وبلاگ

اوپادایولا و همکاران در سال ۲۰۰۶، پیشنهاد کردند به علت پایین بودن وراثت پذیری عملکرد، گزینش غیر مستقیم برای عملکرد از طریق برخی صفات مربوط به بلال از قبیل تعداد دانه در ردیف، تعداد ردیف در بلال می تواند موثر باشد. عملکرد دانه تحت تاثیر شدید محیط قرار دارد و از وراثت پذیری پایین برخوردار است، لذا انتخاب مستقیم برای عملکرد دانه در نسل های در حال تفکیک غیر قابل اعتماد می باشد. بنابراین شناسایی صفاتی که همبستگی بالایی با آن داشته باشند و از وراثت پذیری بالایی برخوردار بوده و اندازه گیری آن ها راحت و کم هزینه باشد، برای اصلاح گران حایز اهمیت است.

رودز در سال ۱۹۹۲ نتیجه گرفت که فقط زمانی که مکان و عمل ژن ها معلوم شد پرسش مربوط به غالبیت در مقابل فوق غالبیت برای هر لکوس سهیم در هتروزیس حل خواهد شد.
طی تحقیقی به منظور برآورد هتروزیس و ترکیب پذیری در ذرت نشان داد که تقریبا بیش از ۵٠ درصد از دورگ ها در ارتباط با صفات مورد بررسی نسبت به والد برترشان هتروزیس نشان دادند. بیشترین مقدار متوسط هتروزیس برای عملکرد دانه و کمترین آن برای تعداد ردیف دانه به دست آمد. صفت تعداد روز از کاشت تا ظهور۵٠ درصد از گلهای تاجی هتروزیس منفی نشان داد. گر چه کلیه صفات از توارث پذیری عمومی بالائی برخوردار بودند (۸۵ درصد تا ۹۵ درصد) ولی توارث پذیری خصوصی آنها نسبتا پائین و کمترین آن مربوط به تعداد ردیف دانه و پس از آن عملکرد دانه به ترتیب (۲۳تا ۳۸ درصد) بود. بیشترین توارث پذیری خصوصی برای صفت تعداد روز از کاشت تا رسیدگی و به مقدار۷۴ درصد به دست آمد (رضایی و همکاران، ۱۳۸۴).
رضایی و همکاران در سال ۲۰۰۴ گزارش کردند که برای عملکرد دانه، بیشتر دو رگ ها نسبت به والد برتر هتروزیس نشان دادند، واسال و همکاران در سال ۱۹۹۳ گزارش کردند که برای این صفت، هتروزیس والد برتر در اکثر تلاقی ها پایین بود.
تولنار و همکاران در سال ۲۰۰۴ بیش ترین مقدار متوسط هتروزیس را برای صفت عملکرد دانه گزارش کردند (Tollenaar et al., 2004).
طی تحقیقی با عنوان مطالعه وراثت پذیری و همبستگی صفات کمی روی هیبریدهای سینگل کراس ذرت، بیش ترین درصد وراثت پذیری برای صفت عملکرد هزار دانه گزارش شد (Sujiprihati et al., 2003).
هشت لاین اینبرد ذرت را در شرایط مزرعه و گلخانه مطالعه گردید. این محققین نشان دادند که اثر ژن برای ارتفاع بوته و عملکرد دانه از نوع فوق غالبیت و برای طول بلال و تعدا برگ از نوع غلبه کامل می باشد. همچنین وراثت پذیری عمومی برای صفات ارتفاع بوته و عملکرد به ترتیب ۸۸ و ۷۴ درصد گزارش شد(Rood and Magor, 1981).
رویلا و همکاران در سال ۲۰۰۰ طی مطالعه خود روی اصلاح گروه های هتروتیکی ذرت شیرین با بهره گرفتن از تلاقی سه رقم ذرت اسپانیایی (su) و سه رقم ذرت شیرین (su) نشان دادند که اختلاف معنی داری در هتروزیس موثر و میانگین هتروزیس برای تمام صفات ( عملکرد دانه، ارتفاع بوته، تعداد دانه در ردیف) وجود دارد (Revilla et al., 2000).
