Genomic prediction models based on a large-scale recombinant population allow rapid breeding of desired genotypes

Depuis des siècles, les agriculteurs s'appuient sur un art lent et patient pour améliorer leurs cultures : le croisement. En croisant deux plantes possédant des forces différentes, ils espèrent combiner ces traits chez la progéniture. Mais la nature est imprévisible, et la loterie génétique de la sélection traditionnelle nécessite souvent de nombreuses générations de semis, d'attente et de sélection avant qu'une variété véritablement supérieure n'émerge. À une époque où le changement climatique et la croissance démographique exigent des solutions plus rapides, ce rythme lent constitue un goulot d'étranglement. Les scientifiques cherchent depuis longtemps un moyen de regarder à l'intérieur du code génétique de la plante pour prédire quelles combinaisons fonctionneront le mieux avant même qu'une seule graine ne soit plantée. Cette approche, connue sous le nom de prédiction génomique, utilise des modèles informatiques pour estimer comment des segments spécifiques d'ADN influenceront la croissance, le rendement ou la résilience d'une plante. Le défi a été de trouver un moyen de rendre ces prédictions suffisamment précises pour guider l'agriculture réelle, en particulier lorsqu'il s'agit de concilier plusieurs objectifs à la fois, comme rendre une culture à la fois à haut rendement et résistante à la sécheresse.

Une équipe de chercheurs vient de démontrer une nouvelle stratégie puissante qui comble le fossé entre les données génétiques complexes et l'agriculture pratique. Ils ont commencé par créer une vaste bibliothèque de variété génétique, une collection de 2 787 lignées végétales distinctes issues du croisement d'une variété de riz performante connue sous le nom de « Hitomebore » avec 19 autres donneurs de riz diversifiés. Ce groupe important, appelé population de cartographie d'association imbriquée, a servi de carte détaillée de la manière dont les différents éléments génétiques interagissent. En utilisant cet ensemble de données étendu, les scientifiques ont construit des modèles informatiques hautement précis capables de lire le code génétique de ces lignées et de prédire leur performance. Contrament aux méthodes précédentes qui pourraient deviner le résultat, ces modèles ont été entraînés sur les combinaisons génétiques spécifiques présentes dans l'étude, ce qui leur a permis d'estimer l'effet de segments d'ADN spécifiques avec une précision remarquable.

Le véritable test de cette stratégie est survenu lorsque les chercheurs ont utilisé leurs modèles pour concevoir un plan de sélection à partir de zéro. Au lieu de compter sur le hasard, ils ont demandé à l'ordinateur d'identifier les combinaisons génétiques spécifiques qui maximiseraient le rendement tout en gérant les compromis naturels entre différents traits. Les modèles les ont orientés vers un ensemble de lignées optimales et un chemin spécifique pour les croiser. En suivant ce plan directeur numérique, l'équipe a réalisé le travail de sélection proprement dit, croisant les plantes sélectionnées pour créer de nouvelles générations de riz. Les résultats ont confirmé la puissance de l'approche : les nouvelles lignées de riz possédaient exactement les génotypes cibles que les modèles avaient prédits, offrant les améliorations souhaitées dans plusieurs traits liés au rendement simultanément. Ce travail montre qu'en combinant une population de départ large et diversifiée avec des modèles de prédiction interprétables, les sélectionneurs peuvent construire rapidement des cultivars dotés de la composition génétique précise nécessaire pour relever les défis d'un monde en mutation.