ارزيابي روش‌هاي گروه‌بندي ژنوتيپ هاي كلزا با استفاده از تجزيه تابع تشخيص خطي فيشر

Evaluation of Different Grouping Methods of Rapeseed Genotypes Using Fisher’s Linear Discrimination Function Analysis

تجزيه تابع تشخيص يكي از روش‌هاي تجزيه آماري چند متغيره است كه از آن مي‌توان براي آزمون صحت نتايج حاصل از تجزيه خوشه‌اي استفاده نمود. در اين مطالعه، صحت گروه‌بندي روش‌هاي مختلف تجزيه خوشه‌اي بر پايه روش‌هاي مختلف استاندارد كردن داده‌ها و معيارهاي متفاوت فاصله با تجزيه تابع تشخيص مورد ارزيابي قرار گرفتند. هم‌چنين براي تأييد نتايج از T2 هتلينگ، پلات CCC و تجزيه واريانس چند متغيره استفاده گرديد. بدين منظور، 8 ژنوتيپ كلزا در قالب طرح بلوك هاي كامل تصادفي با سه تكرار در مؤسسه تحقيقات برنج كشور (رشت) در سال 85-1384 كشت شدند و 14 صفت در آنها مورد ارزيابي قرار گرفت. تجزيه واريانس طرح بلوكي اختلاف معني داري را بين ژنوتيپ ها از نظر كليه صفات مورد مطالعه نشان داد. مقايسه ميانگين بين ژنوتيپ ها نيز نشان داد كه ژنوتيپ Hyola401 از نظر عملكرد دانه و بسياري از صفات بررسي شده برتر از ساير ژنوتيپ ها بود. براورد ضريب تغييرات فنوتيپي و ژنوتيپي نشان داد كه اكثر صفات داراي تنوع زيادي در جمعيت مي باشند. تجزيه تابع تشخيص نشان داد كه معيار فاصله اقليدسي بهتر از ساير معيارهاي فاصله بود و گروه‌بندي مطلوبي بر اساس آن به‌دست آمد. هم‌چنين تمام روش‌هاي استاندارد كردن داده‌ها گروه‌بندي مشابهي به‌وجود آوردند و بهتر از استاندارد نكردن داده‌ها بودند. بر اساس ارزيابي دندروگرام‌هاي روش‌هاي مختلف تجزيه خوشه‌اي مشخص شد كه روش‌هاي متوسط فاصله بين گروه ها (UPGMA)، دورترين همسايه‌ها و حداقل واريانس "وارد" بهتر از ساير روش‌ها بودند و ژنوتيپ ها را در سه گروه دسته بندي كردند. تجزيه تابع تشخيص خطي فيشر نشان داد كه روش‌هاي UPGMA و حداقل واريانس "وارد" با انجام صحت گروه‌بندي در حدود 87/5 درصد، مناسب‌تر از ساير روش‌هاي تجزيه خوشه اي بودند، با اين حال تجزيه تشخيص ژنوتيپ ها را در دو گروه قرار داد. آزمون هاي T2 هتلينگ، پلات CCC و تجزيه واريانس چند متغيره نيز نتايج حاصل از تجزيه تشخيص را مورد تأييد قرار دادند. به اين ترتيب، به‌نظر مي رسد كه استفاده از معيار فاصله اقليدسي بر اساس داده‌هاي استاندارد شده و انجام تجزيه خوشه‌اي با روش‌هاي حداقل واريانس "وارد" و يا UPGMA گروه بندي بهتري از ژنوتيپ‌ها ارائه دهد، اما توصيه مي شود براي تأييد نتايج و تعيين گروه هاي واقعي از تجزيه تابع تشخيص استفاده گردد.

Discrimination function analysis is a method of multivariate analysis that can be used for determination of validity in cluster analysis. In this study, Fisher’s linear discrimination function analysis was used to evaluate the results from different methods of cluster analysis (i.e. different distance criteria, different cluster procedures, standardized and un-standardized data). Furthermore, Hotelling T2, CCC plot and multivariate analysis of variance were used to support the results. To achieve the goals, 8 rapeseed genotypes were planted in a randomized complete block design with three replications in Rice Research Institute of Iran, Rasht, durin 2005-2006, and 14 characteristics were measured. Analysis of variance based on the randomized complete block design showed significant differences between genotypes for all the studied traits. Comparison of means between genotypes indicated that the genotype Hyola401 for grain yield and most of the measured characteristics was better than the other genotypes. Evaluation of phenotypic and genotypic coefficient of variations showed that most of the traits had high variability in the population. Discrimination function analysis showed that the Euclidean distance criterion was better than others and a desirable clustering was obtained by this criterion. Also, all of the data standardization methods produced similar clusters and were better than un-standardized data. Based on evaluation of dendrograms derived from different methods of cluster analysis determined that the UPGMA, complete linkage and Ward’s minimum variance methods were better than the other methods, and grouped the genotypes into three clusters. Fisher’s linear discrimination function analysis showed that UPGMA and Ward's minimum variance methods with clustering validity of 87.5 percent, was more suitable than other cluster analysis methods however, discrimination analysis grouped genotypes into two clusters. Tests of Hotelling T2, CCC plot and multivariate analysis of variance supported the results from the discrimination function analysis. It seems that the UPGMA and Ward's minimum variance procedures based on Euclidean distance criterion of standardized data function better in grouping genotypes, yet, the use of discrimination function analysis is recommended to confirm the results and determine the actual groups.