基于农艺性状指标的山西高粱地方品种核心种质构建

利用1285份山西省高粱地方品种18个农艺性状的历史数据,通过比较不同取样方法、取样比例和聚类方法组合的构建方法,确定了“多次聚类偏离度取样法+15%取样比例+欧氏距离+最长距离法”为山西省高粱地方核心种质构建的方法。192份初选核心种质和所有样本的均值差异百分率、方差差异百分率、极差符合率和变异系数变化率分别为0、83.33%、97.45%和119.63%。同时,在此基础上补充选择6个具有特殊性状但未选入的种质资源,最终确定198份高粱资源组成山西省高粱地方品种核心种质,取样量为15.4%。经核心种质和所有样本不同性状的均值t测验、极值和标准差比较、遗传多样性指数的t值检验以及主成分分析,最终得出核心种质的198份高粱资源能够代表山西省高粱地方品种的遗传多样性,为山西省高粱地方品种评价和利用提供了优先样本。     

新疆甜瓜地方品种资源核心种质构建

新疆甜瓜地方种质资源具有丰富的遗传多样性,是新疆哈密瓜遗传改良的重要基因库。以121份新疆甜瓜地方品种为研究对象,结合按来源分组和系统聚类选择的方法,通过多重比较29个表型性状数据确定适宜的取样比例,筛选出25份地方品种为初选核心种质。在初选核心种质取样量上,人工定向补充5份优异种质和极值材料确定了核心种质,约占地方品种总数量的25%。对表型保留比例、遗传多样性指数、变异系数、表型频率方差、极差符合率、均值符合率、标准差符合率等检验参数进行了检验和评价。结果表明:调整后的核心种质除标准差符合率降低外,其余参数均优于或等于初选核心种质,更能代表原始样品;所构建的核心种质很好地保留了所有地方品种资源的遗传多样性和变异幅度。     

核心种质数量性状代表性评价指标的研究

对植物核心种质数量性状遗传多样性代表性的评价指标进行了系统的研究．以夏播菜用大豆154个品种为材料,采用马氏距离计算品种间的距离,并用不加权类平均法(UPGMA)进行聚类,根据树型图,采用逐步聚类随机取样法,构建了37个品种组成的核心种质．以此为例,通过方差F测验、均值t测验、极差符合率、表型频率分布、遗传多样性指数、表型相关分析等多个指标分析,来评价核心种质数量性状遗传多样性的代表性,结果表明构建的核心种质具有代表性,表明核心种质评价需包含评价遗传变异和遗传结构的指标．     

保留特殊种质材料的核心库构建方法

本研究提出了能保留特殊种质材料的多次聚类构建种质资源核心库方法,对种质材料的表现型数据采用合适的遗传模型及混合线性模型统计分析方法无偏预测基因型值,用基因型值构建核心库,计算材料间的马氏距离,用不加权类平均法进行聚类,根据聚类图选取材料构建核心库时,优先保留特殊遗传材料,用方差F测验、均值t测验、极差比和变异系数评价核心库代表原有种质资源群体遗传多样性的程度,以168个棉花基因型的5个纤维性状构建核心库。     

基于穗形特征与分子标记进行中国节节麦核心种质的创建

节节麦是普通小麦D基因组供体,遗传多样性丰富,而我国节节麦资源是有别于中东节节麦资源的重要基因源。为了合理高效地管理、评价、保护和利用我国节节麦资源,本研究将野生采集的762份中国节节麦资源作为试验材料,基于SSR标记分组状况,利用小穗长、护颖长、护颖宽、外稃长、外稃宽、内稃长、内稃宽、穗宽、粒长和粒宽等10个穗形性状指标,在欧氏距离、马氏距离和4种取样比例下构建节节麦核心种质候选集。进而采用均值差异百分率、极差符合率、方差差异百分率及变异系数变化率4个指标对不同方法构建的核心种质候选集的可行性和有效性进行评价,并利用原种质和核心种质的主成分分析法进行验证,最终确定基于欧氏距离、10%取样比例下、采用最小距离逐步取样法构建的包含76个样品的节节麦核心种质能够以最小的资源份数、最大限度地代表我国节节麦的遗传多样性。     

