Sarker A, Singh M (2015) Improving breeding efficiency through application of appropriate experimental designs and analysis models: A case of lentil (Lens culinaris Medikus subsp. culinaris) yield trials. F Crop Res 179:26–34. doi: 10.1016/j.fcr.2015.04.007
通过应用适当的实验设计和分析模型来提高育种效率：小扁豆（Lens culinaris Medikus subsp.culinaris）产量试验

Lentil（。Culinaris Medikus subsp.culinaris）是一个重要的主要脉冲和丰富的蛋白质来源，特别是对发展中国家的经济资源贫乏的消费者。需要实验和分析技术和统计工具来增强扁豆养殖进程。现场实验的关注点之一是在合适的块设计中设计实验，并对数据进行建模，以考虑现场布局中的任何剩余趋势以及绘图误差中的相关性。通过常规育种方法在ICARDA开发的扁豆的精英育种系在1999 - 2005年期间在叙利亚北部和黎巴嫩的三个对比环境中进行了评估。这项研究检查种子和秸秆产量的数据，从随机完全块（RCB）和正方形网格设计中进行的226项试验。将包含阻塞结构，线性趋势和空间相关图误差的合适模型拟合到各个数据集。结果表明，空间分析模型，解释了场的空间模式，比常用的RCB设计模型更好。空间分析使得基因型的预测均值的精确度显着增加。成对基因型的平均效率意味着在不完全块中进行的试验中RCB的比较为种子产量的141％和秸秆产量的158％，并且其中发现优于RCB。它还增强了基于平均值的广义遗传力的估计，在优良模型下，种子平均为72％，而秸秆产量为70％，而RCB模型分别为62％和55％。基于这些模型，由于在10％强度下的选择，种子的遗传增益百分比为26％，稻草产量为20％，比RCB模型的2-3％高。一般来说，建议继续使用不完全块设计用于扁豆的品种试验，并使用最合适的空间模式进行统计分析，以协助田间作物育种者提高所需基因型的选择精度。这些结果与小扁豆中许多其他品种试验的结果一致。

1.介绍扁豆（Lens culinaris Medikus subsp.culinaris）是促进亚洲和非洲人们的食物和营养安全的重要脉动作物之一。其种子含有高水平的蛋白质，大量营养素，微量营养素和维生素，为由于高价格而无法购买动物产品的贫困消费者提供营养安全。此外，扁豆秸秆是动物的有价值的饲料。生长在旋转的扁豆提供可持续的谷物作物系统。国际干旱地区农业研究中心（ICARDA）具有世界上扁豆改良的任务，并正在运行国际育种计划，以遗传材料的形式提供国际公共产品。它在调试杂交和随后开发基因固定品系时使用多种遗传资源，通过国际苗圃网络向国家计划提供。

在该过程中，通过交叉育种开发大量基因型，并在对比位置中在各种产量试验下进行评价。不同的设计，如随机完全块（RCB），晶格，α-点阵和增强设计用于评估这些遗传材料。通过考虑块间变异（Fisher，1935; Yates，1936; Cochran和Cox，1957; Patterson和Williams，1976; Kempthorne，1983; Hinkelmann和Kempthorne，2005），这些设计对于控制场变化是有用的， 。使用包括GenStat（Payne，2014）和CycDesigN（VSN International，2015）的一些流行软件可以获得一个或两个方向上不完整的块。

