Способы размещения селекционных делянок в полевых экспериментах

Петр Елизаров, руководитель отдела исследований и разработок ООО "Селектек"

Все способы размещения делянок в селекционных полевых экспериментах можно условно разделить по нескольким ключевым принципам: применение рандомизации, обязательность стандарта, использование разделения на блоки, наличие повторений.

Рандомизация - случайное размещение генотипов (обработок в агротехнологических опытах) по полю или внутри блоков. Она необходима для обеспечения независимости ошибок, устранения систематических искажений, связанных с градиентами условий, и достоверной оценки дисперсии при статистическом анализе. Рандомизация — один из трёх фундаментальных принципов экспериментального дизайна наряду с повторяемостью и локальным контролем.

Без рандомизации невозможно корректно применить дисперсионный анализ, поскольку условия для независимости и случайности наблюдений нарушаются.

Стандарты (контрольные сорта/гибриды) - генотипы с известными агрономическими характеристиками (часто районированные или коммерческие сорта), регулярно включаемые в полевой опыт. Они служат эталонными точками сравнения для новых генотипов и позволяют калибровать влияние плодородия, особенно в дополненных и частично повторяемых схемах. Их многократное размещение по полю обеспечивает оценку локальных условий и позволяет интерполировать оценки для генотипов без повторений.

Блоки - локальные группы делянок, формируемые с целью минимизировать внутригрупповую пространственную неоднородность условий (например, плодородие, влажность, микрорельеф). Разделение на блоки позволяет учесть градиенты среды в одном или двух направлениях и тем самым снизить остаточную дисперсию. Правильное разделение на блоки увеличивает точность эксперимента без увеличения числа повторений.

Повторения - размещение одного и того же генотипа более одного раза в пределах одного опыта (в пределах локации). Повторения позволяют оценить дисперсию ошибок, повысить статистическую мощность анализа и обеспечить устойчивость выводов к случайным искажениям. Важны для корректного сравнения генотипов между собой и при включении стандартов для увеличения устойчивости оценок. Увеличение числа повторов снижает стандартную ошибку.

Полностью рандомизированное размещение

Полностью рандомизированное размещение (Completely Randomized Design, CRD) предполагает случайное распределение каждого генотипа (или обработки) по делянкам без каких-либо ограничений. Все делянки считаются изначально однородными, и потому нет группировки на блоки – единственным источником систематической вариации служат различия между самими генотипами [1]. Фактически, номера делянок присваиваются случайно для каждого образца на всём поле. Метод основан на двух ключевых принципах –повторениях и рандомизации, но без локального контроля.

Рандомизированное размещение отличается простотой организации и анализа, допускает произвольное число генотипов и повторностей, в том числе неодинаковое число повторов для разных образцов. Простой статистический анализ в такой схеме обеспечивается, а за счёт отсутствия блоков, что максимизирует число степеней свободы ошибки, что теоретически повышает чувствительность. В условиях однородного поля метод обеспечивает корректное сравнение генотипов и может дать высокую точность при минимальных требованиях к площади.

Главным недостатком метода является требование однородности окружающей среды. Применение полной рандомизации требует высокой равномерности условий из-за этого она пригодна в основном для лабораторных или тепличных опытов, а в полевых условиях с заметной неоднородностью поля разница между генотипами смешивается с эффектом от места расположения конкретной делянки. Другим недостатком метода полной рандомизации является увеличение гетерогенности условий при росте числа генотипов и повторов [1]. Отсутствие локального контроля приводит к тому, что при наличии “скрытых” систематических факторов дисперсионный анализ может стать невалидным. Ф. Йейтс отмечал, что без разделения на блоки систематическая ошибка, если она присутствует, делает оценку дисперсии неверной [2]. Число генотипов и повторностей технически ограничено только размерами поля, но на практике при большом масштабе эксперимента применение полной рандомизации рискованно [3]. Если есть подозрение на градиенты (например, влаги или плодородия) – лучше предпочесть блочное размещение.

• Применим только при высокой однородности поля (например, в теплице или на выровненных площадках).
• Подходит для небольших опытов с малым числом генотипов
• Для статистической обработки применяют простой дисперсионный анализ, но чувствительность существенно падает при наличии градиентов неоднородности
• Хорошо подходит для обучающих целей, демонстраций, тепличных или лабораторных опытов.

