Amélioration de l’exactitude de la prédiction génomique de sept caractères de sélection génétique chez le lin par l’identification de QTL

© 2020, les auteurs. Titulaire de la licence : MDPI, Bâle, Suisse. Les marqueurs moléculaires sont l’un des principaux facteurs qui influent sur l’exactitude des prédictions génomiques et le coût de la sélection génomique (SG). Des études antérieures ont révélé que l’utilisation de locus de caractères quantitatifs (QTL) comme marqueurs dans la SG augmente considérablement l’exactitude des prédictions par comparaison aux marqueurs de polymorphisme mononucléotidique (SNP) aléatoires dans l’ensemble du génome. Pour optimiser la sélection des marqueurs QTL dans la SG, nous avons utilisé un ensemble de 260 lignées issues de populations biparentales possédant 17 277 SNP couvrant l’ensemble du génome et nous avons évalué l’exactitude des prédictions du rendement grainier (REN), de la précocité de maturation (PDM) et de l’indice d’iode (IOD), ainsi que l’exactitude des prédictions de la teneur en protéines (PRO), en huile (HUI), en acide linoléique (LIO) et en acide linolénique (LIN). Ces sept caractères ont été phénotypés sur une période de quatre ans dans deux localités. L’identification des nucléotides de caractères quantitatifs (QTN) pour les sept caractères a été réalisée à l’aide de trois types de modèles statistiques pour l’étude d’association à l’échelle du génome : deux modèles visant des locus uniques fondés sur des SNP (US), sept modèles visant des locus multiples fondés sur des SNP (MS), et un modèle visant des locus multiples fondé sur des blocs d’haplotypes (MB). Les QTN identifiés ont ensuite été regroupés en QTL en fonction des blocs d’haplotypes. Pour les sept caractères, 133, 355 et 1 208 QTL uniques ont été identifiés par US, MS et MB, respectivement. Un total de 1 420 QTL uniques ont été obtenus par US+MS+MB, allant de 254 (HUI, LIO) à 361 (REN) pour les caractères individuels, alors qu’un total de 427 QTL uniques ont été obtenus par US+MS, allant de 56 (REN) à 128 (LIO). À eux seuls, les modèles US n’ont pas permis d’identifier suffisamment de QTL pour la SG. Les exactitudes de prédiction les plus élevées ont été obtenues en utilisant un seul trait QTL identifié par US+MS+MB pour HUI (0,929 ± 0,016), PRO (0,893 ± 0,023), REN (0,892 ± 0,030) et PDM (0,730 ± 0,062), et par US+MS pour LIN (0,837 ± 0,053), LIO (0,835 ± 0,049) et IOD (0,835 ± 0,041). Du point de vue du nombre de marqueurs QTL et de l’exactitude de prédiction, les modèles US+MS ont surpassé tous les autres modèles ou associations de modèles. L’utilisation de tous les SNP ou QTL pour les sept caractères a considérablement réduit l’exactitude de prédiction des caractères. Les résultats ont permis de confirmer que les QTL surpassent les marqueurs aléatoires pangénomiques à haute densité et ils ont démontré que l’utilisation combinée de modèles à locus unique et à locus multiples permet d’identifier efficacement un ensemble complet de QTL, ce qui améliore l’exactitude des prédictions. Cela dit, il serait justifié de mener d’autres études sur la détection et l’élimination des QTL redondants ou faussement positifs pour maximiser l’exactitude de prédiction et réduire au minimum le nombre de marqueurs QTL dans la SG.