Prédiction de la performance de variétés de maïs en conditions environnementales contrastées par combinaison de phénomique, prédiction génomique et modèle de culture

Predicting the performance of maize varieties in contrasting environmental conditions by combining phenomics, genomic prediction and crop modelling

• Auteur / Autrice : Jugurta Bouidghaghen
• Direction : François Tardieu, Claude Welcker, Matthieu Bogard
• Type : Thèse de doctorat
• Discipline(s) : Biologie, Interactions, Diversité Adaptative des Plantes
• Date : Soutenance le 11/12/2023
• Etablissement(s) : Montpellier, SupAgro
• Ecole(s) doctorale(s) : Biodiversité, Agriculture, Alimentation, Environnement, Terre, Eau
• Partenaire(s) de recherche : Laboratoire : Laboratoire Ecophysiologie des Plantes Sous Stress Environnementaux - LEPSE - Montpellier SupAgro
• Jury : Président / Présidente : Jacques David
• Jury : Examinateurs / Examinatrices : François Tardieu, Jacques David, Nicolas Langlade, Scott T. Chapman, Fabienne Henriot, Maeva Baumont, Sophie Bouchet
• Jury : Rapporteurs / Rapporteuses : Nicolas Langlade, Scott T. Chapman

Mots clés

Mots clés libres

Modèle de culture Sirius Maïs

Prédiction génomique

Phénomique

Interaction génotype-Environnement

Rendement

Changement climatique

Crop model Sirius Maize

Genomic prediction

Phenomic

Genotype by environment interaction

Yield

Climate change

Résumé

Les progrès du phénotypage à haut débit, de la prédiction génomique et de la modélisation fournissent potentiellement aux sélectionneurs et aux chercheurs de nouvelles méthodes pour l'amélioration et pour l'évaluation variétale, dans un contexte de changement climatique et de réduction des intrants. L'intégration de ces données dans l'objectif d'une amélioration durable des rendements nécessite le développement de nouvelles méthodes qui considèrent les interactions génotype x environnement et évaluent les avantages comparatifs de nombreuses variétés dans des scénarios environnementaux contrastés. Dans cette thèse, nous avons développé et testé une nouvelle approche prédictive de l'indice foliaire et du nombre de grains dans des scénarios environnementaux variés. Cette approche combine des modèles de prédiction génomique, des méthodes phénomiques développées récemment et un modèle de culture (Sirius Maize). Celui-ci permet de simuler, à partir de processus physiologiques explicites, le rendement et d'autres caractères pour différents génotypes dans une large gamme environnementale, à condition que des paramètres spécifiques à chaque hybride soient estimés et fournis au modèle. Nous avons testé cette approche avec trois panels d'hybrides de maïs : un panel de diversité, un panel qui capture le progrès génétique et un panel d'hybrides récents, comprenant 246, 56 86 hybrides, respectivement. Les caractères génotype-dépendant utilisés pour la paramétrisation du modèle de culture ont été mesurés dans des expériences en plateforme de phénotypage sous serre ou au champ. Ils caractérisent la phénologie, l'architecture, la croissance foliaire, les réponses aux états hydriques du sol ou de l'air, et le nombre de grains maximal de chaque hybride. Nous avons d'abord montré que des caractères mesurés en plateforme de phénotypage sous serre permettent de prévoir les mêmes caractères au champ, soit directement soit via l'utilisation de modèles. Nous avons ensuite montré que ces caractères en plateforme peuvent être estimés, pour un plus grand nombre d'hybrides, au moyen de modèles de prédiction génomique. Enfin, nous avons estimé les paramètres génotype-dépendants du modèle à partir des caractères mesurés, soit au travers d'équations explicites soit par mise à l'échelle. La simulation de l'indice foliaire et du nombre de grains a été satisfaisante, dans 9 et 21 essais au champ, respectivement, en conditions environnementales contrastées. Dans la thèse, nous discutons de la validité de chacune de ces étapes, nécessaires à l'intégration des connaissances issues de la génétique, des modèles écophysiologiques et de la phénomique. Nous identifions également des pistes permettant d'améliorer l'approche et sa qualité prédictive, ainsi que des applications potentielles dans un contexte d'amélioration ou de recommandation variétale.

Progresses of high-throughput phenotyping, genomic prediction and modelling may jointly provide novel tools for breeding schemes and variety recommendation to farmers, in a context of climate change and water scarcity. Integration of these approaches requires new methods that tackle genotype x environment interactions and evaluate the comparative advantages of varieties in contrasting environmental scenarios. In this thesis, we developed and evaluated a new approach for predicting maize leaf area and grain number across multiple environments, which combined genomic prediction models, novel phenomics methods and a crop model (Sirius Maize). The latter can simulate, based on explicit physiological processes, yield and other traits for multiple genotypes in a large range of environmental conditions, provided that genotype-specific parameters are estimated for many hybrids and fed to the model. We tested our approach by using three panels of maize hybrids: a diversity panel, a panel that captures the genetic progress and a panel of recent hybrids, with 246, 56 and 86 hybrids, respectively. Genotype-specific traits were measured in indoor or field experiments, related to plant phenology, architecture, leaf growth, responses to soil or air water status, and maximum grain number. We first showed that traits measured indoor can translate to the field, either directly or via the use of a model. Then, we showed that they can be successfully estimated, for a larger number of hybrids, via genomic prediction. Finally, we converted these traits into genotype-specific parameters, either via explicit equations or via scaling. Appreciable prediction accuracies were achieved by the crop model for leaf area index and grain number of studied hybrids, simulated in 9 and 21 experiments, respectively, with contrasting environmental conditions. In the thesis, we discuss the relevance of each of these steps, needed for integrating the knowledge from genetics, ecophysiological models and phenomics. We also identify areas to improve the approach and its prediction accuracy and for further applications in a plant breeding or variety recommendation context.