Percer le secret de la sélection de blé riche en protéines à haut rendement

Les modèles permettent l’optimisation de multiples compromis de traits.

Quiconque a expérimenté les levains au levain pendant la pandémie de Covid-19 sait que les boulangers apprécient la farine de blé à haute teneur en protéines. Les protéines assurent que la pâte à pain est élastique et extensible. Ces caractéristiques permettent à la pâte de mieux piéger le dioxyde de carbone, la faisant monter plus verticalement et rendant le pain cuit léger et aéré.

L’importance du blé s’étend au-delà des boulangers amateurs. Le blé est un aliment de base qui fournit environ 20 % de toutes les calories et protéines consommées par l’homme. La demande de blé devrait augmenter de 60 % d’ici 2050, tandis que des baisses de rendement attribuables à la diminution des ressources en eau et à la chaleur dues au changement climatique sont déjà observées.

Les scientifiques se bousculent pour développer un blé capable de produire des rendements élevés malgré la crise climatique. Cependant, il est difficile de sélectionner des caractères complexes comme le rendement sans affecter également des caractères apparemment sans rapport – une augmentation du rendement du blé est négativement corrélée à la teneur en protéines (qui est essentielle pour la nutrition humaine et également importante pour un bon levain).

Les modèles de sélection génomique peuvent illustrer comment le rendement du blé peut être augmenté sans réduire la teneur en protéines.

Dans un nouvel article publié dans en silicone Végétaux.

L’étude a utilisé une population de cartographie nouvellement développée, appelée MAGIC, de plus de 500 lignées consanguines issues de seize variétés historiques de blé tendre qui ont été largement génotypées et phénotypées. L’utilisation de cette population et des données associées a permis aux chercheurs d’étudier la base génétique de la variation phénotypique.

Les auteurs ont d’abord étudié les relations complexes entre les traits. Cela a été accompli à l’aide d’un logiciel qui a examiné comment 72 traits étaient corrélés les uns aux autres pour les 500 lignées et deux années de données phénotypiques. Comme prévu, ils ont trouvé une forte corrélation négative entre la teneur en protéines et le rendement.

Réseau de corrélation pour 72 traits. Rendement en grain = GY et est entouré en bleu. GP = Protéine céréalière et est entouré en rouge. Les lignes de connexion bleues et rouges indiquent respectivement des corrélations positives et négatives.

De nombreuses études de sélection génomique ont analysé les caractères séparément à l’aide d’analyses à caractère unique. Cette technique traite chaque trait comme non lié. En revanche, les modèles multi-traits peuvent incorporer des informations sur les traits corrélés qui sont contrôlés par un effet génétique commun. Ce phénomène, où un gène peut influencer deux ou plusieurs traits phénotypiques apparemment sans rapport, est connu sous le nom de pléiotropie.

Pour mettre en évidence l’importance des effets pléiotropes dans la précision de la prédiction de caractères complexes comme le rendement en grain, les auteurs ont comparé la précision des modèles de prédiction génomique à trait unique et à traits multiples.

Les données de 90 % des lignes ont été utilisées pour entraîner et optimiser les modèles. Les 10 % restants ont été utilisés comme ensemble de données de test. Les modèles ont été invités à prédire la valeur de plusieurs traits liés en utilisant uniquement les données génétiques de l’ensemble de données de test. Les auteurs ont ensuite comparé les valeurs prédites avec les valeurs de trait mesurées à partir de l’ensemble de données de test. Ils ont constaté que par rapport aux modèles à caractère unique, les modèles à caractères multiples avaient une précision de prédiction plus élevée pour près de 90 % des caractères, améliorant la précision de prédiction du rendement en grains de 3 à 52 %.

Ensuite, ils ont étudié la possibilité d’obtenir un gain génétique à long terme dans le rendement en grains en simulant un programme de sélection à long terme à l’aide de deux méthodes. Pour cela, ils ont utilisé la stratégie d’élevage sélection génomique récurrentequi consiste en des cycles répétés de sélection et d’élevage sur plusieurs générations visant à l’amélioration génétique progressive d’un ou plusieurs caractères.

Ils ont simulé une reproduction à long terme avec deux objectifs de sélection distincts :

l’amélioration d’un seul trait – le rendement en grain, ou
amélioration simultanée de plusieurs traits – rendement en grain et autres traits d’intérêt.

Pour chacun des 20 cycles de sélection, le modèle a sélectionné des lignées à croiser en fonction de leurs phénotypes avantageux, qui ont été prédits à partir de leur génotype. Les cycles traditionnels des programmes de sélection du blé durent généralement cinq ans. Ces simulations de 20 cycles de sélection récurrente représentent donc l’équivalent de plus de 100 ans de sélection traditionnelle du blé.

Lorsque l’objectif était la sélection basée sur le rendement en grain, ils ont trouvé gain génétique rapide de rendement avec, comme prévu, une diminution rapide correspondante de la teneur en protéines des grains.

Cependant, avec l’utilisation de la sélection de caractères multiples, un gain génétique à la fois en rendement et en teneur en protéines a été possible dans une certaine mesure. Le taux de gain génétique dans le rendement en grain a été ralenti mais la sélection a réussi à augmenter les deux caractères désirables, indiquant qu’il est possible d’optimiser les caractères antagonistes grâce à une sélection appropriée.