Joint modeling of social genetic effects in mono- and pluri-specific groups: case study in intercrops

Cet article propose un nouveau cadre de modélisation génétique quantitative et son implémentation logicielle pour analyser conjointement les effets directs et sociaux (inter- et intraspécifiques) dans les cultures intercalaires, permettant ainsi d'optimiser le sélection génétique pour des systèmes agricoles mixtes.

L'essentiel

🌾 Le Problème : Cultiver seul vs Cultiver en équipe

Imaginez que vous êtes un éleveur de chevaux. Pendant des décennies, vous avez sélectionné les meilleurs chevaux pour qu'ils courent le plus vite possible dans une course individuelle. Vous avez créé des champions de vitesse pure.

Mais aujourd'hui, l'agriculture change. Au lieu de cultiver un seul type de plante sur un champ (comme un champ de blé tout seul), les agriculteurs veulent de plus en plus mélanger les cultures (par exemple, du blé avec des pois). C'est ce qu'on appelle l'interculture.

Pourquoi ? Parce que c'est plus résilient, plus écologique et souvent plus rentable. Mais il y a un gros problème : les variétés de blé que nous avons créées pour être les meilleures seules ne sont pas forcément les meilleures en équipe avec des pois.

C'est comme si vous preniez un coureur de 100 mètres (le champion du monde en solo) et que vous le mettiez dans un relais 4x100 mètres. S'il est trop égoïste, il ne passera pas le témoin correctement, et l'équipe perdra.

🧬 La Solution : Comprendre la "Génétique Sociale"

Les auteurs de cette étude (J. Salomon et son équipe) se sont dit : "Il faut arrêter de voir les plantes comme des individus isolés. Il faut comprendre comment leurs gènes interagissent avec ceux de leurs voisins."

Ils ont développé un nouveau modèle mathématique pour décoder deux types d'effets génétiques :

1. L'effet direct (Le talent personnel) : C'est la capacité de la plante à bien pousser toute seule (sa propre génétique).
2. L'effet social (La capacité d'équipe) : C'est la capacité de la plante à aider ou à gêner ses voisines.
   • Exemple : Une plante de blé qui a des racines qui vont chercher l'eau profondément peut aider son voisin pois à ne pas mourir de soif (effet positif). À l'inverse, une plante qui étouffe tout autour d'elle pour avoir plus de soleil peut nuire à son voisin (effet négatif).

🧩 Le Défi : Comment tester ça sans tout mélanger ?

Le problème, c'est qu'il y a des milliers de variétés de blé et des milliers de variétés de pois. Si on veut tester toutes les combinaisons possibles (Blé A avec Pois X, Blé A avec Pois Y, Blé B avec Pois X...), c'est une explosion combinatoire ! C'est comme essayer de faire tous les mariages possibles entre 200 personnes : cela prendrait une éternité et coûterait une fortune.

De plus, les agriculteurs doivent continuer à vendre du blé pour le marché actuel (qui est encore majoritairement en culture seule). On ne peut pas arrêter tout d'un coup pour faire des mélanges.

💡 L'Innovation : La "Recette de Cuisine" Intelligente

Les chercheurs ont proposé une stratégie astucieuse, un peu comme un chef qui teste un nouveau plat :

1. Le modèle unique : Ils ont créé une équation mathématique qui permet de regarder à la fois les plantes cultivées seules et les plantes cultivées en mélange. Ils ont inventé un nouveau concept appelé la "valeur sociale intragénétique" (SIGV).

   • L'analogie : Imaginez que vous voulez connaître le talent d'un acteur. Vous le regardez jouer seul sur scène (culture seule), mais vous comprenez aussi comment il réagit quand il est en scène avec d'autres (culture mixte). Leurs maths permettent de séparer ce qui vient de l'acteur lui-même et ce qui vient de sa chimie avec les autres.

2. Le design "Sparce" (Échantillonnage intelligent) : Au lieu de tester toutes les combinaisons, ils en testent un échantillon intelligent.

   • Ils gardent une partie du champ pour des cultures seules (pour le marché actuel).
   • Ils utilisent l'autre partie pour des mélanges, mais de façon stratégique (un peu comme un testeur de voiture qui ne fait pas tous les trajets possibles, mais choisit les routes les plus révélatrices).

