Accuracy of genomic selection in biparental populations of flax (Linum usitatissimum L.)

La culture du lin pour l’huile de ses graines et les fibres de sa tige est économiquement importante. Le phénotypage de caractères comme le rendement en graines, la qualité des graines, le rendement en fibres et la qualité des fibres coûte cher en temps et en argent. La sélection génomique (SG) désigne une méthode de sélection des individus supérieurs en fonction de leurs valeurs génomiques estimées par un modèle statistique de la relation entre les phénotypes et des marqueurs répartis sur l’ensemble du génome. Nous avons évalué l’exactitude de prévision de la SG (rMP) et l’efficacité de la SG par rapport à la sélection phénotypique (RE) pour trois modèles de SG : meilleure prédiction linaire non biaisée par régression de crête (ridge regression best linear unbiased prediction : RR‐BLUP), LASSO bayésien (BL) et régression de crête bayésienne (Bayesian ridge regression : BRR). Les caractères phénotypiques analysés étaient le rendement en graines, l’indice d’iode et les teneurs en acides linoléique et linolénique, qui ont été mis en relation avec une série complète et une série commune de marqueurs SSR (microsatellites) répartis sur tout le génome de chacune de trois populations biparentales. Les trois modèles de SG ont présenté des rMP et RE semblables, mais le modèle BRR a donné des coefficients de détermination (R2) plus élevés que les modèles RR-BLUP et BL. Les rMP et RE moyens ont varié pour les caractères d’héritabilités différentes et selon la variation génétique des caractères au sein de chaque population. La SG pour le rendement en graines a donné un RE moyen de 1,52 pour toutes les populations et séries de marqueurs, valeur significativement plus élevée que celle de la sélection phénotypique directe. Nos résultats empiriques constituent la première validation de la SG chez le lin, montrant que la SG pourrait accroître le gain génétique par unité de temps pour la sélection de cette plante. Des études approfondies seront nécessaires pour choisir des populations d'entraînement et des marqueurs.