虽然不完全块在场布局中的布置是由经验和对实验场的理解指导的，但是仍然存在解释局部生育趋势和图误差的依赖性的空间，这些不是由经典的实验设计方法和分析。在文献中有许多方法可用于解决在现场条件下出现的各种这样的问题。 Papadakis（1937）使用邻近图残差的方法测量场地图的局部生育状态，并进行协变量调整以调整基因型效应。许多研究人员利用这种最接近的调整和使用图残差的概念来改进选择的精确性和对基因型的推论（Wilkinson等人，1983; Pearce，1998;也参见Piepho等人，2008 ）。通过以自回归积分移动平均（ARIMA）模型（Gleeson和Cullis，1987）的形式或以可分离ARIMA模型形式的两维来模拟一个维度上的图残差的统计行为，进一步增强了统计推论Cullis和Gleeson，1991），而其他具体形式的空间依赖性可以在Cressie（1991）中找到。 Gilmour等人（1997）提出了除了行和列方向上的绘图误差的依赖性之外，描述为在行和列方向上随机平滑三次样条（CS）的生育趋势的变化的多个其他因素， 。已应用具有块效应和趋势的空间误差模型，并且Grondona等人（1996）在谷类，Sarker等人（2001）在扁豆中，Singh等人（2003）在谷类和豆类中对其各种数据集，和Malhotra等（2004）在鹰嘴豆。 Singh等人（2003）检查的一组18个模型涉及一阶自相关误差结构，并且被认为在短布图中提供了对空间模式的良好覆盖。虽然发现自动相关的误差结构有用，但除了在随机行和列效应方面使用简单模型之外，具有额外测量误差或熔核项的模型也可能被包括在空间变异性之中（Leiser et al，2012 ）。在对西非马里高粱的一些田间试验的评价中，Leiser等人（2012）在每个试验中探索了大量的91个模型，发现空间模型以沿行的自相关误差结构的形式和列，比RCB和纬度设计下的经典模型更有效地解释数据。由于选择，适当的空间调整导致更高的遗传增益，并且还导致基因型等级的变化。
Singh等人（2003）使用了一种使用AICD，Akaike信息准则（Akaike，1974）的模型选择方法，表示为残余最大似然（REML）偏差，其可以用于基于相同的固定效应集来比较两个模型术语。在不完全块设计的情况下，最佳模型被筛选出18个模型，在RCB设计的情况下，最佳模型被筛选出9个模型。在所有这些模型中，假设绘图误差方差为常数。 Singh等（2010）研究了Gilmour等人（1997）和Singh等人（2003）讨论的空间误差模型的误差方差之间的异质性。竞争效应（Durban等人，2001年）和空间变异性和行内插图竞争模型（Stringer等人，2011）已经被用于现场试验。
各种空间模型的应用导致了基因型在谷物和豆类中的成对比较的效率的显着增加。这项研究审查了种子和秸秆产量的历史数据从226个小型田间试验进行在三个相对的位置，目标是（1）确定描述北部叙利亚和黎巴嫩的实验领域的空间模式，（2）减少变异系数从标准的完整块分析方法和（3）Singh等（2003）中使用的方法的效率。此外，（4）我们检查遗传力和遗传增益的估计中的变化*，当选择不同成熟组的遗传物质。

2.材料与方法2.1。环境，遗传材料和实验设计

在1999 - 2005年期间，在三个地点进行了总共226次实验：（1）叙利亚的布雷达（35°56'N，37°10'E），海拔300米长期平均年降水量为266 mm; （2）叙利亚的Tel Hadya（36◦01°N，36°56°E），海拔284 m，降雨量为334 mm;和（3）Terbol（33°49°N，35°59°E），在黎巴嫩Beqaa山谷，海拔950米，降雨量为515毫米。在这些试验中，基因型的数量在不同年份中从11变化到30（表1）。实验设置示于表1中。当基因型数为16和25时，实验设计为具有2-4个重复的正方形晶格;具有2-4个重复的RCB设计用于所有其他数目的基因型。在大多数这些实验中，场布局的细节是可用的，并且可以确定图的空间位置。基因固定材料被组织为初步产量试验（PYT）和高级产量三元（AYT）。 PYT材料处于F7代，而AYT材料处于F8代。来自总共226个试验的数据可用于谷物产量，其中191个试验在纬度设计中，空间位置可用于167个试验，35个试验在RCB中，其中空间位置可用于33个试验。对于秸秆产量，在RCB中进行的166个试验中的146个试验中，146个试验中有146个试验，并且在33个试验中有32个试验，有199个试验的空间位置。所遵循的农艺实践适合于当地条件。在试验中心的收获面积在先进试验中为4.8m 2（2m×8行×0.3行间距），在预试验中为3m 2（2m×5行×0.3行间距）临界试验，并用于以kg / ha计的产量评估。

