Une étude montre que la prédiction génomique fondée sur l’ADN surpasse les autres outils chez les jeunes vignes

Une nouvelle étude comparant trois méthodes de prédiction des performances de jeunes vignes a montré que la prédiction génomique fondée sur l’ADN était plus précise que les approches métabolomique et phénomique pour la plupart des caractères étudiés. Elle offre ainsi aux sélectionneurs une piste plus claire pour choisir de nouveaux plants plus tôt dans le processus de sélection.

Les travaux, publiés dans npj Science of Plants, ont examiné si les sélectionneurs pouvaient accélérer l’amélioration de la vigne en s’appuyant sur des données biologiques pour prédire des caractères agronomiques avant que les plants n’atteignent leur pleine production. L’enjeu est important pour une culture dont les cycles de génération sont longs et où la sélection pour la résistance aux maladies et l’adaptation au climat peut prendre des années. Ces résultats ont aussi des implications concrètes pour le vin et les autres boissons à base de raisin : les programmes de sélection doivent déterminer où investir pour obtenir de nouvelles variétés capables de préserver la qualité tout en résistant mieux à la chaleur, à la sécheresse et à la pression des maladies.

Les chercheurs ont comparé trois approches au sein d’une population de sélection de la vigne issue de deux parents, phénotypée sur 3 ans pour 24 caractères agronomiques. Ces caractères portaient notamment sur le développement, la fertilité, la composition des baies et le rendement. L’équipe a comparé la prédiction génomique fondée sur 7,386 marqueurs SNP, la prédiction phénomique reposant sur la spectroscopie dans le proche infrarouge (NIRS) et la prédiction métabolomique fondée sur la chromatographie liquide-spectrométrie de masse non ciblée (LC-MS). Elle a également testé sept cadres statistiques et plusieurs stratégies d’échantillonnage, notamment des prélèvements de bois et de feuilles réalisés à différents stades de croissance dans les vignobles et en serre.

Le résultat le plus net est la supériorité de la prédiction génomique. Sa meilleure capacité prédictive a atteint une corrélation de r=0.827 pour la durée thermique entre la floraison et la véraison. Pour les 24 caractères, la capacité prédictive génomique moyenne allait de 0.375 avec LASSO à 0.473 avec rrBLUP, ce qui faisait de rrBLUP le modèle le plus performant en moyenne dans ce groupe.

La prédiction métabolomique arrivait en deuxième position. Son meilleur résultat pour un caractère donné atteignait r=0.586 pour le poids des baies vertes, avec un modèle BLUP métabolomique utilisant des feuilles de vigne prélevées au débourrement. La capacité prédictive métabolomique moyenne allait de 0.350 avec Random Forest à 0.424 avec MBLUP. La prédiction phénomique était la moins performante des trois approches. Son meilleur résultat pour un caractère donné était de r=0.391 pour la fertilité primaire, et sa capacité prédictive moyenne variait de 0.096 à 0.215 selon le modèle utilisé.

Sur le plan pratique, l’étude met en évidence un compromis entre coût et précision. La prédiction phénomique fondée sur la NIRS est moins coûteuse et plus rapide à mettre en œuvre, mais le signal prédictif était souvent faible. La prédiction génomique était plus fiable, tandis que la prédiction métabolomique donnait parfois de bons résultats pour certains caractères, au prix d’analyses plus coûteuses et de travaux de laboratoire plus complexes.

Les données à l’origine de ces différences aident à comprendre pourquoi les méthodes n’ont pas donné les mêmes résultats. Les chercheurs ont estimé quelle part de la variation de chaque type de caractéristique semblait d’origine génétique plutôt que liée au bruit résiduel. Les longueurs d’onde NIR présentaient une faible variance génotypique, de 2 % en moyenne et de 17 % au maximum, ainsi qu’une faible héritabilité, de 0.07 en moyenne et de 0.46 au maximum. Les caractéristiques métabolomiques étaient plus héritables, avec une moyenne de 0.25 et plusieurs valeurs supérieures à 0.90. Cela suggère que, dans les modèles utilisés par l’étude, les données métabolomiques capturaient des informations biologiques liées au génotype plus stables que les données spectrales.

