Encadrants : David Pot (CIRAD, HDR, Généticien en appui aux programmes de sélection), et Vincent Garin (CIRAD, Biostatisticien)

Contexte et problématique de l'étude 

La sélection de variétés de plantes adaptées aux évolutions du climat et des systèmes agricoles futurs est un des enjeux majeurs de la recherche agronomique actuelle. Dans ce contexte, la sélection (prédiction) génomique est en train de modifier radicalement les pratiques tant chez les animaux que chez les plantes ^1,2. Néanmoins, cette approche, même si elle commence à prendre en compte les informations issues des études d’identification de gènes majeurs ^2,3, ne tire pas encore complètement parti de la compréhension fine des mécanismes moléculaires impliqués dans la construction des phénotypes.

La compréhension de la construction et de la variabilité des phénotypes cibles de la sélection implique deux grands types d’équipes de recherche :

• des équipes de généticiens quantitatifs et de biostatisticiens tentant d’expliquer la variation génétique des caractères par des modèles statistiques ancrés sur la variabilité nucléotidique ^1,2
• des équipes de biologistes et physiologistes moléculaires visant quant à elles l’identification des mécanismes physiologiques et des gènes et réseaux moléculaires sous-jacents ^4,5 permettant d’expliquer la construction des phénotypes finaux et leurs expressions.

Des intégrations des informations produites par ces deux types d’approches existent et des modèles de prédiction des phénotypes intégrant des informations de transcriptomique, protéomique, métabolomique et la  variabilité nucléotidique ont été proposés ^6–17. En complément de ces stratégies nécessitant la mobilisation de jeux de données très larges et hétérogènes (données nucléotidiques, transcriptomiques, protéomiques, métabolomiques) disponibles sur de larges panels de génotypes, des approches mobilisant des informations d’annotations fonctionnelles ont aussi été mises en œuvre soit basée sur les Go-Terms ¹⁸ soit basé sur des propriétés positionnelles ou évolutives ^19–21. Ces modèles agrégatifs couplant des informations diverses ont  montré des gains significatifs, qui bien que faibles plaident pour un renforcement du développement d’approches intégratives.

L’objectif de ce projet de Master 2 est d’explorer les bénéfices liés à l’ajout d’information fonctionnelle dans les approches de prédictions génomiques au sein d’un large dispositif de croisement multi-parental (population BCNAM comprenant plus de 3900 familles) qui a été évalué au sein de plusieurs environnements. Ces travaux s’inscrivent dans le cadre du projet ANR SorDrought « Caractérisation de nouveaux traits physiologiques pour aider l'amélioration de la tolérance au stress hydrique post-floral chez le sorgho » qui a pour objectif de développer de nouvelles méthodologies d’appui à la sélection dans un partenariat impliquant des entités de recherche publiques (INRAE, IRD, CERAAS) et privées (LIDEA Seeds et RAGT2N).

Description des travaux à réaliser et objectifs du stage

Les travaux à mener dans le cadre du stage s’ancreront sur un large dispositif de croisement multiparental qui a été développé en partenariat entre le CIRAD, l’Institut d’Economie Rural (IER) du Mali et l’Institut de recherche international sur les espèces de zones semi-arides tropicales (ICRISAT). Des analyses de détection de QTL prenant en compte des covariables environnementales ont déjà été effectuées ²² et l’objectif sera de développer des modèles de prédiction génomique mobilisant les informations fonctionnelles incluant les QTL déjà détectés, les positions des polymorphismes par rapport aux gènes, les annotations des gènes contenant les polymorphismes… (classes fonctionnelles, signature de sélection, appartenance à des modules d’expression) pour évaluer  les bénéfices de ces approches. L’effet de la structure des populations de calibration et de validation seront aussi explorées. Pour ce faire des modèles statistiques déjà développés seront testés ^18–20 et des approches alternatives pourront être mises en œuvre.

En fonction des avancées obtenues lors du stage et des questionnements qui seront soulevés des jeux de données complémentaires (populations de GWAS à large base génétique exposés à des traitements hydriques contrastants) pourront aussi être mobilisées pour tester des questions de transferts de calibration et de structure des populations d’entrainement et de validation.

