打开文本图片集
摘 要：该文基于灰色关联理论和方法，对19个木薯种质材料的6个性状指标进行了综合评价研究。结果表明：（1）建立了灰色关联分析和Topsis综合评价方法，获得结果基本是一致的，并与种质资源田间综合表现相符，适用于木薯种质资源的综合评价；（2）灰色关联度对种质资源的评价中，因其灰色关联度（ri）差异系数为0.161 8，差异较小，不能很好地评价出种质资源的优劣，而Topsis法评价结果中Ci值差异的差异系数为0.907 5，差异很大，能更好地评价品种的优劣；（3）通过评价比较，筛选获得了8份具有育种潜力的木薯种质材料。研究结果为木薯种质资源评价、应用提供了科学依据。
关键词：灰色关联；Topsis法；分析；评价；木薯种质
中图分类号 S533 文献标识码 A 文章编号 1007-7731（2015）22-18-05
Abstract：The comprehensive evaluation steuied based on grey correlation theory，which with 6 agronomic-traits in 19 clones cassava germplasm.The results showed that：（1）it was eatablished evaluarion methods for cassava germplasm with grey relational and Topsis，the results are similar of different methods，and were consistent with phenotype traits in the field.（2）Comparison with the coefficirents betweent grey corrlaation （ri=0.161 8）and Topsis’s （Ci=0.907 5），the latter is superior to the fomer for evaluation in cassava germplasms.（3）8 materials were evaluated and selected for cassava breeding.It provided scientific basis for the evaluation and uitilization in cassava germplasm.
Key words：Grey relation；Topsis；Analysis；Evaluation；Cassava germplasm
作物种质评价和利用是育种工作中重要的环节，相关研究报道，应用通径分析[1]、逐步回归分析[2]、关联度分析[3]等多种方法为育种材料性状参数评价和早期选择提供了依据。灰色关联分析方法是对品种多个性状进行多维度的综合评价，既可以侧重了品种的重要性状指标，又可以覆盖多个性状指标考察，从而比较全面地反映品种的特性，使得评价结果更加客观和可靠[4-5]。相关研究报道，将灰色关联度分析方法应用于甘薯[6-8]、油菜[9]、番茄[10]、大麦[11]、烟草[12]、白芨[13]等种质资源筛选和育种评价以及野生牧荦营养价值[14]评价中，结果表明，灰色关联度分析法可以明确资源筛选中的侧重点和资源对育种工作的价值大小，能揭示各指标间的关系。
木薯（Manihot esculenta Crantz）是全球三大重要薯类作物之一，是全球粮食安全的重要保障，特别是在热带发展中国家和地区，也是我国传统的粮食储备作物。木薯不但是淀粉和变性淀粉加工的主要原材料，近年来在生物能源的开发和利用中也占有非常重要的地位[15-17]。由于木薯种质资源具有数量大、变异多、生长周期长等特征，使得其种质评价和育种利用工作面临着很大的困难，这就迫使研究工作向多元化发展，以获得更优化的评价体系。随着利用分子标记技术对木薯种质资源进行EST-SSR、SNP和microsatellite-AFLP开发和利用，以及高通量测序技术发展，能很好地揭示大量的木薯种质遗传背景，提高了木薯传统育种速度和筛选效率[18-23]。灰色分析系统相关方法建立和数据的发掘及应用，也必能为木薯选育提供了客观、全面、快速鉴定的依据，减少种育种的工作量。