3. Le résultat : Grâce à leur logiciel (écrit en R/C++), ils ont pu montrer qu'on peut sélectionner les meilleures plantes pour les deux mondes en même temps.

   • On peut trouver des variétés de blé qui sont superbes seules ET qui deviennent des champions d'équipe quand on les met avec des pois.

🚀 Pourquoi c'est important pour nous ?

Cette étude est une révolution pour l'agriculture de demain :

• Pas de rupture brutale : Les éleveurs de plantes n'ont pas besoin de tout jeter et de recommencer à zéro. Ils peuvent intégrer progressivement l'interculture dans leurs programmes de sélection actuels.
• Gagner du temps et de l'argent : On évite de tester des millions de combinaisons inutiles.
• Manger mieux et plus sain : En sélectionnant des plantes qui s'entraident (comme le blé et le pois qui partagent l'azote), on réduit l'usage d'engrais chimiques et on rend l'agriculture plus robuste face au changement climatique.

En résumé

Imaginez que vous êtes un entraîneur de sport. Au lieu de chercher seulement le meilleur coureur individuel, vous cherchez le meilleur coureur qui sait aussi bien passer le relais. Cette étude donne aux scientifiques la "boîte à outils" mathématique pour trouver ces athlètes polyvalents, permettant de passer doucement d'une agriculture de "solitaire" à une agriculture d'"équipe", sans casser la production actuelle.

Résumé technique

1. Problématique et Contexte

L'agriculture moderne a historiquement sélectionné des variétés de cultures performantes en monoculture (systèmes monospécifiques et monogénotypiques), négligeant les interactions sociales (ou effets génétiques indirects) qui se produisent lorsque les plantes sont cultivées en mélange. Le polyculture (interculture), qui consiste à cultiver simultanément plusieurs espèces sur la même parcelle, offre des avantages agronomiques majeurs (résilience, efficacité des ressources, réduction des intrants), mais son adoption reste limitée dans les pays à fort PIB.

Le principal frein est l'absence de variétés adaptées à l'interculture. Les programmes de sélection actuels sont souvent cloisonnés : soit pour la monoculture, soit pour l'interculture. Or, la corrélation génétique entre la performance en monoculture ($BV_{SC}$) et en interculture ($BV_{IC}$) est souvent faible, voire négative, en raison de la plasticité phénotypique et des interactions complexes entre génotypes (GxG).

Le défi scientifique est de développer un cadre génétique unifié capable de :

1. Décomposer les valeurs de sélection en composantes directes et sociales (indirectes).
2. Analyser conjointement les données de monoculture et d'interculture pour améliorer la précision des estimations.
3. Permettre une sélection simultanée pour les deux systèmes sans nécessiter des programmes de sélection totalement séparés.

2. Méthodologie

Les auteurs proposent une approche combinant modélisation génétique, inférence statistique avancée et simulations.

A. Modélisation Génétique Unifiée

Le modèle décompose la valeur de sélection (Breeding Value - BV) d'un génotype $i$ en plusieurs composantes :

• Valeur de Sélection Directe (DBV) : Effet additif des gènes de l'individu sur son propre phénotype. Cette composante est partagée entre la monoculture et l'interculture.
• Valeur de Sélection Sociale (SBV) : Effet additif des gènes de l'individu sur le phénotype de ses voisins (effet indirect).
  • En interculture ($IC$) : Effet d'une espèce sur l'autre (ex: pois sur blé).
  • En monoculture ($SC$) : Effet d'un génotype sur ses congénères du même génotype.
• Valeur Sociale Intra-génotypique (SIGV) : Une nouvelle composante introduite pour combler le manque de données sur les mélanges variétaux purs. Elle agrège l'effet social intra-spécifique et l'interaction spécifique dans un stand monogénotypique : $SIGV_i = SBV_{i|SC} + (DBV \times SBV)_{ii}$.
• Interaction Spécifique (DBVxSBV) : Interaction entre la valeur directe et la valeur sociale dans les mélanges interspécifiques.

L'équation phénotypique pour un individu $i$ de l'espèce 1 mélangé avec $j$ de l'espèce 2 est :
$$y_{i|j} = \mu + DBV_i + SBV_{\cdot|j} + (DBV \times SBV)_{i|j} + \epsilon$$

B. Inférence Statistique et Logiciel

Le modèle nécessite l'ajustement simultané de plusieurs modèles linéaires mixtes (LMM) corrélés, ce qui dépasse les capacités des logiciels standards (ASReml, sommer, etc.).

