DOI: https://doi.org/10.1038/s41598-025-29819-0
PMID: https://pubmed.ncbi.nlm.nih.gov/41530184
تاريخ النشر: 2026-01-13
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: علم الوراثة وتربية النباتات
نظرة عامة
تبحث الدراسة في تأثير تغير المناخ على إنتاج القمح في نيبال، مع التركيز على استقرار وملاءمة عشرين نوعًا من القمح النخبوي عبر ظروف الضغط البيئي المختلفة، بما في ذلك الري، وضغط الحرارة، والزراعة المطرية، وظروف الجفاف خلال مواسم النمو 2022-2024. باستخدام نموذج التأثير الرئيسي الإضافي والتفاعل المضاعف (AMMI)، وجدت الدراسة أن العوامل البيئية كانت المساهم الرئيسي في تباين العائد. حدد نموذج “أي نوع فاز في أي مكان” (WWW) النوع G6 (NL 1402) كأكثر الأنواع استقرارًا عبر جميع البيئات، بينما أظهرت الأنواع G18 (NL 1512) وG16 (NL 1501) وG9 (NL 1492) ملاءمة عالية في ظروف معينة. من الجدير بالذكر أن تحليل مؤشرات تحمل الضغط (STIs) أشار إلى أن القدرة التنبؤية للعديد من المؤشرات تضاءلت مع زيادة شدة الضغط، حيث أثبت متوسط العائد المستقر (MSY) ومؤشر تحمل الضغط المعدل 2 (MSTI2) ومتوسط الإنتاجية التوافقي (HMP) أنها الأكثر موثوقية في ظل ظروف الزراعة المطرية والجفاف.
تخلص الدراسة إلى تسليط الضوء على تحديد كل من الأنواع القمحية المقاومة بشكل عام والأنواع المحددة للبيئة المناسبة لأنظمة الزراعة في نيبال. أظهر النوع G6 (NL 1402) استقرارًا استثنائيًا، بينما أظهرت الأنواع الأخرى مثل G18 (NL 1512) وG9 (NL 1492) ملاءمة لظروف الضغط المحددة. تؤكد النتائج على استراتيجية تربية مزدوجة تجمع بين اختيار الأنواع المستقرة من أجل المرونة مع المانحين المحددين للبيئة من أجل التكيف المستهدف. من المهم أن يظهر MSY كأكثر مؤشر اختيار فعّال لتحديد الأنواع تحت ظروف الجفاف الشديد، محققًا معامل تحديد ($R^2$) قدره 1.000، مما يقترح اعتماده كمعيار أساسي في برامج التربية التي تهدف إلى تطوير أصناف قمح عالية الإنتاجية ومقاومة لتغير المناخ لتعزيز الأمن الغذائي في نيبال والمناطق المماثلة.
الطرق
في هذه الدراسة، تم تقييم 20 نوعًا من القمح النخبوي، بما في ذلك ثلاثة أنواع تجارية (Bhrikuti وGautam وRR21)، في مزرعة الزراعة في معهد الزراعة وعلوم الحيوان (IAAS) في باكليهاوا، نيبال. يقع موقع البحث عند خط عرض 27°29’02” شمالًا وخط طول 83°27’17” شرقًا، ويتميز بتربة طينية تتكون من 31.3% رمل و48% طمي و20.7% طين. أظهر تحليل مغذيات التربة 0.07% نيتروجين و13.53 كجم هكتار\(^{-1}\) فوسفور (P\(_2\)O\(_5\)) و160.8 كجم هكتار\(^{-1}\) بوتاسيوم (K\(_2\)O) و2.13% مادة عضوية، وعناصر أثرية بما في ذلك 0.18 ملجم كجم\(^{-1}\) بورون و1.51 ملجم كجم\(^{-1}\) كبريت و0.88 ملجم كجم\(^{-1}\) زنك.
تمت مراقبة الظروف المناخية خلال فترة نمو القمح، مع بيانات عن متوسط درجات الحرارة القصوى والدنيا، بالإضافة إلى هطول الأمطار المتراكم على مدار 24 ساعة، تم الحصول عليها من إدارة الهيدرولوجيا والأرصاد الجوية (DHM) في بهيراهوا. توفر هذه التوصيفات البيئية الشاملة أساسًا لفهم أداء الأنواع القمحية التي تم تقييمها تحت الظروف المناخية الزراعية المحددة لمنطقة السهول الاستوائية في نيبال.