Полное рандомизированное блочное размещение

Полное рандомизированное блочное размещение (Randomized Complete Block Design, RCBD) – один из самых распространенных в полевых селекционных опытах. Он чаще всего упоминается в научных публикациях [1]. В этом методе все делянки разделяются на блоки, внутри которых условия максимально однородны [3]. Каждый блок содержит полный набор всех испытываемых генотипов - поэтому его называют полный блок. Внутри каждого блока размещение генотипов случайное и независимое от других блоков. Блоки обычно выравнивают по направлению основного градиента среды - одного источника систематической неоднородности. Например, если наблюдается изменение плодородия с севера на юг, каждый блок тянется поперек этого градиента, а различия между блоками (например, полосы разной почвы) будут учтены как блоковый эффект, повышающий точность сравнения генотипов внутри блока [4]. В итоге общая вариация разбивается на различия между блоками, между генотипами и на ошибку.

Метод полной блочной рандомизации специально предназначен для ситуаций, когда поле неоднородно в одном направлении. Блокируя эту вариацию, метод существенно снижает ошибку и обычно даёт более высокую точность, чем метод полной рандомизации. Он относительно устойчив к потерям данных: пропуски делянок легко обрабатываются стандартными методами без потери значительной части информации [3]. В случае неоднородной ошибки между блоками анализ все равно остаётся валидным, поскольку сравнения генотипов проводятся в пределах каждого блока. Поэтому он считается “золотым стандартом” для полевых опытов в селекции и агрономии: он прост по структуре, легко реализуем и существенно уменьшает вариабельность за счёт контроля неоднородности.

Тем не менее, метод имеет и ряд недостатков, так число степеней свободы ошибки у него меньше, чем в эквивалентном методе полной рандомизации, так как некоторая вариация смещается в блочный эффект, что особенно чувствительно при малом количестве генотипов [1]. А если внутри блоков всё же остаётся значительная неоднородность, эффективность метода существенно падает – ошибка может превысить ошибку при полной рандомизации, что особенно заметно если блоки слишком велики или присутствуют сложные градиенты. Это происходит при очень большом числе генотипов, из-за чего блок приходится делать слишком большим по площади, что повышает внутриблочную вариабельность и снижает точность. Таким образом метод не оптимален, как для малого, так и слишком большого (более 50) количества генотипов.

При наличии двух взаимно перпендикулярных градиентов (например, плодородие почвы и увлажнение) простой метод полной блочной рандомизации уже не оптимален – лучше рассмотреть латинский квадрат. Если генотипов очень много (сотни) или поле сильно неоднородно, то имеет смысл перейти к схемам с неполными блоками, например к альфа-решёткам.

• Универсальный и надёжный вариант для полевых условий средней неоднородности.
• Оптимален для 10–40 генотипов, особенно на поздних стадиях испытаний
• Требует минимум 3 повторностей, чтобы достоверно оценить различия.
• Чувствителен к мозаичной неоднородности

Полное блочное упорядоченое размещение с рандомизацией

Способ полного блочного упорядоченого размещения с рандомизацией (Order Restricted Randomized Block Design, ORRBD) – способ схожий полным рандомизированным блочным размещением, который дополнительно учитывает различия внутри блоков путем вторичной стратификации делянок внутри каждого блока. Для этого места под делянки в блоке сначала оцениваются и ранжируются по какому-либо признаку (например, по уровню плодородия), и уже потом проводится случайное размещение генотипов по делянкам — с учётом того, чтобы каждый генотип попал в делянки с разным уровнем условий. Такой подход помогает снизить внутриблочную вариацию за счёт использования информации о пространственных особенностях участков до рандомизации и повысить точность сравнения генотипов [5].

Метод позволяет использовать субъективные или «полуобъективные» признаки для ранжирования, даже если они не поддаются количественному измерению. Эффект зависит от точности ранжирования и при плохом ранжировании приближается к обычной полной блочной рандомизации. Для анализа используется линейная модель с двумя блоковыми факторами: обычные блоки и ранги. Для оценки дисперсий предпочтителен REML, хотя и классический дисперсионный анализ тоже применим. Рекомендуется к применению при наличии заранее известных факторов внутриблоковой неоднородности.

