Leveraging synthetic environmental covariates to explore crop genotype by environment interactions
Cette étude étend la régression de Finlay-Wilkinson en utilisant des covariables environnementales synthétiques pour disséquer les interactions génotype-environnement lors de fenêtres de développement individuelles chez l'orge, révélant que le remplissage précoque du grain est le moteur de la variance du rendement et introduisant la stabilité spécifique au stade de croissance comme une nouvelle cible de sélection.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
La météo est la grande variable de l'agriculture. Un agriculteur peut préparer le sol, choisir la semence et soigner la culture, mais il ne peut pas contrôler la pluie, la chaleur ou le vent. Depuis des décennies, les sélectionneurs de plantes tentent de résoudre l'énigme de la manière dont les différentes variétés de plantes répondent à ces conditions changeantes. Ils recherchent des plantes qui performent partout, un trait connu sous le nom de stabilité. Cependant, l'environnement n'est pas une chose unique et statique ; il change d'heure en heure et de jour en jour. Une plante peut prospérer lors d'un printemps frais mais peiner lors d'un été chaud, ou inversement. Cela crée une interaction complexe entre le code génétique de la plante et les conditions spécifiques auxquelles elle fait face, un phénomène que les scientifiques appellent l'interaction génotype-par-environnement. Comprendre cette interaction est crucial car, à mesure que le climat devient plus imprévisible, la capacité de prédire quelles cultures réussiront dans quels champs devient la différence entre une récolte et un échec.
Une équipe de chercheurs, dirigée par Stephanie Brunner et ses collègues, a développé une nouvelle façon d'aborder ce problème. Au lieu de traiter une saison de croissance comme un seul bloc de temps long et indifférencié, ils l'ont décomposée en fenêtres de développement spécifiques, un peu comme si l'on regardait un film image par image plutôt que de regarder seulement la scène finale. Ils ont étudié 961 variétés de l'orge différentes testées à travers douze essais au champ différents en Australie sur quatre ans. Ces essais couvraient une large gamme de conditions, avec des rendements moyens variant de 2,5 tonnes par hectare dans un lieu à 5,5 tonnes par hectare dans un autre. Les chercheurs voulaient savoir non seulement quelles plantes étaient les plus stables globalement, mais exactement quand, durant la saison de croissance, la météo importait le plus pour le rendement, et comment différentes plantes réagissaient à ces moments précis.
Pour ce faire, l'équipe a créé un pipeline statistique qui agit comme un filtre pour les données environnementales. Ils ont recueilli des informations météorologiques détaillées pour chaque essai, incluant la pluviométrie, la température, l'humidité et l'humidité du sol. Au lieu d'essayer d'analyser chaque jour de météo séparément, ce qui serait trop désordonné pour être interprété, ils ont regroupé les données météorologiques en six périodes distinctes basées sur le cycle de vie de la plante : l'émergence, le développement, la floraison, le remplissage précoce du grain, le remplissage tardif du grain et la maturité. Ils ont ensuite utilisé une méthode mathématique pour combiner les divers facteurs météorologiques au sein de chaque période en un score unique et simplifié. Cela leur a permis de voir comment les plantes réagissaient à l'« histoire météorologique » de chaque stade de croissance spécifique.
Les résultats ont révélé une hiérarchie claire de l'importance. Les chercheurs ont découvert que les conditions environnementales pendant l'étape du remplissage précoce du grain contribuaient le plus aux différences de rendement entre les variétés. Cela est biologiquement cohérent, car c'est la période où la plante remplit activement le grain, et un stress à ce moment-là réduit directement le poids final de la culture. Étonnamment, les conditions à la toute fin de la saison, lors de la maturité, jouaient également un rôle significatif, principalement en raison de la pluie. L'équipe a noté qu'une pluie abondante à ce stade tardif peut retarder la récolte ou provoquer la verse de la culture, phénomène connu sous le nom de verse (lodging), ce qui réduit le rendement. Curieusement, l'étude a montré que les facteurs météorologiques spécifiques pilotant ces différences changeaient selon le stade de croissance. Par exemple, alors que les températures minimales (les basses températures nocturnes) étaient un moteur majeur de la variation durant la majeure partie de la saison, le rayonnement (la lumière solaire) était un facteur clé lors du remplissage précoce du grain.
La découverte la plus significative était peut-être que la stabilité n'est pas un trait unique et fixe. Une plante qui est stable à travers tous les environnements pourrait ne pas être stable à chaque étape de sa vie. Les chercheurs ont découvert que certaines variétés étaient hautement instables durant les premiers stades de croissance mais remarquablement stables pendant le remplissage du grain, tandis que d'autres montraient le schéma inverse. Une variété, RGT Planet, était instable lorsque les plantes étaient jeunes, mais est devenue l'une des performeuses les plus stables durant les étapes critiques du remplissage précoce du grain et de la maturité. Cela suggère que les sélectionneurs pourraient cesser de chercher une plante « parfaitement stable » et plutôt cibler la stabilité pour des fenêtres spécifiques à fort impact. Si le remplissage précoce du grain est le moment le plus critique pour le rendement, comme le suggère cette étude, les sélectionneurs pourraient sélectionner des plantes qui sont spécifiquement robustes durant cette fenêtre, même si elles sont moins stables à d'autres moments.
L'étude a également examiné les blocs de construction génétiques derrière ces traits, en étudiant de petits fragments d'ADN appelés haplotypes. Ils ont découvert que la stabilité de ces blocs génétiques variait selon les environnements et les stades de croissance. Dans certains cas, les variantes génétiques qui produisaient les rendements les plus élevés étaient aussi les plus instables, créant un arbitrage que les sélectionneurs doivent gérer. Cependant, ils ont aussi trouvé des cas où des blocs génétiques de haute performance étaient également stables, offrant une cible claire pour de futures sélections. En cartographiant ces interactions, les chercheurs ont montré qu'il est possible d'identifier précisément quelles parties du génome sont responsables de la stabilité lors de stress environnementaux spécifiques.
Cette approche offre un nouveau prisme pour comprendre la performance des cultures. Plutôt que de traiter la saison de croissance comme une boîte noire où des intrants entrent et où un rendement sort, les chercheurs ont montré que la saison est une série de chapitres distincts, chacun ayant ses propres exigences environnementales et réponses génétiques. La méthode qu'ils ont utilisée permet de disséquer le réseau complexe d'interactions entre les plantes et leur environnement, révélant que la « meilleure » plante dépend entièrement des conditions spécifiques et du moment de ces conditions. Bien que l'étude ait été limitée à l'orge et à un ensemble spécifique d'essais australiens, le cadre qu'ils ont développé peut être appliqué à d'autres cultures et régions. Il fournit un outil aux sélectionneurs pour aller au-delà des simples classements et commencer à concevoir des cultures qui sont résilientes aux défis changeants et spécifiques du climat en mutation, garantissant ainsi que la bonne plante soit associée au bon moment et au bon endroit.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.