دیکرت و همکاران طی مطالعه ای که روی درصد هتروزیس برای صفات کمی واریته های ذرت شیرین انجام گرفت، درصد هتروزیس متوسط برای صفت ارتفاع بوته ۹ درصد و برای ردیف دانه ۸/۰- درصد گزارش نمود (Dickert et al., 2002)، همچنین رولا و همکاران برای صفت ارتفاع بوته ۹/۷ درصد را اعلام نمودند (Revilla et al., 1997).
ارداس برای عملکرد واریته های اسپانیایی، درصد هتروریس متوسط را ۲۱ درصد گزارش نمود (Ordas, 1991).
گالارتا و الورز در سال ۲۰۰۱، در مطالعه خود قابلیت توارث بالایی برای صفات ارتفاع بوته و بلال، تعداد گره بلال، طول بلال، قطر بلال، تعداد دانه در ردیف و وزن چوب بلال گزارش شد. آن ها با بهره گرفتن از تجزیه کلاستر این ژرم پلاسم را در هفت گروه مختلف تقسیم بندی کردند (Galareta and Alvarez, 2001).
طی تحقیقی که با عنوان میزان ترکیب پذیری و هتروزیس در ذرت صورت گرفت، دامنه ی وراثت پذیری عمومی از ۱۶ درصد برای عمق دانه تا ۹۳ درصد برای تعداد ردیف دانه در بلال گزارش شد، همچنین بیش ترین مقدار درصد هتروزیس برای عملکرد دانه (۳۹/۴۸ درصد) و کمترین مقدار آن برای طول بلال (۱۶/۱ درصد) می باشد.
طی مطالعه ای درصد تغییرات هتروزیس برای صفات عملکرد دانه، تاریخ ظهور تاسل، تاریخ ظهور رشته های ابریشمی، ارتفاع بوته، ارتفاع بلال به ترتیب: ۱۱/۹تا (۶۰/۱۷-)، (۳۹/۰- ) تا (-۵۰/۱۵)، (۱۶/۱) تا (۳۶/۱۲-)، (۶۹/۱) تا (۷۳/۳۷-)، (۳۴/۴) تا (۳۴/۳۳-) بود، که برای صفات تاریخ ظهور تاسل و رشته های ابریشمی هتروزیس منفی و معنی دار گزارش شد ((Maryam and Jones, 1985.
گانگولی و همکاران در سال ۱۹۸۹، نیز برای این دو صفت هتروزیس منفی و معنی دار اعلام کردند (Ganguli et al., 1989)
دبنات در سال ۱۹۹۲، طی مطالعه خود در بین ۲۱ واریته و ۵ تلاقی برای صفت عملکرد دانه، هتروزیس مثبت و معنی دار با درصد ۷۱/۹ برای تلاقی Q₂ * Q₃ گزارش نمود (Debnath, 1992).
روی و همکاران در سال ۱۹۹۸، نیز برای عملکرد دانه هتروزیس مثبت و معنی دار اعلام کردند (. (Roy et al., 1998
تولید واریته‎های هیبرید ذرت و قابلیت ترکیب‎پذیری
بهترین روش اصلاحی جهت افزایش عملکرد ذرت در واحد سطح تولید ارقام هیبرید است (Hallauer and Miranda, 1988). این روش عمدتاً بر فرضیه وجود هتروزیس در نتاج حاصل از دورگ ‌گیری استوار می‌باشد و بنابر این بدلیل محدود بودن سطح زیر کشت، راندمان تولید افزایش یافته که این خود هدف اصلی در خود کفائی کشاورزی است. از طرف دیگر به خاطرکمبود زمین زراعی و منابع آبی می‌توان با بهره گرفتن از سیستم چند کشتی در سال، حداکثر استفاده از زمین زراعی را برد و برای این منظور هیبریدهای زود رس پیشنهاد می‌شود که بتوان آنها را بعد از برداشت غلات کشت نمود و ثانیاً آن که با افزایش تراکم، کمبود عملکرد هیبریدهای زود رس نسبت به هیبریدهای دیر رس را جبران کرد (Poehlman, 1986).