灰楸形态多样性分析及核心种质初步构建

根据对267个灰楸的15个相关性状的方差和主成分等统计分析结果,评价灰楸种质资源的形态多样性。并且将种质资源按地理流域进行分组,以欧氏距离结合离差平方和的方法进行系统聚类,以生产或育种过程中起过重要作用的品种为必选材料,初步构建了63份核心种质,占总种质的23.6%。63份核心种质和总种质遗传多样性t检验未达到显著水平,表明初步构建的灰楸核心种质能代表总体资源的遗传多样性。     

华南地方稻种资源初级核心种质构建

根据核心种质理论,以表型调查数据为基础,按照丁颖水稻分类体系与系统聚类取样相结合的方法,并通过多重比较确定了适宜的取样规模,最终从4020份华南地方稻种中筛选出436份材料构建了初级核心种质,中选比例10.8％。利用表型保留比例、多样性指数、表型频率方差和变异系数等重要参数对初级核心样品代表性进行检验。结果表明,所选初级核心样品很好地代表了原种质的遗传多样性和变异幅度。     

白桦核心种质构建的聚类方法研究

以白桦240个家系的胸径、树高、材积和纤维素含量数据为依据,采用马氏距离计算家系间距离、10%的取样比例和优先取样法,研究了最短距离法、最长距离法、中间距离法、重心法、类平均法、加权配对算术平均法、可变法和离差平方和聚类法建构的核心种质与原种质的遗传参数、性状相关性及分布格局.结果表明,最短距离法构建白桦初级核心种质均值差异百分率、极差符合率、方差差异百分率和极差符合率分别为0、100%、75%和143%,4个性状相关性显著、相关系数均超过0.5,保持了原种质资源的空间分布格局,是构建白桦核心种质最佳方法.     

中国普通小麦初选核心种质的产生

对中国普通小麦种质资源构建了初选核心种质。地方品种和选育品种分别构建。按栽培区(地理生态区)分组。地方品种按亚区分为28组,选育品种按大区分为10组。各组内在21个表型性状聚类的基础上,按平方根法取样,并依遗传多样性指数与遗传丰富度加以调整。提出在生产上或育种中起过重要作用的品种为必选材料。初步选定的材料经种植核对,淘汰错杂后,产生初选核心种质。地方品种全部供试材料11694份,初选核心种质3283份,取样比例为28．18％。选育品种全部11441份,初选核心种质1684份,取样比例为14．9％。计划经分子标记分析,最后核心种质的比例占全部种质的10％左右。根据全部材料21个性状遗传多样性指数测验,初选核心种质,除芒和壳两性状外,与全部种质的遗传差异均未达到显水平。讨论了初选核心种质的构建方法。指出陕南部西山地和汾渭谷地是中国小麦地方品种遗传变异多样性的富集地。育成品种多样性程度以西南冬麦区和黄淮冬麦区为最高。     

构建我国燕麦核心种质的取样策略研究

采用2种分层方法、3种确定组内取样量方法和2种个体选择方法,分析了3255份燕麦种质资源的12个农艺性状的数据,构建出13个初级核心种质样本。为确定这些样本代表性,分别与总体进行了7个指标的比较,包括数量性状的极差、符合度、平均数、表型方差、遗传多样性指数方差、变异系数及质量性状的频率分布。结果表明。2种分层方法产生的样本在代表性上差异不明显;3种确定组内取样量方法以比例法的代表性最好,对数法的代表性其次,平方根法的代表性最差;在个体选择中,聚类法明显好于随机法。因此,在燕麦核心种质的构建中,先按省份分组,再按比例法确定组内取样量,通过聚类结果选择个体为最佳取样策略。     

基因型值多次聚类法构建作物种质资源核心库

采用合适的遗传模型无偏预测基因型值,用基因型值进行聚类分析,采用马氏距离计算遗传材料间的遗传距离,并用不加权类平均法（ＵＰＧＭＡ）进行聚类,根据树型图,从遗传变异相似的每组二个遗传材料中随机选取一个遗传材料,如组内只有一个遗传材料,则选取该遗传材料,对所取的所有遗传材料再次聚类、取样,直至所取遗传材料的数量为总遗传的２０％￣３０％,这些遗传材料作迷为核心聚类。用方差同质性测验、均值ｔ测验评核心资源     

