Modélisation de la diffusion de gènes des variétés de grande culture
MathRisq - Risques Environnementaux
Katarzyna Adamczyk, Annie Bouvier, Olivier David, Sylvie Huet Herv ´e Monod, Catherine Lar ´edo, Val ´erie Viaud
Flux de gènes : problèmes soulevés
écologie :
échappement d’une espèce en dehors du compartiment cultivé, via la dispersion du pollen ou des graines
génétique :
introgression d’un gène d’une l’espèce cultivée dans un génome d’une plante sauvage
agronomie :
coexistence des filières basées sur la même espèce, donnant des produits de qualités différentes
Cultures OGM ⇒ renouveau d’intérêt pour flux de gènes
Réseau pluri-disciplinaire
Enjeu :
acquisition des connaissances pour évaluer les risques liés à l’introduction des OGM
approches : exp ´erimentation, observatoires, mod ´elisation
Partenaires :
Université Paris XI : Laboratoire ESE
INRA : Unité GAP (Rennes), Unité Ecoinnov (Grignon) Instituts techniques : Cetiom, Arvalis
Modélisation :
Rothamsted Research Rres, PIE Division, UK LORIA, Nancy
Contribution de MIAJ
Cadre :
ACI Impact OGM : 2 projets en cours
projet européen SIGMEA ( 2 groupes thématiques)
modéliser les phénomènes en lien avec le flux de gènes adapter/innover des méthodes d’analyse
développer des outils partagés
Thèmes finalisés
1 Modélisation de la fonction de dispersion du pollen pour colza et maïs (ESE, GAP)
2 Observatoire de Selommes :
origine et dynamique des populations spontanées du colza (ESE, Cetiom)
3 Hybridation interspécifique : modèle colza-ravenelle (GAP) 4 Modèles des simulations des flux de gènes à l’échelle d’un
paysage agricole (EcoInnov, Rres, LORIA, ESE)
Thèmes finalisés
1 Modélisation de la fonction de dispersion du pollen pour colza et maïs (ESE, GAP)
2 Observatoire de Selommes :
origine et dynamique des populations spontanées du colza (ESE, Cetiom)
3 Hybridation interspécifique : modèle colza-ravenelle (GAP) 4 Modèles des simulations des flux de gènes à l’échelle d’un
paysage agricole (EcoInnov, Rres, LORIA, ESE)
Thèmes finalisés
1 Modélisation de la fonction de dispersion du pollen pour colza et maïs (ESE, GAP)
2 Observatoire de Selommes :
origine et dynamique des populations spontanées du colza (ESE, Cetiom)
3 Hybridation interspécifique : modèle colza-ravenelle (GAP) 4 Modèles des simulations des flux de gènes à l’échelle d’un
paysage agricole (EcoInnov, Rres, LORIA, ESE)
Thèmes finalisés
1 Modélisation de la fonction de dispersion du pollen pour colza et maïs (ESE, GAP)
2 Observatoire de Selommes :
origine et dynamique des populations spontanées du colza (ESE, Cetiom)
3 Hybridation interspécifique : modèle colza-ravenelle (GAP) 4 Modèles des simulations des flux de gènes à l’échelle d’un
paysage agricole (EcoInnov, Rres, LORIA, ESE)
Résultats et méthodes
1. Modèle de la fonction de dispersion du pollen
Objectif : mod `ele pour pr ´edire le taux de croisement entre des vari ´et ´es A et B
γ(x, y) = P(grain émis en (0, 0) féconde une fleur en (x, y))
Probl `eme : γ non-observable. Si la vari ´et ´e B a un marqueur dominant, pour une plante A en (x, y) on observe une convolution non-lin ´eaire des γ:
µ(x, y) = P(un grain de A en (x,y) résulte de la pollinisation par B ) Démarche :
proposer le modèle pour γ,
estimer γ à partir du modèle statistique pour µ.