1 材料与方法
1.1 实验材料 研究选用了GR911、GR024-3、HB60、OM36-63-1、GR891、SM1155-24、SC124、GR024-7、UB1-2、RY5、SC205、UB4772、C5、C6、C14、C15、C16、C18和C20，共19个木薯材料，由广西亚热带作物研究所、广西木薯研究所和中科院（上海）植物生理生化研究所木薯生物技术中心提供。
1.2 实验方法 试验设计按随机区组排列，在广西亚热带作物研究所、广西木薯研究所木薯科研基地实施。每个材料随机抽取5株进行产量（t/hm2）和鲜薯干物质含量（水比重法，%）指标测量；参考相关研究[24-25]，进行干片淀粉含量（%）、直连淀粉含量（%）、可溶性糖含量（%）和氨基酸含量（pg/μL）指标的测试。
按照灰色系统理论[26-28]，将19个木薯材料的6个性状指标因子认为是一个灰色系统进行灰色关联分析，因为这些形状指标都是木薯育种的衡量指标，各指标的最高值数列为参考数列（母序列x0），各材料性状指标设为分析序列（子序列x1、x2、x3、x4、x5、x6），并进行无量纲化处。基于Topsis法理论对原始数据进行处理，并形成归一化数据矩阵（y1、y2、y3、y4、y5、y6），找出最优方案（Z+）和最劣方案（Z-），分别计算对象与两者之间的距离（Ci），获得各评价对象与最优方案的相对相近程度作为评价优劣的依据。
1.3 统计分析 本研究所有数据均采用Excsl表格、SPSS19.0、DPS软件等进行统计分析。
2 结果与分析
2.1 木薯主要农艺性状的分析 通过对19个木薯种质的6个相关农艺性状指标进行相关分析，结果表明（表1）：鲜薯产量在11.00～68.50t/hm2，鲜薯干物质含量在20.70%～31.40%，干片淀粉含量在47.87%～66.31%，直连淀粉含量在20.77%～26.40%，可溶性糖含量在0.02%～0.10%，氨基酸含量在159.64～408.15pg/μL。各指标的变异系数分别为：148.29%、41.57%、33.10%、23.17%、144.76%和88.20%，指标参数的差异性较大，具有代表性，适合进行统计分析。
2.2 木薯主要农艺形状指标灰色关联分析 根据灰色关联分析方法，为了使不同性状指标间数据保持一致性，需要对各性状进行无量纲化处理。本研究采用的方法是初值化，即分别求出各个子序列值和母序列值（x0：68.500 0、31.400 0、66.305 8、26.398 8、0.103 693 4、408.151 9）的比值新数据序列，即为无量纲化序列值决策矩阵（表2）。然后代入公式计算获得关联系数（ri），则值越大越好，影响因子就越靠近研究对象，相对于参考指标就越有利。可以看出，以6个性状指标参数对19份木薯种质资源的优劣顺序为：C5>GR024-7>SM1155-24>C6>C14>GR891>SC205>GR024-3>SC124>C16>HB60>C18>GR911>C20>C15>UB4772>OM36-63-1>UB1-2>RY5。木薯主要栽培品种GR891、SC205、SC124和GR911关联度综合得分排名分别为第6、第7、第9和第13；而C5、GR024-7、SM1155-24、C6和C14关联度综合得分排名分别为第1～5位，明显优于主要栽培品种。
2.3 木薯主要农艺形状指标Topsis法分析 根据灰色关联分析方法，为了使不同性状指标间数据保持一致性，需要对各性状进行无量纲化处理。本研究采用的方法是归一化值，可以得到其“最优”方案参数（Z+：0.355 2、0.264 8、0.271 9、0.236 7、0.153 6、0.325 0）”方案参数和“最劣”方案参数（Z-：0.057 6 、0.159 3、0.183 5、0.167 3、0.001 5、0.125 4）”。结合归一化值决策矩阵求出D+和D-，并进一步计算出Ci值。按照Ci值的大小进行排序，得出Topsis综合评价的结果（表3），以6个性状指标参数对19份木薯种质资源的优劣顺序为：C5>C14>SM1155-24>C16>C6>GR024-7>HB60>GR911>GR024-3>GR891>C18>SC124>SC205>UB1-2>C20>C15>OM36-63-1>RY5>UB4772。木薯主要栽培品种GR911、GR891、SC124和SC205关联度综合得分排名分别为第8、第10、第12和第13位；而C5、C14、SM1155-24、C16和C6关联度综合得分排名分别为第1～5位，明显优于主要栽培品种。
