Identification of QTLs for rice yield and yield-related traits using high density SNPs linkage map

Document Type : Research Paper

Authors

1 1 Ph.D. Student of Plant Breeding, Sari Agricultural Sciences and Natural Resources University, Sari, Iran.

2 Professor of Plant Breeding, Plant Breeding and Biotechnology Department, Sari Agricultural Sciences and Natural Resources University, Sari, Iran.

3 Associate professor of Plant Breeding, Dep. of Agronomy and Plant Breeding and Research and Technology Institute of Plant Production (RTIPP) Shahid-Bahonar University, Kerman, Iran.

4 Assistance professor of Plant Breeding, Plant Breeding and Biotechnology Department, Sari Agricultural Sciences and Natural Resources University, Sari, Iran.

5 Plant Breeding, Genetics and Biotechnology Division – International Rice Research Institute, (IRRI), LosBanos-Laguna, Philippines

Abstract

Rice is one of the most important cereal with great variation, which is a major food for more than half of the world’s population. Mapping quantitative traits loci is one of the applied and momentous approaches to study yield-related traits. In present study 188 F4 rice lines derived from CSR28 and Sadri cross along with the parents were used for genotyping and phenotyping. The objective of this study was to construct high saturation linkage map using SNPs markers (Infinium Illumina 6K SNP chip) and QTL identification of yield-related traits in 188 F4 population. Mapping of quantitative traits loci led to identify 21QTLs for studied traits on chromosomes 1, 2, 3, 5, 7, 8 and 10. One QTL (qFG_N-3-1) was identified for filled grain number per plant on chromosome 3. For spikelet fertility, three QTLs (qSpkF_N-2-1, qSpkF_N-3-1andqSpkF_N-5-1) were mapped on chromosomes 2, 3 and 5, which explained 29.28 percentage of phenotypic variation. One QTL (qGY_N-8-1) was detected for grain yield on chromosome 8, which was flanked by 9037125 and 9049928 markers. In conclusion, besides the QTLs which is reported for first time, the QTLs were consistent as reported previously, could be introduced as reliable QTLs that is suitable for marker assisted breeding programs.

Keywords


شناسایی QTL های عملکرد و صفات مرتبط با عملکرد برنج با استفاده از نقشه لینکاژی با تراکم بالای نشانگرهای SNP

 

مصطفی احمدی زاده 1، نادعلی بابائیان جلودار 2، قاسم محمدی نژاد 3*، نادعلی باقری 4، راکش کومار سینگ 5

1 دانشجوی دکتری رشته اصلاح نباتات دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران.

2 استاد گروه اصلاح نباتات و بیوتکنولوژی دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران.

3. دانشیار بخش زراعت و اصلاح نباتاتو پژوهشکده فناوری تولیدات گیاهی دانشگاه شهید باهنر کرمان، ایران.

4 استادیار گروه اصلاح نباتات و بیوتکنولوژی دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران.

5 استاد پژوهش بخش تحقیقات اصلاح نباتات، مؤسسه بین المللی تحقیقات برنج.

تاریخ دریافت: 11/10/1395، تاریخ پذیرش: 22/04/1396

چکیده

برنج یکی از غلات مهم با تنوع بسیار خوب است که به عنوان غذای اصلی نیمی از جمعیت جهان استفاده می­شود. مکان­یابی جایگاه­های کنترل کننده صفات کمی یکی از روش­های کاربردی و مهم برای مطالعه صفات مرتبط با عملکـرد است. در این مطالعه تعداد 188 لاین (F4) برنج حاصل از تلاقی CSR28 و صدری به همراه والدین خود جهت بررسی فنوتیپی و ژنوتیپی مورد ارزیابی قرار گرفت. هدف از این مطالعه تهیه نقشه پیوستگی با درجه اشباع بالا با استفاده از نشانگرهای SNP (Infinium Illumina 6K SNP chip) و شناسایی مکان­های ژنی کنترل کننـده صفات مرتبط با عملکـرد در 188 لاین جمعیت F4 است. مکان­یابی جایگاه­های کنترل کننده صفات کمی منجر به شناسایی 21 QTL برای صفات مورد مطالعه بر روی کروموزوم­های 1، 2، 3، 5، 7، 8 و 10 شد. برای تعداد دانه­های پرشده در بوته یک QTL (qFG_N-3-1) روی کروموزوم 3 شناسایی شد. سه QTL (qSpkF_N-2-1، qSpkF_N-3-1 و qSpkF_N-5-1) برای درصد باروری روی کروموزوم­های 2، 3 و 5 مکان­یابی شد که 28/29 درصد از واریانس فنوتیپی را توجیه کردند. یک QTL (qGY_N-8-1) برای عملکرد دانه در فاصله نشانگری 9037125 و 9049928 روی کروموزوم 8 مکان­یابی شد. در نهایت، علاوه بر شناخت QTL­های جدید می­توان دیگر QTL­هایی که در نواحی مشابه با مطالعات قبلی شناسایی شدهرا به عنوان QTL-های دارای اعتبار معرفی کرد که مناسب برای برنامه­های اصلاحی به کمک نشانگر است.

واژه های کلیدی: برنج، صفات کمی، نقشه یابی، نشانگر SNP.

مقدمه

 

برنج یکی از غلات مهم است که دارای تنوع بسیار خوبی است و در دامنه اکولوژی وسیعی، شامل زمین­هایی هم سطح دریا تا ارتقاع 2700 متر مانند بخش­هایی از هیمالیا رشد می­یابد. برنج وحشی به احتمال زیاد در شرق چین و حوضه رودخانه یانگ (Yangtze) تا شمال شاندونگ (Shandong) رشد کرده است. مطالعات مولکولی و همچنین برخی گزارش­های معتبر باستان شناسی بیان کننده این بوده است که اهلی شدن برنج از 8200 تا 13500 سال قبل آغاز شده است (Awan et al., 2017). برنج به عنوان یک غذای اصلی برای نیمی از جمعیت جهان است. پیش بینی می­شود که در آینده نزدیک بخصوص در آسیا و آفریقا جمعیت به سرعت افزایش یابد، بنابراین افزایش بیشتر عملکرد برنج بایستی یک از اهداف مهم اصلاحی باشد (Gichuhi et al., 2016). همچنین برنج به عنوان یک گیاه مدل در تحقیقات گیاهی در نظر گرفته شده است (Xing & Zhang, 2010).

یکی از اهداف مهم برنامه­هـای بـه نـژادی افـزایش عملکرد است. بـه دلیـل کمـی بـودن ایـن صفت مهم و کنترل آن، بوسـیله چنـدین ژن و تـأثیر شـدید عوامـل محیطـی روی آن مطالعـه ژنتیکـی آن بـسیار مـشکل است (Amiri-Fahliani et al., 2014). اصلاح ارقام پرمحصول نیازمند شناخت سـاختار ژنتیکی والدین مورد تلاقی و همچنین آگاهی از ترکیب پذیری صفات مطلوب آن­ها است که این شناخت با استفاده از روش­های مطالعه صفات کمی فراهم می­شود (Ahmadikhah, 2008). بدیهی است که ارزش اقتصادی یک رقم به ویژگی­های مختلف آن بستگی دارد و انتخاب برای چندین صفت به منظور حصول حداکثر ارزش، همواره مورد توجه اصلاحگران بوده است. صفاتی از قبیل طول ساقه اصلی، مساحت برگ پرچم، تعداد خوشه، وزن خوشه، تعداد دانه پر و پوک در خوشه و عملکرد دانه به منظور تعیین اثر بخشی آن­ها در عملکرد مورد مطالعه قرار گرفته است (Ahamadi et al., 2008; Amiri-Fahliani et al., 2014).

یکی از مهم­ترین چالش­های پیش روی اصلاحگران برنج برای افزایش پتانسیل عملکرد و بهبود صفات زراعی که در عملکرد نهایی مشارکت دارند، است. بواسطه اثرات متقابل اپیستازی در ژن­های دخیل در عملکرد رسیدن به این هدف با تکیه بر روش­های سنتی اصلاحی مشکل است (Jena & Mackill, 2008) از دیگر عواملی که اصلاح نباتات را محدود می­کند، نبود اطلاعات کافی در مورد ژن­های کنترل کننده صفات کمی است. در صورتی که بتوان با اعمال روش­های مناسب، تعداد ژن­ها، جایگاه ژنومی و سـهم هـر یـک از آن­هـا را در کنتـرل تنوع فنوتیپی عملکرد دانه مشخص نمود، شاید بتوان هماننـد روش­هـای صفات تک ژنی به اصلاح این صـفت پرداخـت. مکان­یابی جایگاه­های کنترل کننده صفات کمی یکی از روش­های کاربردی و مهم برای مطالعه صفات کمی است که به طور گسترده در گیاهان زراعی مهم از جمله برنج به کار گرفته می­شود (Gong et al., 2001; Movafegh et al., 2009).