4。讨论
在田间试验中，以多种方式控制实验误差变异性，包括通过放置块，使用可能的协变量和描述空间变异性的模型（Fisher，1935; Papadakis，1937; Piepho等人，2008; Singh等人， ，2010）。误差变异性的一个组成部分的有效性是特定于实验已经布置的领域。在相对近年来，与仅使用块来说明变异性相比，调查已经结合具有或不具有块的空间变异性模型。大多数实验设计是通过将假定为固定的基因型效应的成对比较的平均方差最小化而开发的。然而，更重要的是寻找实验设计，以便最大化从现场试验中选择的一般增益。有了这个观点，Cullis et al。 （2006）开发了考虑空间相关结构和基因型效应的部分重复（p-rep）设计，并使用模拟研究检查遗传增益。最近通过使用α - 阵列构建了几类预备设计（Williams等人，2011，2014）。为了生成在双向布局上的p-rep设计的随机场计划，R-包（R Development Core Team，2011）由于Coombes（2009）的DiGGer在许多植物育种程序以及GenStat软件（Payne，2014）和CycDesigN软件（VSN国际，2015）。
空间模式是一个字段特有的，它始终是一个问题是否有一个模型可以被默认使用作为与具有恒定方差的独立误差模型的早期对比。在小扁豆中的许多研究已经显示了不同模型的适用性，例如，在47个试验中，在Sarker等人的简单/三重网格中的25种基因型中。 （2001），26项试验更好地解释使用空间相关的误差线性趋势，而完整/不完全块适合21项试验。本研究基于大量实地试验（226），也支持空间模型的作用（表3和表4），其中基于相关误差的模型常被认为是适当的。我们还注意到，使用不完全块的模型不太合适，因为它似乎相关结构补偿了网格块（表4），这也是Sarker等人注意到的一个观察。 （2001）在包括53个试验的扁豆研究中。在这些试验中的实验领域，表现出不同变异性模式的分布，包括沿着行的趋势的存在，允许控制在一个方向上的不完全块的变异性以及行和列方向的趋势。这些试验的结果指出，期望的实验设计策略将是选择一种设计，其确保两个方向上的趋势的捕获，并且作为具有单向阻塞的不完全块设计的更好的替代。行 - 列设计不造成任何特定的操作不便，因为试验通常布置在矩形场布局上。为此，可以实现包括可分辨行 - 列设计的有效行列设计，然后使用基于随机化的行列模型的基线分析。从Yates（1940），Pearce（1975），Singh和Dey（1979），Jonh和Eccleston（1986），Ipinyomia（1990）等实验设计的早期开始就构建了高效的行列设计。 ，和标准文本（Hinkelmann和Kempthorne，2005）。这种设计的随机化计划也可以从上述软件产生。此外，由行 - 列设计产生的数据的附加值可以通过在设计阶段不能察觉的误差结构的空间建模来实现。在评价马里的高粱试验时，Leiser et al。 （2012）涵盖了更广泛的空间模型包括那些与本研究中提出的自相关误差更高阶的空间模型，并得出了类似的结论，即空间模型可以在经典完整块设计模型中进一步增加实验价值。在这里使用的网格设计是在中等数量的基因型（25或更少），而在现实中，植物育种者评估更大数量的基因型，例如。 70个基因型的高粱在马里评价由Leiser等人（2012）。在这种情况下，具有最合适地确定的空间模型的行列设计预期将导致甚至比常规完全块设计更高的效率，遗传力和遗传增益。
使用31种模型中的最佳模型来建模田间变异性导致遗传力（h2C）相比于RCB下的改善（增加）（对于63个种子​​产量的试验为62％，对于秸秆产量的56个试验的为55％）;表3。与RCB相比，更好的系统因子的问责制显示出更高的遗传增益 - 这意味着更有效的育种进度。本研究还检查了空间模型分析对遗传力和遗传获益从基因型的成熟度类别的试验的结合的影响。 ICARDA已经开发了一套在中心的专用机器上运行的在线生物计算模块。该计算系统需要专门为分析准备的数据文件，并通过电子邮件提交。作为回报，接收到包含分析结果的输出文件。空间分析，如本研究提出，可以通过请求作者进行。