《Cogent Food & Agriculture》：Yield components and genotypic performance of barley genotypes under irrigated, drought, and potassium iodide-simulated stress conditions
编辑推荐：
本文综述了四种大麦基因型在灌溉、干旱及碘化钾（PI）模拟干旱胁迫下的表现。研究通过多变量及人工智能模型（如ANOVA、PCA-Biplot、决策树和Ridge回归）揭示了光合效率（Chl a、Chl b）、产量构成（SNS、SWS、TW）及胁迫响应（脯氨酸、CAT）是决定产量的关键，证实PI可作为高效模拟干旱的筛选工具，为培育高产抗逆大麦品种提供了重要参考。
引言
大麦（Hordeum vulgareL.）是全球广泛种植的冷季作物，在动物饲料和食品工业中用途广泛。然而，大麦对干旱胁迫高度敏感，在灌溉条件下产量显著更高。大麦基因型主要分为二棱和大棱两类，其中二棱大麦主要用于酿造和食品工业。在育种计划中，开发高产、优质、能抵抗生物和非生物胁迫的稳定基因型是核心目标。干旱胁迫是影响大麦产量的主要非生物胁迫之一。研究发现，在开花早期施用碘化钾（PI）可以有效地模拟干旱胁迫条件，为在正常生长条件下进行耐旱性筛选提供了实用工具。PI作为一种化学干燥剂，通过增强细胞失水、引发氧化应激和激活抗氧化防御系统（如过氧化氢酶CAT活性增加）等方式，模拟真实干旱胁迫下的生理反应。
材料与方法
本研究在2020–2021和2021–2022生长季于埃斯基谢希尔奥斯曼加齐大学农学院试验田进行。试验地点气候干旱至半干旱。土壤分析显示其含有13.5% CaCO3，pH为7.14。研究选用四个二棱大麦基因型：Tarm 92、?nce、ünver和Burakbey。所有基因型均为二棱、有芒、长穗、白色籽粒，并对倒伏、壳针孢、黑穗病、黄锈病具有抗性。试验设置三种处理：灌溉、自然干旱以及PI诱导的模拟干旱胁迫。PI在芒抽出三分之一时以0.5%的浓度全株喷施。测量指标包括种子产量、每穗粒数（SNS）、每穗粒重（SWS）、千粒重（TSW）、容重（TW）、蛋白质含量（PC）、微沉降值（MS）、叶绿素含量（SPAD、Chl a、Chl b）、脯氨酸以及过氧化氢酶（CAT）活性。数据分析采用JMP 7、SPSS 26和Minitab 17软件，包括方差分析（ANOVA）、主成分分析-双标图（PCA-Biplot）、决策树以及岭回归（Ridge Regression）人工智能模型。
结果
方差分析（ANOVA）
方差分析表明，灌溉、干旱和PI处理对所研究性状的影响均达极显著水平。年份间、基因型间以及处理与基因型互作对多数性状也有显著或极显著影响。三重交互（年份×处理×基因型）仅对SNS和CAT活性有显著影响。
在平均表现上，灌溉处理获得了最高的种子产量（5.33 t ha-1），而PI处理产量最低（3.15 t ha-1）。自然干旱处理的产量（3.92 t ha-1）与PI处理相近，证实PI有效模拟了干旱条件。灌溉条件下，除PC、MS、脯氨酸和CAT外，其他所有性状均表现更优。在基因型中，Tarm 92的产量最高（4.63 t ha-1），ünver最低（3.83 t ha-1）。PI处理导致了最高的PC（14.06%）、MS（16.42 mL）、脯氨酸（152.31 g kg-1）和CAT活性（433.38）。
关于胁迫敏感性指数，在干旱条件下，Burakbey的种子产量敏感性指数（SI Drought）最低（0.90），表明其耐旱性最强。在PI胁迫下，ünver和Burakbey对种子产量的敏感性指数（SI PI）最低（均为0.94），表现出更高的耐受性。干旱严重度（DS）分析显示，PI胁迫对大多数性状的胁迫强度值高于自然干旱，例如种子产量的DS值在PI下为0.43，而在干旱下为0.26。