رمز موفقیت در تهیه واریته‎های هیبرید به توانایی به‎نژادگر در دست‌یابی به ترکیب مناسبی از لاینهای خالص جهت ایجاد هیبرید‎های برتر بستگی دارد. برای این منظور بهتر است از لاینهای اینبردی استفاده گردد که به دلیل خلوص و فاصله ژنتیکی‌ آنها (که سبب هتروزیس بیشتر در نتاج می‌شوند)، دارای قدرت ترکیبی مناسبی برای صفات مطلوب مورد نظر باشند تا ترکیب ژنی صفات خود را به نتاج منتقل کند. برای این منظور نیاز به ارزیابی لاینها از لحاظ قدرت ترکیب‎پذیری‎ و اثرات ژنی کنترل کننده صفات می‎باشد تا بر اساس این پارامترها بتوان لاینهای مطلوب را انتخاب کرد (Hallauer and Miranda, 1988).
قدرت ترکیب پذیری عبارت از توانایی نسبی یک لاین اینبرد یا یک توده در انتقال یک یا چند صفت مطلوب به نتاج می باشد. لاینهایی که قدرت انتقال بیشتری برای صفات مطلوب خود داشته باشند هیبرید مطلوب‎تری تولید می کنند زیرا انتظار می‌رود با تجمع صفات مطلوب دو یا چند لاین در یک هیبرید، برتری نسبت به والدین حاصل گردد که همان هتروزیس است. بنابراین باید در مرحله اول قدرت ترکیب پذیریها مشخص گردد تا بر این اساس از لاینهای برتر برای تهیه هیبرید استفاده شود (Hallauer and Miranda, 1988).
قدرت ترکیب پذیری به دو نوع قدرت ترکیب پذیری عمومی وخصوصی تقسیم می شود. قدرت ترکیب پذیری عمومی به قدرت نمایش متوسط یک لاین در تعدادی از دو‎رگها اطلاق می‌شود و از اثرات افزایشی ژنها نشأت می گیرد. قدرت ترکیب پذیری خصوصی به توان یک لاین خاص در ترکیب معین گفته می شود و متشکل از اثرات غالبیت واپیستازی ژنها است. در یک برنامه‎ای اصلاحی موفق جهت ایجاد هیبریدهای جدید هر دو نوع ترکیب پذیری اهمیت دارند (Hallauer and Miranda, 1988).
برای ارزیابی و تعیین بهترین هیبرید بایستی ترکیب پذیری عمومی و ترکیب پذیری خصوصی را به دست آورد، به این معنی که در تهیه هیبرید ها باید از هر دو واریانس افزایشی و غیر افزایشی استفاده شود (Sing et al., 1998)، در حالی که توانایی ترکیب پذیری خصوصی انعکاس اهمیت اثر غیر افزایشی در ترکیب هیبریدهای حساس است (Basal and Turgut, 2005).
تجزیه های چند متغیره
تجزیه‌های فوق، از جمله روش های تجزیه یک متغیره می‌باشند، زیرا فقط با تجزیه تغییرات در یک متغیر تصادفی سر و کار دارند. این موضوع حتی در مورد رگرسیون چندگانه نیز صدق می‌کند، چون در این روش فقط تغییرات یک متغیر وابسته مد نظر می‌باشد. برعکس هدف کلی از تجزیه چند متغیره، در نظر گرفتن چندین متغیر تصادفی بطور همزمان می‌باشد که با یکدیگر در ارتباط بوده و هر یک از آنها در ابتدای تجزیه داده‌ها از نظر محقق دارای اهمیت یکسانی هستند.
