système d'information et méta analyses pour …...Leaf T C 10 20 30 VPD KPa 0 2 4 -1,5 -0,5 -1 0 6...

Des plateformes de phénotypage au champ : système d'information et méta analyses pour

l'analyse des réponses aux conditions environnementales François Tardieu, E Millet, S Alvarez Prado, Ll Cabrera-Bosquet, S Lacube, B Parent, C Welcker

Les plantes sont toujours en acclimatation, secondes-semaines

Light

VPD

Temperature

ET0

Days

Pourquoi de grands jeux de données hétérogènes ?

Light

VPD

Temperature

ET0

Days

Leaf T

°C

10

20

30

VP

D K

Pa

0

2

4

-1,5

-0,5

-1

0 6 12 0 18 Y

MP

a

Time of day



Leaf T

°C

10

20

30

VP

D K

Pa

0

2

4

-1,5

-0,5

-1

0 6 12 0 18 Y

MP

a

Time of day


- les gènes ‘inductibles par la sécheresse’

s’allument et s’éteignent comme à la foire

- Les caractères physiologiques aussi

- Il faut caractériser à court pas de temps

… sans oublier le rendement


Scenarios climatiques Semaine-mois

Cell. - organe Minute/jour

Plante - peuplement Minute-semaine

Niveau d’ organisation

Haut débit haute précision

Réseaux de champs

Haut débit, intégratif, (controlé ou champ)

Tardieu, Cabrera, Pridmore and Bennett 2017 Current Biol.

Une tension entre l’analyse de la variabilité génétique de

- “mécanismes” (organes, minutes)

- rendement (couvert, mois)

‘Comprendre’ ‘Disséquer’ ‘Prédire’


Phénotypage multi échelle, mais connecté

Du “big data” en génétique ?

Réseaux de capteurs, grilles européennes d’environnement: On peut mesurer ou estimer les conditions environmentales dans

tous les champs d’agriculteurs

+ combiner des essais + bases de données + modélisation

Exemple:

GWAS dans 40 champs. Environnement + rendement

252 genotypes 750k marqueurs polymorphes Rendements de 5 à 12 T ha-1

16 champs X

2 années X

2 traitements

490 régions génomiques

associées au rendement,

peu en commun

Grain Yield (t ha-1)

Fre

quency

0

25

50

75

100

0

25

50

75

100

0 5 10 15

0

20

40

60

80 6

4

2

0

6

4

2

0

6

4

2

0 7 6 5 4 3 2 1 8 9 10

Humide, frais

Humide, chaud

Sec, chaud

Millet et al.2016 Plant Phys


Allelic effect

on grain yield

(t ha-1)

WD

Hot day night

Hot day

Cool

Mild Severe deficit

Coll van Eeuwijk

Charcosset

Millet et al. 2016 Plant Phys


Effets alleliques 1 QTL. chaque case, un scenario

16 champs X

2 années X

2 traitements

mild WD

Hot day Cool

Hot day night

Hot day

Cool

Hot day

Cool

mild Water deficit

Allelic effect

on grain yield

(t ha-1)

Coll van Eeuwijk

Charcosset QTL1 QTL2

QTL3 QTL4

QTL5 QTL6

Effets alleliques 6 QTL. chaque case, un scenario

WD


Hot day night

Hot day night

Millet et al. 2016 Plant Phys

16 champs X

2 années X

2 traitements

Caractériser l’environnement de 10s champs : peu cher et indispensable

Des caractères de tolérance, mais différents en chaque champ (scenarios)

Ce n’est que le début (génotypage + environnementr + phénotypage

de milliers de champs?)


16 champs X

2 années X

2 traitements

Parent et al 2018 PNAS

Est-ce que les rendements diminueront avec le changement climatique

si les agriculteurs adaptent la durée de cycle ?