امروزه اطلاعات فراوانی در زمینه توالی­یابی ژنوم برنج در اختیار محققین قرار داده شده است که در مطالعات ژنومیکس با استفاده از نشانگرهای DNA بسیار کمک کننده است. ایجاد نقشه­های پیوستگی برای گونه­های متفاوت گیاهان زراعی، یکی از اساسی­ترین کاربرد­های نشانگرهای DNA در تحقیقات کشاورزی است. با استفاده از نقشه­های پیوستگی می­توان نواحی کروموزومی در برگیرنده ژن­های کنترل کننده صفات ساده و صفات کمی را با استفاده از تجزیه QTL ردیابی نمود (Amiri-Fahliani et al., 2014). از جمله نشانگرهایی که به فراوانی در سطح ژنوم یافت می­شوند، نشانگرهای SNP هستند. مزیت­های اصلی نشانگرهایSNP مربوط به مدیریت ساده داده­ها به همراه انعطاف پذیری، سرعت بالا و هزینه کم است. دوآللی بودن نشانگرهایSNP، کار را برای ادغام داده­ها آسان کرده و پایگاه داده بزرگی از اطلاعات نشانگری به وجود می­آورد. به تازگی، تراشه مخصوص ارزیابی ژنوتیپی برنج با تراکم بالای نشانگری توسط دانشگاه کرنل طراحی شده است که هر دوازده کروموزوم برنج را به خوبی پوشش می­دهد. به طور کلی به واسطه فراوانی SNP­ها در مقایسه با دیگر نشانگرها، می­توان نقشه با وضوح بسیار بالا توسط نشانگرهای SNP تشکیل داد (Thomson, 2014). نشانگرهای DNA که پیوستگی شدیدی با ژن­های کنترل کننده صفات مطلوب زراعی دارند ممکن است به عنوان ابزار ملکولی برای انتخاب به کمک نشانگر در برنامه­های اصلاحی گیاهان زراعی مختلف مورد استفاده قرار گیرد. روش انتخاب به کمک نشانگر، عمل گزینش را به طور معنی­داری موثرتر و کم هزینه­تر از روش­های کلاسیک به­نژادی گیاهی می­کند (Collard & Mackill, 2008; Collard et al., 2005). گزارش­های متعددی از شناسایی QTL­های کنترل کننده عملکرد و اجزا عملکرد توسط محققین ارائه شده است (Hittalmani et al., 2003; Rahman et al., 2007; Xing et al., 2008; Liu et al., 2009; Liu et al., 2010; Xiao et al., 2010).

هدف از انجام این تحقیق تهیه نقشه پیوستگی با تراکم بالای نشانگری با استفاده از نشانگرهای SNP (Infinium 6K SNP chip) و شناسایی مکان­های ژنی کنترل کننده صفات مرتبط با عملکرد و اجزا آن، تعیین سهم و نحوه اثر QTL­های شناسایی شده در تغییرات فنوتیپی صفات مورد بررسی در جمعیت F4 حاصل از تلاقی رقم­های صدری و CSR28 برنج است.

 

مواد و روش ها

در این مطالعه تعداد 188 لاین (F4) برنج حاصل از تلاقی ارقام CSR28 (IR51485-AC6534-4) و صدری (رقم بومی معطر ایرانی) به همراه والدین خود جهت بررسی فنوتیپی و ژنوتیپی در مؤسسه بین المللی تحقیقات برنج (IRRI) واقع در کشور فیلیپین مورد ارزیابی قرار گرفت. این آزمایش به صورت گلدانی در شرایط گلخانه­ای بر پایه طرح کاملا تصادفی در دو تکرار در سال 2015 اجرا شد. دانه­های گیاهان مورد مطالعه جهت شکستن خواب بذر به مدت 5 روز در دمای 50 درجه سانتیگراد قرار داده شد. بذرهای ضدعفونی شده جهت جوانه­زنی داخل پتری دیش و کاغذ صافی قرار داده شد و در دمای 37 درجه نگهداری شد. در مرحله بعد چهار بذر جوانه زده در هر گلدان کشت شد. بعد از 14 روز یک بوته در هر گلدان باقی گذاشته شد و سایر گیاهچه­ها حذف شد.

عملیات برداشت برای تعیین عملکرد نهایی انجام شد. برداشت هنگامی صورت گرفت که رشد و نمو گیاه خاتمه یافته، رنگ بوته­ها به زردی متمایل شده و دانه­ها نیز سفت شده بودند. جهت ارزیابی فنوتیپی صفات: ارتفاع بوته (سانتی­متر)، طول خوشه (سانتی­متر)، عملکرد دانه در بوته (گرم)، تعداد دانه پر شده در بوته، تعداد دانه پرنشده در بوته، درصد باروری خوشه، وزن دانه پرنشده در بوته (گرم)، درصد دانه­های پرشده، دانه­های پرشده در خوشه (گرم)، دانه­های پرنشده در خوشه (گرم) درصد دانه­های پرشده در خوشه، تعداد دانه­های پرشده در خوشه، تعداد دانه­های پرنشده در خوشه اندازه­گیری شد.

سنجش محتوای کلروفیل: پس از جمع­آوری و آب کشی نمونه برگ­ها، برای یکنواخت سازی نمونه مورد آزمایش آنرا خرد و مخلوط کرده و سپس 10 میلی گرم از هر نمونه برای استخراج وزن شد. نمونه برگ وزن شده در داخل 10 میلی لیتر الکل 95 درصد قرار داده شد. زمانی که نمونه­ها رنگ سبز خود را از دست دادند، نمونه­ها آماده قرائت توسط دستگاه اسپکتوفتومتر شد. جذب در طول موج­های 1/664، 6/648 و 470 نانو متر برای ارزیابی کلروفیل a (Ca)، کلروفیل b (Cb)، مجموع کلرفیل a , b (C (a+b)) و کاروتنوئید با استفاده از اسپکتوفتومتر مدل (SPECTROstar Nano, Ultra-fast, full UV/Vis spectrum absorbance) صورت پذیرفت. محاسبه محتوای هر پارامتر با استفاده از فرمول­های زیر انجام شد (Lichtenthaler & Buschmann, 2001):

 

 

 

 

در این رابطه­هاA664.1، A648.6و A470 میزان جذب در طول موج­های 1/664، 6/648 و 470 نانو­متر است. و dwt: وزن خشک نمونه بر حسب گرم است.

باروری دانه گرده: قبل از اینکه خوشه به طور کامل بیرون آید یا به عبارت دیگر زمان ظهور خوشه و قبل از شروع گلدهی نمونه­برداری صورت گرفت. برای پرهیز از انتخاب خوشه­چه­های دارای بلوغ کامل و خوشه­چه­های نابالغ از وسط خوشه، 10 خوشه­چه جمع­آوری شد و به طور جداگانه به لوله آزمایش حاوی اتانول 70 درصد انتقال داده شد. سپس تعداد 4 بساک از 5 گلچه هر نمونه جدا شد و بر روی اسلاید شیشه­ای قرار داده شد. پس از جدا­سازی پوسته خارجی با دقت دانه­های گرده را با فشار دادن سوزن جدا کرده و یک قطره از محلول یک درصد I2KI ((Potassium Iodide بر روی آن چکانده شد. پس از قرار دادن سرپوش، اسلاید شیشه­ای جهت مشاهده و شمارش در زیر میکروسکوپ (Olympus DP7) قرار داده شد. سپس به صورت تصادفی از چهار قسمت اسلاید عکس گرفته شد، دانه­های تیره با حاشیه کامل به عنوان بارور کامل، دانه­های گرده با حاشیه نامنظم و تیره به عنوان بارور جزئی و دانه­های گرده به رنگ روشن به عنوان نابارور شمارش شد. در نهایت با استفده از فرمول زیر درصد باروری دانه گرده هر نمونه مشخص شد ((Calapit-Palao et al., 2013).

100 × (بارور کامل + بارور ناقص + نابارور/ گرده­های بارور کامل) = درصد باروری دانه گرده

تهیه نقشه پیوستگی و نقشه­یابی جایگاه­های کنترل کننده صفات مورد مطالعه: استخراج DNA 188 فرد جمعیت F4 به همراه والدین­شان (CSR28 و صدری) با استفاده از کیت Sbeadex® Mini Plant Kit صورت پذیرفت. به منظور کاهش زمان و هزینه نقشه­یابی و همچنین تهیه نقشه پیوستگی با تراکم بالای نشانگری از Infinium Illumina 6K SNP chip شامل 6000 bead type استفاده شد. با استفاده از نشانگرهای SNP طراحی شده در تراشه مورد استفاده، به خوبی کل ژنوم یا به عبارت دیگر هر 12 کروموزوم برنج پوشش داده شد. تعیین ژنوتیپ 188 فرد جمعیت F4 به همراه والدین­شان در آزمایشگاه خدمات ژنوتیپی (GSL) موسسه بین المللی تحقیقات برنج (IRRI)، فیلیپین انجام گرفت. ارزیابی ژنوتیپی بر اساس روش استاندارد سنجش Infinium صورت پذیرفت (Infinium HD Assay, 2009).

برای تهیه نقشه پیوستگی، پالایش نشانگرها در جمعیت مورد مطالعه صورت گرفت. نشانگرهایی که بین دو والد چندشکلی نشان دادند، انتخاب شد. نشانگرهایی که در هر والد بصورت داده گم­شده یا هتروزیگوت بودند، از ادامه آنالیز کنار گذاشته شد. بررسی برازش و انحراف نشانگرها از نسبت 1:1 صورت پذیرفت و نشانگرهایی که در سطح ژنوم انحراف از تفکیک داشتند، حذف شد. مقیاس 3 برای LOD جهت ترسیم نقشه ژنتیکی انتخاب گردید. بر طبق دستورالعمل نرم افزار IciMapping و با توجه به ساختار جمعیت اصلاحی، تنها امکان وجود سه ژنونتیپ در مکان­های چندشکل با فراخوان دو آللی نشانگرهای SNP وجود دارد. کدهای A، B، X برای کد کردن آلل­های متفاوت در داده­های ژنوتیپی مورد استفاده قرار گرفت. نشانگرهای SNP که در جمعیت بیش از 10 درصد گم شده یا خوانده نشده باشند از ادامه آنالیز حذف شد. فراخوانیSNP­ها و گروه­های پیوستگی و ترتیب نشانگرها بر طبق نقشه فیزیکی ژنوم رفرنس Nipponbare بود، که توسط دانشگاه ایالت میشیگان نسخه 7 (MSU7) آن ارائه شده است (Kawahara et al., 2013). برای تبدیل نسبت­های نوترکیبی بین نشانگرها به واحد نقشه (سانتی مورگان) از تابع نقشه کوزامبی (Kosambi, 1943) استفاده شد. در نهایت نقشه پیوستگی توسط نرم افزاز QTL IciMapping version 4.0.6.0 ترسیم شد. نقشه­یابی مکان­های کنترل کننده صفات کمی مورد مطالعه بوسیله روش نقشه­یابی فاصله­ای مرکب جامع (ICIM) که با استفاده از داده­های فنوتیپی و نقشه پیوستگی مربوطه توسط نرم افزار QTL IciMapping انجام شد. آزمون جایگشت با 1000، و سطح احتمال 05/0 برای شناسایی QTL­های معنی دار استفاده شد. در این بررسی سرعت گام بر داشتن بر روی کروموزوم 1 سانتی مورگان در نظر گرفته شد. درصد توجیه واریانس فنوتپیو اثرات افزایشی هر QTL در ارتباط با صفت مورد نظر نیز محاسبه شد ((Meng et al., 2015). نامگذاری QTL­ها بر اساس سیستم استاندارد نامگذاری برنج توسط McCouch & CGSNL (2008) صورت گرفت.

