Bruno Andrieu, EA EGC Grignon Christine Granier , EA LEPSE Montpellier

Présentation au sujet: "Bruno Andrieu, EA EGC Grignon Christine Granier , EA LEPSE Montpellier"— Transcription de la présentation:

1 Phénotypage Haut Débit et Plantes Virtuelles: quels Gaps et quelles Synergies
Bruno Andrieu, EA EGC Grignon Christine Granier , EA LEPSE Montpellier Frédéric Barret, EA CSE Avignon

2 Phénotypage: Acquisition d’informations sur l’état et/ou le fonctionnement de plantes et peuplement
Comparaison du comportement de différents génotypes sous différents environnements correspond à une large gamme de besoins Haut débit : pour multigénotype, multienvironnement, multitemporel, etc Plantes virtuelles : modèles « botaniquement réalistes » de plantes et peuplement. Avec composante processus.

3 LEPSE, INRA Montpellier
Données de phénotypage haut-débit de la croissance foliaire d’ A. thaliana et modélisation. Point de départ, une question : Identifier les déterminismes génétique de la croissance foliaire et de sa réponse aux contraintes environnementales. Puis, développement d’un outil pour augmenter le débit des analyses, c. a d. , augmenter le nombre de variables mesurées, de génotypes étudiés, de conditions environnementales testées. 400 300 Nb de génotypes analysés par an manuel 1 automate 200 100 3 automates 1998 2000 2002 2004 2006 2008 Année Puis, développement d’une base de données / méta-analyses / Identification de propriétés émergentes entre les variables de la croissance foliaire / Courbes de réponses à l’environnement… Et maintenant, le pari = Bases pour une modélisation statistique et/ ou fonctionnelle de la croissance Données de phénotypage haut-débit = simulation, accès à des variables cachées

4 INRA/CEMAGREF/CIRAD)
Quelles informations sont accessibles De la télédétection satellitaire à la proxidétection ? CSE, Avignon Variables cibles : LAI, ei, Cab, Angle des feuilles, … Comparaison du comportements de génotypes en condition de champ (projet PNTS INRA/CEMAGREF/CIRAD) vecteur satellitaire Couverture spatiale Vs contrôle de la mesure (variables, échantillonnage dans le temps, etc vecteur aéroportés vecteurs au sol (tracteur) Dosage destructif

5 Simuler le fonctionnement à l’échelle plante- peuplement
EGC, Grignon Modélisation des flux d’azote au sein de l’archi: J. Bertheloot Développement de l’architecture Q1 : Comment ça marche ? (et quelles approximations sont efficaces à cette échelle ?) Q2 (Arvalis): Coûts expérimentaux pour estimer les paramètres sur une gamme de génotypes ? Q3 (Arvalis): Peut -on estimer les paramètres avec nos protocoles habituels ?

6 3: reflected & emitted fluxes 4: Yield or other variables of interest
La télédétection (entre autres) a amené des méthodes permettant de rationaliser la démarche sensor 1: sun and sky radiance 3: reflected & emitted fluxes Model of radiative exchanges 2: Model of canopy & soil 4: Yield or other variables of interest Genotypic Parameters Direct problem: knowing (1) and (2), predict (3) and (4). Inverse problem: knowing (1) and (3), predict (2) and improve (4). ie: find the set model parameters value of (2) that make model-simulated values (3) best fit the measurements. Specific difficulty is to develop models that accurately simulate (3) without requiring a too complex description of (2).

7 Points forts de la démarche
« synergie » entre connaissances préalables et mesures Accès éventuel par le modèles à des variables ou paramètres «cachés » Capacité à raisonner les protocoles expérimentaux à l’aide de simulations Valeur intrinsèque des paramètres ajustés ou du moins valeur d’usage : augmentation de la qualité de prédiction du modèle Cadre pour décliner des questions appliquées vers des questions de recherche : modélisation de la plante (structure et fonction) Modélisation du transfert radiatif méthodes d’estimation de paramètres Expérience à l’INRA issue notamment de la télédétection (et autres: Contrôle qualité, etc)