Profil recherché 

• Formation en génétique quantitative appliquée à l’ amélioration des plantes  avec un fort attrait pour les biostatistiques et la bioinformatique
• Formation en statistiques avec une volonté d’application à un contexte de génétique (animale, végétale ou humaine)
• Fort intérêt pour les test et le développement de méthodologies statistiques
• Utilisation de R
• Attrait pour le travail en équipe incluant notamment des généticiens, des sélectionneurs et des statisticiens
• La connaissance du modèle linéaire mixte et des approches bayésiennes est un plus

Perspectives de suite

Une bourse de thèse ciblant les aspects de compréhension du déterminisme génétique des caractères d’adaptation au stress hydrique post floral et le  développement de méthodes de prédiction des valeurs génétiques a été obtenue dans le cadre du projet ANR SorDrought. En fonction de l’intérêt de l’étudiant de master 2 pour cette thématique et son intégration au sein de l’équipe encadrante, la poursuite en thèse pourra être envisagée.

Dates du stage : entre Janvier et Septembre 2024 en fonction des calendriers des formations

Indemnités de stage : environ 600 € par mois

Publications pertinentes de l’équipe (les personnes de l’équipe sont indiquées en gras)

Burgarella, C., Berger, A., Glémin, S., David, J., Terrier, N., Deu, M., Pot, D., 2021. The Road to Sorghum Domestication: Evidence From Nucleotide Diversity and Gene Expression Patterns. Front. Plant Sci. 12, 1706. https://doi.org/10.3389/fpls.2021.666075

Garin, V., Choudhary, S., Murugesan, T., Kaliamoorthy, S., Diancumba, M., Hajjarpoor, A., Chellapilla, T.S., Gupta, S.K., Kholovà, J., 2023a. Characterization of the Pearl Millet Cultivation Environments in India: Status and Perspectives Enabled by Expanded Data Analytics and Digital Tools. Agronomy 13, 1607. https://doi.org/10.3390/agronomy13061607

Garin, V., Diallo, C., Tekete, M.L., Thera, K., Guitton, B., Dagno, K., Diallo, A.G., Kouressy, M., Leiser, W., Rattunde, F., Sissoko, I., Toure, A., Nebie, B., Samake, M., Kholova, J., Frouin, J., Pot, D., Vaksmann, M., Weltzien, E., Teme, N., Rami, J.-F., 2023b. Characterization of adaptation mechanisms in sorghum using a multi-reference back-cross nested association mapping design and envirotyping. https://doi.org/10.1101/2023.03.11.532173

Garin, V., Malosetti, M., van Eeuwijk, F., 2020a. The usefulness of multi-parent multi-environment QTL analysis: an illustration in different NAM populations (preprint). Genetics. https://doi.org/10.1101/2020.02.03.931626

Garin, V., Wimmer, V., Borchardt, D., Malosetti, M., van Eeuwijk, F., 2020b. The influence of QTL allelic diversity on QTL detection in multi-parent populations: a simulation study in sugar beet (preprint). Genetics. https://doi.org/10.1101/2020.02.04.930677

Garin, V., Wimmer, V., Mezmouk, S., Malosetti, M., van Eeuwijk, F., 2017. How do the type of QTL effect and the form of the residual term influence QTL detection in multi-parent populations? A case study in the maize EU-NAM population. TAG Theor. Appl. Genet. Theor. Angew. Genet. 130, 1753–1764. https://doi.org/10.1007/s00122-017-2923-3

Hennet, L., Berger, A., Trabanco, N., Ricciuti, E., Dufayard, J.-F., Bocs, S., Bastianelli, D., Bonnal, L., Roques, S., Rossini, L., Luquet, D., Terrier, N., Pot, D., 2020. Transcriptional Regulation of Sorghum Stem Composition: Key Players Identified Through Co-expression Gene Network and Comparative Genomics Analyses. Front. Plant Sci. 11. https://doi.org/10.3389/fpls.2020.00224

Nguyen, V.H., Morantte, R.I.Z., Lopena, V., Verdeprado, H., Murori, R., Ndayiragije, A., Katiyar, S.K., Islam, M.R., Juma, R.U., Flandez-Galvez, H., Glaszmann, J.-C., Cobb, J.N., Bartholomé, J., 2023. Multi-environment Genomic Selection in Rice Elite Breeding Lines. Rice 16, 7. https://doi.org/10.1186/s12284-023-00623-6