 

نتایج و بحث

نتایج تجزیه واریانس نشان داد که بین نتاج حاصل از تلاقی صدری × CSR28 از لحاظ صفات مورد مطالعه اختلاف معنی­داری وجود دارد (جدول 1). توزیع فنوتیپی صفات مطالعه شده در 188 لاین F4 حاصل از تلاقی صدری و CSR28 در شکل 1 نشان داده شده است. توزیع فنوتیپی در نتاج F4 برای تمامی صفات بجز طول خوشه، وزن دانه­های پرنشده و وزن دانه­های پرنشده در خوشه تقریبا پیوسته و نرمال بود که این می­تواند دلیلی بر چند ژنی بودن و وراثت کمی صفات باشد و همچنین نشان دهنده مشارکت ژن­هایی از هر دو والد در صفات مورد مطالعه بود (Mohammadi et al., 2013). برای صفات طول خوشه، وزن دانه­های پرنشده و وزن دانه­های پرنشده در خوشه تبدیل لگاریتمی صورت گرفت و در آنالیزها از داده­های نرمال شده استفاده شد. در تمامی صفات تعدادی از نتاج F4 وجود داشت که مقادیری خارج از محدوده والدینی را نشان دادند که این بیانگر پدیده تفکیک متجاوز است. ارزش میانگین در برخی صفات از قبیل باروری دانه گرده، طول خوشه، ارتفاع گیاه، پارامترهای کلروفیل و تعداد دانه­های پر نشده بیشتر از دو والد بود در حالی که در سایر صفات به سمت مقادیر کمتر از دو والد کشیدگی داشت (شکل 1 و جدول 1). دلیل آن احتمالا وجود آلل­های متفاوت در دو والد در مکان­های ژنی کنترل کننده این صفات و دخیل بودن دو والد در بروز آن­ها است، به نظر می­رسد که ترکیب آلل­های دو والد در نتاج، منجر به بروز مقادیر بالاتر یا پایین­تر از والدین و ظهور پدیده تفکیک متجاوز شده است.

 

 

 


جدول 1- آمار توصیفی مربوط به صفات مورد مطالعه در جمعیت F4 حاصل از تلاقی CSR28 × صدری

Table 1- Descriptive statistics of studied traits in F4 population derived from CSR28 × Sadri cross

 

صفات

میانگین

اشتباه میانگین

کمترین

بیشترین

چولگی

کشیدگی

معنی داری

Sig.

 

Traits

Mean

Error Mean

Min

Max

Kurtosis

Skewness

 

کلروفیل a (Chlorophyll a)

0.505

0.0116

0.030

0.948

-0.15

0.36

***

 

کلروفیل b (Chlorophyll b)

0.2460

0.0054

0.064

0.454

0.01

0.11

***

 

کاروتنوئید (Carotenoid)

0.120

0.002

0.028

0.221

-0.01

0.45

***

 

مجموع کلروفیل(a+b)

Total Chlorophyll

0.749

0.017

0.037

1.384

-0.15

0.38

***

 

تعداد دانه پر شده

No. Filled Grain

633.3

26.7

17

1822

0.84

0.5

***

 

تعداد دانه پر نشده

No. Unfilled Grain

817.1

31.5

41

2204

0.74

0.37

***

 

باروری خوشه (%)

Spikelet Fertility (%)

44.59

1.52

1.30

93.98

-0.06

-0.75

***

 

طول خوشه (Panicle Length)

27.68

0.309

19.58

44.00

1.12

2.36

***

 

ارتفاع بوته (Plant Height)

147.6

1.34

111.5

205

0.47

0.1

***

 

عملکرد دانه (Grain Yield)

12.94

0.6

0.18

38.35

1.01

0.83

**

 

وزن دانه­های پرنشده

Unfilled Grain Weight

3.5

0.144

0.49

11.96

1.2

2.02

*

 

درصد دانه­های پرشده

Filled Grain (%)

73.13

1.37

0

97.61

-1.46

2.59

**

 

باروری دانه گرده (%)

Pollen Fertility

52.71

1.33

7.95

90.46

-0.3

-0.47

***

 

دانه­های پرشده در خوشه (g)

Filled Grain/Panicle

0.897

0.039

0.012

3.397

1.04

2.1

***

 

دانه­های پرنشده در خوشه (g)

Unfilled Grain/Panicle

0.234

0.008

0.034

0.675

0.99

1.11

***

 

درصد دانه­های پرشده            Filled Grain/Panicle (%)

73.72

1.34

0

96.96

-1.53

3.08

***

 

تعداد دانه پرشده در خوشه

No. Filled Grain/Panicle

40.28

1.67

0.44

139.4

0.76

1.27

***

 

تعداد دانه پرنشده در خوشه

No. Unfilled Grain/Panicle

56.56

2.01

4.56

133.2

0.61

0

***

*، ** و ***: به ترتیب سطح معنی داری در 0.05، 0.01 و 0.001

 

*,** and ***: significant at level of 0.05, 0.01 and 0.001

 

 

 

 

 

                   

 

شکل 1- توزیع فراوانی ارزش­های فنوتیپی صفات مورد مطالعه در 188 لاین F4 حاصل از تلاقی CSR28 (C) × صدری (S)

Ca_N: کلروفیل a، Cb_N: کلروفیل b، C (a+b)_N: مجموع کلروفیل (a+bC (x+c)_N: کاروتنوئید، UnFG_N: تعداد دانه­های پرنشده، FG_N: تعداد دانه­های پر شده، SpkFG_N: درصد باروری، GY: عملکرد دانه

Figure 1- Phenotypic distribution of studied traits in 188 F4 lines derived from CSR28 × Sadri cross. Ca_N: Chlorophyll a, Cb_N: Chlorophyll b, C (a+b)_N: Total Chlorophyll, C (x+c)_N: Carotenoid, UnFG_N: No. Unfilled Grain, FG: No. Filled Grain, SpkFG_N (%): Spikelet Fertility percent, GY: Grain Yield

 

 

 

شکل 1 (ادامه)- توزیع فراوانی ارزش­های فنوتیپی صفات مورد مطالعه در 188 لاین F4 حاصل از تلاقی CSR28 (C) × صدری (S). PH_N: ارتفاع بوته، PL_N: طول خوشه، UnFGW_N: وزن دانه­های پرنشده، Pollen_F_N: باروری دانه گرده، UnFGP_N: تعداد دانه­های پرنشده در خوشه، FGP_N: تعداد دانه­های پرشده در خوشه، FGWP_N: وزن دانه­های پرشده در خوشه، UnFGWP_N: وزن دانه­های پرنشده در خوشه.

Figure 1(Cont.)- Phenotypic distribution of studied traits in 188 F4 lines derived from CSR28 × Sadri cross. PH_N: Plant Height, PL_N: Panicle Length, UnFGW_N: Unfilled Grain Weight, Pollen_F_N: Pollen Fertility, UnFGP_N: No. Unfilled Grain per Panicle, FGP_N: No. Filled Grain per Panicle, FGWP_N: Filled Grain Weight per Panicle, UnFGWP_N: Unfilled Grain Weight per Panicle

تهیه نقشه لینکاژی و توزیع آللی در کروموزوم­ها

 

از 4606 نشانگر SNP، تعداد 1993 نشانگر بین دو والد چندشکلی نشان دادند. بعد از حذف داده­های گم شده و هتروزیگوت در هر والد تعداد 1801 نشانگر SNP به دست آمد. بررسی انحراف از تفکیک توسط آزمون کای­دو صورت پذیرفت و تعداد 834 نشانگر از نسبت مورد انتظار انحراف داشت که از ادامه تجزیه حذف شدند. در مرحله بعد نشانگرهایی که تفکیک یکسانی در جمعیت مورد مطالعه داشتند و در بر دارنده اطلاعات ژنتیکی نبودند با رویه بین (Bining function) حذف شد، در این مرحله تعداد 506 نشانگر حذف شد. در نهایت نقشه ژنتیکی با استفاده از نرم افزار IciMapping تهیه شد. نقشه لینکاژی با استفاده از 461 نشانگر SNP تهیه شد که این تعداد نشانگر 48/1154 سانتی مورگان از طول ژنوم برنج (12 کروموزوم) را پوشش داد و فاصله بین دو نشانگر مجاور به طور متوسط 5/2 سانتی مورگان بود (شکل 2). همچنین دامنه هر گروه لینکاژی از 55/28 سانتی مورگان در گروه لینکاژی 10 تا 93/140 در گروه لینکاژی 11 بود. مکان­های هموزیگوس در طول 12 کروموزوم 85/67 درصد بود. به همین ترتیب 9/26 درصد مکان هتروزیگوس وجود داشت و همچنین 23/5 درصد آلل­های گم شده بود.