النتائج
كشفت نتائج الدراسة التي استخدمت نموذج التأثير الرئيسي الإضافي والتفاعل المضاعف (AMMI) أن العوامل البيئية كانت مسؤولة عن 95.0% من إجمالي التباين في عائد الحبوب عبر ثمانية بيئات نمو قمح متميزة، مع مساهمات الأنواع ومكونات التفاعل أقل بكثير عند 1.4% و3.6% على التوالي (p < 0.01). هذه الهيمنة على التباين البيئي أعلى بشكل ملحوظ مما تم الإبلاغ عنه سابقًا في دراسات مماثلة في الهند وإثيوبيا، مما يشير إلى أن تصميم الدراسة في موقع واحد قد يكون قد ضخم التأثير البيئي مقارنة بالأنواع. تؤكد النتائج على الدور الحاسم لتنوع البيئة، بما في ذلك عوامل المناخ والتربة، في تحديد عائد القمح، بينما تبرز أيضًا الإمكانية لتحديد الأنواع ذات الملاءمة الواسعة. قام نموذج AMMI أيضًا بتفكيك تفاعل الأنواع والبيئة إلى ثمانية محاور رئيسية للتفاعل (IPCAs)، حيث تفسر أول محورين (IPCA1 وIPCA2) 59.79% من إجمالي تباين تفاعل G × E. تتماشى أهمية هذه المكونات مع الأبحاث السابقة في الحبوب، مما يشير إلى أهميتها في تحليلات الاستقرار والملاءمة. حددت صورة AMMI biplot النوع G9 كأكثر الأنواع استقرارًا عبر جميع البيئات، بينما أظهرت أنواع معينة (G18 وG16 وG15 وG6) استقرارًا في بيئات معينة. تقترح الدراسة أن G9 يمكن أن تعمل كمانح للملاءمة الواسعة في برامج التربية، بينما تمثل الأنواع الأخرى آباءً محددين للبيئة، مما يعكس الاستراتيجيات المستخدمة في مبادرات التربية في CIMMYT في جنوب آسيا. تدعم التوافق بين قيمة استقرار AMMI (ASV) ومؤشر الاختيار الجيني المرتب (RGSI) قوة استقرار G9 عبر البيئات.
المناقشة
تتناول قسم المناقشة في ورقة البحث المنهجية والنتائج من دراسة استمرت عامين على أنواع القمح عبر أربعة بيئات نمو متميزة: الري (IR) وضغط الحرارة (HS) والزراعة المطرية (RF) والجفاف (DR). استخدمت الدراسة تصميم شبكة ألفا لتقييم أداء عشرين نوعًا من القمح النخبوي تحت ظروف رطوبة متغيرة، مع ملاحظة ضغط رطوبة كبير في بيئات RF وDR. استخدم التحليل نموذج AMMI لتقسيم التباين وتقييم تفاعلات الأنواع والبيئة، مما يكشف عن أنماط متميزة من الأداء عبر البيئات. أوضح نموذج GGE biplot المزيد من ملاءمة الأنواع، حيث حدد أنواعًا معينة تفوقت في ظروف معينة، مثل G9 في IR1 وG6 عبر بيئات متعددة.
تؤكد النتائج على أهمية استراتيجيات التربية المستهدفة، حيث كانت الملاءمة الواسعة بين الأنواع نادرة. من الجدير بالذكر أن G10 ظهرت كأداء عالٍ تحت كل من ظروف الري والجفاف، بينما أظهر G6 استقرارًا عبر جميع البيئات. كما سلطت الدراسة الضوء على قيود مؤشرات تحمل الضغط (STIs) تحت ظروف الضغط الشديد، حيث أصبحت المقاييس التقليدية المعتمدة على العائد أقل قدرة على التنبؤ. بدلاً من ذلك، احتفظت مؤشرات مثل متوسط الإنتاجية (MP) ومؤشر تحمل الضغط المعدل 1 (MSTI1) بفعاليتها، مما يبرز الحاجة إلى التحول نحو الصفات التكيفية للضغط في برامج التربية. بشكل عام، تدعم الأبحاث دمج تحليلات AMMI وGGE لتحسين اختيار الأنواع في سياقات بيئية متنوعة.
