Informations et ressources scientifiques
sur le développement des zones arides et semi-arides

Titre : Genomic-assisted sparse multi-location testing to increase genetic gains in barley

Auteur : García Maldonado Julián

Université de soutenance : Instituto Agronómico Mediterráneo de Zaragoza (IAMZ) - Centre international de hautes études agronomiques méditerranéennes (CIHEAM)

Grade : MASTER ? 2022

Résumé
Ces dernières années, les éleveurs ont intégré les prédictions génomiques (GP) dans leurs programmes de sélection comme un outil utile, rentable et polyvalent pour augmenter le gain génétique. Couplée à de nouvelles conceptions expérimentales, la prédiction génomique maximise la qualité et la quantité d’informations par dollar investi. C’est le cas des tests multi-localisés assistés par la génomique, une conception expérimentale qui permet aux sélectionneurs d’organiser des essais multi-localisés n’ayant qu’une fraction des génotypes présents dans tous les environnements. Dans cette conception, les génotypes observés dans chaque environnement sont utilisés pour produire des prédictions génomiques de ceux qui ne sont pas plantés et les génotypes qui se chevauchent entre les emplacements permettent la connectivité génotype x environnement (GxE) et sa modélisation. Il en résulte une augmentation de la précision et/ou de l’intensité de la sélection et donc un gain génétique plus élevé. Cette stratégie a été adoptée par le Programme mondial de sélection de l’orge de l’ICARDA comme approche standard pour les essais préliminaires de rendement. Pour évaluer les précisions GP au sein et entre les emplacements, 1 000 nouvelles entrées de stade 1 à 2 et 6 rangs de la gamme de méga-produits d’orge fourragère pour les environnements arides et semi-arides ont été assemblées dans une série d’essais de rendement préliminaire avec quatre emplacements. Ces lignées ont été distribuées dans 340 essais de p-rep clairsemés sur des parcelles qui comprenaient 212 entrées non répliquées par emplacement, 18 entrées répliquées à l’intérieur de l’emplacement (entrées de p-rep), 80 entrées répliquées à travers les emplacements et 6 contrôles commerciaux répliqués à la fois à l’intérieur et à travers les emplacements. Ces essais ont été plantés dans quatre endroits différents au Maroc et au Liban, chacun identifié comme représentatif d’un environnement de population cible. Les corrélations phénotypiques entre les environnements étaient toutes inférieures à r = 0,30. Afin de maximiser la connectivité de parenté, les lignées ont été réparties entre les emplacements en fonction de la matrice des relations basée sur l’arbre généalogique. De plus, les 1 000 lignées ont été génotypées à l’aide d’un ensemble de marqueurs de diversité de 96 SNP répartis dans le génome et préalablement sélectionnés pour leur fréquence élevée d’allèles mineurs (MAF > 0,40) parmi les parents. Les prédictions génomiques ont été calculées à l’aide de GBLUP ajusté à l’aide de l’ASReml-R, après une analyse en deux étapes. Un schéma de validation croisée de 10 fois a été mis en place pour calculer les précisions GP pour les essais multi-environnements (MET). Différentes variables ont été ajoutées aux modèles génomiques pour améliorer la précision des prédictions. Celles-ci comprenaient la structure de la population, les informations sur l’arbre généalogique (matrice hybride) et le type de ligne. Ceux-ci ont été ajoutés indépendamment ou combinés dans les modèles. Les meilleurs résultats ont été obtenus lorsque seule la matrice hybride était incluse dans les modèles. La précision finale des prédictions génomiques GxE variait entre 0,11 et 0,40

Mots Clés : barley ; genetic gains ; no poverty ; zero hunger ; good health and well-being ; climate action ; life on land ; genomic predictions ; climate adaptation and mitigation ; nutrition, health and food security ; poverty reduction, livelihoods and jobs ; gender equality, youth and social inclusion

Présentation (CGSpace)

Version intégrale (0,6 Mb)