Références Bibliographiques

1. Hickey, J. M., Chiurugwi, T., Mackay, I. & Powell, W. Genomic prediction unifies animal and plant breeding programs to form platforms for biological discovery. Nat. Genet. 49, 1297–1303 (2017).
2. Xu, Y. et al. Enhancing Genetic Gain through Genomic Selection: From Livestock to Plants. Plant Commun. 1, 100005 (2020).
3. Liu, X. et al. Improving Genomic Selection With Quantitative Trait Loci and Nonadditive Effects Revealed by Empirical Evidence in Maize. Front. Plant Sci. 10, 1129 (2019).
4. Davidson, E. H. Emerging properties of animal gene regulatory networks. Nature 468, 911–920 (2010).
5. Brooks, M. D. et al. ConnecTF: A platform to integrate transcription factor–gene interactions and validate regulatory networks. Plant Physiol. 185, 49–66 (2021).
6. Boyle, E. A., Li, Y. I. & Pritchard, J. K. An Expanded View of Complex Traits: From Polygenic to Omnigenic. Cell 169, 1177–1186 (2017).
7. Westhues, M. et al. Omics-based hybrid prediction in maize. TAG Theor. Appl. Genet. Theor. Angew. Genet. 130, 1927–1939 (2017).
8. Westhues, M., Heuer, C., Thaller, G., Fernando, R. & Melchinger, A. E. Efficient genetic value prediction using incomplete omics data. TAG Theor. Appl. Genet. Theor. Angew. Genet. 132, 1211–1222 (2019).
9. Schrag, T. A. et al. Beyond Genomic Prediction: Combining Different Types of omics Data Can Improve Prediction of Hybrid Performance in Maize. Genetics 208, 1373–1385 (2018).
10. Liu, X., Li, Y. I. & Pritchard, J. K. Trans Effects on Gene Expression Can Drive Omnigenic Inheritance. Cell 177, 1022-1034.e6 (2019).
11. Zhengcao, L. Integrating Omics Data into Genomic Prediction. (Georg-August-University Göttingen, 2019).
12. Hu, X., Xie, W., Wu, C. & Xu, S. A directed learning strategy integrating multiple omic data improves genomic prediction. Plant Biotechnol. J. 17, 2011–2020 (2019).
13. Azodi, C. B., Pardo, J., VanBuren, R., Campos, G. de los & Shiu, S.-H. Transcriptome-Based Prediction of Complex Traits in Maize. Plant Cell 32, 139–151 (2020).
14. Chateigner, A. et al. Gene expression predictions and networks in natural populations supports the omnigenic theory. BMC Genomics 21, 1–16 (2020).
15. de las Heras-Saldana, S. et al. Use of gene expression and whole-genome sequence information to improve the accuracy of genomic prediction for carcass traits in Hanwoo cattle. Genet. Sel. Evol. 52, 54 (2020).
16. Gage, J. L. et al. Variation in upstream open reading frames contributes to allelic diversity in protein abundance. 2021.05.25.445499 https://www.biorxiv.org/content/10.1101/2021.05.25.445499v2 (2021) doi:10.1101/2021.05.25.445499.
17. Giri, A., Khaipho-Burch, M., Buckler, E. S. & Ramstein, G. P. Haplotype associated RNA expression (HARE) improves prediction of complex traits in maize. PLOS Genet. 17, e1009568 (2021).
18. Edwards, S. M., Sørensen, I. F., Sarup, P., Mackay, T. F. C. & Sørensen, P. Genomic Prediction for Quantitative Traits Is Improved by Mapping Variants to Gene Ontology Categories in Drosophila melanogaster. Genetics 203, 1871–1883 (2016).
19. Mollandin, F., Gilbert, H., Croiseau, P. & Rau, A. Accounting for overlapping annotations in genomic prediction models of complex traits. BMC Bioinformatics 23, 365 (2022).
20. Ramstein, G. P. et al. Dominance Effects and Functional Enrichments Improve Prediction of Agronomic Traits in Hybrid Maize. Genetics 215, 215–230 (2020).
21. Ramstein, G. P. & Buckler, E. S. Prediction of evolutionary constraint by genomic annotations improves functional prioritization of genomic variants in maize. Genome Biol. 23, 183 (2022).
22. Garin, V. et al. Characterization of adaptation mechanisms in sorghum using a multi-reference back-cross nested association mapping design and envirotyping. 2023.03.11.532173 Preprint at https://doi.org/10.1101/2023.03.11.532173 (2023).