• Implémentation : Les auteurs ont développé un code personnalisé en R/C++ utilisant le package TMB (Template Model Builder).
• Technique : Utilisation de la Différentiation Automatique (AD) et de l'Approximation de Laplace pour maximiser la vraisemblance restreinte (REML) de manière efficace et stable numériquement, même avec des matrices de relations génétiques complexes.

C. Conception Expérimentale et Simulations

Des simulations ont été réalisées sur 100 réplicats avec 200 génotypes d'une espèce focale (ex: blé) et 2 génotypes d'une espèce testeur (ex: pois). Trois designs expérimentaux ont été comparés (totalisant 400 micro-parcelles) :

1. sole_only : Uniquement en monoculture.
2. inter_only : Uniquement en interculture (design incomplet/sparse).
3. sole_inter_50 : Un design combiné où 50 % des génotypes sont évalués en monoculture et l'autre moitié en interculture (design incomplet combiné).

Les paramètres génétiques (variances de DBV, SBV, SIGV, corrélations) ont été calibrés sur des données réelles de blé-pois et orge-pois.

3. Contributions Clés

1. Cadre théorique unifié : Introduction du concept de SIGV permettant de relier mathématiquement les valeurs de sélection en monoculture et en interculture via une décomposition commune des effets directs et sociaux.
2. Outil logiciel open-source : Développement d'une implémentation en R/C++ capable de gérer des modèles mixtes complexes avec des effets sociaux corrélés et des designs incomplets, comblant un vide logiciel dans le domaine.
3. Stratégie de sélection hybride : Démonstration qu'il est possible de sélectionner simultanément pour la monoculture et l'interculture en utilisant un design combiné, évitant ainsi la nécessité de programmes de sélection totalement distincts.

4. Résultats Principaux

• Précision des estimations de (co)variances :

  • Le design sole_inter_50 est le seul à permettre une estimation non biaisée de toutes les composantes génétiques, y compris la variance SIGV.
  • Le design sole_only surestime fortement la variance des valeurs en interculture et ne peut pas estimer les effets sociaux.
  • Le design inter_only fournit des estimations précises des effets directs et sociaux mais sous-estime légèrement la variance en monoculture si la variance SIGV est élevée.

• Précision des valeurs de sélection (BV) :

  • Pour la monoculture, le design sole_only reste performant, mais le design combiné (sole_inter_50) maintient une haute précision même lorsque les interactions sociales (SIGV) augmentent.
  • Pour l'interculture, le design sole_inter_50 et inter_only surpassent largement le sole_only. L'ajout de données d'interculture améliore l'estimation des DBV grâce à la corrélation entre DBV et SBV.

• Efficacité de la sélection :

  • Le design combiné permet d'identifier les meilleurs génotypes pour les deux systèmes avec une grande fiabilité.
  • L'utilisation de la matrice de relations génomiques (GRM) améliore significativement la précision des estimations, en particulier pour les composantes sociales (SBV et SIGV).
  • Un indice de sélection pondéré ($Idx = w \cdot SIGV + (1-w) \cdot SBV + DBV$) permet d'ajuster la sélection selon les objectifs du marché (plus ou moins orienté vers l'interculture).

5. Signification et Perspectives

Ce travail fournit une solution pragmatique pour intégrer l'interculture dans les programmes de sélection modernes dominés par la monoculture.

• Impact agronomique : Il permet de développer progressivement des variétés adaptées aux mélanges sans abandonner la sélection pour la monoculture, facilitant ainsi la transition agroécologique.
• Généralité : Bien que centré sur les cultures, ce cadre théorique et statistique est applicable à d'autres systèmes biologiques impliquant des interactions sociales, tels que l'élevage animal (effets de groupe) ou la sylviculture.
• Recommandation : Les auteurs préconisent l'adoption de designs expérimentaux incomplets combinant monoculture et interculture, couplés à la sélection génomique, pour maximiser le gain génétique dans les deux systèmes avec un coût expérimental maîtrisé.

En résumé, l'article démontre que la sélection pour l'interculture n'a pas besoin d'être un système parallèle et isolé, mais peut être intégrée de manière fluide et efficace dans les schémas de sélection existants grâce à une modélisation fine des effets génétiques sociaux.