Growth in the niche market of popped grain sorghum [Sorghum bicolor (L.) Moench] has increased the demand for grain sorghum lines or hybrids with improved popping quality. While there is a clear morphological difference in kernel morphology between popcorn [Zea mays L. everta] and most other types of corn, most grain sorghum genotypes have kernels with generally similar morphological structure. The absence of a specific kernel morphology for sorghum makes it impossible to eliminate types of grain sorghum that will not pop based solely on that morphology. Consequently, screening of any sorghum genotype requires the actual popping of grain from that genotype. As such, the identification of traits or combinations thereof that effectively screen grain sorghum genotypes for popping efficiency (PE), expansion ratio (ER), flake size (FS), and popped density (PD) is necessary. Herein, grain from 78 diverse genotypes grown in two environments were characterized for physical (i.e., diameter, thousand kernel weight, kernel hardness index, test weight, and visual hardness rating), compositional (i.e., starch, fiber, fat, ash, and protein), and popping characteristics (i.e., PE, ER, FS, and PD). No single physical or compositional trait was sufficiently correlated to prediction of popping performance. Multi-trait models better predicted popping performance than the single trait correlations. Further, multi-trait models using compositional predictors increased prediction accuracies by 10.1% for PE, 42.9% for ER, 24.4% for FS, and 40.6% for PD compared with physical predictors. Among subgroups of genotypes, prediction accuracies varied considerably based on the criteria used to subdivide the genotypes. In conclusion, indirect selection for popping performance is possible by leveraging specific multi-trait models.

中文翻译：

---

评估籽粒特性以预测高粱爆裂性能

爆米花高粱 [ Sorghum bicolor (L.) Moench] 利基市场的增长增加了对爆米品质提高的粮食高粱品系或杂交品种的需求。虽然爆米花 [ Zea mays之间的籽粒形态存在明显的形态差异L. everta] 和大多数其他类型的玉米，大多数高粱基因型的籽粒具有大致相似的形态结构。由于缺乏特定的高粱籽粒形态，因此不可能消除仅基于该形态不会爆裂的高粱类型。因此，筛选任何高粱基因型都需要从该基因型中实际弹出谷物。因此，需要鉴定能有效筛选高粱基因型的爆裂效率 (PE)、膨胀率 (ER)、薄片大小 (FS) 和爆裂密度 (PD) 的性状或其组合。在此，来自在两种环境中生长的 78 种不同基因型的谷物的物理特征（即直径、千粒重、内核硬度指数、容重和目测硬度等级）、成分（即淀粉、纤维、脂肪、灰分和蛋白质）和爆裂特性（即 PE、ER、FS 和 PD）。没有单一的物理或成分特征与爆裂性能的预测充分相关。多性状模型比单性状相关性更好地预测弹出性能。此外，与物理预测因子相比，使用成分预测因子的多特征模型将 PE 的预测准确度提高了 10.1%，ER 提高了 42.9%，FS 提高了 24.4%，PD 提高了 40.6%。在基因型的亚组中，根据用于细分基因型的标准，预测准确性差异很大。总之，通过利用特定的多特征模型，可以间接选择弹出性能。没有单一的物理或成分特征与爆裂性能的预测充分相关。多性状模型比单性状相关性更好地预测弹出性能。此外，与物理预测因子相比，使用成分预测因子的多特征模型将 PE 的预测准确度提高了 10.1%，ER 提高了 42.9%，FS 提高了 24.4%，PD 提高了 40.6%。在基因型的亚组中，根据用于细分基因型的标准，预测准确性差异很大。总之，通过利用特定的多特征模型，可以间接选择弹出性能。没有单一的物理或成分特征与爆裂性能的预测充分相关。多性状模型比单性状相关性更好地预测弹出性能。此外，与物理预测因子相比，使用成分预测因子的多特征模型将 PE 的预测准确度提高了 10.1%，ER 提高了 42.9%，FS 提高了 24.4%，PD 提高了 40.6%。在基因型的亚组中，根据用于细分基因型的标准，预测准确性差异很大。总之，通过利用特定的多特征模型，可以间接选择弹出性能。与物理预测因子相比，ER 为 9%，FS 为 24.4%，PD 为 40.6%。在基因型的亚组中，根据用于细分基因型的标准，预测准确性差异很大。总之，通过利用特定的多特征模型，可以间接选择弹出性能。与物理预测因子相比，ER 为 9%，FS 为 24.4%，PD 为 40.6%。在基因型的亚组中，根据用于细分基因型的标准，预测准确性差异很大。总之，通过利用特定的多特征模型，可以间接选择弹出性能。