تجزیه خوشه‌ای تجزیه خوشه‌ای
دلایل زیادی را می‌توان برای ارزشمند بودن تجزیه خوشه‌ای^[۸] ارائه داد. اولاً تجزیه خوشه‌ای می‌تواند در پیدا کردن گروه های واقعی کمک ساز باشد. ثانیاً تجزیه خوشه‌ای می‌تواند برای کاهش داده‌ها مفید باشد.
الگوریتم‌های زیادی برای تجزیه خوشه‌ای پیشنهاد شده است. دو نوع خاص آن عبارتند از:
روش های طبقاتی
این روش ها در نهایت دندروگرامی را ایجاد می‌کنند. این روش ها با محاسبه فاصله هر فرد یا صفت از سایر افراد یا صفات شروع می‌شود. سپس گروه های افراد یا صفات با بهره گرفتن از فرایند تجمعی یا تقسیم تشکیل می‌گردند. در روش تجمعی، هر فرد یا صفت در ابتدا یک گروه مجزا را تشکیل می‌دهد. سپس گروه های نزدیک به‌هم به تدریج ترکیب می‌شوند تا در نهایت کلیه افراد در یک گروه قرار می‌گیرند. سپس این گروه به دو گروه و دو گروه به چند گروه به نحوی تقسیم می‌شوند که در نهایت هر فرد در گروه خود جای گیرد (مقدم و همکاران، ۱۳۷۳).
روش های تقسیم بندی
در این حالت افراد را می‌توان در مراحل مختلف به گروه ها وارد یا از آنها خارج نمود. برای شروع، تعدادی از مراکز گروهی کم و بیش اختیاری انتخاب و افراد را در گروه هایی که به مراکز آنها نزدیکتر هستند قرار می‌دهند، سپس مراکز جدید با افراد موجود در هر گروه محاسبه می شوند. در این صورت اگر یک فرد به مرکز گروه جدیدی نزدیکتر از گروه خود باشد به آن گروه جدید منتقل می‌گردد. پس گروه های نزدیک با هم ترکیب و گروه های دور از هم تفکیک می‌شوند. عملیات تکرار می‌گردد تا این که یک حالت پایدار با تعداد گروه های از پیش تعیین شده به دست آیند (مقدم و همکاران، ۱۳۷۳).
در روش های طبقاتی برای محاسبه ی ضرایب فاصله یا تشابه در صفات کمی روش های متفاوتی وضریب متوسط فاصله اقلیدسی^[۹]، ضریب تفاوت شکل، ضریب کسینوس^[۱۰]، ضریب همبستگی^[۱۱]، ضریب متریک کامبرا^[۱۲]، ضریب بری^[۱۳] و فاصله مینسکاوسکی^[۱۴].
روش های طبقاتی شامل روش های تجمعی و روش تقسیم می‌باشند. روش های تجمعی انواع مختلفی دارد که پاره ای از آنها شامل روش‌های دسته‌بندی: همبستگی منفرد^[۱۵]، همبستگی کامل^[۱۶]، همبستگی متوسط^[۱۷]، روش محوری^[۱۸]، میانه^[۱۹] و روش دسته ‌بندی حداقل واریانس^[۲۰] می‌باشد (مقدم و همکاران، ۱۳۷۳؛ خواجه نوری، ۱۳۷۲؛ رضایی و سلطانی، ۱۳۸۲).
لی و همکاران در سال۲۰۰۵ در بررسی چندین صفت کمی در هیبرید دانه سخت ذرت ۱۰ کلاستر جهت گروه بندی به دست آوردند. روش هایی که در کلاستر بندی هیبریدها استفاده نمودند شامل همبستگی کامل و حداقل واریانس Ward بود (Lee et al., 2005).