• Хорошо подходит для условий известной высокой неоднородности

Альфа-дизайн

Альфа-дизайн (Альфа-решётка, alpha-lattice design) – это разновидность неполного блочного рамзещения (incomplete block design), предложенная для испытаний с большим числом генотипов. В такой схеме каждой повторности уже не соответствует единый крупный блок, а делянки одной повторности разбиваются на несколько более мелких неполных блоков, каждый из которых содержит лишь часть всех генотипов. При этом блоки составлены так, что совокупность блоков в пределах одной повторности охватывает все генотипы без пропусков. Рандомизация осуществляется двухступенчато: генотипы сначала распределяются по блокам согласно плану решётки (генотипы распределяются по блокам в каждой повторности так, чтобы обеспечить сбалансированность и минимальную коррелированность сравнения между генотипами), а затем порядок делянок рандомизируется внутри каждого неполного блока. При этом каждая пара генотипов встречается в одном блоке не более одного раза.

Альфа-дизайн, как и другие методы неполного блочного размещения позволяют существенно повысить точность при большом числе вариантов. Маленький размер блоков позволяет точнее учесть эффект неоднородности поля за счет учета мелкомасштабной вариации, что уменьшает остаточную ошибку и повышает повторяемость результатов за счет устранения вариации внутри каждой повторности. Отсутствует необходимость в стандартах, т.к. ошибка оценивается на основе анализа повторений самих изучаемых генотипов. Данный метод фактически стал стандартом в сортоиспытаниях с большим количеством линий, позволяя получить существенный выигрыш в точности за счет снижения стандартной ошибки 10–30% по сравнению с методами полной блочной рандомизации при тех же ресурсах.

Для применения метода требуется использование специальных алгоритмов для распределения генотипов по блокам, т.к. вручную составить неполные блоки оптимально трудно. Для анализа полученных данных необходимо применять смешанные модели (например REML) вместо классического дисперсионного анализа, ввиду необходимости учитывать эффекты блоков как случайные, иначе есть риск получить смещённые оценки.

Исследования показывают, что несмотря на очевидные преимущества альфа-дизайна, выигрыш в точности проявится незначительно если поле достаточно однородно или испытывается небольшое количество генотипов [5]. Тем не менее из-за низких затрат на внедрение метод рекомендуется к применению при наличии технической возможности.

• Оптимальный метод при большом числе генотипов (50–300), особенно в ранних и средних этапах селекции.
• Позволяет контролировать мелкомасштабную неоднородность поля за счёт небольшого размера блоков.
• Метод дает “бесплатный” прирост точности без увеличения числа повторений или площади опыта
• Требует специальных алгоритмов размещения генотипов и смешанных моделей для анализа

Метод частичных повторений

Метод частичных повторений (p-rep) – это современный способ размещения генотипов на поле, в которых только часть генотипов имеет более одного повторения, а остальные высажены в единственном экземпляре. Например, из 100 новых линий только 20 могут быть посеяны в 2 повторностях, а остальные 80 – в одной; при этом все 100 линий распределены по всему полю. Генотипы, посеянные с повторностями играют роль якорей для статистической оценки дисперсии ошибки. При этом важно, чтобы повторности генотипа были разнесены по полю далеко друг от друга, этим снижается влияние локальных выбросов на оценку генотипа. Такая схема была предложена в 2000-х, как способ увеличить число оцениваемых генотипов без пропорционального роста ресурсов [6]. По сути, метод частичных повторений можно рассматривать как обобщение схем с систематическим размещением стандартов, где вместо фиксированных стандартов используется любая подвыборка генотипов.

Главным достоинством метода частичных повторений является значительная экономия ресурсов при относительно небольшом снижении точности, что особенно важно на ранних этапах селекции. За счёт отказа от полного дублирования всех вариантов можно испытать гораздо больше новых линий на той же площади. Например, вместо размещения по полной блочной рандомизации с 50 сортами в 3 повторениях (итого 150 делянок) можно заложить опыт на этих же 150 делянках с 120 сортами, из которых 30 будут с двумя повторениями, а 90 – с одним. Практические исследования показали, что схемы с частичными повторениями увеличивают скорость селекции, например в эксперименте с отбором картофеля симуляционно показали рост генетического прогресса по урожайности при применении частичных повторений вместо рандомизации полных блоков. Особенно эффективны такие схемы в комбинации с множественными испытаниями в разных локациях, так называемыми распределенными схемами испытаний, что позволяет за один сезон получить больше информации о стабильности и средних показателях генотипов [6]. Метод одинаково хорошо применим, как для испытания перспективных линий, так гибридов. CGIAR рекомендует на ранних этапах селекции повторять хотя бы 5–10% генотипов в пределах одной локации [7].

