Роль статистики в изучении разнообразия коллекции генетических ресурсов растений ВИР

Биологическая статистика начала развиваться синхронно с формированием первых коллекций генетических ресурсов растений (ГРР) в конце XIX – начале XX в. С момента создания коллекции ГРР ВИР в полевых и лабораторных условиях с использованием всего доступного диапазона экспериментальных методов ведется оценка разнообразия генофонда по фенотипическим и генотипическим показателям, выделение образцов с заданным набором характеристик для конкретных задач селекции. Ключевым вопросом параметризации образцов является выбор адекватного задаче метода статистического исследования. Целью данного обзора является сводка типовых статистических задач, возникающих при работе с фенотипическими оценками коллекций ГРР, и соответствующих им методов.
При анализе коллекций ГРР базовым элементом является определение качественных и количественных характеристик образцов. Методы описательной статистики позволяют оценить средние значения и стабильность хозяйственно ценных признаков на основе нескольких лет изучения в одном или нескольких пунктах. Эти показатели сводятся в базы, публикуются в каталогах, постоянно издаваемых ВИР, используются при выделении перспективных образцов для задач селекции. Часто встает задача сравнения групп образцов разных видов, разного географического происхождения, результатов испытания в разных эколого-географических условиях, жизнеспособности при разных условиях хранения и т. д. Проверка гипотезы о различии нескольких признаков или вариантов опыта по выборочным данным осуществляется с использованием t-критерия Стьюдента, дисперсионного анализа. Активно развиваются современные методы оценки взаимодействия «генотип × среда».
Выявление погодно-климатических факторов, влияющих на хозяйственно ценные признаки образцов, такие как урожайность, крупнозерность, устойчивость к биотическим и абиотическим факторам, показатели качества, установление взаимосвязей этих признаков, которые необходимо учитывать при создании сорта заданной модели, осуществляются методами корреляционно-регрессионного анализа. Начавшееся в 1970-х гг. активное потепление климата вызвало интерес биологов к определению трендов урожайности сортов, использованию методов анализа временных рядов в регрессионном моделировании.
При описании объемной коллекции ГРР, исследовании филогенетических связей, выделении репрезентативной выборки, создании core-коллекций возникает задача структурирования коллекции, выделения групп схожих образцов. Задача классификации решается методами классификации без обучения, в частности кластерного анализа, или с обучением, например дискриминантного анализа.
При анализе образцов ГРР по большому количеству показателей стоит задача выявления наиболее информативных показателей, то есть снижения размерности пространства признаков, которая решается методами анализа главных компонент или факторного анализа с переходом от реальных измеренных переменных к небольшому количеству гипотетических величин, называемых факторами. Изучение коллекций ГРР все более выходит за рамки классических полевых наблюдений урожайности, для которых в начале XX в. разработали методы биостатистики, основанные на предположении о нормальном характере распределения. В середине XX в. появились непараметрические аналитические методы и ресемплинг-методы имитационного компьютерного моделирования для решения тех же предметных задач.
Развитие компьютеров позволило создать интегрированные дата-платформы, собирающие огромные массивы разноплановых характеристик ГРР, масштабировать сложные многомерные методы, доступные только математикам, на широкий круг исследователей в различных предметных областях. Методы биостатистики, относящиеся к фенотипическим данным, продолжают развиваться, обеспечивая совершенствование оценки потенциала коллекций ГРР и являясь неотъемлемой информационной поддержкой современного геномного анализа.

1. Афанасьев В.Н., Юзбашев М.М., Гуляева Т.И. Эконометрика. Москва: Финансы и статистика; 2006.

2. Anderson M.J. Permutational multivariate analysis of variance (PERMANOVA). In: N. Balakrishnan, T. Colton, B. Everitt, W. Piegorsch, F. Ruggeri, J.L. Teugels (eds). Wiley StatsRef: Statistics Reference Online. Hoboken, NJ: John Wiley & Sons, Ltd.; 2017. p.1-15. DOI: 10.1002/9781118445112.stat07841

3. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: классификация и снижение размерности. Москва: Финансы и статистика; 1989.

4. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: исследование зависимостей. Москва: Финансы и статистика; 1985.

5. Айвазян С.А., Мхитарян В.С. Прикладная статистика в задачах и упражнениях. Москва: Юнити-Дана; 2001.

6. Боровиков В.П. Популярное введение в современный анализ данных в системе STATISTICA. Москва: Горячая линия – Телеком; 2013.

7. Боровиков В.П. STATISTICA. Искусство анализа данных на компьютере: для профессионалов. 2-e изд. Санкт-Петербург: Питер; 2003.

8. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. Вып. 1. Москва: Мир; 1974.

9. Доспехов Б.А. Методика полевого опыта (с основами статистической обработки результатов исследований). 5-е изд. Москва: Агропромиздат; 1985.

10. Дубров А.М., Мхитарян В.С., Трошин Л.И. Многомерные статистические методы. Москва: Финансы и статистика; 2003.

11. Eberhart S.A., Russell W.A. Stability parameters for comparing varieties. Crop Science. 1966;6(1):36-40. DOI: 10.2135/cropsci1966.0011183X000600010011x

12. Ефимов В.М., Ковалева В.Ю. Многомерный анализ биологических данных: учебное пособие. 2-е изд. Санкт-Петербург: ВИЗР; 2008.

13. Ефимова М.Р., Петрова Е.В., Румянцев В.Н. Общая теория статистики: учебник. 2-е изд. Москва: ИНФРА-М; 2007.

14. Елисеева И.И., Изотов А.В., Капралова Е.Б., Флуд Н.А., Щирина А.Н. Статистика / под ред. И.И. Елисеевой. Москва: КНОРУС; 2006.

15. Елисеева И.И., Курышева С.В., Костеева Т.В., Пантина И.В., Михайлов Б.А., Нерадовская Ю.В., Штрое Г.Г., Бартелс К., Рыбкина Л.Р. Эконометрика / под ред. И.И. Елисеевой. Москва: Финансы и статистика; 2007.

16. Статистические методы для ЭВМ / под ред. К. Энслейна, Э. Рэлстона, Г.С. Уилфа. Москва: Наука; 1986.

17. Глотов Н.В., Животовский Л.А., Хованов Н.В., Хромов-Борисов Н.Н. Биометрия. Ленинград: Ленинградский государственный университет; 1982.

18. Iler A.M., Inouye D.W., Schmidt N.M., Høye T.T. Detrending phenological time series improves climate–phenology analyses and reveals evidence of plasticity. Ecology. 2017;98(3):647-655. DOI: 10.1002/ecy.1690

19. Халафян А.А. Statistica 6. Статистический анализ данных. Москва: Бином; 2010.

20. Хижняк С.В., Пучкова Е.П. Математические методы в агроэкологии и биологии: учебное пособие. Красноярск: Красноярский государственный аграрный университет; 2019.

21. Кильчевский А.В., Хотылева Л.В. Генотип и среда в селекции растений. Минск: Наука и техника; 1989.

22. Малиновский Л.Г. Классификация объектов средствами дискриминантного анализа. Москва: Наука; 1979.

23. Новикова Л.Ю. Методы статистической обработки фенотипических данных коллекций генетических ресурсов растений. Санкт-Петербург: ВИР; 2024.

24. Пакудин В.З. Параметры оценки экологической пластичности сортов и гибридов. В кн.: Теория отбора в популяциях растений / под ред. Л.В. Хотылевой. Новосибирск: Наука; 1976. С.178-189.

25. Резник А.Д. Книга для тех, кто не любит статистику, но вынужден ею пользоваться. Непараметрическая статистика в примерах, упражнениях и рисунках. Санкт-Петербург: Речь; 2008.

26. Шеффе Г. Дисперсионный анализ. Москва: Государственное издательство физико-математической литературы; 1963.

27. Симчера В.М. Методы многомерного анализа статистических данных. Москва: Финансы и статистика; 2008.

28. Сиротенко О.Д. Основы сельскохозяйственной метеорологии. Т. II. Методы расчетов и прогнозов в агрометеорологии. Книга 1. Математические модели в агрометеорологии: учебное пособие. Обнинск: ВНИИГМИ-МЦД; 2012.

29. Вучков И., Бояджиева Л., Солаков Е. Прикладной линейный регрессионный анализ. Москва: Финансы и статистика; 1987.

30. Вуколов Э.А. Основы статистического анализа: практикум по статистическим методам и исследованию операций с использованием пакетов STATISTICA и EXCEL. Москва: ФОРУМ; 2004.

31. Yan W., Hunt L.A., Sheng Q., Szlavnics Z. Cultivar evaluation and mega-environment investigation based on GGE biplot. Crop Science. 2000;40(3):596-605. DOI: 10.2135/cropsci2000.403597x

32. Зайцев Г.Н. Методика биометрических расчетов. Математическая статистика в экспериментальной ботанике. Москва: Наука; 1973.

33. Zobel R.W., Wright A.J., Gauch Jr. H.G. Statistical analysis of a yield trial. Agronomy Journal. 1988;80(3):388-393. DOI: 10.2134/agronj1988.00021962008000030002x