شناسایی QTL های مرتبط با صفات مورد مطالعه

جهت شناسایی مکان­های کنترل کننده صفات زراعی و فیزیولوژی در جمعیت F4 حاصل از تلاقی صدری × CSR28 تمام ژنوم با استفاده از نرم افزار IciMapping بر پایه  1000 آزمون جایگشت بررسی شد. تجزیه جمعیت F4 منجر به شناسایی 21 QTL برای صفات مورد بررسی بر روی کروموزوم­های 1، 2، 3، 5، 7، 8 و 10 شد (جدول 2، شکل 2). برای کلروفیل a و کلروفیل b QTL­های qCa_N-7-1 و qCb_N-7-1 روی کروموزوم 7 در فاصله نشانگری 7108578-7165460 و به ترتیب با LOD 06/3 و 39/3 شناسایی شد که این QTL­ها 89/6 و 36/7 درصد از واریانس فنوتیپی را توجیه کردند. همچنین QTL­های qCa_N-10-1، qCb_N-10-1 و qCab_N-10-1 به ترتیب برای صفات کلروفیل a، کلروفیل b و کلروفیل (a+b) با دامنه LOD از 39/5 تا 73/6 در فاصله نشانگرهای 10659848 و id10006161 بر روی کروموزوم 10 ردیابی شد. QTL­های qCa_N-10-1، qCb_N-10-1 و qCab_N-10-1 به ترتیب 33/14، 55/13 و 79/12 درصد از واریانس فنوتیپی را به خود اختصاص دادند و آلل­های والد CSR28 موجب افزایش این صفات شد. همچنین یک QTL (qCxc_N-10-1) مرتبط با صفت کارتنوئید در فاصله نشانگری 10618874-10659848 با LOD برابر با 5 و توجیه 06/12 درصد از واریانس فنوتیپی در مجاورت سایر QTL­های مرتبط با کلروفیل روی کروموزوم 10 شناسایی شد که افزایش این صفت نیز تحت تاثیر آلل‌های والد CSR28 بود (جدول 2، شکل 2).

تعداد دانه در بوته یک صفت اصلی در عملکرد دانه برنج است. شناسایی مکان ژن­های کنترل کننده این صفت به دلیل تاثیرات زیاد محیطی بر این صفت، بسیار مشکل است. در مطالعه حاضر یک QTL (qFG_N-3-1) برای تعداد دانه­های پرشده در بوته با LOD برابر 57/4 شناسایی شد که بیش از 02/10 درصد از واریانس فنوتیپی را توجیه کرد. QTL شناسایی شده در ناحیه 7849199-7240208 bp روی کروموزوم 3 شناسایی شد. آلل­های والد CSR28 موجب افزایش تعداد دانه­های پر شده شد (جدول 2، شکل 2 و 3).در پژوهشی 5 QTL مرتبط با تعداد دانه در بوته روی کروموزوم­های 1، 2، 8 و 12 مکان­یابی شد (Swamy et al., 2014). همچنین در مطالعات پیشین برای تعداد دانه پر شده در بوته QTL­های (gn2.1) (Marri et al., 2005) و (gpp2.1) (Septiningsih et al., 2003) بر روی کروموزوم 2 و (gn5.1) (Marri et al., 2005) روی کروموزوم 5 گزارش شد. نتایج گزارش شده توسط این محققین با qFG_N-3-1 شناسایی شده در مطالعه حاضر مشابه نبود. سه QTL برای درصد باروری روی کروموزوم­های 2، 3 و 5 مکان­یابی شد. یک QTL (qSpkF_N-2-1) با LOD برابر 73/3 که توجیه کننده 58/7 درصد از واریانس فنوتیپی بود در فاصله نشانگری 2443604 و 2443604 قرار داشت. qSpkF_N-3-1 دارای 27/11 درصد واریانس فنوتیپی و با ارزش LOD برابر با 72/3 بین نشانگرهای 3297629 و 3528886 روی کروموزوم 3 ردیابی شد. روی کروموزوم 5 در فاصله نشانگری 5706503-5730084، با ارزش LOD برابر با 01/5، QTL qSpkF_N-5-1 شناسایی شد که این QTL توجیه کننده 43/10 درصد از واریانس فنوتیپی بود. درصد باروری توسط آلل­های CSR28 افزایش یافت (جدول 2، شکل 2). در پژوهشی Marri et al.  (2005) دو QTL (sf1.1 و sf3.1) برای باروری خوشه روی کروموزوم­های 1 و 3 مکان­یابی کردند که این QTL ها به ترتیب با LOD برابر با 26/3 و 35/4 توجیه کننده 2/5 و 7/6 درصد از واریانس فنوتیپی بودند. در تحقیق دیگری هفت QTL، qSF1، qSF2، qSF3، qSF5.1، qSF8، qSF10 و qSF12 برای باروری خوشه روی کروموزوم­های 1، 2، 3، 5، 8، 10 و 12 در جمعیت RIL برنج شناسایی شد (Zhu et al., 2016). در مطالعات پیشین برای درصد باروری QTL­هایی روی کروموزوم­های 1 [sf1.1 (Marri et al., 2005)، pss1.1 (Thomson et al., 2003)، SF (Redona & Mackill, 1998) ] و 3 [sf3.1 (Marri et al., 2005)، S3b (He et al., 1999)، SF (Redona & Mackill, 1998)] گزارش شده است. جایگاه­های شناسایی شده در مطالعه حاضر qSpkF_N-2-1، qSpkF_N-3-1 و qSpkF_N-5-1 به ترتیب در نواحی 34865754-34409509، 34919997-26334305 و 26934016-25968840 bp روی کروموزوم 2، 3 و 5 شناسایی شدند. همچنین سه QTL برای صفات وزن دانه­های پرشده در خوشه و درصد وزن دانه­های پر شده در خوشه مکان­یابی شد. دو QTL (qFGWP_N-1-1 و qSpkFGWP_N-1-1) در فاصله نشانگرهای c1p19383975 و id1012330 با ارزش LOD برابر با 51/3 و 81/3 به ترتیب برای صفات میانگین وزن دانه­های پرشده در خوشه و درصد وزن دانه­های پر شده در خوشه ردیابی شدند. این QTL­ها (qFGWP_N-1-1 و qSpkFGWP_N-1-1) هر کدام 8 درصد از واریانس فنوتیپی را توجیه نمودند و در ناحیه 21795198-19383976 bp روی کروموزوم 1 قرار داشتند (جدول 2، شکل 2). یک QTL دیگر بین نشانگرهای 5564450 و 5552255 (20612374-21011160 bp) روی کروموزوم 5 مکان­یابی شد که این QTL، qSpkFGWP_N-5-1 با ارزش LOD برابر با 63/3 توجیه کننده 46/7 درصد از واریانس فنوتیپی بود (جدول 2، شکل 2). افزایش صفات وزن دانه­های پرشده در خوشه و درصد وزن دانه­های پر شده در خوشه در qFGWP_N-1-1، qSpkFGWP_N-1-1 و qSpkFGWP_N-5-1 توسط آلل­های والد CSR28 بود. بررسی نتایج تحقیقات برخی محققین برای صفت وزن دانه نشان داد که QTL­هایی روی کروموزوم­های 2 [gw2.1، gw2.2 و gw2.3  (Marri et al., 2005)، kw2-2 (Gao et al., 2004)] و 9 [gw9.1 (Marri et al., 2005) و gw9.1 (Thomson et al., 2003)] شناسایی شده است. یک QTL برای عملکرد دانه در فاصله نشانگری 9037125 و 9049928 با LOD برابر 30/3 مکان­یابی شد که این QTL qGY_N-8-1، 56/7 درصد از واریانس فنوتیپی را توجیه کرد (جدول 2، شکل 2). این QTL، qGY_N-8-1 در ناحیه 28058830-27492537 bp روی کروموزوم 8 شناسایی شد. همچنین دو QTL برای درصد وزن دانه­های پرشده با مقادیر LOD 62/3 و 3 به ترتیب در فاصله نشانگری 2976904-3217184 و 7947435-7962882 (23817933-17840988 و 28942458-28303039 bp) روی کروموزوم­های 3 و 7 شناسایی شدند. آلل­های CSR28 افزایش دهنده صفات عملکرد دانه و درصد باروری در qGY_N-8-1، qSpkFGW_N-3-1 و qSpkFGW_N-7-1 بود (جدول 2، شکل 2). در پژوهشی Marri et al. (2005) سه QTL روی کروموزوم 3 و یک QTL روی کروموزوم 9 برای صفت وزن دانه ردیابی کردند. سه QTL، yldp2.1، yldp2.2 و yldp9.1 با دامنه LOD برابر با 35/4-59/3 برای صفت عملکرد روی کروموزوم­های 2 و 9 شناسایی کردند.


 

 


جدول 2- اطلاعات مربوط به QTL­های شناسایی شده برای صفات مورد مطالعه با استفاده از روش ICIM در جمعیت F4 حاصل از تلاقی صدری × CSR28.

Table 2- Information of identified QTLs for studied traits in F4 population derived from CSR28 × Sadri cross using ICIM method.