Компромиссом при применении схемы является сниженная точность оценок для отдельных генотипов, посеянных однократно. Различия между такими генотипами оцениваются менее надежно, чем в классическом опыте с повторениями. Уменьшается и число степеней свободы ошибки. Анализ данных, полученных методом частичных повторений, требует применения смешанных моделей - дисперсионный анализ здесь неприменим, т.к. должна учитываться пространственная ковариация и разные ошибки для повторенных и неповторенных генотипов. Для определения, какие именно генотипы необходимо повторять, делается либо случайный поднабор, либо применяются алгоритмы оптимизации, например, на основе генетических расстояний или с помощью кластерного анализа. Неудачный выбор подмножеств, например выбор для повторений слишком генетически близких генотипов, может приводить к снижению точности оценок, однако при больших размерах опытов эти различия сглаживаются.

• Требует наличия семян больше, чем на одну повторность хотя бы у части испытываемых генотипов
• Позволяет испытать больше генотипов, чем по схеме с систематическим размещением стандартов, за счет замены стандартов на увеличение повторений испытываемых генотипов
• Идеален для опытов на ранних стадиях селекции, когда ограниченное количество семян не позволяет заложить опыт с повторениями или когда число генотипов слишком велико для полноценной репликации
• Хорошо подходит для распредленных многолокационных испытаний
• Необходимость применения анализа с использованием смешанных моделей, где генотипы как случайные эффекты.

Метод систематического размещения стандартов

Схемы с систематическим размещением стандартов (augmented design) – это классическая методика для испытания большого числа новых генотипов при отсутствии ресурсов на их повторность, предложенная ещё в 1950-х [8]. Новые (тестируемые) образцы высеваются без повторений, с определённым числом стандартов, которые повторяются многократно. Обычно опыт разбивается на несколько блоков, где в каждом блоке присутствуют одни и те же контрольные сорта и к ним добавляются разные новые линии – по одной делянке каждой линии. Новые генотипы таким образом не имеют повторений в пределах одной локации, а контрольные служат эталоном для оценки плодородия в разных частях поля. Например, можно запланировать опыт на 50 новых линий и 5 контрольных сортов, разбив поле на 5 блоков. В каждом блоке посеять 5 контролей (по одному на блок) и 10 новых линий (все разные). Контрольные делянки позволяют оценить и учесть эффект блока (локальную неоднородность почвенного плодородия), после чего новые линии можно сравнивать между собой и с контролями. Рекомендуется применять не менее 8% делянок стандарта, но уже при превышении 12% точность увеличивается незначительно. При этом конкретная схема размещения делянок стандартов менее важна, чем просто увеличение их числа, так как оно напрямую влияет на число степеней свободы ошибки [7].

С практической точки зрения, эта схема идеально подходит для случаев, когда у новых образцов мало семян или ограничены ресурсы, т.к. каждый новый сорт требует всего одну делянку, что экономит площадь и семенной материал. Несмотря на отсутствие повторов у новых линий, благодаря контролям можно статистически оценить превышает ли какая-то новая линия стандарт (через сравнение с контролем) и сравнить новые линии между собой, используя ошибку, оцениваемую по контролям.
/
Тем не менее, отсутствие повторностей у испытываемых генотипов – серьезный статистический недостаток. Фактически, оценка каждого нового образца базируется на единственном наблюдении, поэтому её точность низка из-за невозможности напрямую оценить дисперсию ошибки – она оценивается только по контролям, предполагая, что новые линии подвержены той же ошибке. Любой случайный фактор, повлиявший на одну делянку (например, микропочвенная неоднородность, очаг заболевания, погрешность измерения), непосредственно повлияет на вывод о данном генотипе. Также существует риск, что новые генотипы ведут себя иначе (например, более чувствительны к условиям), чем стандарты. Это накладывает дополнительные требования к выбору стандартов: желательно выбирать сорта представляющие разные типы реакции (например, устойчивость, скороспелость, пластичность); использовать PCA анализ или кластеризацию, чтобы стандарты охватывали максимально большое генетическое разнообразие.

