Optimisation de la mise en œuvre de la sélection génomique hybride dans un programme de sélection réciproque. Evaluation expérimentale et simulations chez le maïs

Optimization of genomic selection for hybrids in a reciprocal selection program. Experimental evaluation and simulations on maize

• Auteur / Autrice : Alizarine Lorenzi
• Direction : Laurence Moreau, Alain Charcosset, Gaëtan Touzy
• Type : Thèse de doctorat
• Discipline(s) : Sciences végétales
• Date : Soutenance le 08/11/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Agriculture, alimentation, biologie, environnement, santé (Paris ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Génétique quantitative et évolution-Le Moulon (Gif-sur-Yvette, Essonne ; 2002-....)
• Partenaire(s) de recherche : Référent : AgroParisTech (France ; 2007-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Biosphera (2020-….)
• Jury : Président / Présidente : Christine Dillmann
• Jury : Examinateurs / Examinatrices : Aaron Lorenz, Leopoldo Sanchez-Rodriguez, David Cros
• Jury : Rapporteur / Rapporteuse : Aaron Lorenz, Leopoldo Sanchez-Rodriguez

Mots clés

Mots clés contrôlés

Maïs -- Variétés

Prévision

Génomique

Génétique quantitative

Sélection (biologie)

Mots clés libres

Génétique quantitative

Sélection génomique

Hybride

Maïs

Quantitative genetics

Genomic selection

Hybrid

Maize

Résumé

La sélection génomique (SG) est désormais couramment utilisée dans les schémas de sélection, ouvrant des perspectives pour réexaminer les schémas en remplaçant une partie du phénotypage par des prédictions basées sur le génotype aux marqueurs. La définition de la population d'entraînement et les étapes où appliquer la SG dans les schémas de sélection sont des questions clé, en particulier pour la sélection hybride. Dans les schémas de sélection hybride du maïs, un défi est d'identifier les meilleurs hybrides parmi tous les croisements possibles entre les lignées candidates produites chaque année dans des groupes hétérotiques. Dans les schémas conventionnels, pour réduire le nombre de combinaisons possibles, les lignées candidates de chaque groupe sont d'abord présélectionnées sur la base de leur valeur en croisement sur testeurs. Ensuite, un sous-ensemble d'hybrides entre ces lignées sélectionnées est évalué afin d'identifier les meilleures variétés hybrides. Récemment, des études ont proposé de remplacer les évaluations sur testeurs par des prédictions génomiques calibrées sur un dispositif factoriel incomplet entre lignées candidates non sélectionnées afin de prédire tous les hybrides possibles à un stade précoce du cycle de sélection. Des simulations et études expérimentales ont montré des qualités prédictives prometteuses. Cette thèse vise à (i) confirmer l'efficacité de factoriels pour prédire les valeurs des lignées et des hybrides par rapport à une approche sur testeurs, (ii) évaluer l'efficacité de factoriels et leur optimisation au cours des cycles et (iii) optimiser l'utilisation de la SG dans les schémas hybrides. Cette thèse s'appuie sur des données expérimentales correspondant à deux cycles de sélection d'un schéma de SG réciproque de maïs impliquant des populations multiparentales connectées des groupes hétérotiques complémentaires flint et dent, sélectionnées pour leurs performances ensilage et obtenues dans le cadre du projet Promaïs ''SAMMCR''.Premièrement, les données du premier cycle de sélection ont été utilisées pour évaluer l'efficacité de factoriels incomplets pour prédire les hybrides entre des lignées non sélectionnées de la même génération et la comparer à celle de dispositifs testeur. Les factoriels ont montré des qualités prédictives équivalentes à celles basées sur testeurs et les ont même surpassées pour certains caractères. Les résultats obtenus confirment le potentiel des factoriels incomplets comme alternative fiable aux dispositifs testeurs traditionnels pour prédire les performances hybrides.Nous avons ensuite évalué la portabilité des prédictions génomiques sur deux cycles de sélection. Les résultats ont permis de valider expérimentalement l'efficacité des dispositifs factoriels incomplets pour prédire les aptitudes générales à la combinaison des lignées et les valeurs hybrides au cours des générations. Ils ont également mis en évidence l'intérêt de recalibrer les populations d'entraînement au cours des cycles et d'optimiser leur composition à l'aide du CDmean.Pour compléter, des simulations ont permis de comparer à coûts fixes un schéma de sélection phénotypique conventionnel avec cinq schémas de SG différant par la longueur du cycle et l'utilisation de dispositifs testeur et/ou factoriel pour calibrer les prédictions. Les résultats suggèrent que la mise en œuvre de la SG et le raccourcissement du cycle de sélection, en remplacant des évaluations sur testeurs par un dispositif factoriel incomplet, permettent d'accélérer les cycles et d'augmenter le gain génétique. Ces résultats valident l'efficacité des factoriels incomplets et soulignent le potentiel intérêt de leur intégration dans les programmes de sélection hybride à coûts constants.Conjointement, nos résultats débouchent sur des recommandations visant à améliorer le schéma de sélection hybride du maïs par l'intégration de la SG et des dispositifs factoriels.

