En agriculture biologique et/ou agroécologie, les environnements des cultures et les pratiques agronomiques sont très diversifiés. Cette diversité peut être prise en compte par une sélection décentralisée dans les fermes associant les savoir-faire des acteurs de terrain et les connaissances scientifiques, telle que celle menée depuis 2006 sur le blé tendre avec le Réseau Semences Paysannes. Cette approche permet de : 1) créer de nouvelles variétés populations de blé tendre adaptées localement (innovation génétique) ; 2) mettre en place des stratégies de gestion collective de la diversité basé sur la co-construction (innovation sociale) ; 3) développer des dispositifs expérimentaux, des méthodes et des outils statistiques et de gestion de données qui favorisent ces innovations (Rivière et al 2013). Des modèles statistiques Bayesiens ont été adaptés pour permettre l’analyse des données issues des essais décentralisés sur les fermes, ces essais étant de tailles variables, parfois très réduites, avec peu de répétitions et peu de variétés communes d’une ferme à l’autre (coll. O David, MaIAGE). La prise en compte de l’information sur le réseau dans un modèle Bayesien a permis d’améliorer la stabilité des estimations et notre capacité à détecter des différences significatives entre populations au sein d’une ferme (Rivière et al. 2015) et d’estimer les effets génétiques moyens et les interactions GxE sur l’ensemble du réseau. Une approche par simulation a permis d’explorer des gammes assez larges de valeurs des paramètres du dispositif expérimental afin d’identifier des valeurs seuils à atteindre et les zones où les modèles se comportent bien (van Frank et al 2019). Les résultats nous permettent à la fois de proposer des évolutions aux participants du programme de sélection participative (SP) blé et de donner des recommandations à de nouveaux groupes qui démarrent.
Nous nous intéressons finalement à la diversité génétique des populations en cours de sélection et issues de SP afin de mieux comprendre les pressions (dérive, sélection naturelle ou humaine, circulation des semences) qui façonnent l’évolution de ces populations. Nous abordons ces question par 1) des analyses de diversité génétique sur des échantillons de populations, 2) des analyses de l’évolution des caractères phénotypiques. Dans ce cadre, un modèle d’évolution en génétique quantitative a été développé pour tester la présence de sélection naturelle sur les fermes au cours des générations à partir de données phénotypiques mesurées. L’approche a été testée avec des données simulées puis appliquée aux données issues du programme de SP blé (David et al 2020).
Nous souhaitons maintenant mieux prendre en compte l’information sur l’histoire des populations (pedigree) et les spécificités des environnements pour comprendre les déterminants de l’évolution de ces populations.
Références :
- Rivière P, Pin S, Galic N, De Oliveira Y, David O, Dawson J, Wanner A, Heckmann R, Obbellianne S, Ronot B, Parizot S, Hyacinthe A, Dalmasso C, Baltassat R, Bochède A, Mailhe G, Cazeirgue F, Gascuel J-S, Gasnier R, Berthellot J-F, Baboulène J, Poilly C, Lavoyer R, Hernandez M-P, Coulbeaut J-M, Peloux F, Mouton A, Mercier F, Ranke O, Wittrish R, De Kochko P, Goldringer I (2013) Mise en place d'une méthodologie de sélection participative sur le blé en France. Innovations Agronomiques 32 : 427-441.
- Rivière P, Dawson JC, Goldringer I, David O. (2015) Hierarchical Bayesian modeling for flexible experiments in decentralized participatory plant Breeding. Crop Science 55(3): 1053-1067. DOI: 10.2135/cropsci2014.07.0497
- van Frank G, Goldringer I, Rivière P & O David. (2019) Influence of experimental design on decentralized, on-farm evaluation of populations: a simulation study. Euphytica 215(7): UNSP 126 doi: 10.1007/s10681-019-2447-9.
- David O, G van Frank, I Goldringer, P Rivière, M Turbet Delof. (2020) Bayesian inference of natural selection from spatio-temporal phenotypic data. Theoretical Population Biology 131: 100-109.