中国花生核心种质的建立

以中国花生种质资源数据库中记录的6390份花生资源为材料,以其基本数据、特征数据和评价数据为信息,采用分层、层内分组聚类以及随机取样与必选资源相结合的方法,构建了由576份资源组成的花生核心种质,占基础收集品的9.01%。对核心种质的植物学类型组成和遗传多样性指数的分析,以及对各性状特征值、符合率和包含的主要抗病资源抗性等级及重要农艺性状资源的检测结果表明,本研究建立的核心种质是有效的。基础收集品中各种性状的遗传变异在核心种质中均存在,所用15个性状的各种特征值符合率均在90%以上,其中绝大部分性状的符合率达96%以上。     

中国花生核心种质的建立

以中国花生种质资源数据库中记录的6390份花生资源为材料,以其基本数据、特征数据和评价数据为信息,采用分层、层内分组聚类以及随机取样与必选资源相结合的方法,构建了由576份资源组成的花生核心种质,占基础收集品的9.01%。对核心种质的植物学类型组成和遗传多样性指数的分析,以及对各性状特征值、符合率和包含的主要抗病资源抗性等级及重要农艺性状资源的检测结果表明,本研究建立的核心种质是有效的。基础收集品中各种性状的遗传变异在核心种质中均存在,所用15个性状的各种特征值符合率均在90%以上,其中绝大部分性状的符合率达96%以上。     

A strategy on constructing core collections by least distance stepwise sampling

A strategy was proposed for constructing core collections by least distance stepwise sampling (LDSS) based on genotypic values. In each procedure of cluster, the sampling is performed in the subgroup with the least distance in the dendrogram during constructing a core collection. Mean difference percentage (MD), variance difference percentage (VD), coincidence rate of range (CR) and variable rate of coefficient of variation (VR) were used to evaluate the representativeness of core collections constructed by this strategy. A cotton germplasm collection of 1,547 accessions with 18 quantitative traits was used to construct core collections. Genotypic values of all quantitative traits of the cotton collection were unbiasedly predicted based on mixed linear model approach. By three sampling percentages (10, 20 and 30%), four genetic distances (city block distance, Euclidean distance, standardized Euclidean distance and Mahalanobis distance) combining four hierarchical cluster methods (nearest distance method, furthest distance method, unweighted pair-group average method and Ward’s method) were adopted to evaluate the property of this strategy. Simulations were conducted in order to draw consistent, stable and reproducible results. The principal components analysis was performed to validate this strategy. The results showed that core collections constructed by LDSS strategy had a good representativeness of the initial collection. As compared to the control strategy (stepwise clusters with random sampling strategy), LDSS strategy could construct more representative core collections. For LDSS strategy, cluster methods did not need to be considered because all hierarchical cluster methods could give same results completely. The results also suggested that standardized Euclidean distance was an appropriate genetic distance for constructing core collections in this strategy.     

A mini core subset for capturing diversity and promoting utilization of chickpea genetic resources in crop improvement

A core collection is a chosen subset of large germplasm collection that generally contains about 10% of the total accessions and represents the genetic variability of entire germplasm collection. The purpose of a core collection is to improve the use of genetic resources in crop improvement programs. In many crops the number of accessions contained in the genebank are several thousands, and a core subset consisting of 10% of total accessions would be an unwieldy proposition. In this article we have suggested a two-stage strategy to select a chickpea mini core subset consisting of only about 1% of the entire collection held in trust at ICRISAT’s genebank (16,991 accessions). This mini core subset still represents the diversity of the entire core collection. The first stage involves developing a representative core subset (about 10%) from the entire collection using all the available information on origin, geographical distribution, and characterization and evaluation data of accessions. The second stage involves evaluation of the core subset for various morphological, agronomic, and quality traits, and selecting a further subset of about 10% accessions from the core subset. At both stages standard clustering procedure was used to separate groups of similar accessions. A mini core subset consisting 211 accessions from 1,956 core subset accessions, using data on 22 morphological and agronomic traits, was selected. Newman- Keuls’ test for means, Levene’s test for variances, the chi-square test and Wilcoxon’s rank-sum non-parametric test for frequency distribution analysis for different traits indicated that the variation available in the core collection has been preserved in the mini core subset. The most important phenotypic correlations which may be under the control of coadapted gene complexes, were also preserved in the mini core. This mini core subset, due to its drastically reduced size, will prove to be a point of entry to proper exploitation of chickpea genetic resources. Received: 20 August 2000 / Accepted: 25 September 2000