Badanie zmienności i współzależności cech użytkowych w kolekcji roboczej pszenicy ozimej (Triticum aestivum L.) za pomocą metod wielowymiarowych. Część II. Analiza składowych głównych na podstawie macierzy korelacji fenotypowych i genotypowych

W pracy przedstawiono dwa podejścia do badania zależności między cechami w kolekcji roboczej pszenicy ozimej wykorzystujące zastosowania metody głównych składowych (PCA). Pierwsze, klasyczne podejście, polegało na przeprowadzeniu PCA na podstawie macierzy współczynników korelacji fenotypowych tj. macierzy uzyskanej w oparciu o estymatory średnich fenotypowych z rozważanych lat, a następnie wyznaczeniu współczynników korelacji między składowymi, a wartościami estymatorów średnich dla rozważanych cech. Drugie podejście, przedstawione w pracy, polegało na wykonaniu analizy składowych głównych na macierzy współczynników korelacji genotypowych analizowanych cech, czyli macierzy korelacji pomiędzy nieobserwowalnymi efektami genotypowymi badanych cech. Podejście takie umożliwia zbadanie genetycznych uwarunkowań, niepodatnych na wpływy środowiska, pomiędzy badanymi cechami. Uzyskano dużą zbieżność wyników obu metod. Jednak zastosowanie PCA na podstawie macierzy korelacji genotypowych pozwoliło na wyjaśnienie ok. 15% zmienności wielocechowej, więcej niż przy zastosowaniu klasycznej metody PCA. Ponadto stwierdzono większe bezwzględne wartości współczynników korelacji badanych cech ze składowymi głównymi.

In the paper, the diversity among quantitative traits in the winter wheat germplasm working collection using Principal Component Analysis (PCA) was studied. Fifty-one genotypes (cultivars and clones) from the Plant Breeding and Acclimatization Institute, Department of Cereal Crops in Cracow, were evaluated in the years 1999–2002. Two approaches of the PCA were applied. The first, classical approach, involved the phenotypic correlation matrix, i.e. correlation coefficients between across year phenotypic means. In the second, new approach, application of genotypic correlation matrix, i.e. correlation coefficients matrix between the unobservable genotypic effects for considered traits in PCA, has been proposed. Coincident results were obtained using the above methods. However, the first three principal components obtained using the genotypic correlation matrix compared to the classical PCA accounted for 15% more of the overall variation among genotypes. Moreover, higher absolute values of correlation coefficients between principal components and the evaluated traits were recorded.