Существуют также сложности со статистической оценкой. Обычно применяют сравнение каждого нового образца со стандартом внутри блока, через серию t-тестов с поправкой на множественное сравнение, например методом Бонефрони [8]. Также используют смешанные модели, где новые линии – случайные эффекты, а контролям позволено оценивать среднеквадратическую ошибку. Метод также не позволяет оценить специфическое взаимодействие новый образец × блок. Несмотря на эти ограничения, метод систематического размещения стандартов оправдывает себя как скрининговый инструмент, но решения по новым линиям обычно принимают с запасом, зная о возможных ошибках. При возможности в аналогичной ситуации лучше применять метод частичных повторений.


• Идеален для предварительного испытания большого числа новых линий при недостатке семян
• Позволяет заложить опыт даже в условиях тотальной нехватки семян у всех испытываемых генотипов, в отличие от метода частичных повторений
• Подходит как предварительный фильтр перед испытанием с полной блочной рандомизацией или с частичными повторениям

Распределенные схемы испытаний

Метод распределенных испытаний (sparse testing) – в строгом смысле не является способом размещения генотипов в опыте, а скорее алгоритмом распределения генотипов в многолокационных испытаниях. Способ проводить полевые испытания, при котором не все генотипы тестируются во всех местах. Вместо того чтобы сажать каждый образец в каждой локации с несколькими повторениями, мы умышленно уменьшаем число повторов и локаций для отдельных генотипов, чтобы охватить большее число новых линий и большее количество сред (G×E) при тех же ресурсах.

При правильном выборе стандартов и применении смешанных моделей дляанализа не уменьшает достоверность опыта. А при использовании геномных матриц родства (G-matrix) и предиктивных моделей, можно предсказывать поведение генотипа в тех местах, где он не был испытан.
* При 22 уникальных генотипах распределенная схема испытаний требует 40 делянок вместо 72 в классическом двухповторном варианте, что дает экономию площади 44,4%.

Метод распределенных испытаний применяется в сочетании с методами систематического размещения стандартов и частичных повторений, когда необходимо оценить широкий набор генотипов в большом числе локаций и агроклиматических условий при дефиците семенного материала.

• Позволяет получить данные испытаний в разных локациях на ранних этапах отбора без снижения точности опытов

Систематическое размещение генотипов

Систематическое размещение – это план опыта, при котором порядок генотипов на делянках задаётся не случайно, а по определенному правилу или заранее фиксированной последовательности, т.е. в таком размещении отсутствует рандомизация. В прошлом, до развития современной статистики, подобные упорядоченные схемы были распространены: опыты раскладывали “шахматно” или полосами без случайной перестановки. [10] Это делалось, чтобы упростить размещение или визуально сравнивать соседние варианты. Однако с позиций теории эксперимента такое расположение имеет серьёзный недостаток – неотделимость эффекта генотипа от систематических эффектов места. Если вдоль поля идёт градиент, а генотипы тоже расположены в определённом порядке, разница между соседними образцами будет неизбежно смешана с разницей условий. Без случайного перемешивания эксперимент не удовлетворяет требованию независимости ошибок, о чем приводились исследования начиная с 1950-х годов, например Доспеховым. [12]