Les conditions d’échantillonnage avaient également leur importance. Pour la prédiction phénomique, les feuilles prélevées dans les vignobles à la floraison affichaient la meilleure capacité prédictive moyenne au niveau de l’échantillon, à 0.172, suivies des feuilles de vigne prélevées au débourrement, à 0.161. Les feuilles de serre prélevées à la floraison donnaient les résultats les plus faibles, à 0.088. Pour la prédiction métabolomique, les meilleurs résultats moyens étaient obtenus en combinant toutes les catégories d’échantillonnage dans des BLUP par caractéristique, avec une moyenne de 0.421. Les feuilles de vigne prélevées au débourrement suivaient à 0.382, tandis que les feuilles de serre prélevées à la floraison donnaient, là encore, le résultat moyen le plus faible, à 0.199.

L’étude a également évalué si des feuilles prélevées en serre pouvaient remplacer les échantillons de vigne. C’était le cas pour certains caractères pris individuellement, mais les résultats n’étaient pas cohérents. En prédiction phénomique, les spectres des feuilles de serre étaient plus performants que ceux des feuilles de vigne pour des caractères comme la teneur en sucre des baies et le poids des grappes, tandis que les spectres de vigne donnaient de meilleurs résultats pour la date du débourrement et certaines mesures de la composition des baies. En prédiction métabolomique, les feuilles de vigne étaient généralement plus performantes que celles de serre, même si les données de serre contenaient un signal utile pour certains caractères.

Lorsque les chercheurs ont comparé les trois couches omiques sur le même ensemble de 150 vignes sélectionnées pour le profilage métabolomique, la prédiction génomique arrivait en tête pour la plupart des caractères, la prédiction métabolomique se situait entre les deux et la prédiction phénomique arrivait en dernière position. La prédiction métabolomique égalait ou dépassait la prédiction génomique pour un nombre limité de caractères, notamment le pH des baies à un stade donné, la fertilité globale, la qualité de la nouaison, le nombre de pousses par plant, le poids frais de taille par plant et le SPAD502, une mesure liée à la chlorophylle.

L’équipe a aussi examiné si la combinaison de différentes couches de données améliorerait les résultats. Dans de nombreux domaines de la biologie, les approches multi-omiques sont présentées comme un moyen de mieux saisir la complexité sous-jacente d’un caractère. Dans cette étude, le gain était limité. Les modèles combinant des informations génomiques, phénomiques et métabolomiques n’ont pas montré d’avantage constant par rapport à la seule prédiction génomique. Les modèles exclusivement génomiques et ceux intégrant des données génomiques formaient le groupe statistique le plus performant, mais l’ajout de données phénomiques ou métabolomiques n’améliorait pas systématiquement les résultats. Selon l’article, rien ne prouvait que l’intégration multi-omique améliore de manière constante la capacité prédictive avec la taille d’échantillon utilisée ici.

Ces résultats confortent la sélection génomique comme approche principale pour les programmes de sélection de la vigne qui ont besoin d’un criblage précoce fiable. Les auteurs estiment que les outils métabolomiques ou phénomiques peuvent néanmoins jouer un rôle, mais surtout pour les caractères et les protocoles d’échantillonnage qui présentent un signal prédictif reproductible. Cela pourrait influer sur la manière dont les programmes publics de sélection et les pépinières privées répartissent leurs ressources alors qu’ils cherchent à développer de nouvelles vignes résistantes au mildiou et à d’autres maladies, nécessitant moins de traitements fongicides et restant productives dans des conditions de culture plus chaudes et plus variables.

La question dépasse le cadre des pépinières. La vigne est au cœur des marchés du vin, du jus, du raisin de table et du raisin sec, et les décisions de sélection prises aujourd’hui peuvent déterminer les variétés dont disposeront les viticulteurs et les producteurs de boissons dans plusieurs années. Si la prédiction génomique continue d’offrir le meilleur retour sur investissement, les programmes de sélection pourraient être plus enclins à investir d’abord dans des données denses sur les marqueurs ADN et à recourir plus sélectivement au criblage métabolomique ou spectroscopique, notamment pour cibler la résistance aux maladies, la composition des baies et l’adaptation aux stress climatiques.