• Réduire le texte

    Réduire le texte
  • Rétablir taille du texte

    Rétablir taille du texte
  • Augmenter le texte

    Augmenter le texte
  • Imprimer

    Imprimer

La sélection phénomique

Mis à jour le 15/05/2019
Publié le 15/05/2019
Mots-clés : EFPA - BAP - 3PERF-2 - CLIMAT-1

Une nouvelle méthode de sélection haut-débit et à faible coût basée sur des prédictions indirectes

La sélection phénomique est une nouvelle technique de sélection variétale basée sur des prédictions indirectes. Son principe est similaire à celui de la sélection génomique, sauf que la matrice de génotypage est remplacée par des données issues de spectroscopie dans le proche infrarouge. Ces spectres reflètent la composition chimique du tissu analysé, qui dépend elle-même du génotype. Ils peuvent donc être utilisés pour estimer des similarités entre individus, et ainsi faire des prédictions de nouvelles variétés. Nous avons pu montrer sur blé tendre et peuplier que la sélection phénomique aboutissait à des prédictions aussi fiables que la sélection génomique, y compris dans des environnements très différents de celui dans lequel les spectres ont été obtenus. Le principal avantage de cette technique est son faible coût, puisque les spectres peuvent être obtenus pour seulement quelques euros, et sont souvent déjà collectés en routine par les sélectionneurs pour des analyses de la qualité des produits.

Schematic representation of the concept of phenomic selection, including the two scenarios tested in the present work: (a) S1, where the calibration model is trained with true values (TVs) and NIRS data collected at the same - reference - site and (b) S2, where the calibration model is trained with NIRS data collected at the reference site and TVs from other(s) environment(s). In both scenarios, the outcome of the prediction consists of predicted values (PVs).. © Inra, Rincent et al. (2018, G3)
Schematic representation of the concept of phenomic selection, including the two scenarios tested in the present work: (a) S1, where the calibration model is trained with true values (TVs) and NIRS data collected at the same - reference - site and (b) S2, where the calibration model is trained with NIRS data collected at the reference site and TVs from other(s) environment(s). In both scenarios, the outcome of the prediction consists of predicted values (PVs). © Inra, Rincent et al. (2018, G3)

  • Contexte et enjeux

L’une des principales limites des schémas de sélection actuels est le nombre restreint de candidats qui peuvent être caractérisés dans les réseaux d’essais sur des délais courts. Cette limite a été en partie levée par la sélection génomique qui permet de prédire les performances de nouvelles variétés sur la base de leur profil génotypique. Le principe est de calibrer une formule de prédiction sur du matériel de référence génotypé et phénotypé, puis de prédire les performances des nouveaux candidats préalablement génotypés. L’une des méthodes de référence pour réaliser ces prédictions est basée sur l’estimation de la similarité génétique entre variétés de références et variétés candidates grâce aux données de génotypage. La sélection génomique a permis d’améliorer les schémas de sélection pour de nombreuses espèces animales et végétales. L’implémentation de cette technique est cependant limitée pour de nombreuses espèces du fait des coûts de génotypage qui restent trop importants pour pouvoir analyser des milliers de candidats chaque année. Nous avons proposé, comme alternative à faible coût, une nouvelle technique, la sélection phénomique, qui consiste à estimer les similarités entre variétés en utilisant la spectroscopie dans le proche infrarouge (SPIR) à la place des marqueurs moléculaires. Le principe de cette approche est que la réflectance mesurée à différentes longueurs d’ondes reflète la composition chimique du tissu étudié (métabolites, protéines…), qui elle-même est en partie déterminée par le génotype de la variété. La sélection phénomique peut donc être utilisée pour prédire la valeur phénotypique des candidats. L’avantage de cet outil est qu’il permet de faire des prédictions pour toutes espèces à des coûts bien moindres qu’en sélection génomique et sans nécessité d’extraire de l’ADN.

  • Résultats

Sélection génomique et sélection phénomique ont été appliquées et comparées sur des panels de blé tendre et de peuplier préalablement phénotypés dans des réseaux d’essais, génotypés avec des puces haute densité et analysés par spectrométrie sur différents tissus (bois, feuilles, grains). Des analyses par validation croisée ont permis de montrer que la qualité des prédictions obtenues en sélection phénomique était comparable à celle obtenue en sélection génomique, y compris dans des environnements très différents de celui dans lequel les spectres ont été collectés. Un second résultat majeur est que sur blé les prédictions obtenues avec une matrice d’apparentement estimée par SPIR sur grains entiers étaient plus fiables que celles obtenues par sélection génomique. La sélection phénomique pourrait donc dans ce cas être utilisée pour filtrer les candidats avant le semis. A noter que les spectres sont souvent déjà produits sur des générations avancées en routine dans les schémas de sélection pour des analyses de qualité des produits.

  • Perspectives

La sélection phénomique ouvre donc une nouvelle voie pour sélectionner sur la base de prédictions indirectes. Des essais sont d’ores et déjà prévus pour évaluer sa fiabilité chez d’autres espèces végétales, forestières et même animales. Des études théoriques et méthodologiques sont par ailleurs nécessaires pour valider et optimiser l’utilisation de cette technique dans les programmes de sélection, notamment sur la manière de combiner des spectres obtenus dans des environnements différents.

  • Valorisation

Phenomic Selection Is a Low-Cost and High-Throughput Method Based on Indirect Predictions: Proof of Concept on Wheat and Poplar, Renaud Rincent, Jean-Paul Charpentier, Patricia Faivre-Rampant, Etienne Paux, Jacques Le Gouis, Catherine Bastien and Vincent Segura
G3: GENES, GENOMES, GENETICS December 1, 2018 vol. 8 no. 12 3961-3972; https://doi.org/10.1534/g3.118.200760

  • Contact

 Vincent Segura, UMR BioForA, Département EFPA et BAP, Centre Val-de-Loire