Trait-specific benefits of association-based marker preselection for genomic prediction in slash pine

Les forêts ne sont pas seulement des collections d'arbres ; ce sont des usines complexes qui produisent du bois, du papier et une substance unique et collante appelée oléorésine. Cette résine est la matière première de la colophane et de la térébenthine, des ingrédients essentiels dans tout, des vernis aux produits chimiques biosourcés. Pour les sélectionneurs qui tentent d'améliorer ces arbres, le processus est un test de patience. Contra à des cultures qui poussent en une seule saison, les arbres comme le pin de slash mettent des décennies à atteindre la maturité. Un sélectionneur peut planter une graine, attendre quinze ans que l'arbre grandisse suffisamment pour mesurer la force de son bois ou sa production de résine, et ce n'est qu'alors qu'il saura s'il a fait un bon choix. Cette longue attente ralentit les progrès et rend difficile la combinaison de traits désirables, tels qu'une croissance rapide, un bois solide et un rendement élevé en résine, en un seul arbre supérieur. Pour accélérer les choses, les scientifiques se sont tournés vers la sélection génomique, une méthode qui utilise le code génétique d'un arbre pour prédire sa performance future. Au lieu d'attendre que l'arbre grandisse, les chercheurs examinent ses marqueurs ADN — de minuscules variations dans sa séquence génétique — pour deviner comment il se développera. Cependant, le code génétique est vaste et bruyant, et scanner simplement chaque fragment d'ADN n'est pas toujours efficace. Le défi consiste à savoir quels indices génétiques sont les plus importants pour des traits spécifiques et comment les utiliser sans se perdre dans les données.

Dans une étude récente axée sur le pin de slash, des chercheurs ont cherché à affiner ce processus prédictif. Ils ont travaillé avec une population de 240 arbres, un mélange de demi-frères et sœurs cultivés lors d'un essai en plein champ près de Hangzhou, en Chine. Ces arbres ont été mesurés pour douze caractéristiques différentes, allant de la largeur de leurs troncs et de la hauteur de leurs cimes à la rigidité de leur bois et à la composition chimique de leur résine. L'équipe a ensuite analysé la composition génétique de chaque arbre, identifiant plus de 53 000 marqueurs génétiques spécifiques dérivés des gènes actifs de l'arbre. Plutôt que de traiter tous ces marqueurs de la même manière, les chercheurs ont testé une stratégie de pré-sélection. Ils ont d'abord effectué un balayage statistique au sein de petits groupes de données d'entraînement pour trouver quels marqueurs étaient les plus fortement liés à chaque trait spécifique. Ils ont ensuite utilisé uniquement ces marqueurs les plus performants pour construire leurs modèles de prédiction, filtrant efficacement le bruit génétique pour voir si une focalisation plus nette permettrait de faire de meilleures suppositions.

Les résultats ont révélé que la valeur de cette approche ciblée dépend entièrement du trait qui est prédit. Pour les traits liés à la croissance, tels que le diamètre du tronc de l'arbre et sa hauteur globale, l'utilisation des marqueurs pré-sélectionnés a fait une différence significative. Les modèles sont devenus nettement plus performants pour prédire ces résultats, améliorant leur précision de près de 12 % par rapport à l'utilisation d'un mélange aléatoire de marqueurs. Cela suggère que pour la croissance, il existe des signaux génétiques clairs et récurrents qui peuvent être identifiés tôt et utilisés pour guider la sélection. Les traits de qualité du bois, comme la rigidité du bois, ont connu une amélioration beaucoup plus faible, gagnant seulement environ 2 % de pouvoir prédictif. La stratégie n'a apporté aucun réel avantage pour les traits de l'oléorésine, à savoir le rendement en résine et ses composants chimiques. Pour ces traits chimiques complexes, les signaux génétiques étaient trop faibles ou instables pour être isolés efficacement par la méthode de pré-sélection, et les modèles ont performé aussi bien qu'avec un assortiment aléatoire de marqueurs.

