Identifikacija genskih lokusa (QTL) uključenih u kontrolu odgovora kukuruza (Zea mays L.) na stres suše

Abstract

Suša je jedan od najvažnijih ogranicavajucih faktora u proizvodnji kukuruza, pa je poboljšanje tolerantnosti na sušu od veoma velikog znacaja u programima oplemenjivanja. Stvaranje genotipova tolerantnih na sušu je veliki izazov zbog variranja u pojavljivanju, intenzitetu i trajanju stresa suše, zbog geneticke kompleksnosti ovog stresa i izraženih interakcija genotip-sredina. Identifikacija kvantitativnih lokusa vezanih za tolerantnost na sušu je važno sredstvo za indirektnu selekciju pomocu molekularnih markera. Istovremena primena konvencionalnog sa molekularnim oplemenjivanjem, marker-asistiranom selekcijom i genetickim inžinjeringom može doprineti bržem nacinu za poboljšanje tolerantnosti na sušu kod gajenih biljaka. Identifikacija lokusa za kvantitativna svojstva (QTL) za tolerantnost na sušu kod kukuruza je urađena na genetickom materijalu dobijenom ukrštanjem linija DTP79 (izvor tolerantnosti na sušu) i B73 (linija osetljiva na sušu). Za konstruisanje molekularne mape neophodne za identifikaciju QTL-ova, korišcena je F2 generacija (John Innes Centre (JIC), Norwich, United Kingdom). Podaci o vrednostima svojstava potencijalno ukljucenih u odgovor kukuruza na stres suše su dobijeni analizom F3 familija u poljskim ogledima. Molekularna mapa i dobijene vrednosti za ispitivana svojstva su korišcene za detekciju QTL-ova. Na osnovu informacija o QTL-ovima je vršeno utvrivanje postojanja uzrocne povezanosti izmeu dva ili više svojstava. Fenotipske korelacije su izracunate primenom Pearson-ovog koeficijenta i bile su visoko znacajne za izvestan broj ispitivanih osobina. Identifikacija QTL-ova je uraena primenom ANOVA metode i metoda statistickog programa WinQTL karotgrafera, v 2.5. Prikazani su samo rezultati dobijeni primenom CIM (WinQTL karotgrafer, v 2.5) i ANOVA metode. Za ispitivanih 26 osobina primenom CIM metode je detektovano 147 QTL-ova, od kojih je 93 detektovano i primenom ANOVA metode. Ukupna fenotipska varijabilnost objašnjena identifikovanim QTL-ovima za sva analizirana svojstva je bila u ospegu od 11.85% (RSV) do 91.16% (ŠL3). Detektovani su hromozomski regioni u kojima se preklapaju QTL-ovi za pojedine osobine, koje su istovremeno pokazale i znacajnu meusobnu fenotipsku korelaciju, što ukazuje na moguce postojanje vezanih gena ili plejotropnih efekata koji uticu na ove osobine. Neki od detektovanih QTL-ova su identifikovani i u radovima drugih autora, na istoj poziciji u genomu kukuruza, što znaci da su oni zajednicki razlicitom genetickom materijalu. Ovi QTL-ovi mogu biti od znacaja u ekspresiji ispitivanih svojstava, ukazujuci na mogucnost njihovog uspešnog korišcenja u marker - asistiranoj selekciji.

Drought is one of the most important limiting factors in maize production. Improving drought tolerance is therefore of outmost importance for breeding. Achieving this goal is a big challenge due to the variability in timing, intensity and duration of drought, genetic complexity of drought tolerance and large genotype by environment interactions. Identification of quantitative loci for drought tolerance is very imporatant for indirect selection using molecular markers. Conventional breeding together with molecular breeding, marker-assisted selection and genetic engineering could contribute to drought tolerance improvement of cultivated plants. Quantitative trait loci (QTLs) for drought tolerance were identified in a maize population derived from a cross between two lines - DTP79 (drought tolerant) and B73 (drought sensitive). Map construction (John Innes Centre (JIC), Norwich, United Kingdom) was done using F2 generation and the coresponding F3 progenies were evaluated for the traits potentialy related to drought tolerance in field trials. Phenotypic and marker data were used for QTL detection. Possible causal relationships between two or more traits were determined according to information about QTLs. Phenotypic correlations calculated using Pearson’s coefficients were highly significant for some of the analyzed traits. ANOVA and methods of WinQTL Cartographer 2.5 were employed to identify QTLs. Results of ANOVA and CIM option in WinQTL cartographer, v 2.5 are presented. A total of 147 QTLs were detected using CIM for the analyzed traits. Out of this number, 93 were also detected using ANOVA. Percent of phenotypic variability determined for the identified QTLs for all of the traits ranged from 11.85% (RWC) up to 91.16% (LW3). Mapping analysis identified genomic regions associated with two or more traits in a manner that was consistent with phenotypic correlation between traits, supporting the possible existence of linked genes or pleiotrophy that influence these traits. Some of the QTLs mapped herein, were also identified in the works of other authors, at the same position in the maize genome, indicating that they could represent regions that are common to various populations. These QTLs may be important in the expression of the traits, indicating the possibility of their successful use in marker-assisted selection.