Contributions to Genetic Diversity Management in Maize Breeding Programs using Genomic Selection - PASTEL - Thèses en ligne de ParisTech Accéder directement au contenu
Thèse Année : 2020

Contributions to Genetic Diversity Management in Maize Breeding Programs using Genomic Selection

Contributions à la gestion de la diversité génétique dans les programmes de sélection génomique maïs

Résumé

There is an increasing awareness that crop breeding programs should move from short- to long-term objectives by maintaining genetic diversity to cope with future challenges in a context of climatic changes. The advent of high density genotyping opened new avenues for breeding quantitative traits including genomic prediction of individual performances, of parental crosses usefulness, and genetic diversity management. This thesis aims at developing methodologies to further enhance the efficiency and sustainability of breeding programs. This involves the evaluation of genetic diversity in elite breeding pools, its efficient conversion into short- and long-term genetic gain and the efficient identification, improvement and introduction of extrinsic variability into breeding pools. We first investigated how temporal phenotypic and genotypic data can be used to develop indicators of the genetic diversity and the potential response to selection of a breeding population. We applied these indicators on a commercial hybrid grain maize program and discussed strategies to manage and unlock potential response to selection in breeding populations.Selection of parental crosses that generate superior progeny while maintaining sufficient diversity is a key success factor of short- and long-term breeding. We extended analytical solutions to predict the distribution of a quantitative trait in the progeny of biparental crosses to the case of multiparental crosses. We also proposed to consider a multitrait approach where agronomic trait and parental genome contributions are considered as correlated normally distributed traits. This approach, called Usefulness Criterion Parental Contribution (UCPC), enables to predict the expected mean performance and diversity in the most performing fraction of progeny. We used UCPC to extend the Optimal Cross Selection (OCS) method, which aims at maximizing the performance in progeny while maintaining diversity for long-term genetic gain. In a long-term simulated recurrent genomic selection breeding program, UCPC based OCS proved to be more efficient than OCS to convert the genetic diversity into short- and long-term genetic gains. The narrow genetic base of an elite population might compromise its long-term genetic gain in unpredictable environmental conditions. An efficient strategy to broaden the genetic base of commercial breeding programs is therefore required. Many genetic resources are accessible to breeders but cannot all be considered. We reviewed, proposed and compared different predictive criteria for selecting genetic resources that best complement elite recipients, based on genomewide marker effects estimated on a collaborative diversity panel. We also investigated which mating design should be implemented between a promising genetic resource and elite recipient(s) depending on its phenotypic and genetic distance to elites. Finally, we evaluated the interest of UCPC based OCS to improve genetic resources (pre-breeding), to bridge pre-breeding and breeding (bridging), and to manage recurrent introductions into the breeding population. In a long-term simulated commercial breeding program, we demonstrated that recurrent introductions from a pre-breeding population maximize long-term genetic gain while maintaining genetic diversity constant, with only limited short-term penalty. The results of this thesis open new perspectives to manage genetic diversity in breeding.
Une sélection efficace et durable repose sur un compromis entre efforts à court terme afin de proposer aux agriculteurs des variétés compétitives, et le maintien d’une base génétique large garantissant des variétés futures qui répondront aux défis climatiques, biologiques et sociétaux de demain. Les avancées du génotypage haut débit ont ouvert de nouvelles perspectives de sélection pour les caractères quantitatifs telles que la prédiction génomique de performances individuelles, de l’intérêt de plans de croisements, ainsi que la gestion de la diversité. L’objectif de cette thèse est de contribuer au développement de méthodologies et schémas de sélection efficaces et durables. Cela inclue l’évaluation de la diversité génétique des populations élites, sa conversion efficace en gain génétique à court et long termes, ainsi que l’identification de sources de variabilité génétique d’intérêt et leurs introductions dans les populations de sélection. Nous avons tout d’abord proposé d’exploiter des séries temporelles de phénotypes et génotypes afin de d’évaluer l’effet de la sélection sur la diversité génétique des populations élites ainsi que de leur réponse attendue à la sélection. Ces indicateurs ont été appliqués à un programme privé de sélection maïs grain et des stratégies de gestion et amélioration de la réponse à la sélection ont été discutées. La sélection du plan de croisement qui génère des descendants performants et suffisamment de diversité est un facteur clef du succès à court et long termes des programmes de sélection. Le modèle prédictif de la distribution d’un caractère quantitatif dans une famille biparentale a été étendu au cas des familles multi-parentales. Une approche multi-caractères a été proposée, considérant les performances agronomiques et les contributions parentales comme des caractères corrélées et normalement distribués. Cette approche dénommée critère d’utilité et contributions parentales (UCPC) permet de prédire la performance moyenne et la diversité attendues dans la fraction sélectionnée de la descendance d’un croisement. L’UCPC peut être utilisé afin d’étendre la sélection optimale de plan de croisements (OCS) qui a pour but de maximiser le gain génétique tout en limitant la perte de diversité. Nous avons montré par simulation que l’OCS basée sur l’UCPC converti plus efficacement la diversité génétique en gain à court et long termes que l’OCS. La base génétique étroite des populations élites compromet le gain génétique à long terme. De ce fait, une stratégie d’élargissement de leur base génétique sans compromettre le gain à court terme est nécessaire. De nombreuses sources de diversité peuvent être considérées mais toutes ne peuvent être évaluées. Différents critères prédictifs ont été passés en revue et comparés afin d’évaluer l’utilité de ressources génétiques pour enrichir un pool élite. Ces critères s’appuient sur les effets aux marqueurs estimés dans un panel collaboratif constitué de lignées de diversité publiques et de lignées élites privées. L’UCPC permet de même l’identification du croisement multi-parental optimal entre ressources génétiques et lignées élites en fonction des caractéristiques d’originalité et de performance des ressources génétiques. Finalement, nous avons proposé d’utiliser l’approche OCS basée sur l’UCPC afin d’améliorer des ressources génétiques, puis de connecter les ressources génétiques améliorées au matériel élite avant de les introduire dans la population en sélection. Par simulations, nous avons montré l’intérêt de réaliser des introductions récurrentes de ressources génétiques préalablement améliorées afin de maximiser le gain génétique tout en maintenant la diversité constante. Ces travaux ouvrent de nouvelles perspectives pour la gestion de la diversité génétique.
Fichier principal
Vignette du fichier
85565_ALLIER_2020_archivage.pdf (33.87 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03499495 , version 1 (21-12-2021)

Identifiants

  • HAL Id : tel-03499495 , version 1

Citer

Antoine Allier. Contributions to Genetic Diversity Management in Maize Breeding Programs using Genomic Selection. Agricultural sciences. Université Paris-Saclay, 2020. English. ⟨NNT : 2020UPASA002⟩. ⟨tel-03499495⟩
182 Consultations
64 Téléchargements

Partager

Gmail Facebook X LinkedIn More