در تحقیقی دیگر که توسط کریمی زاده و همکاران در سال ۱۳۸۵ در طی دو سال در چهار منطقه بر روی پایداری هیبریدهای زودرس ذرت انجام شد، با بهره گرفتن از چهار روش تجزیه خوشه ای اثر متقابل ژنوتیپ و محیط را بررسی کردند.
تجزیه به مؤلفه‌های اصلی
تکنیک تجزیه به مؤلفه‌های اصلی^[۲۱] برای اولین بار توسط کارل پیرسون در سال۱۹۹۰، شرح داده شد. وی معتقد بود که این روش راه‌حل مناسبی برای برخی از مسائل مورد توجه دانشمندان بیومتری می‌باشد. با وجود این، پیرسون یک روش علمی برای محاسبه بیش از دو یا سه متغیر را ارائه نمود. روش های محاسبات عملی سالها بعد توسط هتلینگ در سال ۱۹۳۳، توضیح داده شد.
تجزیه به مؤلفه‌های اصلی (PCA) روشی است که ابعاد داده‌ها را به وسیله ی اجزای یک ماتریس کوواریانس بین متغیرها کاهش می‌دهد. هدف از این تجزیه، یافتن ترکیباتی از متغیرهای تحت تجزیه جهت ایجاد شاخص‌های مستقل (غیر‌همبسته) می‌باشد. عدم همبستگی بین این شاخص‌ها (مؤلفه‌ها) یک ویژگی مفیدی است، زیرا عدم همبستگی به‌این معنی است که مؤلفه‌ها جنبه‌های متفاوتی از داده‌ها را اندازه‌گیری می‌نمایند (خواجهنوری، ۱۳۷۲؛ رضایی و سلطانی، ۱۳۸۲).
محاسبات آماری باید به گونه‌ای انجام گیرد که مؤلفه اول بیشترین تغییرات داده‌ها و به همین ترتیب مؤلفه دوم پس از مؤلفه اول بیشترین تغییرات در جنبه دیگر داده‌ها را داشته باشد و این موضوع همچنان ادامه دارد تا مؤلفه آخر و باید به‌گونه‌ای باشد که بتوان برخی از مؤلفه‌ها را به‌خاطر واریانس کم حذف نمود. کاهش تعداد متغیر‌ها بستگی به همبستگی بین آنها دارد. اگر همبستگی بین متغیر‌ها بالا باشد تعداد زیادی متغیر به تعداد کمی مؤلفه کاهش می‌یابد، ولی اگر بین متغیر‌ها همبستگی وجود نداشته باشد تعداد متغیر کاهش نمی‌یابند. در تجزیه مؤلفه‌های اصلی به تعداد متغیر‌ها، مؤلفه اصلی وجود دارد ولی تعداد مؤلفه‌هایی که بیشترین تغییرات را توجیه می‌کنند، حائز اهمیت می‌باشد (مقدم و همکاران، ۱۳۷۳).
در آزمایشی فروزش و همکاران در سال ۱۳۷۹ با انجام تجزیه به مؤلفه های اصلی برای یک سری صفات مرتبط با عملکرد دانه برای دو گروه ارقام فوق العاده زودرس و خیلی زودرس ذرت دانه ای تنها ۲ مؤلفه اصلی را شناسایی کردند که بیش از ۷۸ درصد کل واریانس موجود بین هیبریدها را توجیه می کرد.
احمد زاده در سال ۱۳۷۶ به منظور تعیین بهترین شاخص مقاومت به خشکی، تعداد ۱۴ لاین برگزیده ذرت تحت دو شرایط تنش و بدون تنش، پس از تجزیه به مؤلفه های اصلی، تنها دو مؤلفه را که بیش از ۹۹ درصد از تغییرات کل داده ها را توجیه می کردند را شناسایی کرد. ایشان مؤلفه اول را که حدود ۵۴. ۷۵ درصد از تغییرات را به خود اختصاص می داد را به نام مؤلفه پتانسیل عملکرد و تحمل به تنش نام گذاری نمود، چرا که این مؤلفه دارای همبستگی بالایی با عملکرد در دو شرایط تنش و بدون تنش، شاخص های مقاومت به خشکی MP، Harm، GMP و STI داشت. هم چنین مؤلفه دوم را به دلیل داشتن همبستگی بالا و معنی دار با شاخص های SSI و TOL به نام عامل حساسیت به تنش نام گذاری کردند که در حدود۱۷/۲۴ درصد از تغییرات کل را توجیه می کرد.
