Assessment of purity of rice hybrids using microsatellite and STS markers. Crop Science 42: 1369-1373.
Zane L, Bargelloni L, Patarnello T (2002). Strategies for microsatellite isolation: a review. Molecular ecology 11: 1-16.