Единственное достоинство систематического плана размещения – простота практической реализации, сев генотипов и повторностей происходит подряд согласно списку. В некоторых случаях такое расположение облегчает наблюдение всех повторностей, или, например, селекционер может сгруппировать родственные линии рядом, чтобы визуально оценивать вариабельность в семье. Однако с научной точки зрения достоинства (в части упрощения) перевешиваются недостатками. Отсутствие рандомизации делает результаты недостоверными для статистического анализа. Невозможно корректно оценить дисперсию ошибки, так как любые систематические отклонения условий попадут в ошибку и исказят выводы. [12] В частности, нельзя применять стандартные критерии значимости: разница средних может быть как следствием генотипических различий, так и следствием градиента почвы. Кроме того, в отсутствии рандомизации невозможно использовать большинство статистических моделей, основанных на предположении случайного размещения. Фактически, опыт с систематическим размещением сводится к демонстрации без строгих выводов, поэтому рекомендуется избегать систематических, нерандомизированных схем при закладке селекционных опытов, если стоит задача статистически сравнить генотипы. Исключение составляют лишь случаи, когда экспериментальные данные не будут подвергаться статистическому анализу, а нужны для других целей (например, демонстрационные посевы сортов для показов, или питомники размножения семян, где сравнение не проводится). Если по каким-то причинам провести полноценную рандомизацию затруднительно (например, на производственном поле), лучше использовать упрощенные схемы чересполосных посевов с повторением в разных местах поля, которые всё же допускают статистическую обработку. [13] В целом же систематическое размещение в селекции считается плохой практикой, способной ввести в заблуждение – в основном от неё отказались ещё в середине XX века. [10]

Не следует путать с упорядоченным блочным размещением - научно обоснованным размещением делянок в полевых опытах, повышающее точность, когда систематичность обуславливается размещением повторностей генотипов в схожих условиях с последующей их рандомизацией.

• Нельзя применять в научных опытах, требующих статистического анализа
• Может использоваться для демонстрационных участков, размножения или визуальной оценки
• При вынужденном использовании — необходимо проводить опыт в нескольких локациях в течении нескольких лет
• Желательно не допускать визуального соседства родственных генотипов, чтобы избежать смещения восприятия.

Рекомендации по выбору дизайна для программ селекции самоопылителей

Селекционные программы самоопыляющихся культур характеризуются большим числом исходных линий и относительно быстрым получением однородного материала. Это определяет стратегию опытов: на ранних этапах приходится испытывать сотни и тысячи новых линий, часто при ограниченном количестве семян каждой. Затем по мере отбора количество линий снижается, и можно применять более строгие схемы опытов.

На ранних стадиях обычно оценивают много генотипов (~500–5000) при жестком лимите ресурсов, поэтому оптимальны схемы с малым количеством повторений. Если семян совсем мало и невозможно делать повторности, лучше применить схемы с систематическим размещением стандартов – посеять все новые линии по одному разу, добавив ~5–10% делянок с контрольными сортами для калибровки поля. Такая схема даст информацию о каждой линии при минимуме затрат, хотя и с ограниченной точностью. Если же семян достаточно, чтобы хотя бы часть линий повторить, предпочтительнее метод частичных повторений – например, с дублированием 5–10% наиболее важных и репрезентативных генотипов. Это немного повысит точность и позволит оценить ошибку. Рандомизацию в этих опытах можно делать простую (случайное размещение повторных контрольных делянок обычно достаточно для надежного дизайна. Размещение более 1 повторности большинства генотипов на ранней стадии обычно не целесообразно; а при наличии ресурсов предпочтительнее разбить испытание на несколько локаций без повторений [4]. Это повышает шансы выявить устойчивые генотипы в разных условиях.

После предварительного отбора количество кандидатов резко снижается (до десятков), увеличивается объём семян и возникает задача точного сравнения лучших линий. На этом этапе для самоопылителей стандартом испытаний является рандомизированное блочное размещение или альфа-дизайн с полными повторениями. Рекомендуется проводить испытание линий как минимум в 2–3 повторностях в каждой локации. Выбор конкретной схемы зависит от масштаба опыта и выровненности поля: при числе генотипов до 30 и умеренной неоднородности поля достаточно полного рандомизированного блочного размещения; если же линий больше 30 или поле неравномерно неоднородное – лучше применять неполное блочное размещение – альфа-дизайн. В поздних этапах, например в конкурсном и государственном сортоиспытаними обычно используют полностью рандомизированное блочное размещение с 3–4 повторениями. Увеличение числа повторов сверх 4 в одной точке малоэффективно и обычно не применяется – лучше вместо этого добавить ещё одну локацию [4].