تجزیه به عامل‌ها
همبستگی بین دو صفت همیشه به صورت رابطه علت و معلولی نیست، همبستگی بسیاری از صفات به این دلیل است که این صفات تحت تأثیر عوامل مشترک می‌باشند. یعنی عوامل تأثیر‌گذار مشترک باعث ایجاد همبستگی مشترک شود که به اینها عامل‌ها یا فاکتورهای مشترک می‌گویند. این عوامل ممکن است منشاء ژنتیکی و غیره داشته باشد (مقدم و همکاران، ۱۳۷۳).
از طریق روش تجزیه به عامل‌ها ^[۲۲] این عوامل را می‌توان کشف کرد و میزان تأثیر هر عامل در هر صفت و ژنوتیپ را تعیین نمود. تجزیه به عامل‌ها برای اولین بار توسط چارلز اسپیرمن در سال۱۹۰۴ ابداع گردید. تجزیه به عامل‌ها همچون تجزیه به مؤلفه‌های اصلی برای کاهش تعداد متغیر‌ها استفاده می‌شود. در تجزیه به عامل‌ها، متغیر‌ها به وسیله یک سری عوامل مشترک به هم ربط پیدا می‌کنند که همبستگی بین متغیر‌ها از عوامل ژنتیکی، بیرونی و فرضی ناشی می‌شود. در واقع هر عدد مربوط به یک متغیر تحت تأثیر دو نوع عامل است که شامل عامل‌های مشترک و اختصاصی می‌باشد. هر یک از عوامل مشترک حداقل در دو متغیر مؤثر می‌باشند. عوامل اختصاصی از جمله عوامل مختص همان متغیر می‌باشند. عامل‌های مشترک مستقل از هم می‌باشد. از طریق تجزیه به عامل‌ها می‌توان عامل‌ها‌ی مشترک متأثر در متغیرها را شناسایی کرد (مقدم و همکاران، ۱۳۷۳؛ رضایی و سلطانی، ۱۳۸۲).
برای تجزیه به عامل‌ها اولین مرحله محاسبه ضرایب عامل‌ها می‌باشد که به چند روش انجام می‌شود یکی از روش هایی که معمولاً مورد استفاده قرار می‌گیرد روش استفاده از مؤلفه‌های اصلی (PFA)^[23] می‌باشد، در این روش ابتدا یکسری از مؤلفه‌ها را که دارای واریانس بیشتری می‌باشند انتخاب کرده و معمولاً آن مؤلفه‌هایی را که دارای مقدار مشخصه بیشتر از یک می‌باشند را انتخاب می‌کنند دلیل این امر این است که در تجزیه به مؤلفه‌های اصلی اجزای قطر اصلی ماتریس کوواریانس _ واریانس متغیر‌های استاندارد شده (ماتریس همبستگی متغیر‌ها) یک می‌باشند و جمع آنها برابر تعداد متغیرها می‌باشد. از سوی دیگر می دانیم که اثر ماتریس برابر جمع مقادیر ویژه یا واریانس مؤلفه‌ها می‌باشند بنابراین به‌راحتی آن مؤلفه‌های دارای واریانس بزرگتر از یک انتخاب و کوچکترها را حذف و چون این مؤلفه‌ها تغییرات زیادی از داده‌ها را توجیه می‌کنند (مقدم و همکاران، ۱۳۷۳).