Genomic selection (GS) is now used in routine in breeding programs, opening prospects for revisiting breeding schemes by replacing extensive phenotyping with predictions based on marker information. In this context, finding the ideal design for training genomic prediction models and the step(s) at which applying GS are key questions, especially in hybrid breeding. In conventional maize hybrid breeding schemes, one challenge is identifying the best hybrid varieties among all possible hybrid combinations between candidate lines produced each year from each heterotic group. To reduce the number of possible combinations, the candidate inbred lines from each heterotic group are first preselected on their hybrid value estimated in topcross evaluations. Then, a subset of single-cross hybrids between these selected lines is evaluated to identify the best hybrid varieties. Recently, studies proposed to replace topcross evaluations with genomic predictions calibrated on a sparse factorial design between unselected candidate lines to predict all possible single-cross hybrids at an early stage of the breeding cycle. Previous simulations and experimental studies have shown promising predictive abilities using a sparse factorial design instead of tester designs as training sets. This thesis aims to (i) confirm the efficiency of factorial training sets to predict line and hybrid values and compare it to tester training sets, (ii) further investigate the use of factorials and their optimization across two breeding cycles, and (iii) provide recommendations for implementing this approach in maize hybrid breeding schemes. It relies on experimental data corresponding to two breeding cycles of a maize reciprocal genomic selection scheme involving multiparental connected populations from the flint and dent complementary heterotic groups, selected for silage performances, obtained in the framework of the Promaïs “SAMMCR” project. Simulations completed results obtained on experimental data.First, data from the first breeding cycle were used to evaluate the efficiency of sparse factorial training sets for predicting single-cross hybrids between unselected lines from the same generation and compare it to tester designs. Factorials showed equivalent predictive abilities to tester-based training sets and even outperformed them for some traits. Results obtained with different samplings of our experimental designs support the potential of sparse factorial training sets as a reliable alternative to traditional tester designs for predicting hybrid values.We then evaluated the portability of genomic predictions across two breeding cycles. The results experimentally validated the efficiency of sparse factorial designs for predicting line general combining abilities and hybrid values across generations. They also highlighted the benefits of updating training sets along breeding cycles and optimizing their composition using the CDmean criterion to ensure high prediction accuracy along breeding cycles.To complement experimental results, simulations were carried out to compare at a fixed cost a conventional phenotypic breeding scheme with five genomic selection breeding schemes differing by their cycle length and the use of tester and/or factorial designs to calibrate predictions. The simulation results suggested that implementing genomic selection and shortening the breeding cycle by replacing early topcross evaluations by a unique sparse factorial design offers the potential to accelerate the breeding process and increase genetic gain. These findings validate the efficiency of sparse factorial training sets and highlight the potential of integrating them into hybrid breeding programs at fixed costs.Jointly, our results lead to a set of recommendations to improve the maize hybrid breeding scheme through the integration of genomic selection and factorial designs.