На примере селекции пшеницы рекомендуемые схемы опытов можно описать так:

Контрольный питомник
Объем: 500–5000 линий; повторения: 1+стандарт; локации: 1-3
Схема: с частичным повторением или систематическим размещением стандартов

Предварительное сортоиспытание
Объем: 100–500 линий; повторения: 2-3; локации: 3-4
Схема: с частичным повторением или альфа-дизайн

Экологическое сортоиспытание
Объем: 20–40 линий; повторения: 2-3; локации: 15-20 (3-8 локаций в рамках одной зоны)
Схема: альфа-дизайн или полное рандомизированное блочное размещение

Конкурсное сортоиспытание
Объем: 5–10 линий; повторения: 3-4; локации: 5-10
Схема: полное рандомизированное блочное размещение

Рекомендации по выбору дизайна для программ селекции перекрёстноопылителей

Селекция перекрестноопыляемых культур имеет свои особенности, влияющие на схемы сортоиспытательных опытов. Во-первых, конечным продуктом часто являются гибриды, и каждая комбинация генотипов – уникальный вариант, который нужно протестировать. Во-вторых, индивидуальные растения таких культур крупнее, требуют большей площади, а внутригенотипическая гетерогенность (для синтетиков или популяций) выше, чем у линий самоопылителей. Наконец, для гибридов крайне важна проверка в разных средах на взаимодействие с условиями (G×E). Исходя из этого, опытные схемы выстраиваются так, чтобы как можно раньше охватить больше окружающих сред, даже ценой сокращения повторностей в каждой из них.

На ранних этапах (тест комбинаций) в гибридной селекции, например кукурузы, на этапе испытания комбинационной способности создаётся множество новых гибридов (сотни) через скрещивание линий. Обычно ограничивающим фактором являются не достаточность семян, а является полевая площадь и время на испытание. Поэтому практикуется схема, когда очень много гибридов сразу высеиваются в нескольких местах по одному повторению. Вместо локального посева гибрида в нескольких повторениях, его высевают в 1 повторении, но в 5–10 разных локациях. Это можно рассматривать как распределенный многолокационный опыт с частичными повторениями: повторения каждого гибрида распределены по разным локациям, а не на одном поле. Исследования подтверждают эффективность такой схемы, она повышает вероятность отобрать лучшие комбинации [7]. В каждой локации обычно применяют блочную схему размещения с минимальными повторами. Если число гибридов в одной локации очень велико (сотни), то целесообразно применять альфа-дизайн для повышения точности внутри локации. Иногда используют пространственно-оптимизированные схемы, однако без полноценного рандомизации и стандартов такие схемы должны анализироваться специальными методами пространственной статистики [7].

После первого этапа испытаний гибридов в распределенных опытах с малым количеством повторений лучшие гибридные комбинации переходят в более тщательное испытание. Здесь особенно важно сочетание небольшого количества повторений и несколько локаций в каждой исследуемой агроклиматической зоне. Как правило, на второй год испытаний гибриды высевают в 8–12 локациях по схеме полного или неполного блочного размещения с не менее чем 2 повторениями в каждой локации. Это позволяет одновременно оценить средний уровень гибрида и его устойчивость к изменению условий. Чаще выбирают неполные блоки, потому что число гибридов как правило ещё довольно велико (>20), а неоднородность полей значительна. Стандарты включают в каждый опыт на равных с испытываемыми гибридами в аналогичном количестве повторений. Более 3 повторений на локацию не применяют – вместо этого расширяют географию. В итоге к конкурсному сортоиспытанию остаётся несколько кандидатов (до 10), которые оцениваются по полной программе в15–20 локаций по схеме полного рандомизированного блочного размещения в 3 повторениях, с сравнением с коммерческими стандартами.

В селекции перекрёстноопыляемых могут быть ситуации с популяциями или синтетическими сортами (например, в диплоидной ржи или в многолетних травах). Там испытания напоминают самоопылителей, с той разницей, что внутри каждого генотипа выше вариабельность, поэтому иногда увеличивают размер делянки или число повторов, чтобы снизить ошибку. Однако общие принципы дизайна остаются те же – сначала широкий охват (много генотипов, мало повторов, много мест при возможности), потом менее распределенное, но точное сравнение (меньше генотипов, больше повторов). Например, для открыто опыляемых культур рекомендуют минимум 3 повтора в ключевых локациях, даже если генотипов осталось мало, чтобы учесть гетерогенность внутри популяций.