Combiner quelques essais, des grilles environnementales

et la modélisation


Une durée de cycle optimum est observée expérimentalement

Cycle duration

(max leaf number)

10 15 20 25

Yie

ld/y

ield

max


Ces essais ont dormi 10 ans dans notre base de donnée… (un mauvais panel pour la sécheresse, bon pour tester l’effet de la floraison

Expérimentation:

6 champs,

150 genotypes


et la modélisation


Modèle:

60 champs

30 ans

600 génotypes

Y

ield

/yie

ld m

ax

Cycle duration (max leaf number) Parent et al 2018 PNAS

Expérimentation:

6 champs,

150 genotypes

Une durée de cycle optimum est observée expérimentalement


et la modélisation


Bases de données

40 45 50 55

10

01

50

20

0

0

0

100

150

200

So

win

g o

r flo

we

rin

g d

ate

Latitude (°) 40 45 50 55

Simulations

sowing

Flowering

‘L’agriculteur est à l’optimum’

Rainfed

Actuel 1980-2010

2050 30 ans

RCP4.5

0 4 8 12 16

Yield (t ha-1)

yield climA W

Yield (t ha-1)

Climat 2050 avec les règles actuelles de choix de génotypes



et la modélisation


Rainfed

Whole Europe

No adapt. Cycle

adapted.

% c

ha

ng

e p

rod

uctio

n

Les rendements baissent à génotype constant

maintenus/ augmentent si les agriculteurs adaptent la floraison

Phénomique et modélisation, 100s genotypes

Il faut simuler le rendement de 100s génotypes

dans 100s scenarios

Prendre en compte l’environnement :

combiner avec la modélisation ?

Prédiction génomique: simulation du rendement,

Cabrera et al. 2016 New Phytologist

PhenoArch 1680 2300 plants


Images Reconstruction 3D

Interception par des couverts virtuels

Paramètres: interception lumineuse et photosynthèse

Dissection génétique

Chen et al 2019 J Exp Bot


0

5

10

15

0 20 40 60

Phenoarch Winter13 Phenoarch Spring13 Phenoarch Spring12

Reference

hybrid

Cabrera-Bosquet L. Alvarez Prado S.

Thermal time since emergence (d20°C)

Paramètres: progression du cycle

Leaf

rank


0

5

10

15

0 20 40 60

Ner12 Ner13 Phenoarch Winter13 Phenoarch Spring13 Phenoarch Spring12

Reference

hybrid

Thermal time since emergence (d20°C)

Leaf

rank

Nérac

Gaillac

Karlsruhe

Cadriano

Campagnola

Martonvasar Debrecen

Murony

Craiova

Graneros

19

Paramètres: progression du cycle


R²= 0.85***

CV= 13%

Plant gs (mmol m-2 s-1)

30 40 50 60 70 80 90

100

200

300

400

Well-watered

Water deficit

R²= 0.54**

Le

af

gs (

mm

ol m

-2 s

-1)

20 Alvarez Prado et al., 2018 Plant Cell Environment

Paramètres: contrôle stomatique


[G, E]

[nG, E]

Training set (200 hyb)

Testing set (46 hyb)

0 50 100 1500

50

10

01

50

Observed gs

Pre

dic

ted

gs

Training set; R² = 0.86

New Genotypes; R² = 0.87

0

50

100

150

Spr16.WW Spr16.WD Spr13.WW Spr13.WD Spr12.WW Spr12.WD Win13.WW Win13.WD

Observed gs

Pre

dic

ted

gs

0 50 100 150

0

50

100

150

[nG, E]

[G, E]

r-coeff

0.57-0.92

0.19-0.75

Prédiction génomique

S. Alvarez Prado

Alvarez Prado et al., 2018 Plant Cell Environment

Paramètres: contrôle stomatique


APSIM

Model parameters/Traits

Climatic and soil data from 15

field experiments

Nérac

Gaillac

Karlsruhe

Cadriano

Campagnola

Martonvasar

Debrecen

Murony

Craiova

Genomic prediction

Biomass

TE T RUE

Rint

LAI

Grain Number

Yield prediction

S. Alvarez

Prado Tardieu et al 2018, annual Rev Plant Biol


Phenomic information system (PHIS)