برای محاسبه بهتر عامل‌ها و ضرایب آنها باید چرخش اورتوگونال یا همبسته انجام گیرد. از بین چرخش‌های اورتوگونال معمولاً چرخش وریماکس انتخاب می‌شود. این چرخش بر این اساس استوار است که واریانس مربع ضرایب هر عامل به بیشترین مقدار خود برسد چون در این صورت است که می توان گفت ضرایب نزدیک به صفر و نزدیک به یک می‌باشند و تفسیر راحت‌تر و بهتر می‌شود، پس از چرخش میزان اشتراک ما تغییری نمی‌کند (خواجهنوری، ۱۳۷۲).
تجزیه به عامل‌ها به‌عنوان یک هنر محسوب می‌شود. از تجزیه به عامل‌ها به‌طور وسیع برای تجزیه داده‌ها استفاده می‌شود و بدون شک بطور گسترده‌ای در آینده نیز استفاده خواهد شد، زیرا به نظر می‌رسد این تکنیک برای درک عمیق ساختار داده‌های چند متغیره مفید باشد. اگر تجزیه به عامل‌ها به‌عنوان روش کاملاً توصیفی در نظر گرفته شود، در آن صورت می‌بایست بعنوان یکی از روش‌های چند متغیره مهم جای خود را پیدا نماید (مقدم و همکاران، ۱۳۷۳).
زینالی و همکاران در سال ۱۳۸۴ در تحقیقی روی ۲۵ رقم هیبرید سینگل کراس ذرت دانه ای پس از اندازه گیری ۲۴ صفت و انجام تجزیه عاملی از طریق تجزیه به مؤلفه های اصلی و چرخش وریماکس روی عامل موقت، در مجموع ۷ عامل مستقل را که ۵/۷۹ درصد از تغییرات داده ها را توجیه می کرد را شناسایی کردند. ایشان عامل اول را که ۸/۲۴ درصد از کل واریانس داده ها را توجیه می کرد را به دلیل وجود ضرایب عاملی بالا برای صفات تعداد روز تا ۵۰ درصد گرده دهی، تعداد روز تا ظهور گل تاجی، تعداد روز تا ظهور کاکل و گل تاجی، خصوصیات فنولوژیکی نامیدند. همچنین دیگر عامل ها را به ترتیب اندازه برگ بلال، رشد گیاه، اجزای عملکرد، خصوصیات چوب بلال و عامل ASI نام گذاری کردند.
رفیعی و همکاران در سال ۱۳۸۱ به منظور بررسی میزان تاثیر تنش خشکی و عناصر غذایی روی عملکرد دانه ذرت در سال زراعی آزمایشی را انجام دادند. آنها نشان دادند که تنش خشکی و عناصر غذایی با تاثیر منفی بر اجزای عملکرد، عملکرد دانه را بیشتر از عملکرد بیولوژیکی کاهش می دهد و در نتیجه موجب کاهش شاخص برداشت می گردد. آنها همچنین با بهره گرفتن از تحلیل چند متغیره و تجزیه واریانس به عامل ها مشخص کردند که از میان ۱۳ عامل ارائه شده، چهار عامل اول حاوی بیش از ۹۰ درصد تغییرات بوده به طوری که عامل اول به تنهایی ۳۴ درصد تغییرات را به خود اختصاص داده و در آن صفات طول بلال، تعداد دانه و شاخص برداشت بیشترین ضرایب را دارا بودند.
در تحقیقی دیگر رمضانی و همکاران در سال ۱۳۸۷ روی هیبریدهای ذرت با بهره گرفتن از تجزیه به عامل ها و دوران وریماکس نشان دادند که ۴ عامل مستقل، مجموعا ۰۳/۹۸ درصد از تغییرات کل داده ها را توجیه کردند. بر اساس نمودار پراکنش حاصل از دو عامل اصلی اول که عامل های خصوصیات فنولوژیکی و عملکرد نامگذاری کردند.