Таким образом для перекрёстноопыляемых культур, аналогично самоопылителям, рационально применять методы частичных повторений или систематических стандартов с несколькими локациями на этапе массовых испытаний гибридов, и классические рандомизированные блочные размещения – на этапе углубленных испытаний. Такой набор дизайнов позволяет сперва охватить максимум генетической комбинации, а затем с высокой точностью оценить отобранные на предыдущем этапе. Главная особенность перекретсноопыляемых культур – более сильные G×E взаимодействия, поэтому схема испытаний должна раньше включать несколько сред, а не полагаться только на одну локацию. Последние исследования доказывают преимущество стратегий с использованием схем с частичным повторением в сочетании с распределенными многолокационными испытаниями, что позволяет повысить вероятность выявления лучших генотипов и ускоряет селекционный прогресс [7].

Правильный выбор схемы испытаний – критически важен для успеха селекции. Российская и зарубежная практика выработала гибкие подходы: от простых (но статистически обоснованных) планов для раннего грубого отбора до сложных блочных схем для поздних этапов. Общая тенденция – максимизировать информативность на каждом этапе, учитывая ограничения: когда генотипов тысячи – использовать частично повторяемые схемы, когда остались десятки – переходить к полным блокам. Для самоопылителей нужно делать упор на экономию площади, для перекрёстноопыляемых – на охват разных условий. Опираясь на изложенные принципы, селекционер может составить набор дизайнов для своей программы, который обеспечит и широту испытания, и статистическую достоверность результатов, тем самым ускорив выведение новых высокопродуктивных сортов.

Список литературы

1. Jagdish P. Bhati M.U. An overview of crops experimental designs: Comparing their layout arrangements, merits and limitations // Journal of South Pacific Agriculture, Vol. 16, No. 1 и 2, 2012.

2. Yates F. The design and analysis of factorial experiments. 35th ed. Harpenden: Imperial Bureau of Soil Science, 1937.

3. Horsley R. PLANT SCIENCES 724 - FIELD PLOT DESIGN I. Fargo: North Dakota State University, 2024. Курс лекций.

4. Christian R. Werner D. Design and analysis of field trials - 2. Theoretical background. Excellence in Breeding Platform, 2022. Практические рекомендации для селекции.

5. Omer Ozturk R.J.O.K. Order Restricted Randomized Block Designs // Journal of Agricultural, Biological and Environmental Statistics, Vol. 29, 2023. pp. 831-852.

6. Raegan Hoefler P.G.B.M.B.J.A.R.N.I.B.R.S.N.A.B.E.C.L.D.G.M.Q.&.L.G. Do Spatial Designs Outperform Classic Experimental Designs? // Journal of Agricultural, Biological, and Environmental Statistics, Vol. 25, No. 4, 2020. pp. 523-552.

7. M. F. Paget P.A.A.J.A.D.A.R.A.G.W.F.B.L.A.A. Replicate allocation to improve selection efficiency in the early stages of a potato breeding scheme // Euphytica, Vol. 213, 2017.

8. Design and analysis of field trials - 1. CGIAR, 2022. Практическое руководство по селекции.

9. Federer W.T. Augmented (or Hoonuiaku) Designs // Biometrics Unit Technical Reports, Vol. BU-74-M, 1956.

10. G. PETER Y. CLARKE K.T.S. OPTIMAL DESIGN FOR EARLY-GENERATION PLANT-BREEDING TRIALS WITH UNREPLICATED OR PARTIALLY REPLICATED TEST LINES // Australian & New Zealand Journal of Statistics, Vol. 53, No. 4, 2011. pp. 461-480.

11. Verdooren L.R. History of the Statistical Design of Agricultural Experiments // Journal of Agricultural, Biological, and Environmental Statistics, Vol. 25, No. 4, 2020. pp. 457-486.

12. Доспехов Б.А. Методика полевого дела. 1st ed. Москва: Колос, 1965.

13. Ben Marchant S.R.S.R.D.K.V.G.S.W.C.C.R.S.B. Establishing the precision and robustness of farmers’ crop experiments // Field Crops Research, Vol. 230, 2019. pp. 31-45.

14. Zhanglong Cao J.B.M.G.J.E.S.R. Optimal design for on-farm strip trials—systematic or randomised? // Field Crops Research, Vol. 318, 2024.