القيود
تسلط قيود هذه الدراسة الضوء على عدة عوامل قد تؤثر على إمكانية تعميم نتائجها المتعلقة بأداء أنواع القمح عبر بيئات متنوعة في نيبال. أجريت الدراسة على مدى موسمين زراعيين في موقع واحد، وقد لا تمثل النتائج تمامًا التباين الذي تم مواجهته في بيئات مختلفة. بينما توفر أنماط تفاعل G × E الملاحظة رؤى قيمة، يجب أن تتضمن الأبحاث المستقبلية مجموعات بيانات متعددة المواقع ومتعددة السنوات للتحقق من تصنيفات الاستقرار ومؤشرات تحمل الضغط المحددة.
بالإضافة إلى ذلك، على الرغم من أن نماذج AMMI وGGE قد التقطت بشكل فعال التأثيرات الرئيسية لـ G × E، إلا أن لديها قيودًا في توضيح الهياكل التفاعلية المعقدة بالكامل. قد تقدم طرق بديلة، مثل المتوسط المرجح للدرجات المطلقة من BLUPs (WAASB) وBLUPs بالنماذج المختلطة، دقة محسنة لتقييمات الاستقرار والملاءمة. تعتمد الدراسة على مؤشرات قائمة على العائد، بينما تشير إلى أن دمج الصفات الفسيولوجية والجزيئية في التحقيقات المستقبلية قد يؤدي إلى فهم أكثر شمولية لمرونة الضغط وتحسين عمليات اختيار الأصناف. يُنصح بالحذر في تفسير معامل التحديد القريب من الكمال لعائد الضغط المتوسط (MSY) تحت ظروف الجفاف، حيث قد يتأثر بحجم العينة المحدود ومجموعة البيانات في موقع واحد، مما قد يؤدي إلى تقديرات مبالغ فيها لأداء الأنواع تحت ظروف الضغط الشديد.
DOI: https://doi.org/10.1038/s41598-025-29819-0
PMID: https://pubmed.ncbi.nlm.nih.gov/41530184
Publication Date: 2026-01-13
Author(s): Zhenyun Du et al.
Primary Topic: Genetics and Plant Breeding
Overview
The research investigates the impact of climate change on wheat production in Nepal, focusing on the stability and adaptability of twenty elite wheat genotypes across various environmental stress conditions, including irrigated, heat stress, rainfed, and drought scenarios during the 2022-2024 growing seasons. Utilizing the additive main effect and multiplicative interaction (AMMI) model, the study found that environmental factors were the primary contributors to yield variation. The which-won-where (WWW) model identified genotype G6 (NL 1402) as the most stable across all environments, while genotypes G18 (NL 1512), G16 (NL 1501), and G9 (NL 1492) exhibited high adaptability in specific conditions. Notably, the analysis of stress tolerance indices (STIs) indicated that the predictive power of many indices diminished with increased stress severity, with mean stable yield (MSY), modified stress tolerance index 2 (MSTI2), and harmonic mean productivity (HMP) proving to be the most reliable under rainfed and drought conditions.
The study concludes by highlighting the identification of both broadly resilient and environment-specific wheat genotypes suitable for Nepal’s agricultural systems. Genotype G6 (NL 1402) demonstrated exceptional stability, while others like G18 (NL 1512) and G9 (NL 1492) showed adaptability to specific stress conditions. The findings emphasize a dual breeding strategy that combines the selection of stable genotypes for resilience with environment-specific donors for targeted adaptation. Importantly, MSY emerged as the most effective selection index for identifying genotypes under severe drought, achieving a coefficient of determination ($R^2$) of 1.000, thus suggesting its adoption as a primary criterion in breeding programs aimed at developing high-yielding, climate-resilient wheat varieties to enhance food security in Nepal and similar regions.
Methods
In this study, the evaluation of 20 elite wheat genotypes, including three commercial checks (Bhrikuti, Gautam, and RR21), was conducted at the agronomy farm of the Institute of Agriculture and Animal Science (IAAS) in Paklihawa, Nepal. The research site, located at 27°29’02” N latitude and 83°27’17” E longitude, is characterized by loamy soil with a composition of 31.3% sand, 48% silt, and 20.7% clay. Soil nutrient analysis revealed 0.07% nitrogen, 13.53 kg ha\(^{-1}\) phosphorus (P\(_2\)O\(_5\)), 160.8 kg ha\(^{-1}\) potassium (K\(_2\)O), 2.13% organic matter, and trace elements including 0.18 mg kg\(^{-1}\) boron, 1.51 mg kg\(^{-1}\) sulfur, and 0.88 mg kg\(^{-1}\) zinc.
