Contribution des stratégies de sélection génomique et phénomique aux programmes d'amélioration génétique de l'abricotier (Prunus armeniaca L.) pour quelques traits d'intérêt

Contribution of genomic and phenomic selection to genetic improvement programmes for several traits of interest in Apricot (Prunus armeniaca L.)

• Auteur / Autrice : Mariem Nsibi
• Direction : Jean-Luc Regnard, Jean-Marc Audergon, Christopher Sauvage
• Type : Thèse de doctorat
• Discipline(s) : Génétique et amélioration des plantes
• Date : Soutenance le 09/06/2021
• Etablissement(s) : Montpellier, SupAgro
• Ecole(s) doctorale(s) : École Doctorale GAIA Biodiversité, agriculture, alimentation, environnement, terre, eau (Montpellier ; 2015-...)
• Partenaire(s) de recherche : Laboratoire : Génétique et amélioration des fruits et légumes
• Jury : Président / Présidente : Jacques David
• Jury : Examinateurs / Examinatrices : Jean-Luc Regnard, Jean-Marc Audergon, Jacques David, Eric Duchêne, David Chagné, Laurence Moreau, Elisabeth Dirlewanger, Laurent Bouffier
• Jury : Rapporteur / Rapporteuse : Eric Duchêne, David Chagné

Mots clés

Mots clés libres

Sélection génomique

Sélection phénomique

Caractère d'intérêt agronomique

Modèle statistique

Amélioration des plantes

Abricotier

Genomic selection

Phenomic selection

Trait of agronomic interest

Statistical model

Plant breeding

Apricot

Résumé

L'adossement de l'amélioration génétique des espèces animales et végétales aux progrès technologiques a permis l'avènement de stratégies récentes de sélection s'appuyant sur des données à haut-débit. Le progrès génétique résultant, sous-tendu par l'étude de l'architecture génétique des caractères d'intérêt agronomique, permet désormais un changement de paradigme pour substituer à une démarche de caractérisation des candidats à la sélection une démarche de prédiction de leur réponse à la variation environnementale.Ainsi, la sélection génomique (SG) fondée sur la contribution de plusieurs dizaines de milliers de marqueurs couvrant tout le génome a révolutionné les programmes de sélection, en surmontant le problème de l'héritabilité manquante rencontré dans les stratégies de sélection assistées par marqueurs qui s'appuient sur les locus impliqués dans la variation de caractères quantitatifs (QTL), préalablement détectés par analyse de liaison génétique ou par des études d'association pangénomiques (GWAS). Certaines limites de la SG ont récemment ouvert la voie à la sélection phénomique (SP) qui, en se basant sur la spectroscopie infrarouge, semble offrir une alternative potentiellement aussi efficace et moins coûteuse que la SG.Dans cette perspective, cette thèse s'inscrit dans l'objectif d'évaluer le potentiel de ces avancées scientifiques et technologiques dans les programmes de sélection de l'abricotier Prunus armeniaca. Chez cette espèce fruitière, les méthodes conventionnelles se heurtent à diverses limites biologiques et à la longueur des cycles de sélection, qui freinent le progrès génétique. En corollaire, le recours aux données à large échelle s'inscrit dans l'ambition d'accélérer le gain génétique par unité de temps et créer des variétés performantes afin de répondre aux attentes des différents acteurs du secteur abricot. Dans cette perspective, nous avons évalué la performance des modèles de SG et SP en termes de précision de prédiction des caractères agronomiques. Ce travail s'est appuyé sur une population biparentale en pseudo-F1 (Goldrich × Moniqui) et sur une collection de ressources génétiques présentant un large panel de diversité, pour laquelle de nombreuses données phénotypiques étaient disponibles.Pour répondre aux objectifs de la thèse, une stratégie de validation croisée a été utilisée afin de prédire des caractères d'intérêt tels que la qualité des fruits, la phénologie (dates de floraison et de maturité) et la sensibilité aux maladies. Nos résultats ont souligné l'intérêt des approches de SG et de SP pour cet ensemble de caractères présentant des architectures génétiques contrastées. Également, nous avons proposé des scénarios d'optimisation des approches de SG et SP en nous appuyant sur la pondération des modèles de prédiction par le biais de la valorisation de l'information apportée par l'architecture génétique des caractères sous investigation. De surcroît, nous avons évalué une stratégie de prédiction multivariée reposant sur des caractères proxy pour prédire des caractères focaux coûteux et difficiles à mesurer. L'implémentation pratique de ces approches dans les programmes de sélection est discutée et les contributions respectives de la SG et la SP sont évaluées.

Harnessing technological breakthroughs in data acquisition to genetic improvement of animal and crop species has allowed the advent of novel selection strategies grounded on high-throughput data. The genetic progress issued from unravelling the genetic architecture of agronomically relevant traits resulted in a paradigm shift from extensive characterization of selection candidates to a prediction strategy of their response to environmental variation.Thus, genomic selection (GS) based on the contribution of several tens of thousands of markers covering the entire genome has revolutionized breeding programs. It has overcome the problem of missing heritability encountered in marker-assisted selection (MAS), which relies on minimal fractions of genetic variance accounted for by a few quantitative trait loci (QTL), identified by linkage analysis or genome-wide association studies (GWAS). The constraints of GS, notably linked to the missing heritability unaccounted for by MAS, have recently paved the way for a novel selection strategy denoted as phenomic selection (PS), which is based on infrared spectroscopy and seems to offer a potentially valuable alternative to SG.In this perspective, this PhD project aims at evaluating the potential of the recourse to high throughput data in favor of the genetic improvement of apricot tree, Prunus armeniaca, for which conventional breeding is hindered by various biological limitations and long selection cycles and thus tends to impede the genetic progress. Therefore, the drive behind the use of large-scale data is to hasten the genetic gain per unit time and create genetically superior varieties with improved genetic constitution in order to meet the expectations and needs of apricot sector stakeholders.Within this context, we evaluated the performance of GS and PS models in terms of prediction accuracy for different agronomic traits within a biparental pseudo-testcross population (Goldrich × Moniqui) and a collection of genetic resources encompassing a wide range of diversity.To this end, a cross-validation strategy was performed to predict a panel of traits of agronomic interest such as fruit quality, phenology (flowering and maturity dates) and disease susceptibility. Our findings highlighted the efficiency of GS and PS approaches for several traits with contrasting quantitative genetic architectures. Furthermore, we proposed scenarios for optimizing the prediction accuracy through weighting GS and PS models using the information brought by genetic architecture of these traits. In addition, we assessed a multivariate modelling approach where the emphasis was placed on proxy traits in order to predict costly and difficult-to-measure target traits such as ethylene production. The potential place of both strategies within apricot breeding programs is discussed and their respective contributions to selection decisions is evaluated.