Infodoc : Sciences, Techniques et Culture

L’optimisation des réseaux d’essais est une problématique importante dans les processus de sélection variétale. Les hybrides sont évalués pour plusieurs critères sur un réseau multi-local représentant la diversité des conditions agro-climatiques rencontrées. L’évaluation du gain génétique est complexifiée par les interactions G*E, en particulier dans le cas de critères intégratifs. Un réseau d’essais optimal doit permettre la meilleure évaluation du gain génétique possible grâce un échantillonnage efficace des différents environnements rencontrés pour différents critères de sélection, et être structuré de manière à incorporer les interactions G*E. L’objectif de cette étude est l’identification des forces et des faiblesses du réseau d’essai pré-commercial maïs pour proposer des amélior[...]

L’optimisation des réseaux d’essais est une problématique importante dans les processus de sélection variétale. Les hybrides sont évalués pour plusieurs critères sur un réseau multi-local représentant la diversité des conditions agro-climatiques rencontrées. L’évaluation du gain génétique est complexifiée par les interactions G*E, en particulier dans le cas de critères intégratifs. Un réseau d’essais optimal doit permettre la meilleure évaluation du gain génétique possible grâce un échantillonnage efficace des différents environnements rencontrés pour différents critères de sélection, et être structuré de manière à incorporer les interactions G*E. L’objectif de cette étude est l’identification des forces et des faiblesses du réseau d’essai pré-commercial maïs pour proposer des améliorations afin de caractériser efficacement les hybrides au cours des années de mise en essai. Le jeu de données utilisé est constitué de 69 hybrides
génotypés sur 22K SNPs et phénotypés sur 11 critères de sélection, 333 environnements et 5 années d’observations. Différentes méthodologies sont utilisées pour mieux caractériser les réseaux d’essais, majoritairement des modèles de sélection génomique développés par Limagrain. Les modèles de sélection génomique univariés, sans intégration des interactions G*E, permettent de discriminer les lieux
d’essais selon leur originalité par rapport au reste du réseau d’essais. Les plateformes maladies, lieux d’essais très contrôlés, présentent un intérêt majeur pour la prédiction des valeurs des hybrides. L’intégration des interactions G*E au sein de modèles de sélection multivariées permet d’étudier la pertinence de différents regroupements de lieux d’essais. Ainsi, pour des critères de sélection tels que des maladies ou des verses, un an d’essais peut suffire pour connaître précisément la valeur génétique d’un hybride. Pour des traits intégratifs comme le rendement ou le taux d’humidité, l’utilisation de données multi-années et multi-environnementales est essentielle pour la qualité de la prédiction génomique. De plus, l’utilisation de segments de marché ne permet pas systématiquement, selon les critères, une caractérisation environnementale pertinente, car elle n’intègre pas une information environnementale complète. Enfin, l’optimisation du réseau d’essais à partir des informations des autres analyses peut être effectuée à partir d’un modèle mixte qui permet une simulation d’allocation de ressources optimales selon les différents critères.

Trial network optimization is a critical issue in plant breeding. Hybrids are evaluated on several criteria on a multi-local network representing the diversity of agro-climatic conditions. Evaluation of genetic gain is complicated by G * E interactions, especially in the case of integrative criteria. An optimal trial network should allow the best assessment of the genetic gain by efficiently sampling the different environments encountered for different selection criteria, and should be structured in order to incorporate G * E interactions. The objectives of this study is to identify the strengths and weaknesses of the pre-commercial maize trial network of Limagrain, to propose improvements to effectively characterize hybrids before potential commercial launch. The data set used consists of 69 hybrids
genotyped on 22K SNPs and phenotyped on 11 selection criteria, 333 environments and 5 years of observations. Different methodologies are used to better characterize the trial networks, mostly genomic prediction models developed by Limagrain. The univariate genomic selection models, without integration of the G * E interactions, allow to discriminate the locations according to their originality compare to the rest of the trial network. Disease platforms are controlled locations and of major interest for the prediction of hybrid values. The integration of G * E interactions in multivariate selection models allows to study the relevance of different groupings of test sites. Thus, for selection criteria such as diseases or lodging, one year of testing may be sufficient to know precisely the genetic value of a hybrid. For integrative traits such as yield or moisture content, the use of multi-year and multi-environmental data is essential for the quality of genomic prediction. Moreover, the use of market segments is not systematically relevant as environmental characterization according to the criteria, since it does not integrate complete environmental information. Finally, trial network optimization based on information of these analyses is carried out using a mixed model which allows a simulation of optimal allocation of resources according to the different criteria.