Un système d’information pour organiser

les données multi échelle


Tracer tous les objets, tous les événements dans les essais ontologies

P. Neveu

Prefix m3p: <http://phenome-fppn.fr/m3p>

URI of plant<m3p:arch/2017/c17000118>

URI of pot:<m3p:arch/2013/pc13001542>

URI of cabin:<m3p:arch/2018/ac180015>

URI of camera:<m3p:arch/2018/ac180019>

URI of image:<m3p:arch/2017/ic17002295855>

URI of cart:<m3p:arch/2013/ct1300123>

Prefix diaphen: <http://phenome-fppn.fr/diaphen>

URI of plot<diaphen:2017/o1700029>

URI of plant:<diaphen:2017/17000147>

URI of camera:<diaphen:2018/ac180002>

URI of image:<diaphen:2017/ic14001480237>

(a) (b)

URI of leaf:<diaphen:2017/l17000590>

Champ et conditions controlées

Neveu et al 2018 New Phyt Ll Cabrera

Relier les objets, web sémantique

‘samples, belong to plants, leaves, genotypes, experiments...’

leaf885

Installation_1

hasEvent

variety_Aleaf884

plant736 moveTo328

leaf883

Exp2016-A

uses

sample333

sample332

sample331

#URIs of the different objects

‘Installation_1’= <http://www.nationalinfrastructure/Installation_1/>

‘Exp2016-A’=<http://www.nationalinfrastructure/Installation_1/Exp2016-A>

‘variety_A’= <http://www.nationalinfrastructure/g/A>

‘plant736’= <http://www.nationalinfrastructure/Installation_1/Exp2016-A/p0736>

‘leaf883’= <http://www.nationalinfrastructure/Installation_1/Exp2016-A/10883>

#RDF examples

#plant736 is of variety A is expressed in RDF as:

<http://www.nationalinfrastructure/Installation_1/Exp2016-A/p0736>

<http://www.nationalinfrastructure/vocabulary/2015#hasVariety>

<http://www.nationalinfrastructure/g/A>

#Informally this relationship can be expressed as:

<plant736> <hasVariety> <variety_A>

isPartOf hasVarietyisPartOf

participates_in

(a)

(b)Crée les métadonnées de facon parcimonieuses

Neveu et al 2018 New Phyt


(a)

(b)

(c)

(d)

(f)

(e)

Permet analyse conjointe de données champ et parcelles - Métadonnées (moyennes génotypiques)

- Moyennes génotypiques

- Modèles et scripts utilisés pour l’analyse

Neveu et al 2018 New Phyt


ELIXIR /EMPHASIS: Three needs “in series”

Following

experiments

Phenotypic

analysis

Data sharing

and Reuse

- Tracking - objects, events, images

- Following - plants, sensors, cameras

- Environmental conditions Mapping/time course

- Sensor calibration

- Data cleaning

- Calculated traits- Time courses- Spatial analysis- Ratios (growth per ...)

- Tools for data quality- Reproducible?- Cross scale ?- Modelling?

EMPHASIS Elixir

- Enable reproducible analyses (GxE, GWAS, Genomic

Prediction, Evolution)- Data integration

and linking- Data Publication- Data discovery- Pipeline Hosting

- From measurements to traits

- Tools for trait quality- heritability - genetic correlations

TRAITS

Conclusion

Phenomique/genomique rentrent dans le big data

Combinaisons d’essais, de bases de données et de modèles

(méta analyse, modèles sur grille)

Combinaisons de prédiction génomique et modélisation

prediction rendement 100s genotypes 100s sites

Génotypage moins cher + télédetection + réseaux capteurs

+ moyens de phenotypage

Probablement la voie de l’avenir

C Welcker Ll Cabrera

S. Alvarez Prado

Field experiments Genetic analyses

Moulon, A Charcosset S Nicolas

Acknowledgements

RAGT, Euralis MaisAdour

B. Parent E. Millet O. Turc

Platform experiments, modelling, GWAS

N. Ranc T. Presterl S Praud

Wageningen F van Eeuwijk Willem Kruijer

Information

system

P. Neveu Ll Cabrera

système d'information et méta analyses pour …...Leaf T C 10 20 30 VPD KPa 0 2 4 -1,5 -0,5 -1 0 6...

Documents

Transcript of système d'information et méta analyses pour …...Leaf T C 10 20 30 VPD KPa 0 2 4 -1,5 -0,5 -1 0 6...