نام صفت

Trait Name

کروموزوم

Chromosome

QTL

مکان

Position

نشانگر چپ

Left Marker

نشانگر راست

Right Marker

LOD

واریانس فنوتیپی

PVE (%)

اثر افزایشی

Add

 

کلروفیل    aChlorophyll a

7

qCa_N-7-1

26

7108578

7165460

3.06

6.89

-0.041

کلروفیل b     Chlorophyll b

qCb_N-7-1

3.39

7.36

-0.020

کلروفیل     aChlorophyll a

10

qCa_N-10-1

12

10659848

id10006161

6.73

14.33

0.059

کلروفیل b     Chlorophyll b

qCb_N-10-1

6.30

13.55

0.027

کلروفیل (a+b)

Total Chlorophyll

qCab_N-10-1

5.39

12.79

0.083

کاراتنوئید         Carotenoid

qCxc_N-10-1

11

10618874

10659848

5.00

12.06

0.011

دانه پر شده  

 No. Filled Grain

3

qFG_N-3-1

20

2647310

id3004190

4.57

10.02

115

درصد باروری  Spikelet Fertility

2

qSpkF_N-2-1

92

2443604

id2015762

3.73

7.58

5.72

3

qSpkF_N-3-1

64

3297629

3528886

3.72

11.27

7.007

5

qSpkF_N-5-1

161

5706503

5730084

5.01

10.43

6.71

عمکرد دانه              Grain Yield

8

qGY_N-8-1

102

9037125

9049928

3.30

7.56

2.24

وزن دانه­های پر شده (%)

Filled Grain Weight(%)

3

qSpkFGW_N-3-1

45

2976904

3217184

3.62

8.19

5.35

7

qSpkFGW_N-7-1

69

7947435

7962882

3.00

6.77

4.85

وزن دانه پر شده. خوشه

Filled Grain Weight/ Panicle

1

qFGWP_N-1-1

51

c1p19383975

id1012330

3.51

8.54

0.15

وزن دانه پر نشده. خوشه

Unfilled Grain Weight/ Panicle

1

qUFGWP_N-1-1

13

173198

188269

3.81

8.41

0.01

وزن دانه­های پر شده (%). خوشه

Filled Grain Weight/ Panicle(%)

1

qSpkFGWP_N-1-1

51

c1p19383975

id1012330

3.67

8.00

5.21

5

qSpkFGWP_N-5-1

148

5564450

5552255

3.63

7.46

4.99

تعداد دانه پر شده.خوشه

No. Filled Grain per Panicle

1

qFGP_N-1-1

42

394468

591240

3.83

8.44

6.65

3

qFGP_N-3-1

20

2647310

id3004190

4.09

8.70

6.74

 


 

 

 

 

 
     

شکل 2- نقشه ژنتیکی و QTL­های مرتبط با صفات مورد مطالعه در جمعیت F4 حاصل از تلاقی صدری × CSR28.

Figure 2- Molecular genetic map and QTLs related to studied traits in the F4 population from the CSR28/Sadri cross.

 

 


 

 

   
     

شکل 2 (ادامه)- نقشه ژنتیکی و QTL­های مرتبط با صفات مورد مطالعه در جمعیت F4 حاصل از تلاقی صدری × CSR28.

Figure 2 (Cont.)- Molecular genetic map and QTLs related to studied traits in the F4 population from the CSR28/Sadri cross.

 


جدول 3- ضرایب همبستگی صفات مورد مطالعه در جمعیت F4 حاصل از تلاقی CSR28 ×صدری

Table 3- Correlation coefficients of evaluated traits in F4 population derived from CSR28 × Sadri cross.

صفات

کلروفیل a

Chlorophyll a

1

2

3

4

5

6

7

8

9

10

11

12

13

کلروفیل b (1)

Chlorophyll b

0.97**

 

 

 

 

 

 

 

 

 

 

 

 

 

کاراتنوئید (2)

Carotenoid

0.96**

0.90**

 

 

 

 

 

 

 

 

 

 

 

 

کلروفیل (a+b) (3)

Total Chlorophyll

0.99**

0.98**

0.94**

 

 

 

 

 

 

 

 

 

 

 

دانه پر شده (4)

No. Filled Grain

0.08

0.10

0.10

0.07

 

 

 

 

 

 

 

 

 

 

دانه پرنشده (5)

No. Unfilled Grain

-0.04

-0.02

-0.04

-0.03

-0.25**

 

 

 

 

 

 

 

 

 

درصد باروری (6)

Spikelet Fertility Percent

0.12

0.13

0.15*

0.12

0.55**

-0.66**

 

 

 

 

 

 

 

 

عمکرد دانه (7)

Grain Yield

0.04

0.07

0.06

0.04

0.87**

-0.19**

0.52**

 

 

 

 

 

 

 

وزن دانه پر نشده (8)

Unfilled Grain Weight

-0.02

-0.01

-0.02

-0.01

-0.13

0.69**

-0.44**

-0.003

 

 

 

 

 

 

وزن دانه­های پر شده (%) (9)

Filled Grain Weight (%)

0.19**

0.24**

0.20**

0.20**

0.66**

-0.52**

0.68**

0.68**

-0.42**

 

 

 

 

 

وزن دانه پر شده. خوشه (10)

Filled Grain Weight /Panicle

0.03

0.05

0.04

0.03

0.76**

-0.42**

0.58**

0.81**

-0.23**

0.70**

 

 

 

 

وزن دانه پر نشده. خوشه (11)

Unfilled Grain Weight/ Panicle

-0.16*

-0.17**

-0.15*

-0.16*

0-.24**

0.49**

-0.46**

-0.16*

0.71**

-0.47**

-0.14*

 

 

 

وزن دانه­های پر شده (%). خوشه (12)

Filled Grain Weight / Panicle (%)

0.20**

0.23**

0.21**

0.20**

0.65**

-0.53**

0.69**

0.64**

-0.41**

0.95**

0.73**

-0.50**

 

 

دانه پر شده.خوشه (13)

Filled Grain per Panicle

0.04

0.06

0.06

0.03

0.84**

-0.47**

0.64**

0.74**

-0.32**

0.68**

0.90**

-0.24**

0.70**

 

دانه پر نشده.خوشه

Unfilled Grain per Panicle

-0.24**

-0.23**

-0.23**

-0.23*

-0.38**

0.72**

-0.63**

-0.33**

0.47**

-0.61**

-0.32**

0.70**

-0.63**

-0.35**

 

 

 


 

 

سه QTL، yldp2.1، yldp2.2 و yldp9.1 به ترتیب در بین نشانگرهای RM262 – RM183، RM183 – RM263 و RM242 – RM205 قرار داشتند که 2/14، 05/7 و 2/23 درصد از واریانس فنوتیپی را توجیه کردند. در مطالعه­ای دیگر Rangel et al.  (2013) با تهیه نقشه لینکاژی با استفاده از 141 نشانگر SSR در جمعیت BC2F2 حاصل از تلاقی Oryza sativa x O. glumaepatula یک QTL روی کروموزوم 4 بین نشانگرهای 4879EST20 برای عملکرد (R2= 21.29) گزارش کردند. در پژوهش دیگری تعداد 8 QTL برای عملکرد با دامنه LOD برابر با 4/15-8/3 بر روی کروموزوم­های 2، 3، 8، 9، 11 و 12 شناسایی شد که این QTL­ها در مجموع توجیه کننده 98 درصد از واریانس فنوتیپی بودند (Swamy et al., 2014). در پژوهشی Yue et al. (2015) دو QTL qGYP-1 و qGYP-9 برای صفت عملکرد دانه به ترتیب در فاصله نشانگری RM576–RM35 و RM1553–RM2144 روی کروموزوم­های 1 و 9 ردیابی نمودند که این QTL­ها 80/6-25/6 درصد از واریانس فنوتیپی را توجیه کردند. در مطالعه دیگری Rabiei, et al. (2015) یکQTL  (qGY-3) برای عملکرد دانه بر روی کروموزوم 3 شناسایی کردند که این QTL، 26/10 درصد از واریانس فنوتیپی را توجیه کرد و توسط آلل والد غریب افزایش یافت. با توجه به QTL­های گزارش شده برای عملکرد دانه توسط این محققین هیچکدام با QTL (qGY_N-8-1) ردیابی شده در این تحقیق هم مکان نبوده است. تفاوت در نتایج ممکن است به دلیل تفاوت در نوع جمعیت­ها و نشانگرهای مورد استفاده در نقشه یابی باشد.

برای صفت وزن دانه-های پرنشده در خوشه یک QTL (qUFGP_N-1-1) با ارزش LOD 81/3 در فاصله نشانگری 173198 و 188269 (5982772-5510350 bp) روی کروموزوم 1 مکان­یابی شد که این QTL توجیه کننده 41/8 درصد از واریانس فنوتیپی بود (جدول 2، شکل 2). در پژوهشی توسط Ahamadi et al.  (2008) برای صفت تعداد دانه پرنشده در خوشه 9 QTL روی کروموزوم­های 1، 2، 5، 6، 9، 10 و 11 مکان­یابی کردند که QTL ردیابی شده بر روی کروموزوم 5 بیشترین اثر افزایشی را دارا بود. نه QTL شناسایی شده توسط این محققین 81 درصد از واریانس فنوتیپی را توجیه کردند. در نهایت دو QTL، QS2a و QS2b با R2 برابر با9/31 و 9/23 را به عنوان QTL­های اصلی گزارش شدند. برای تعداد خوشه­چه پوک در خوشه، یک QTL در فاصله نشانگری RM307-M58-P70-2 روی کروموزوم 4 توسط Rabiei, et al.  (2013) مکانیابی گردید که با LOD برابر با 13/5 مقدار 16 درصد از واریانس فنوتیپی را توجیه کرد.