The climatic conditions during the wheat growing period were monitored, with data on mean maximum and minimum temperatures, as well as 24-hour accumulated precipitation, sourced from the Department of Hydrology and Meteorology (DHM) in Bhairahawa. This comprehensive environmental characterization provides a foundation for understanding the performance of the evaluated wheat genotypes under the specific agro-climatic conditions of the tropical terai plain region of Nepal.
Results
The results of the study utilizing the Additive Main effect and Multiplicative Interaction (AMMI) model revealed that environmental factors accounted for 95.0% of the total variation in grain yield across eight distinct wheat growing environments, with genotype and interaction components contributing significantly less at 1.4% and 3.6%, respectively (p < 0.01). This dominance of environmental variance is notably higher than previously reported in similar studies in India and Ethiopia, suggesting that the single-site design of this study may have inflated the environmental effect relative to genotype. The findings underscore the critical role of environmental variability, including climate and soil factors, in determining wheat yield, while also highlighting the potential for identifying genotypes with broad adaptability. The AMMI model further decomposed the genotype-environment interaction into eight interaction principal component axes (IPCAs), with the first two IPCAs (IPCA1 and IPCA2) explaining a cumulative 59.79% of the total G × E interaction variation. The significance of these components aligns with previous research in cereals, indicating their importance in stability and adaptability analyses. The AMMI biplot visualization identified G9 as the most stable genotype across all environments, while specific genotypes (G18, G16, G15, and G6) demonstrated stability in particular environments. The study suggests that G9 could serve as a broad-adaptation donor in breeding programs, while the other genotypes represent environment-specific parents, reflecting strategies employed in CIMMYT's South Asian breeding initiatives. The concordance between the AMMI stability value (ASV) and the ranked genomic selection index (RGSI) further supports the robustness of G9's stability across environments.
Discussion
The discussion section of the research paper outlines the methodology and findings from a two-year study on wheat genotypes across four distinct growing environments: irrigated (IR), heat stress (HS), rainfed (RF), and drought (DR). The study utilized an alpha lattice design to assess the performance of twenty elite wheat genotypes under varying moisture conditions, with significant moisture stress observed in the RF and DR environments. The analysis employed the AMMI model to partition variance and assess genotype-environment interactions, revealing distinct patterns of performance across environments. The GGE biplot model further elucidated genotype adaptability, identifying specific genotypes that excelled in particular conditions, such as G9 in IR1 and G6 across multiple environments.
The findings emphasize the importance of targeted breeding strategies, as broad adaptability among genotypes was rare. Notably, G10 emerged as a high performer under both irrigated and drought conditions, while G6 demonstrated stability across all environments. The study also highlighted the limitations of stress tolerance indices (STIs) under severe stress conditions, where traditional yield-based metrics became less predictive. Instead, indices like mean productivity (MP) and modified stress tolerance index 1 (MSTI1) retained their effectiveness, underscoring the need for a shift in focus toward stress-adaptive traits in breeding programs. Overall, the research supports the integration of AMMI and GGE analyses for improved genotype selection in diverse environmental contexts.
Limitations
The limitations of this study highlight several factors that may affect the generalizability of its findings regarding wheat genotype performance across diverse ecologies in Nepal. Conducted over two growing seasons at a single site, the results may not fully represent the variability encountered in different environments. While the G × E interaction patterns observed provide valuable insights, future research should incorporate multi-location and multi-year datasets to validate the stability rankings and stress tolerance indices identified.
Additionally, although the AMMI and GGE models effectively captured major G × E effects, they have limitations in fully elucidating the complex interaction structures. Alternative methods, such as the Weighted Average of Absolute Scores from BLUPs (WAASB) and mixed-model BLUPs, may offer enhanced resolution for stability and adaptability assessments. The study’s reliance on yield-based indices, while informative, suggests that integrating physiological and molecular traits in future investigations could yield a more comprehensive understanding of stress resilience and improve varietal selection processes. Caution is advised in interpreting the near-perfect coefficient of determination of mean stress yield (MSY) under drought conditions, as it may be influenced by the limited sample size and single-location dataset, potentially leading to overestimations of genotype performance under extreme stress conditions.