8 Transposabilité de l’échelle m2: modèle de culture
Transposabilité de l’échelle m2: modèle de culture * modèle de reflectance vers l’echelle plante ? Modèle culture -> modèle Plante – Peuplement Virtuel; simulation des variables d’état au sein de l’architecture Modèle reflectance -> modèle de simulation d’image Protocole pouvant inclure des mesures directes, destructives ou non destructive (NIRS, morphologie). Maîtrise de l’échantillonnage dans le temps, etc

9 Acquis importants sur la plupart des composantes
Savoir faire « acquisition de mesures » eg proxidétection – banc de phénotypage Modèles dynamiques 3D de plantes- peuplement. Incluant certains éléments de fonction. Modèles zoom (extension foliaire, etc) Connaissances acquises sur les relations au sein de l’architecture (=>mesurer où et quand) Savoir faire (INRIA, ECP, INRA) en estimation de paramètres

10 Scientifiques Organisationnel Ecueils - verrous
Des compromis mesurabilité/précision de simulation/ nombre de paramètres à repenser complètement par rapport à l’approche m² Limites des « fonctions » dans les modèles structures fonction à l’échelle Plante: (1) limites des connaissances et (2) les bons compromis ne seront pas forcément les mêmes que pour d’autres applications des plantes virtuelles. Temps de calcul Limite des méthodes disponibles pour estimer plus de 10 à 20 paramètres Organisationnel Organisation/maintenance des bases de données par des thésards et CDD Multiplicité des compétences requises (Bio, Physique, Math-info)

11 Mesures proxi détection
Une voie proposée en proxidétection: pilotage d’un modèle 3D par un modèle de culture (F. Baret) 1. Estimation de traits fonctionnels par des méthodes empiriques Transf. Rad. Modèle Fonct. Forcage Climat Sol Tech. Cult. LAI Chloro 2. Utilisation de modèles de fonctionnement: paramètres génétiques Mesures proxi détection Paramètres Physiol. (dep. Génét.) Structure Propriétés Optiques 3. Amélioration de la cohérence entre mesure et modèles Stress 6. Couplage du modèle de fonctionnement au modèle 4D Paramètres Structurels (dep. Génét.) Modèle 4D 4. Utilisation d’un modèle 4D Mesures directes 5. Calage de paramètres du modèle 4D par mesures directes ﺦ Variables LAI/Chloro partagées par 3 modèles => Cohérence forte nécessaire

12 Projets en cours dans les équipes CSE/LEPSE/EGC
Effet variétal de la structure sur le transfert radiatif: Thèse INRA (Kai Ma, coll. C. Fournier) Mise au point d’un dispositif de proxidétection pour caractériser les comportements variétaux à haut débit: Projet innovant Toulouse (Ph. Burger, F. Baret) Couplage modèle de fonctionnement, modèle 4D de structure sur blé: Chercheur invité (R. Casa, bourse Marie Curie) Couplage modèle 4D-fonctionnement sur vigne: Bourse Post-Doc RTRA Montpellier (R. Lopez) LEPSE Analyse statistiques entre paramètres de l’extension foliaire et métabolome, transcriptome, protéome: Programme européen Agron-omics, collaboration LEPSE / W. Gruissem, ETH Zurich Analyses statistiques des relations entre échelles: cellule -> feuille -> plante: Collaboration LEPSE / Y Guédon, C Lavergne, C Trottier, Virtual Plants, Montpellier Modélisation mécaniste « de la cellule à la feuille » collaboration LEPSE/ C. Godin EGC Intégration de « fonctions » dans le modèle blé : Azote, tallage, SLA (Thèse J. Bertheloot, Thèse Rim Baccar, post Doc Tino Dornbusch, coll. C. Fournier Définition de protocoles optimaux pour l’estimation des paramètres d’architecture (financement Arvalis)

13 Pour ouvrir la discussion
Demande large (du QTL à la rationalisation des essais agronomiques) Mobilisation récente Cadre pour raisonner l’acquisition d’information. Les modèles FSPM représentent probablement la bonne échelle en face de la question «phénotypage » Transposabilité des méthodes à condition de voir le long terme connaissances et compromis pour modéliser la plante Temps de calcul et méthodes d’inversion et de forçage Progrès à faire pour les dispositifs d’acquisition expérimentaux (eg proxidétection) Intérêts réciproques entre modélisation et phénotypage Existence de savoir faire et de projets de nature à obtenir des résultats d’étape Réellement associer les composantes : Biologie, Physique, Math Appli.