دو QTL برای صفت تعداد دانه­های پرشده در خوشه با LOD برابر با 83/3 و 09/4 به ترتیب با فاصله نشانگری 394468-591240 و 2647310-id3004190 در نواحی 17545595-12679816 و 7849199-7240208 bp روی کروموزوم­های 1 و 3 مکان­یابی شدند. این QTL­ها qFGP_N-1-1 و qFGP_N-3-1 به ترتیب 44/8 و 70/8 درصد از واریانس فنوتیپی را توجیه کردند (جدول 2، شکل 2). آلل­های CSR28 موجب افزایش صفت تعداد دانه-های پرشده در خوشه شد. در مطالعه جمعیت F14 برنج توسط Yue et al. (2015) با تهیه نقشه لینکاژی با استفاده از 198 نشانگر SSR سه QTL (qFGP-1b، qFGP-3b و qFGP-8b) روی کروموزوم­های 1، 3 و 8 برای تعداد دانه پرشده در خوشه شناسایی کردند. این QTL­ها دارای ارزش LOD 54/6-95/2 بودند که 06/13-48/8 درصد از واریانس فنوتیپی را توجیه می­کردند.شش QTL qNGP2، qNGP3، qNGP4، qNGP5، qNGP6.2 و qNGP7 برای تعداد دانه در خوشه بر روی کروموزوم­های 2، 3، 4، 5، 6 و 7 توسط Zhu et al.  (2016) در مطالعه جمعیت RIL گزارش شد. برای تعداد دانه در خوشه سه QTL بر روی کروموزوم­های 1 و 12 ردیابی شد که ارزش LOD برای QTL­هایی که در فاصله نشانگری RM237-M473A و RM431-RM14 روی کروموزوم 1 قرار داشتند، 33/3 و 43/3 بود و QTL دیگر با 8/27 درصد توجیه تنوع فنوتیپی و ارزش LOD برابر با 06/4 روی کروموزوم 12 مکان­یابی شد (Ahamadi et al., 2008). در مطالعه دیگری توسط  Zhou, et al.  (2013) با تهیه نقشه لینکاژی با استفاده از 119 نشانگر SSR در 307 لاین اینبرد نوترکیب برنج حاصل از تلاقی Guanghui 116 به عنوان والد دهنده و LaGrue والد گیرنده مکان­یابی برای صفات عملکرد و اجزای عملکرد انجام شد. با استفاده از روش نقشه­یابی فاصله ای 3 QTL روی کروموزوم­های 5 و 8 با اثر افزایشی مثبت شناسایی کردند که این QTL ها 64/23 درصد از واریانس فنوتیپی را توجیه کردند. همچنین برای صفت تعداد دانه دانه در خوشه 3 QTL روی کروموزوم­های 1، 4 و 6 که توجیه کننده 66/10 درصد از واریانس فنوتیپی بودند را گزارش کردند. در پژوهشی Rabiei, et al.  (2015) با مطالعه .196 لاین برنج حاصل از تلاقی سپیدرود و غریب، سه QTL برای تعداد دانه پرشده در خوشه روی کروموزوم­های 1، 6 و 11 شناسایی کردند که از بین این QTL­ها qNGP-1 در فاصله نشانگرهای RM246-RM1268 توجیه کننده 03/21 درصد از واریانس فنوتیپی بود که به عنوان یک  QTLاصلی و بزرگ اثر معرفی شد. همچنین این محققین 3 QTL برای تعداد خوشه چه نابارور بر روی کروموزوم­های 2، 3 و 12 ردیابی کردند که NES-2 روی کروموزوم 2 بین نشانگرهای E33-M61-11-E35-M42-1 با ارزش LOD برابر با 07/9 توجیه کننده 23/15 درصد از واریانس فنوتیپی بود و به عنوان یک QTL بزرگ اثر گزارش شد. برای تعداد دانه در خوشه چندین  QTLروی کروموزوم­های 1، 2، 3، 4، 5، 6، 9، 11 و 12 شناسایی شده است ((Marri et al., 2005; Moncada et al., 2001; Septiningsih et al., 2003; Thomson et al., 2003; Xiao et al., 1998; Yoon et al., 2006).

همبستگی صفات عملکرد دانه با تعداد دانه­های پرشده و درصد باروری خوشه ارتباط مثبت و معنی داری داشت (جدول 2). که با نتایجMoncada et al.   (2001) همخوانی داشت. با توجه به QTL­های ردیابی شده (جدول 3 و شکل 2) و مقایسه نتایج آن­ها با ضرایب همبستگی صفات (جدول 3) تائید کننده این مطلب بود که برخی صفات که دارای همبستگی معنی­دار هستند، توسط جایگاه­های ژنومی مشابهی کنترل می­گردند. به طوری که می­توان دلیل وجود ارتباط معنی­دار بین صفات را با احتمال زیاد به کنترل آن صفات توسط مکان­های ژنومی یکسان و پیوستگی شدید بین QTL­ها مرتبط دانست (Rabiei et al., 2013). بین صفات کلروفیل a، کلروفیل b، کاروتنوئید و کلروفیل (a+b) همبستگی مثبت و بسیار معنی­داری وجود داشت و همچنین همبستگی مثبت ومعنی داری بین این صفات با درصد وزن دانه­های پرشده در بوته و درصد میانگین وزن دانه­های پرشده در خوشه ملاحظه شد (جدول 3). به همین ترتیب صفاتی که بر اساس تک خوشه ارزیابی شده بود از جمله تعداد دانه پر در خوشه با صفات عملکرد دانه و پارامترهای کلروفیل همبستگی مثبت و معنی­داری داشت و ارتباط منفی تعداد دانه پر نشده در خوشه با صفات عملکرد دانه و پارامترهای کلروفیل ملاحظه شد (جدول 3).

به طور کلی، بیشتر مطالعات نقشه­یابی پیشین با استفاده از جمعیت­هایی با سایز کوچک و همچنین تعداد کم نشانگر صورت گرفته است که بیشتر منجر به شناسایی نواحی بزرگ اثر شده و QTL کوچک اثر کمتر ردیابی شده است. اما در این مطالعه نقشه­یابی با اشباع ملکولی بالا با استفاده از نشانگرهای SNP صورت پذیرفت و همچنین جمعیت مورد بررسی با اندازه 188 لاین با زمینه والد ایرانی (صدری) بود. مطالعات فراوانی در زمینه مکان­یابی QTL­های دخیل در عملکرد بوته صورت گرفته است. اما میانگین فاصله نشانگری در برخی مطالعات پیشین توسط نشانگرهای SSR، 95/8 (Rabiei et al., 2015) و 15 (Mohammadi et al., 2013) (نشانگر/سانتی مورگان) است که در بررسی حاضر این فاصله به 5/2 (نشانگر/سانتی مورگان) کاهش یافته است. بنابراین پیشنهاد می­گردد که QTL­های که برای اولین بار گزارش شدند، نیازمند بررسی در زمینه­های ژنتیکی متفاوت و مناسب برای نقشه­یابی دقیق می­باشند. از سوی دیگر  بررسی QTL­ها در مکان­های متفاوت جهت شناسایی QTL­های پایدار پیشنهاد می­گردد. همچنین QTL­هایی که در نواحی مشابه با مطالعات قبلی شناسایی شده، می­توان به عنوان QTL­های دارای اعتبار معرفی کرد، چراکه در بین جمعیت­های متفاوت تکرارپذیر بودند و مناسب برای برنامه انتخاب به کمک نشانگر می­باشند. علاوه بر این، با توجه به کاهش فاصله نشانگری و افزایش دقت نقشه­یابی و در دسترس بودن توالی ژنوم برنج و ابزار­های بیوانفورماتیکی می­تواند بسیار کمک کننده و مفید برای شناسایی بهتر و دقیق نواحی مطلوب ژنومی باشد. می­توان با استفاده از پسا آنالیزهای مربوطه و نیز با نقشه­یابی ارتباطی در جهت شناسایی ژن­های کنترل کننده صفات مهم و همچنین درک بهتری از مکانیسم­های فیزیولوژی در برنج گام برداشت. چراکه شناخت دقیق از کنترل ژنتیکی صفات مرتبط با عملکرد برنج برای افزایش تولید برنج و برنامه انتخاب به کمک نشانگر بسیار حائز اهمیت است.

 

 

 

 

منابع

Amiri-Fahliani R, Khodambashi M, Hoshmand S, Masoumi-Asl A (2014). Heritability of some morphological and qualitative traits of rice and identification of their related quantitative trait loci (QTLs) using microsatellite marker. Seed and Plant Improvment Journal 30: 419–440.

Ahamadi J, Fotokian MH, Fabriki-Orang S (2008). Detection of QTLs influencing panicle length, panicle grain number and panicle grain sterility in rice (Oryza sativa L.). Journal of Crop Science and Biotechnology 11: 163–170.

Ahmadikhah A (2008). Estimation of heritability and heterosis of some agronomic traits and combining ability of rice lines using line × tester method. Electronic Journal of Crop Production 1: 15–33.

Awan TH, Ahmadizadeh M, Jabran K, Hashim S, Chauhan BS (2017). Domestication and development of rice cultivars. In Chauhan BS, Jabran K, Mahajan G (Eds.), Rice Production Worldwide (pp. 207–216). Springer International Publishing.

Calapit-Palao CD, Viña CB, Gregorio GB, Singh RK (2013). A new phenotyping technique for salinity tolerance at the reproductive stage in rice. ORYZA- An International Journal on Rice 50: 199–207.

Collard BC, Mackill DJ (2008). Marker-assisted selection: an approach for precision plant breeding in the twenty-first century. Philosophical Transactions of the Royal Society B: Biological Sciences 363: 557–572.

Collard BC, Jahufer MZZ, Brouwer JB, Pang ECK. (2005). An introduction to markers, quantitative trait loci (QTL) mapping and marker-assisted selection for crop improvement: The basic concepts. Euphytica 142: 169–196.

Gao Y, Zhu J, Song Y, He C, Shi C, Xing Y (2004). Analysis of digenic epistatic effects and QE interaction effects QTL controlling grain weight in rice. Journal of Zhejiang University. Science 5: 371–7.

Gichuhi E, Himi E, Takahashi H, Zhu S, Doi K, Tsugane K, Maekawa M (2016). Identification of QTLs for yield-related traits in RILs derived from the cross between pLIA-1 carrying Oryza longistaminata chromosome segments and Norin 18 in rice. Breeding Science 66: 720–733.

Gong J, Zheng X, Du B, Qian Q, Chen S, Zhu L, He P (2001). Comparative study of QTLs for agronomic traits of rice (Oryza sativa L.) between salt stress and non stress environment. Science in China Series C: Life Sciences 44: 73–82.

He YQ, Yang J, Xu CG, Zhang ZG, Zhang Q (1999). Genetic bases of instability of male sterility and fertility reversibility in photoperiod-sensitive genic male-sterile rice. Theoretical and Applied Genetics 99: 683–693.

Hittalmani S, Huang N, Courtois B, Venuprasad R, Shashidhar HE, Zhuang JY, Zheng KL, Liu GF, Wang GC, Sidhu JS, Srivantaneeyakul S, Singh VP, Bagali PG, Prasanna HC, McLaren G, Khush GS (2003). Identification of QTL for growth- and grain yield-related traits in rice across nine locations of Asia. Theoretical and Applied Genetics 107: 679–690.

Infinium HD Assay ultra, manual (2009). http://www.illumina.com.