L'étude a également testé si l'ajout de variantes génétiques spécifiques à haute confiance comme entrées fixes dans les modèles permettrait de booster davantage les performances. L'idée était que si une variante génétique particulière est connue pour avoir un effet important, forcer le modèle à y prêter attention pourrait améliorer la prédiction. Cependant, les chercheurs ont constaté que cela aidait rarement. Dans la plupart des cas, les modèles performaient aussi bien, ou même mieux, sans ces entrées forcées. Le réseau complexe de relations entre des milliers d'autres marqueurs semblait capturer l'information nécessaire de lui-même. Ajouter trop de règles génétiques spécifiques risquait en fait de confondre le modèle, surtout compte tenu du nombre relativement restreint d'arbres disponibles pour l'entraînement. Les seules exceptions concernaient quelques traits spécifiques, comme la largeur de la cime et certains composants chimiques de la résine, où l'ajout d'un petit nombre de ces variantes à haute confiance a apporté une amélioration infime et marginale.

Au-delà des chiffres, les chercheurs ont examiné les histoires biologiques derrière les marqueurs génétiques qui apparaissaient de manière répétée. Ils ont découvert que les gènes liés à la croissance et à la formation du bois étaient impliqués dans des processus tels que la division cellulaire et la production d'énergie et de composants de construction pour la paroi cellulaire. Les gènes associés à la production de résine étaient liés à la création de graisses et de composés chimiques spécialisés. Ces découvertes offrent une hypothèse biologique sur le fonctionnement de ces traits, suggérant que la croissance repose sur la machinerie de la création cellulaire, tandis que la production de résine dépend de voies métaboliques spécifiques. Cependant, les chercheurs ont pris soin de noter que ce sont des suggestions basées sur les données, et non des faits prouvés. Les marqueurs génétiques utilisés dans l'étude n'ont pas été cartographiés vers des emplacements spécifiques sur les chromosomes, ils ne pouvaient donc pas localiser précisément les gènes, mais seulement les processus biologiques généraux impliqués.

Lorsque les chercheurs ont appliqué leurs meilleurs modèles pour sélectionner les meilleurs arbres pour un programme de sélection, les résultats ont été prometteurs mais nuancés. Si l'on sélectionne les meilleurs arbres sur la base de leurs prédictions génétiques, ces arbres possédaient tout de même environ 80 à 95 % du mérite génétique qui aurait été trouvé si l'on avait attendu quinze ans pour mesurer les arbres directement. Bien que la sélection génétique n'ait pas trouvé les absolument meilleurs arbres au cours d'un seul cycle, elle offrait un avantage massif en termes de temps. En sélectionnant les arbres à un âge beaucoup plus jeune, le cycle de sélection pouvait être raccourci de quinze ans à seulement sept ans. Lorsque cet gain de temps est pris en compte, le taux annuel d'amélioration génétique utilisant la sélection génomique est projeté comme étant presque le double de celui des méthodes traditionnelles. Cela signifie que si les arbres individuels sélectionnés peuvent ne pas être parfaits, la vitesse à laquelle l'ensemble de la population forestière s'améliore pourrait être considérablement accélérée.

L'étude conclut que si la sélection génomique est un outil puissant pour le pin de slash, ce n'est pas une solution universelle. La stratégie la plus efficace dépend du trait spécifique que l'on souhaite améliorer. Pour la croissance, une approche ciblée qui filtre les marqueurs génétiques les plus pertinents fonctionne le mieux. Pour la résine et la qualité du bois, les avantages d'un tel filtrage sont minimaux, et des modèles plus simples peuvent suffire. La recherche souligne que l'avenir de la sélection des arbres réside dans l'adaptation de ces outils de haute technologie à la biologie unique de chaque trait, en utilisant le code génétique pour raccourcir l'attente sans sacrifier la qualité de la forêt finale. La voie à suivre nécessite des tests supplémentaires dans différents environnements et générations pour confirmer ces gains, mais le potentiel de transformer la façon dont nous gérons ces arbres industriels vitaux devient de plus en plus clair.