Stat4Plant — Méthodes statistiques pour caractériser les interactions entre la plante et son environnement

L’agriculture est actuellement confrontée à de nouveaux défis pour répondre à la demande croissante d’approvisionnement mondial en nourriture dans un contexte de changement climatique fort et de déclin des ressources naturelles en eau et en sol. Elle doit faire face à des bouleversements majeurs et s’adapter aux nouvelles conditions, en particulier environnementales, en relevant de nombreux challenges. Pour mieux appréhender cette adaptation, il est nécessaire de mieux comprendre des notions clés comme la variabilité génétique des plantes et les interactions entre la plante et son environnement. Dans ce contexte, des approches prédictives basées d’une part sur les connaissances génétiques et écophysiologiques des plantes et d’autre part sur la modélisation mathématique sont très prometteuses. Le projet Stat4Plant vise à développer de nouvelles méthodes statistiques et de nouveaux outils algorithmiques pour modéliser et analyser la variabilité génétique et les interactions entre la plante et son environnement dans un contexte de changement climatique. Le consortium regroupe des chercheurs en modélisation et en statistiques appliquées ayant une grande expérience de collaborations interdisciplinaires en sciences du végétal et des biologistes spécialistes des relations phénotypes-génotypes chez les plantes. Le projet est décliné en quatre axes de recherche principaux, portés par des collaborations étroites entre statisticiens et biologistes et motivés par des questions concrètes en lien avec des données biologiques. Le premier axe de recherche vise à développer des méthodes permettant d’identifier les processus biologiques clés du développement de la plante qui sont à l’origine de la variabilité génotypique observée. Les travaux de cet axe combinent des modèles mécanistes écophysiologiques complexes fortement non linéaires du développement de la plante, des modèles statistiques à effets mixtes pour la modélisation de la variabilité génotypique et des outils de tests statistiques, en particulier adaptés aux petits échantillons de données, pour l’identification des dépendances génotypiques des paramètres clés. Ces approches permettront d’identifier des leviers d’action en sélection variétale. Le deuxième axe est consacré à la modélisation conjointe d’un temps d’intérêt comme la floraison ou la récolte et d’un trait phénotypique dynamique qui dépend du temps comme la biomasse aérienne ou la présence de ravageurs. Les modèles joints considérés combinent un modèle de survie à effets aléatoires intégrant des covariables de grande dimension et un modèle non linéaire à effets mixtes pour le trait phénotypique dynamique. L’objectif est de sélectionner les covariables les plus influentes, d’estimer les paramètres du modèle et de prédire le temps d’intérêt. Ces méthodes permettront en particulier de prédire la date de floraison ou de récolte optimale. Le troisième axe de recherche consiste à proposer des méthodes permettant d’identifier parmi un grand nombre de covariables les plus influentes pour un trait phénotypique, seul ou conjointement avec un temps d'intérêt. Des modèles non linéaires à effets mixtes combinant des modèles mécanistes de développement et des modèles génétiques intégrant un grand nombre de covariables serviront pour la modélisation de la variabilité génotypique du trait d’intérêt. Des méthodes de sélection de variables adaptées au cadre non linéaire seront développées. Ces méthodes permettront d’identifier les facteurs génétiques importants influençant le trait. Enfin, le dernier axe de recherche a pour objectif de construire de nouveaux critères de sélection variétale, qui intègrent les aléas des conditions environnementales et prennent en compte simultanément plusieurs objectifs, comme par exemple maximiser le rendement et minimiser la variabilité du rendement. Des méthodes d’optimisation adaptées seront proposées. Ces critères seront des outils nouveaux d’aide à la décision pour les agriculteurs.