Insertion de la sélection génomique dans un processus de sélection variétale : application à un oléoprotéagineux, le soja

Insertion of genomic selection in a varietal selection process : application to an oleoproteaginous crop, soybean

• Auteur / Autrice : Alexandra Duhnen
• Direction : Brigitte Mangin, Jean Daydé
• Type : Thèse de doctorat
• Discipline(s) : Interactions plantes-microorganismes
• Date : Soutenance le 06/11/2017
• Etablissement(s) : Toulouse 3
• Ecole(s) doctorale(s) : École doctorale Sciences écologiques, vétérinaires, agronomiques et bioingénieries (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des Interactions Plantes-Microbes-Environnement

Mots clés

Mots clés contrôlés

Sélection végétale

Soja

Mots clés libres

Sélection génomique

Sélection variétale

Soja

Genomic selection

Varietal selection

Soybean

Résumé

La sélection variétale a pour objectif la génération de variétés toujours plus performantes pour des caractères agronomiques d'intérêt. Pour les caractères quantitatifs, qui sont sous contrôle génétique polygénique, la sélection variétale consiste à réunir progressivement dans les nouvelles variétés des allèles favorables pour un maximum de gènes. Les processus de sélection évoluent, notamment par l'intégration des progrès concernant les connaissances génétiques et outils biotechnologiques. La sélection génomique est une méthode qui peut prédire la valeur génétique d'individus à partir de données génomiques et d'un modèle d'effets génétiques appris sur une population de référence. Nos études ont porté sur la possibilité d'insérer la sélection génomique dans le processus de sélection pour en augmenter l'efficacité. Notre sujet a été appliqué à un programme privé qui vise l'obtention de variétés de soja performantes pour le rendement et le contenu des graines en protéines, pour répondre à un besoin de protéines d'origine végétale. Des études génétiques sur une population de lignées générées lors de cycles de sélection successifs ont mis en évidence une structuration génétique en deux sous-populations qui ne sont pas "hermétiques". Nous avons étudié par échantillonnages de populations de test la précision de prédiction obtenue dans nos deux groupes avec différents modèles de GS : des modèles GBLUP additifs avec différentes populations d'apprentissage, puis des modèles d'architectures génétiques plus complexes. Les précisions de prédiction de nos modèles étaient proches les unes des autres. Cependant, nos résultats suggèrent que le modèle GBLUP le plus adapté pour obtenir des prédictions précises au sein de nos deux groupes est un modèle appris sur une population représentative du groupe à prédire et comprenant une composante additive et une composante épistatique additive x additive. Nous avons mis en place une application de la GS dans un cycle de sélection en cours de réalisation. Nous avons estimé le potentiel des croisements de départ par simulation de descendants virtuels et prédiction génomique de leurs performances, ce qui nous a permis de choisir trois populations biparentales prometteuses à l'intérieur desquelles nous avons effectué une sélection sur la base de prédictions génomiques. Nous avons développé un outil permettant de simuler des schémas de sélection sur plusieurs cycles consécutifs. Il s'agit d'un outil flexible et générique du point de vue de la définition des schémas de sélection. Cet outil permet notamment de comparer le gain génétique obtenu avec deux schémas différents à partir d'une même population de départ et d'un même modèle des effets génétiques et environnementaux agissant sur l'expression phénotypique d'un caractère. Avec cet outil, nous avons étudié la précision d'évaluation et les composantes de la variance de deux modèles GBLUP (avec ou sans modélisation de l'épistasie) après simulation de différentes architectures génétiques. Nous avons également comparé le schéma de sélection classique et différents schémas incluant une utilisation de la GS. Avec une comparaison sur un cycle, nous n'avons pas observé de gain à utiliser des schémas intégrant la GS pour augmenter l'efficacité de sélection de nouvelles variétés, à coût constant. Par contre, nous avons observé un gain à utiliser la GS pour choisir les croisements en début de cycle : la valeur génétique moyenne des lignées produites augmente de cycle en cycle. Concernant les alternatives au schéma de sélection classique du soja, des études plus approfondies seront nécessaires. Elles permettront notamment d'inclure la simulation des étapes de sélection sur le contenu des graines en protéines et d'étudier la question du gain génétique à long terme.

Varietal selection aims at the generation of increasingly more performing varieties for agronomic traits of interest. In the case of quantitative traits, which are under polygenic genetic control, varietal selection consists in gradually joining together in the new varieties favorable alleles for a maximum number of genes. Selection processes are evolving, in particular by integrating advances in genetic knowledge and biotechnological tools. Genomic selection is a method that can predict the genetic value of individuals from genomic data and a model of genetic effects learned on a reference population. Our studies have focused on the possibility of including genomic selection in the selection process to increase its efficiency. Our subject has been applied to a private program aimed at obtaining soybean varieties performing for yield and seed protein content to meet a need for proteins of plant origin. Genetic studies on a population of lines generated during successive breeding cycles have shown genetic structuration in two subpopulations that are not "hermetic". We studied by samplings of test populations the prediction accuracies obtained within our two groups with different GS models: additive GBLUP models with different learning populations, and then models of more complex genetic architectures. The prediction accuracies of our models were close to one another. However, our results suggest that the most suitable GBLUP model for obtaining accurate predictions within our two groups is a model learned on a population representative of the group to be predicted and including an additive component and an additive x additive epistatic component. We have implemented an application of GS in a selection cycle in progress. We evaluated the potential of initial crosses by simulation of virtual descendants and genomic prediction of their performances, which allowed us to select three promising biparental populations within which we made a selection based on genomic predictions. We have developed a tool to simulate selection schemes over several consecutive cycles. It is a flexible and generic tool from the point of view of selection schemes definition. This tool makes it possible, in particular, to compare the genetic gain obtained with two different schemes starting from a same starting population and from a same model of genetic and environmental effects acting on the phenotypic expression of a trait. With this tool, we studied evaluation accuracy and variance components of two GBLUP models (with or without epistasy modeling) after simulation of different genetic architectures. We also compared the classic selection scheme and different schemes including a use of GS. With a comparison on one cycle, we did not observe any gain in using schemes integrating GS to increase efficiency of selection of new varieties, at constant cost. On the other hand, we observed a gain in using GS to choose crosses at the beginning of cycle: mean genetic value of produced lines increases from one cycle to another. Regarding alternatives to the traditional soybean selection scheme, further studies will be required. In particular, they will include simulation of selection stages on seed protein content and study of long-term genetic gain.