2.4 2种方法对木薯种质资源的综合分析 灰色关联分析法（GRA）和Topsis法（Topsis）对木薯种质综合评价比较结果（图1），排名数值（Rank value）越小，排名越靠前，综合评价得分越高，2个综合评价方法获得的结果基本一致。但是ri值差异的差异系数为0.161 8，Ci值差异的差异系数为0.907 5，2种方法之间在评价水平上的差异比较大。相对于育成及主要栽培品种（GR891、SC205、SC124和GR911）的各性状指标平均值（ck）（表4），C5的鲜薯干物质含量、干片淀粉含量、氨基酸含量均高于ck，而鲜薯产量、直连淀粉含量、可溶性糖含量则均低于ck；SM1155-24D的鲜薯产量、鲜薯干物质含量、干片淀粉含量均高于ck，而直连淀粉含量、可溶性糖含量、氨基酸含量则均低于ck；综合排名分别为第1位和第2位。因此，可以说明木薯种质资源评价不应该是单一性状因子的简单比较，而是由多个性状指标因子共同影响下而得出的结论，这样才能更全面地获得种质信息量。通过研究，可以认为木薯种质C5、GR024-7、SM1155-24、C6、C14、GR024-3、C16和C18的综合得分值比较高，具有很好的育种潜力。
3 结论与讨论
（1）通过对19份木薯种质的6个相关性状指标进行种质评价，获得了8个具有育种潜力的材料，尤其是C5和SM1155-24。
（2）由本次研究可知，灰色关联度分析方法计算相对简单，但在灰色关联度需要x0（母序列）作为参照-如何根据目标性状来确定参考值，这是种质资源的评价中的关键；灰色关联度在种质资源评价过程中，因其灰色关联度值的差异小，比较模糊地地评价木薯质资源的优劣。而Topsis评价法无需设置参考序列值，不仅能对木薯种质资源进行综合性状的排序，而且还能将种质资源间的差异明显地反映出来，针对木薯种质材料比较丰富的情况下，更有助于种质资源的鉴定和取舍。灰色关联度分析方法和Topsis分析方法，这2种方法均能对种质资源进行客观的综合评价，结果基本一致，与田间综合表现相符合，适合应用与木薯种质资源的综合评价。
（3）木薯种质资源材料比较丰富，仅仅凭靠人为标准和经验来做出判断难免会存在偏差；选择最适应本地区栽培的木薯品种的组合性状时，不仅要考虑其产量、淀粉含量性状，还要考虑到种植、管理、收获的加工等相关性状指标，这就需要育种工作者们系统收集了相关性状指标的高通量研究数据，从而组成一个完整种质信息系统，然后运用灰色理论和方法进行更加深入的研究。
致谢：感谢中国科学院（上海）植物生理生态研究所薯类生物技术中心对本研究提供的大力帮助。
参考文献
[1]林祖军，杨中萃，王荣.夏甘薯品种主要经济性状的通径分析与高淀粉品种选育[J].山东农业科学，1989（5）：16-18.
[2]汪宝卿，王庆美，张海燕，等.北方区试中甘薯农艺性状与产量的多元回归和通径分析[J].中国农学通报，2011，27（5）：120-125.
[3]苏春华，李育明，何素兰，等.高淀粉甘薯轮回选择群体主要农艺性状遗传改良效果研究[J].杂粮作物，2007，27（4）：282-285.
[4]张凯，罗小敏，王季春，等.甘薯淀粉产量及相关性状的遗传多样性和关联度分析[J].中国生态农业学报，2013，21（3）：365-374.
[5]辛举文，辛国胜.灰色系统理论在高淀粉甘薯育种上的应用[J].安徽农业科学，2006，34（7）：1283-1284.
[6]李强，马代夫，李洪民，等.灰色关联分析在甘薯品种综合评价上的应用[J].杂粮作物，2001，21（1）：15-18.
