Infodoc : Sciences, Techniques et Culture

Les programmes de sélection du maïs s'appuient sur des réseaux d'essais pour évaluer la performance phénotypique (P) des hybrides dans diverses conditions de culture. Dans ces essais, les interactions entre le génotype et l'environnement (IGE) ont un effet substantiel sur la variabilité phénotypique qui peut parfois dépasser l'effet génétique principal (G). Il est donc important de mieux modéliser ces IGE pour garantir l'amélioration génétique du maïs.Les modèles classiques de prédiction génomique, même ceux modélisant les IGE, ne tiennent pas compte de la complexité du génome et de la manière dont les régions génomiques réagissent aux stimuli environnementaux. En supposant un modèle infinitésimal, ils agissent comme des boîtes noires s'appuyant sur des relations statistiques plutôt q[...]

Les programmes de sélection du maïs s'appuient sur des réseaux d'essais pour évaluer la performance phénotypique (P) des hybrides dans diverses conditions de culture. Dans ces essais, les interactions entre le génotype et l'environnement (IGE) ont un effet substantiel sur la variabilité phénotypique qui peut parfois dépasser l'effet génétique principal (G). Il est donc important de mieux modéliser ces IGE pour garantir l'amélioration génétique du maïs.Les modèles classiques de prédiction génomique, même ceux modélisant les IGE, ne tiennent pas compte de la complexité du génome et de la manière dont les régions génomiques réagissent aux stimuli environnementaux. En supposant un modèle infinitésimal, ils agissent comme des boîtes noires s'appuyant sur des relations statistiques plutôt que biologiques. Les chercheurs ont suggéré que les annotations fonctionnelles des gènes et les données multi-omiques pourraient permettre de mieux expliquer la relation entre génotype et phénotype. Des études ont montré que la hiérarchisation des marqueurs génomiques sur la base d'information biologique ou fonctionnelle peut contribuer à améliorer les capacités prédictives des modèles. Des résultats similaires ont été rapportés dans des études reposant sur des données multi-omiques, telles que les transcrits et les protéines. Toutefois, la plupart de ces études portent sur un seul essai ou sur des expériences réalisées en un seul lieu. Leur capacité à modéliser les IGE pour des caractères quantitatifs dans un réseau d'essais étendu doit être davantage étudiée. Par conséquent, cette thèse vise à (i) évaluer le potentiel des annotations fonctionnelles pour améliorer les prédictions en donnant la priorité à certaines régions génomiques, (ii) étudier le potentiel des données multi-omiques pour prendre en compte les IGE tout en améliorant la prédiction des caractères complexes, et (iii) identifier les gènes qui sont associés aux caractères de productivité et qui répondent aux conditions environnementales pour mieux comprendre la biologie derrière les IGE.Notre étude repose sur un panel de 244 hybrides de maïs évalués pour leur productivité dans des essais menés en Europe et au Chili sous des régimes hydriques contrastés. En outre, les annotations fonctionnelles des gènes ont été obtenues à partir de bases de données publiques. Les mêmes génotypes ont également été évalués pour leurs caractéristiques écophysiologiques, et les profils transcriptomiques et protéomiques ont été mesurés dans des conditions hydriques contrastées sur une plateforme.Dans le chapitre 1, nous avons montré que les marqueurs situés à proximité des gènes de certaines catégories fonctionnelles peuvent améliorer les prédictions de caractères de plein champ ou de plateforme.Dans le chapitre 2, nous avons pu montrer que les données omiques pouvaient accroître la capacité de prédiction par rapport à la sélection génomique, en particulier pour les caractères phénotypés dans les mêmes conditions que celles dans lesquelles les données omiques ont été acquises. Nous avons également intégré des covariables environnementales et les informations multi-omiques dans un même modèle, ce qui, à notre connaissance, n'a encore jamais été testé dans la littérature.Dans le chapitre 3, l'étude d'association transcriptomique (TWAS) a montré que les données omiques mesurées dans des conditions de plateforme contrôlées peuvent aider à disséquer l'architecture génétique du rendement mesuré dans des conditions de plein champ. Nous avons également constaté que certains des transcrits significativement associés ont déjà été identifiés dans la littérature comme étant associés à la réponse au stress. En outre, nous avons observé que la TWAS est complémentaire de la génétique d'association car elle peut améliorer la résolution et la puissance de détection.Pour conclure, cette thèse indique que les annotations fonctionnelles et les données multi-omiques sont utiles pour comprendre et prédire les IGE.