主成分-双标图分析（PCA-Biplot）
PCA-Biplot分析将影响种子产量的因素浓缩到两个主成分（累计贡献率89.8%）。分析确定SWS、SNS、TW、SPAD、Chl a和Chl b是影响种子产量的关键产量构成因素。分析还表明，灌溉条件下的产量构成更稳定且更高；Tarm 92在所有环境和年份中都是最稳定和高产的基因型。
决策树分析
决策树分析显示，叶绿素b（Chl b）是影响种子产量的最关键因素。当Chl b高于27.990 μg mL-1时，预测产量较高（5.261 t ha-1），反之则产量较低（3.806 t ha-1）。在Chl b较高的分支中，SWS、CAT、PC、脯氨酸和TW等性状依次成为次级决定因素。这表明光合效率、形态和生化变量共同影响种子产量。
岭回归人工智能模型
岭回归模型在预测种子产量方面表现出色，确定系数（R2）为0.739，平均绝对误差（MAE）为0.754。模型比较显示，岭回归性能优于Lasso、ElasticNet等多种模型。
因素重要性分析显示，处理（灌溉、干旱、PI）对产量预测的影响最大（55.4%），其次是基因型（36.2%），年份的影响最小（8.3%）。在具体的产量构成因素中，对种子产量影响的重要性排序为：Chl b、Chl a、SNS、SWS和TW。
讨论
方差分析
大麦产量和品质受水分供应和胁迫强度的强烈调控。灌溉通过优化光合能力和源-库关系实现最高产量。干旱和PI胁迫则通过降低光合色素、破坏同化物分配来限制产量。PI处理引起生理生化改变，如干扰光合电子传递、增加活性氧（ROS）产生、激活抗氧化酶（如CAT），从而有效模拟干旱胁迫反应。基因型差异明显，Tarm 92在不同环境中均表现出高而稳定的产量，显示出强大的农艺潜力；而ünver在干旱和PI条件下表现出更高的生理生化胁迫耐受性，如其脯氨酸积累和CAT活性更强。
主成分-双标图分析
PCA-Biplot分析直观地展示了变量与样本之间的关系。分析证实灌溉条件下的产量构成更优，PI处理能成功代表干旱条件，但其结果通常比自然干旱更差。基因型表现排序为Tarm 92 > ?nce > ünver > Burakbey，其中Tarm 92综合表现最佳。
决策树分析
决策树分析有效可视化了复杂产量构成因素之间的相互作用。Chl b被反复确定为决定性因素，表明光合效率与产量直接相关。在特定条件下，PC和MS等品质参数也会作为增产因素出现，说明植物在不同胁迫下通过多种方式平衡产量。
岭回归人工智能模型
该混合人工智能模型成功预测了大麦种子产量，强调了管理措施（处理）相对于遗传因素和时间变化对产量的主导影响。这为在多变气候和有限资源环境下，通过农艺管理（如精准灌溉）优化表型表达和产量稳定性提供了依据。
结论
本研究证明，大麦的产量、品质及生理生化性状受水分可用性、胁迫强度和基因型特异性反应的强烈调控。灌溉条件能优化光合能力与种子灌浆，从而获得最高产量。干旱和PI处理均会因光合作用下降、同化物分配受阻而导致显著减产。PI处理在引起产量下降、脯氨酸积累和CAT活性升高方面与自然干旱高度相似，证实其是模拟干旱诱导的氧化和代谢胁迫反应的可信工具。基因型差异显著：Tarm 92具有高产稳产潜力；ünver则表现出更强的胁迫生理耐受性。综合多变量和机器学习分析一致确定，叶绿素b（Chl b）、叶绿素a（Chl a）、每穗粒数（SNS）、每穗粒重（SWS）和容重（TW）是影响种子产量的最关键因素，凸显了光合效率和生物量分配在产量形成中的核心作用。本研究为在胁迫易发和气候多变的生产环境中培育高产、抗逆的大麦基因型提供了有价值的生理学、农艺学和方法学见解。