[7]杨秀莲，郑晓昆，杨燕，等.基于灰色关联分析的甘薯品种评价[J].长江蔬菜，2012（10）：8-11.
[8]鄢铮，王正荣.灰色关联分析在淀粉型甘薯新品种评价上的应用[J].作物杂志，2014，1：30-32.
[9]肖平，龚秋林，高海军.灰色关联分析在冬油菜种质资源创新评价中的应用[J].江西农业学报，2006，18（4）：35-37.
[10]姜永平，刘水东，薛晨霞，等.DTOPSIS法和灰色关联度法在番茄品种综合评价中的应用比较[J].中国农学通报，2010：259-263.
[11]陈剑锋，张秋英.灰色关联度分析和DTOPSIS法对大麦新品系评价效果比较[J].福建稻麦科技，2012，30（4）.
[12]卢秀萍.灰色关联度分析和DTOPSIS法对烤烟新品种评价效果比较[J].西南农业学报，2006，29（6）：1014-1018.
[13]苏泽春，陈翠，徐中志，等.2种综合评价法在白芨种质资源综合评估中的应用[J].江西农业学报2015，27（5）：10-15.
[14]田兵，冉雪琴，薛红，等.贵州42种野生牧荦营养价值灰色关联度分析[J].草业学报，2014，23（1）：92-103.
[15]FAO.FAOSTAT[EB/OL].2013.http：//www.fao.org
[16]Tian Y，Lin X，Jin S.Present situation and future potentialof cassava inChina[C].Cassava’s potential in Asia in the21st century： Present situation and future research anddevelopment needs[J].Proc.6th Regional Workshop，2000.
[17]张鹏，杨俊，周文智，等.能源木薯高淀粉抗逆分子育种研究进展与展望[J].生命科学，2014，26（5）：465-473.
[18]Sraphet S，Boonchanawiwat A，Thanyasiriwat T，et al.SSR and EST-SSR-based genetic linkage map of cassava（Manihot esculenta Crantz）[J].Theor Appl Genet，2011，122（6）：1161-1170.
[19]Whankaew S，Poopear S，Kanjanawattanawong S，et al.Agenome scan for quantitative trait loci affectingcyanogenic potential of cassava root in an outbredpopulation[J].BMC Genomics，2011，12：266.
[20]Rabbi IY，Kulembeka HP，Masumba E，et al.An ESTderivedSNP and SSR genetic linkage map of cassava（Manihot esculenta Crantz）[J].Theor Appl Genet，2012，125（2）：329-342.
[21]Whankaew S，Sraphet S，T h a i k e r t R ，e t a l. Characterization of microsatellite markers in cassavabased on microsatellite-AFLP technique.Genet Mol Res，2012，11（2）： 1319-1326.
[22]Zou M，Xia Z，Ling P，et al.Mining EST-derived SSRmarkers to assess genetic diversity in Cassava（Manihotesculenta Crantz）[J].Plant Mol Biol Rep，29：961-971.
[23]孙湘来，陈新，文明富，等.基于EST-SSR的木薯分子标记遗传连锁图谱的构建[J].中国农学通报，2011，27（9）：231-236.
[24]Wenzhi Zhou，Jun Yang，Yan Hong，et al.Impact of amylase content on starch physicochemical properties in transgenic sweet potato.Carbohydrate polymers （article in press，2014），（ http：//dx.doi.org/10.1016/j.carbpol.2014011.003）.
[25]Natalia K.Genkina，Sergey S. Kozlov，Vladimir V. Martirosyan and Valentina I.kiseleva.，thermal behavior of maize starches with different amylase/amylopectin ratio studied by DSC analysis.Starch/Stärke，2014，66：700-706.
[26]邓聚龙.灰色预测与决策[M].武汉：华中理工大学出版社，1986.
[27]邓聚龙.农业系统灰色理论与方法[M].济南：山东科技出版社，1988.
[28]唐启义，冯明光.实用统计分析及其DPS数据处理系统[M].北京：科学出版社，2002. （责编：张宏民）