Résultats et méthodes
1. Modèle de la fonction de dispersion du pollen - suite
modélisation de γ par a) fonction continue décroissante, b) fonction constante par morceaux; ajustement du modèle à
partir des données colza; généralisation - prise en compte de la discontinuité du couvert végétal (th `ese de H. Poilleux)
modèle mécaniste : trajectoire d’un grain de pollen ∼ processus stochastique de diffusion; comparaison des
processus - estimation des paramètres à partir des données d’essais maïs (th `ese de A. Grimaud)
Résultats et méthodes
1. Modèle de la fonction de dispersion du pollen - suite
modélisation de γ par a) fonction continue décroissante, b) fonction constante par morceaux; ajustement du modèle à
partir des données colza; généralisation - prise en compte de la discontinuité du couvert végétal (th `ese de H. Poilleux)
modèle mécaniste : trajectoire d’un grain de pollen ∼ processus stochastique de diffusion; comparaison des
processus - estimation des paramètres à partir des données d’essais maïs (th `ese de A. Grimaud)
Résultats et méthodes
2. Observatoire de Selommes
Suivi de la dynamique des populations spontan ´ees du colza `a l’ ´echelle de 100 km2, commenc ´e en 1996. Donn ´ees : coordonn ´ees GPS des populations et champs, leurs attributs, enqu ˆetes sur des pratiques agricoles.
développement et interfaçage d’une base de données
Résultats et méthodes
2. Observatoire de Selommes : analyse des données
Origine des populations
estimation de la probabilité de l’occurrence d’une population en fonction du passé de son voisinage; fouille des données, modèle logistique à effets mixtes (th `eses ESE : A. Deville, S.
Pivard)
données sur 4 ans, pas de temps 1 an, échelle : 100 km
Dynamique des populations
estimation des paramètres de la dynamique (taux de germination, production des graines , ...); processus de
branchement multitypes (th `ese ESE - A. Garnier)
données sur 3 ans, pas de temps < 1 an
Résultats et méthodes
2. Observatoire de Selommes : analyse des données
Origine des populations
estimation de la probabilité de l’occurrence d’une population en fonction du passé de son voisinage; fouille des données, modèle logistique à effets mixtes (th `eses ESE : A. Deville, S.
Pivard)
données sur 4 ans, pas de temps 1 an, échelle : 100 km
Dynamique des populations
estimation des paramètres de la dynamique (taux de germination, production des graines , ...); processus de
branchement multitypes ( )
Résultats et méthodes
3. Hybridation interspécifique : modèle colza-ravenelle
Etude exp ´erimentale des possibilit ´es d’introgression du transg `ene du colza dans le g ´en ˆome de la ravenelle. Sondage des populations naturelles pour y chercher des traces d’introgression
modèle de l’évolution du nombre des chromosomes chez les hybrides colza-ravenelle (modèle linéaire mixte)
données : 5 générations d’hybrides entre des lignées du colza transgénique et de la
Résultats et méthodes
4. Modèles de flux de gènes à l’échelle d’un paysage
Etude des flux entre fili `eres OGM et non-OGM `a l’ ´echelle d’un paysage
Mapod (ma¨ıs), Genesys (colza) :
Entr ´ees : parcellaire, succession de cultures, itin ´eraire technique, ...
Sortie : proportion des graines OGM
Résultats et méthodes
4. Modèles de flux de gènes à l’échelle d’un paysage - suite description du paysage :
descripteurs de la géometrie des parcelles
description de la distribution des barycentres des parcelles par des processus ponctuels
(stage de F. Chevauchet) analyse de sensibilité du modèle Mapod - étude de l’impact
de la géometrie du paysage sur le taux de contamination (stage de T. Romary, CDD de V. Viaud)
Résultats et méthodes
4. Modèles de flux de gènes à l’échelle d’un paysage - suite description du paysage :
descripteurs de la géometrie des parcelles
description de la distribution des barycentres des parcelles par des processus ponctuels
(stage de F. Chevauchet)
analyse de sensibilité du modèle Mapod - étude de l’impact de la géometrie du paysage sur le taux de contamination (stage de T. Romary, CDD de V. Viaud)
Résultats et méthodes
4. Modèles de flux de gènes à l’échelle d’un paysage - suite simulation du paysage :
participation à la mise en place du générateur du parcellaire, basé sur des tessellations (LORIA),
collaboration avec Rres autour du modèle de successions de cultures
modèle de simulation des territoires d’exploitation (CDD de V. Viaud)
modèle de tesselation aléatoire pour les paysages (travail avec K. Kieu - MathCell et R. Stoica - MIA Avignon)
algorithme de calcul des flux entre 2 parcelles par des méthodes de géometrie algorithmique
Perspectives
échéances pour des projets en cours: 2006 - 2007 2 projets ANR déposés :
application des méthodes bayesiennes pour modéliser l’influence des covariables difficilement observables, développement des modèles mécanistes pour la
dispersion en milieu hétérogène.
Intégration de ces modèles dans les simulateurs des flux de gènes.