Jena,KK, Mackill DJ (2008). Molecular markers and their use in marker-assisted selection in rice. Crop Science 48: 1266.

Kawahara Y, de la Bastide M, Hamilton JP, Kanamori H, McCombie WR, Ouyang S, Schwartz DC, Tanaka T, Wu J, Zhou S, Childs KL, Davidson RM, Lin H, Quesada-Ocampo L, Vaillancourt B, Sakai H, LeeSS, Kim J, Numa H, Itoh T, Buell CR, Matsumoto T (2013). Improvement of the Oryza sativa Nipponbare reference genome using next generation sequence and optical map data. Rice 6: 4.

Kosambi DD (1943). The estimation of map distances from recombination values. Annals of Eugenics 12: 172–175.

Lichtenthaler HK, Buschmann C (2001). Chlorophylls and carotenoids: measurement and characterization by UV-VIS spectroscopy. In Current Protocols in Food Analytical Chemistry. Hoboken, NJ, USA: John Wiley & Sons, Inc.

Liu T, Mao D, Zhang S, Xu C, Xing Y (2009). Fine mapping SPP1, a QTL controlling the number of spikelets per panicle, to a BAC clone in rice (Oryza sativa). Theoretical and Applied Genetics 118: 1509–1517.

Liu T, Shao D, Kovi MR, Xing Y (2010). Mapping and validation of quantitative trait loci for spikelets per panicle and 1,000-grain weight in rice (Oryza sativa L.). Theoretical and Applied Genetics 120: 933–942.

Marri PN, Sarla N, Reddy LV, Siddiq E (2005). Identification and mapping of yield and yield related QTLs from an Indian accession of Oryza rufipogon. BMC Genetics 6: 33.

McCouch SR, CGSNL (Committee on Gene Symbolization, N. and L. R. G. C. (2008). Gene nomenclature system for rice. Rice 1: 72–84.

Meng L, Li H, Zhang L, Wang J (2015). QTL iciMapping: integrated software for genetic linkage map construction and quantitative trait locus mapping in biparental populations. The Crop Journal 3: 269–283.

Mohammadi R, Mendioro MS, Diaz GQ, Gregorio GB, Singh RK (2013). Mapping quantitative trait loci associated with yield and yield components under reproductive stage salinity stress in rice (Oryza sativa L.). Journal of Genetics 92: 433–443.

Moncada P, Martínez CP, Borrero J, Chatel M, Gauch JH, Guimaraes E, Tohme J, McCouch SR (2001). Quantitative trait loci for yield and yield components in an Oryza sativa × Oryza rufipogon BC2F2 population evaluated in an upland environment. Theoretical and Applied Genetics 102: 41–52.

Movafegh S, Rabiee B, Zare Feizabadi A, Taheri G (2009). Mapping QTLs controlling yield in two Iranian rice cultivars-F2 populations. Iranian َAgricultural Research Journal 7: 673–683.

Rabiei B, Kordrostami M, Sabouri A, Sabouri H (2015). Identification of QTLs for yield related traits in indica type rice using SSR and AFLP markers. Agriculturae Conspectus Scientifi Cus 80: 91–99.

Rabiei B, Masaeli,M, Tarang A (2013). Identification of gene loci (QTLs) controlling grain yield and yield components in rice (Oryza sativa L.). Iranian Journal of Field Crop Science 44: 293–304.

Rahman ML, Chu SH, Choi MS, Qiao YL, Jiang W, Piao R, Khanam S, Cho YI, Jeung JU, Jena K, Koh, HJ (2007). Identification of QTLs for some agronomic traits in rice using an introgression line from Oryza minuta. Molecules and Cells 24: 16–26.

Rangel PN, Vianello RP, Melo ATO, Rangel PHN, Mendonça JA, Brondani C (2013). Yield QTL analysis of Oryza sativa x O. glumaepatula introgression lines. Pesquisa Agropecuária Brasileira 48: 280–286.

Redona ED, Mackill DJ (1998). Quantitative trait locus analysis for rice panicle and grain characteristics. Theoretical and Applied Genetics 96: 957–963.

Septiningsih EM, Prasetiyono J, Lubis E, Tai TH, Tjubaryat T, Moeljopawiro S, McCouch SR (2003). Identification of quantitative trait loci for yield and yield components in an advanced backcross population derived from the Oryza sativa variety IR64 and the wild relative O. rufipogon. Theoretical and Applied Genetics 107: 1419–1432.

Swamy MBP, Kaladhar K, Reddy GA, Viraktamath BC, Sarla N (2014). Mapping and introgression of QTL for yield and related traits in two backcross populations derived from Oryza sativa cv. Swarna and two accessions of O. nivara. Journal of Genetics 93: 643–654.

Thomson MJ (2014). High-Throughput SNP genotyping to accelerate crop improvement. Plant Breeding and Biotechnology 2: 195–212.

Thomson MJ, Tai TH, McClung AM, Lai XH, Hinga ME, Lobos KB, Xu Y, Martinez CP, McCouch SR (2003). Mapping quantitative trait loci for yield, yield components and morphological traits in an advanced backcross population between Oryza rufipogon and the Oryza sativa cultivar Jefferson. Theoretical and Applied Genetics 107: 479–93.

Xiao J, Li J, Grandillo S, Ahn SN, Yuan L, Tanksley SD, McCouch SR (1998). Identification of trait-improving quantitative trait loci alleles from a wild rice relative, Oryza rufipogon. Genetics 150: 899–909.

Xiao Y, Pan Y, Luo L, Zhang G, Deng H, Dai L, Liu X, Tang W, Chen L, Wang GL (2010). Quantitative trait loci associated with seed set under high temperature stress at the flowering stage in rice (Oryza sativa L.). Euphytica 178: 331–338.

Xing YZ, Tang WJ, Xue WY, Xu CG, Zhang Q (2008). Fine mapping of a major quantitative trait loci, qSSP7, controlling the number of spikelets per panicle as a single Mendelian factor in rice. Theoretical and Applied Genetics 116: 789–796.

Xing Y, Zhang Q (2010). Genetic and molecular bases of rice yield. Annual Review of Plant Biology 61: 421–442.

Yoon DB, Kang KH, Kim HJ, Ju HG, Kwon SJ, Suh JP, Jeong OY, Ahn SN (2006). Mapping quantitative trait loci for yield components and morphological traits in an advanced backcross population between Oryza grandiglumis and the O. sativa japonica cultivar Hwaseongbyeo. Theoretical and Applied Genetics 112: 1052–1062.

Yue F, Rong-rong Z, Ze-chuan L, Li-yong C, Xing-hua W, Shi-hua C (2015). Quantitative trait locus analysis for rice yield traits under two nitrogen levels. Rice Science 22: 108–115.

Zhou S, Zhu M, Wang F, Huang J, Wang G (2013). Mapping of QTLs for yield and its components in a rice recombinant inbred line population. Pakistan Journal of Botany 45: 183–189.

Zhu Y, Huang D, Fan Y, Zhang Z (2016). Detection of QTLs for yield heterosis in rice using a RIL population and its testcross population. International Journal of Genomics 1–9.

 

 


Identification of QTLs for rice yield and yield-related traits using high density SNPs linkage map

 

Ahmadizadeh M.1, Babaeian-Jelodar N.2, Mohammadi-Nejad Gh.*3, Bagheri N.4, Singh R. K.5

 

1 Ph.D. Student of Plant Breeding, Sari Agricultural Sciences and Natural Resources University, Sari, Iran.

2 Professor of Plant Breeding, Plant Breeding and Biotechnology Department, Sari Agricultural Sciences and Natural Resources University, Sari, Iran.

3 Associate professor of Plant Breeding, Dep. of Agronomy and Plant Breeding and Research and Technology Institute of Plant Production (RTIPP) Shahid-Bahonar University, Kerman, Iran.

4 Assistance professor of Plant Breeding, Plant Breeding and Biotechnology Department, Sari Agricultural Sciences and Natural Resources University, Sari, Iran.

5 Senior Scientist-II of Plant Breeding, International Rice Research Institute (IRRI), Los Baños, Laguna, Philippines.

 

Abstract

Rice is one of the most important cereal with great variation, which is a major food for more than half of the world’s population. Mapping quantitative traits loci is one of the applied and momentous approaches to study yield-related traits. In present study 188 F4 rice lines derived from CSR28 and Sadri cross along with the parents were used for genotyping and phenotyping. The objective of this study was to construct high saturation linkage map using SNPs markers (Infinium Illumina 6K SNP chip) and QTL identification of yield-related traits in 188 F4 population. Mapping of quantitative traits loci led to identify 21 QTLs for studied traits on chromosomes 1, 2, 3, 5, 7, 8 and 10. One QTL (qFG_N-3-1) was identified for filled grain number per plant on chromosome 3. For spikelet fertility, three QTLs (qSpkF_N-2-1, qSpkF_N-3-1 and qSpkF_N-5-1) were mapped on chromosomes 2, 3 and 5, which explained 29.28 percentage of phenotypic variation. One QTL (qGY_N-8-1) was detected for grain yield on chromosome 8, which was flanked by 9037125 and 9049928 markers. In conclusion, besides the QTLs which is reported for first time, the QTLs were consistent as reported previously, could be introduced as reliable QTLs that is suitable for marker assisted breeding programs.

Keywords: Mapping, SNP Marker, Quantitative traits, Rice.

