Intégration de la modélisation écophysiologique et génétique pour la définition et l'estimation des valeurs génétiques d'idéotypes variétaux – application au cas de la croissance en biomasse chez le sorgho

Larue Florian. 2021. Intégration de la modélisation écophysiologique et génétique pour la définition et l'estimation des valeurs génétiques d'idéotypes variétaux – application au cas de la croissance en biomasse chez le sorgho. Montpellier : Montpellier SupAgro, 163 p. Thèse de doctorat : Ecophysiologie et adaptation des plantes : Montpellier SupAgro

Encadrement : Luquet, Delphine

Résumé : La modélisation écophysiologique est de plus en plus attendue pour optimiser la mise en relation de l'information Génétique et Phénotypique (G2P), prédire des idéotypes variétaux et leur valeur génétique. Cela devient d'autant plus essentiel lorsqu'il s'agit de prendre en compte les effets, sur la performance des plantes, d'environnements cibles de sélection de plus en plus diverses et changeants. Cela est en particulier le cas des céréales, comme le sorgho, qui sont cultivées en Europe comme en Afrique de l'Ouest. Cet enjeu implique que les modèles utilisés intègrent davantage les processus biologiques aux échelles où se joue la réponse de la plante à l'environnement. Par-là, les modèles se complexifient en nombre et interdépendances des paramètres, rendant leurs effets sur les sorties du modèle non-linéaires. Alors que ce type de modélisation pourrait être un outil puissant pour la mise en relation G2P, elle n'a que peu été éprouvée dans ce contexte. L'objectif de cette thèse est d'élaborer et évaluer un framework intégratif de conception d'idéotypes variétaux de sorgho et d'estimation de leur valeur génétique, basé sur un outil de modélisation d'un système complexe qu'est la croissance de la plante de sorgho, en se focalisant ici sur l'accumulation de biomasse végétative. Pour cela le modèle écophysiologique (CGM) Ecomeristem, qui décrit de façon détaillée la croissance et le développement de la plante à l'échelle de l'organe, a été utilisé et appliqué grâce à un jeu de données adapté pour l'évaluer et le calibré, acquis sur la plateforme de phénotypage Phénoarch, sur un panel de diversité de sorghos africains. Plusieurs améliorations ont été apportées au modèle Ecomeristem afin de mieux capturer les processus contrôlant la variabilité de l'accumulation de biomasse végétative du sorgho en fonction du génotype et de l'environnement abiotique. Ces processus ont notamment concerné les relations source-puits en carbone (C), afin de mieux simuler la croissance, l'avortement et la mortalité des talles en fonction de la compétition entre elles pour la ressource carbonée. Le modèle amélioré a montré sa capacité à prédire les traits constituant la croissance en biomasse structurale et non structurale (stockage en C) de 8 génotypes de sorgho biomasse au champ. Une étude comparative de plusieurs approches de calibration du modèle écophysiologique a ensuite été réalisée afin de sélectionner l'approche qui permet au mieux de relier la valeur de ses paramètres à des facteurs génétiques. L'algorithme métaheuristique " évolution différentielle ", en utilisant des données de calibration basées sur la prédiction linéaire sans biais (BLUP) des traits phénotypiques, a donné les meilleurs résultats en termes de simulation du phénotype et de prédiction génomique (WGP) de ces paramètres. Ces résultats de prédiction génomique en passant par un modèle écophysiologique sont au moins aussi précis, voire meilleure, que la prédiction génomique traditionnel. Enfin, des méthodes d'apprentissage automatique ont été développées afin d'améliorer la précision de prédiction de la prédiction génomique sous l'effet des paramètres considérés et les trade-offs qu'ils impliquent. Ces résultats soulignent la valeur ajoutée par l'approche intégrative CGM-WGP basé sur un CGM considérant un nombre important de paramètres génotypiques, pour prédire des phénotypes dynamiques et leur valeurs génétiques en considérant un grand nombre de marqueurs moléculaires. Ils mettent également en évidence les risques potentiels de l'utilisation des paramètres pour capturer l'information génotypique en raison des sources de variabilités des valeurs de ces paramètres. Les résultats sont discutés au regard de l'apport de la modélisation écophysiologique dans la prédiction d'idéotypes et plus largement dans l'amélioration variétale pour des environnements variés, ainsi qu'au regard des perspectives d'application de ce framework sur des jeux de données multi-locaux.

Résumé (autre langue) : Ecophysiological modeling is increasingly expected to optimize the relationship of Genetic and Phenotypic information (G2P), predict varietal ideotypes and their genetic value. This becomes even more essential when it comes to accounting for the effects on plant performance of increasingly diverse and changing breeding target environments. This is particularly the case for cereals, such as sorghum, which are grown in Europe as well as in West Africa. This implies that the models used must further integrate biological processes at the scales where the plant's response to the environment takes place. As a result, the models become more complex in terms of number and interdependencies of the parameters, making their effects on the model outputs non-linear. While this type of modeling could be a powerful tool for G2P linking, it has only been little tested in this context. The objective of this thesis is to develop and evaluate an integrative framework for the design of sorghum varietal ideotypes and the estimation of their genetic value, based on a tool for modeling a complex system that is the growth of the sorghum plant, focusing on the accumulation of vegetative biomass. For this, the Ecomeristem crop growth model (CGM), which describes in detail the growth and development of the plant at the organ level, was used and applied using a dataset adapted to evaluate and calibrate the model, acquired on the Phénoarch phenotyping platform, on a diversity panel of African sorghums. Several improvements have been made to the Ecomeristem model in order to better capture the processes controlling the variability of the accumulation of vegetative biomass in sorghum depending on the genotype and the abiotic environment. These processes concerned in particular the carbon (C) source-sink relationships, in order to better simulate the growth, abortion and mortality of tillers according to the competition between them for the carbon resource. The improved model showed its ability to predict the traits constituting the growth in structural and non-structural biomass (storage in C) of eight genotypes of biomass sorghum in the field. A comparative study of several approaches to calibrate the ecophysiological model was then carried out in order to select the approach that best allows the value of its parameters to be linked to genetic factors. The “differential evolution” metaheuristic algorithm, using calibration data based on best unbiased linear predictions (BLUP) of phenotypic traits, gave the best results in terms of phenotype simulation and genomic prediction (WGP) of these parameters. These results of genomic prediction using an ecophysiological model are at least as precise, and even better in some cases, than traditional genomic prediction. Finally, machine learning methods have been developed to improve the predictive accuracy of genomic prediction under the effect of the parameters considered and the trade-offs they involve. These results underline the added value by the CGM-WGP integrative approach based on a CGM considering a large number of genotypic parameters, to predict dynamic phenotypes and their genetic values by considering a large number of molecular markers. They also highlight the potential risks of using parameters to capture genotypic information due to the sources of variability in the values of these parameters. The results are discussed with regard to the contribution of ecophysiological modeling in the prediction of ideotypes and more generally in varietal improvement for various environments, as well as with regard to the perspectives of application of this framework on multi-local datasets.

Mots-clés libres : Modelisation, Sorgho, Deep Learning, Sélection génomique, Optimisation multi-objectif

Auteurs et affiliations

• Larue Florian, CIRAD-BIOS-UMR AGAP (FRA)

Source : Cirad-Agritrop (https://agritrop.cirad.fr/612641/)

Métriques

[ Page générée et mise en cache le 2025-04-01 ]