 

 



*نویسنده مسئول: قاسم محمدی نژاد               تلفن:    0989133415937                     Email: Mohammadinejad@uk.ac.ir               

*Corresponding Author: Mohammadi-Nejad Gh.        Tel: 09133415937            EmailMohammadinejad@uk.ac.ir

Amiri-Fahliani R, Khodambashi M, Hoshmand S, Masoumi-Asl A (2014). Heritability of some morphological and qualitative traits of rice and identification of their related quantitative trait loci (QTLs) using microsatellite marker. Seed and Plant Improvment Journal 30: 419–440.
Ahamadi J, Fotokian MH, Fabriki-Orang S (2008). Detection of QTLs influencing panicle length, panicle grain number and panicle grain sterility in rice (Oryza sativa L.). Journal of Crop Science and Biotechnology 11: 163–170.
Ahmadikhah A (2008). Estimation of heritability and heterosis of some agronomic traits and combining ability of rice lines using line × tester method. Electronic Journal of Crop Production 1: 15–33.
Awan TH, Ahmadizadeh M, Jabran K, Hashim S, Chauhan BS (2017). Domestication and development of rice cultivars. In Chauhan BS, Jabran K, Mahajan G (Eds.), Rice Production Worldwide (pp. 207–216). Springer International Publishing.
Calapit-Palao CD, Viña CB, Gregorio GB, Singh RK (2013). A new phenotyping technique for salinity tolerance at the reproductive stage in rice. ORYZA- An International Journal on Rice 50: 199–207.
Collard BC, Mackill DJ (2008). Marker-assisted selection: an approach for precision plant breeding in the twenty-first century. Philosophical Transactions of the Royal Society B: Biological Sciences 363: 557–572.
Collard BC, Jahufer MZZ, Brouwer JB, Pang ECK. (2005). An introduction to markers, quantitative trait loci (QTL) mapping and marker-assisted selection for crop improvement: The basic concepts. Euphytica 142: 169–196.
Gao Y, Zhu J, Song Y, He C, Shi C, Xing Y (2004). Analysis of digenic epistatic effects and QE interaction effects QTL controlling grain weight in rice. Journal of Zhejiang University. Science 5: 371–7.
Gichuhi E, Himi E, Takahashi H, Zhu S, Doi K, Tsugane K, Maekawa M (2016). Identification of QTLs for yield-related traits in RILs derived from the cross between pLIA-1 carrying Oryza longistaminata chromosome segments and Norin 18 in rice. Breeding Science 66: 720–733.
Gong J, Zheng X, Du B, Qian Q, Chen S, Zhu L, He P (2001). Comparative study of QTLs for agronomic traits of rice (Oryza sativa L.) between salt stress and non stress environment. Science in China Series C: Life Sciences 44: 73–82.
He YQ, Yang J, Xu CG, Zhang ZG, Zhang Q (1999). Genetic bases of instability of male sterility and fertility reversibility in photoperiod-sensitive genic male-sterile rice. Theoretical and Applied Genetics 99: 683–693.
Hittalmani S, Huang N, Courtois B, Venuprasad R, Shashidhar HE, Zhuang JY, Zheng KL, Liu GF, Wang GC, Sidhu JS, Srivantaneeyakul S, Singh VP, Bagali PG, Prasanna HC, McLaren G, Khush GS (2003). Identification of QTL for growth- and grain yield-related traits in rice across nine locations of Asia. Theoretical and Applied Genetics 107: 679–690.
Infinium HD Assay ultra, manual (2009). http://www.illumina.com.
Jena,KK, Mackill DJ (2008). Molecular markers and their use in marker-assisted selection in rice. Crop Science 48: 1266.
Kawahara Y, de la Bastide M, Hamilton JP, Kanamori H, McCombie WR, Ouyang S, Schwartz DC, Tanaka T, Wu J, Zhou S, Childs KL, Davidson RM, Lin H, Quesada-Ocampo L, Vaillancourt B, Sakai H, LeeSS, Kim J, Numa H, Itoh T, Buell CR, Matsumoto T (2013). Improvement of the Oryza sativa Nipponbare reference genome using next generation sequence and optical map data. Rice 6: 4.
Kosambi DD (1943). The estimation of map distances from recombination values. Annals of Eugenics 12: 172–175.
Lichtenthaler HK, Buschmann C (2001). Chlorophylls and carotenoids: measurement and characterization by UV-VIS spectroscopy. In Current Protocols in Food Analytical Chemistry. Hoboken, NJ, USA: John Wiley & Sons, Inc.
Liu T, Mao D, Zhang S, Xu C, Xing Y (2009). Fine mapping SPP1, a QTL controlling the number of spikelets per panicle, to a BAC clone in rice (Oryza sativa). Theoretical and Applied Genetics 118: 1509–1517.
Liu T, Shao D, Kovi MR, Xing Y (2010). Mapping and validation of quantitative trait loci for spikelets per panicle and 1,000-grain weight in rice (Oryza sativa L.). Theoretical and Applied Genetics 120: 933–942.
Marri PN, Sarla N, Reddy LV, Siddiq E (2005). Identification and mapping of yield and yield related QTLs from an Indian accession of Oryza rufipogon. BMC Genetics 6: 33.
McCouch SR, CGSNL (Committee on Gene Symbolization, N. and L. R. G. C. (2008). Gene nomenclature system for rice. Rice 1: 72–84.
Meng L, Li H, Zhang L, Wang J (2015). QTL iciMapping: integrated software for genetic linkage map construction and quantitative trait locus mapping in biparental populations. The Crop Journal 3: 269–283.
Mohammadi R, Mendioro MS, Diaz GQ, Gregorio GB, Singh RK (2013). Mapping quantitative trait loci associated with yield and yield components under reproductive stage salinity stress in rice (Oryza sativa L.). Journal of Genetics 92: 433–443.
Moncada P, Martínez CP, Borrero J, Chatel M, Gauch JH, Guimaraes E, Tohme J, McCouch SR (2001). Quantitative trait loci for yield and yield components in an Oryza sativa × Oryza rufipogon BC2F2 population evaluated in an upland environment. Theoretical and Applied Genetics 102: 41–52.
Movafegh S, Rabiee B, Zare Feizabadi A, Taheri G (2009). Mapping QTLs controlling yield in two Iranian rice cultivars-F2 populations. Iranian َAgricultural Research Journal 7: 673–683.
Rabiei B, Kordrostami M, Sabouri A, Sabouri H (2015). Identification of QTLs for yield related traits in indica type rice using SSR and AFLP markers. Agriculturae Conspectus Scientifi Cus 80: 91–99.
Rabiei B, Masaeli,M, Tarang A (2013). Identification of gene loci (QTLs) controlling grain yield and yield components in rice (Oryza sativa L.). Iranian Journal of Field Crop Science 44: 293–304.
Rahman ML, Chu SH, Choi MS, Qiao YL, Jiang W, Piao R, Khanam S, Cho YI, Jeung JU, Jena K, Koh, HJ (2007). Identification of QTLs for some agronomic traits in rice using an introgression line from Oryza minuta. Molecules and Cells 24: 16–26.
Rangel PN, Vianello RP, Melo ATO, Rangel PHN, Mendonça JA, Brondani C (2013). Yield QTL analysis of Oryza sativa x O. glumaepatula introgression lines. Pesquisa Agropecuária Brasileira 48: 280–286.
Redona ED, Mackill DJ (1998). Quantitative trait locus analysis for rice panicle and grain characteristics. Theoretical and Applied Genetics 96: 957–963.
Septiningsih EM, Prasetiyono J, Lubis E, Tai TH, Tjubaryat T, Moeljopawiro S, McCouch SR (2003). Identification of quantitative trait loci for yield and yield components in an advanced backcross population derived from the Oryza sativa variety IR64 and the wild relative O. rufipogon. Theoretical and Applied Genetics 107: 1419–1432.
Swamy MBP, Kaladhar K, Reddy GA, Viraktamath BC, Sarla N (2014). Mapping and introgression of QTL for yield and related traits in two backcross populations derived from Oryza sativa cv. Swarna and two accessions of O. nivara. Journal of Genetics 93: 643–654.
Thomson MJ (2014). High-Throughput SNP genotyping to accelerate crop improvement. Plant Breeding and Biotechnology 2: 195–212.
Thomson MJ, Tai TH, McClung AM, Lai XH, Hinga ME, Lobos KB, Xu Y, Martinez CP, McCouch SR (2003). Mapping quantitative trait loci for yield, yield components and morphological traits in an advanced backcross population between Oryza rufipogon and the Oryza sativa cultivar Jefferson. Theoretical and Applied Genetics 107: 479–93.
Xiao J, Li J, Grandillo S, Ahn SN, Yuan L, Tanksley SD, McCouch SR (1998). Identification of trait-improving quantitative trait loci alleles from a wild rice relative, Oryza rufipogon. Genetics 150: 899–909.
Xiao Y, Pan Y, Luo L, Zhang G, Deng H, Dai L, Liu X, Tang W, Chen L, Wang GL (2010). Quantitative trait loci associated with seed set under high temperature stress at the flowering stage in rice (Oryza sativa L.). Euphytica 178: 331–338.
Xing YZ, Tang WJ, Xue WY, Xu CG, Zhang Q (2008). Fine mapping of a major quantitative trait loci, qSSP7, controlling the number of spikelets per panicle as a single Mendelian factor in rice. Theoretical and Applied Genetics 116: 789–796.
Xing Y, Zhang Q (2010). Genetic and molecular bases of rice yield. Annual Review of Plant Biology 61: 421–442.
Yoon DB, Kang KH, Kim HJ, Ju HG, Kwon SJ, Suh JP, Jeong OY, Ahn SN (2006). Mapping quantitative trait loci for yield components and morphological traits in an advanced backcross population between Oryza grandiglumis and the O. sativa japonica cultivar Hwaseongbyeo. Theoretical and Applied Genetics 112: 1052–1062.
Yue F, Rong-rong Z, Ze-chuan L, Li-yong C, Xing-hua W, Shi-hua C (2015). Quantitative trait locus analysis for rice yield traits under two nitrogen levels. Rice Science 22: 108–115.
Zhou S, Zhu M, Wang F, Huang J, Wang G (2013). Mapping of QTLs for yield and its components in a rice recombinant inbred line population. Pakistan Journal of Botany 45: 183–189.
Zhu Y, Huang D, Fan Y, Zhang Z (2016). Detection of QTLs for yield heterosis in rice using a RIL population and its testcross population. International Journal of Genomics 1–9.