Des modèles pour de nouveaux défis

(1)

HAL Id: hal-02874765

https://hal.inrae.fr/hal-02874765

Submitted on 19 Jun 2020

HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub-

L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non,

Des modèles pour de nouveaux défis

Ingrid David, Vincent Ducrocq, Zulma Vitezica

To cite this version:

Ingrid David, Vincent Ducrocq, Zulma Vitezica. Des modèles pour de nouveaux défis. Journées Scientifiques du Département Génétique Animale, Mar 2020, la Chapelle-sur-Erdre, France. �hal- 02874765�

(2)

p. 1

Des modèles pour de nouveaux défis 4-6 Mars 2020

Des modèles pour de nouveaux défis

Ingrid David, Vincent Ducrocq, Zulma Vitezica

(3)

o Objectif

o Améliorer la modélisation des caractères et des

interactions (G*E, G*G, entre individus, entre fonctions…)

o Contexte

o Développement automatismes

• Robot de traite

• DAC / DAF / DAH₂O

• Accéléromètres

• Vidéos

But: « un animal efficient pour un élevage durable, un animal résilient dans un environnement changeant »

• Multiples phénotypes longitudinaux

• Nouvelles données environnement

(4)

p. 3

Des animaux, des phénotypes

Phénotypes « classiques » : 1 ou quelques mesures / individu Pas d’information sur l’environnement

𝑦

(5)

𝑦

Robustesse G*E Modèle de canalisation

𝑦 = 𝐺 + 𝐸 + 𝑓 𝐺, 𝐸 𝜀

𝐺₁

𝐺₂

(6)

p. 5

𝑦

Robustesse G*E Modèle de canalisation

Estimation via ASReml

Extension au cas multicaractères

Canalisation pour variables discrètes

Estimation++

Robustesse globale?

Homogénéisation de la taille de portée

(7)

o Données répétées dans le temps o Corrélées intra-sujet, variance

hétérogène

Phénotypes longitudinaux

𝑦_1,𝑦_2,𝑦_3,…𝑦_𝑛

67 ± 1 day (25 ± 4 kg)

168 ± 13 days (115 ± 11 kg)

Sujet 1 Sujet 2 Sujet 3

temps

1 ₂

(8)

p. 7

𝑦_1,𝑦_2,𝑦_3,…𝑦_𝑛

Modèle de

régression aléatoire o Modéliser des trajectoires

𝑦_𝑡 = 𝜇_𝑡 + 𝑢_𝑡 + 𝜀_𝑡 𝑢_𝑡 fonction paramétrique du temps

𝑢_𝑡 = a + bt + c𝑡² 𝑎

𝑏 𝑐

~𝑁 0, 𝐴 ⊗ 𝐺

(9)

𝑦_1,𝑦_2,𝑦_3,…𝑦_𝑛

Modèle de

régression aléatoire

o Modéliser des trajectoires Réduction rang matrice

rapidité++  évaluation

Persistance (résilience)

(10)

p. 9

𝑦_1,𝑦_2,𝑦_3,…𝑦_𝑛

Modèle de

Multicaractères

Nouvelle modélisation

de la RFI

(11)

𝑦_1,𝑦_2,𝑦_3,…𝑦_𝑛

Modèle de

Multicaractères

de la RFI Modèles

antédependants

structuraux (SAD) 𝑦_𝑡 = 𝜇_𝑡 + 𝑢_𝑡 + 𝜀_𝑡

𝑢_𝑡 = ෍

𝑘=1 𝑠

𝜃_𝑡𝑘𝑢_𝑡−𝑘 + 𝑒_𝑡 𝜃_𝑡𝑘 = 𝑓_𝑘 𝑡 , 𝜎_𝑒𝑡² = 𝑔_𝑘 𝑡

(12)

p. 11

𝑦_1,𝑦_2,𝑦_3,…𝑦_𝑛

Modèle de

Multicaractères

de la RFI

SAD

Module estimation sous ASReml

Efficacité alimentaire interprétation

-1.0 -0.5 0.0 0.5 1.0 1.5

-1.0-0.50.00.5

SBV_SAD1

SBV_SAD2

A B

(21.0%) C

(51.6%)

(13)

𝑦_1,𝑦_2,𝑦_3,…𝑦_𝑛

o Extraire de nouveaux critères par des modèles plus proches de la biologie

Modèles

mécanistiques

(semi-mécanistiques, data-driven)

observations

Hypothèses biologiques

Formalisation mathématique

𝑑𝑊

𝑑𝑡 = 𝑎𝑊 𝑑𝑎

𝑑𝑡 = −𝐷𝑎 Gain de poids

(14)

p. 13

𝑦_1,𝑦_2,𝑦_3,…𝑦_𝑛

Modèles

mécanistiques

Croissance Quantification réponse à la perturbation du sevrage

𝑑𝑊

𝑑𝑡 = (𝑎 − 𝐶)𝑊 𝑑𝑎

𝑑𝑡 = −𝐷𝑎 𝑑𝑊

𝑑𝑡 = 𝑎𝑊 𝑑𝑎

𝑑𝑡 = −𝐷𝑎

(15)

𝑦_1,𝑦_2,𝑦_3,…𝑦_𝑛

Modèles

mécanistiques

Evolution BCS ^k^b capacité de récupération k_pitaux de déclin

Modèle conceptuel

(16)

p. 15

𝑦_1,𝑦_2,𝑦_3,…𝑦_𝑛

Modèles

mécanistiques

(17)

𝑦_1,𝑦_2,𝑦_3,…𝑦_𝑛

Modèles

mécanistiques

Détecter

perturbations Evolution du CV / temps

(18)

p. 17

𝑦_1,𝑦_2,𝑦_3,…𝑦_𝑛

Modèles

mécanistiques

Détecter

perturbations Evolution du CV / temps

Modélisation des trade-off

Parasite dynamic within host Immune

response Energy intake

BW Fat thickness

energy cost??

2 1

3

‘health data’:

FEC, HE

Réponse infestation parasitaire

(19)

…et des données génomiques

𝑦

+

Dominance Epistasie

𝑦 = 𝑋𝛽 + 𝑓𝑏 + 𝑍𝑔_𝐴 + 𝑍𝑔_𝐷 + 𝑍 ෍

𝑖=𝐴,𝐷

෍

𝑖=𝐴,𝐷 𝑖≥𝑗

𝑔_𝑖𝑗 + 𝑒 𝐺_𝐴 𝐺_𝐷 𝐺_𝐴𝐴 𝐺_𝐴𝐷 𝐺_𝐷𝐷

(20)

p. 19

𝑦

+

Dominance Epistasie

Amélioration possible de l’estimation des valeurs génétiques

Utilisation pour choix accouplement

(21)

𝑦

+

Dominance Epistasie

Amélioration possible de l’estimation des valeurs génétiques

Utilisation pour choix accouplement

Gène majeur

𝑦 = 𝑋_𝑦𝛽_𝑦 + 𝑊_𝑦𝑢_𝑦 + 𝑒_𝑦 𝑧 = 𝑋 𝛽 + 𝑊 𝑢 + 𝑒

Prise en compte d’un gène majeur pour évaluation génomique

(22)

p. 21

…dans différents milieux

𝑦

Description milieux

clusterisation Variable continue

(23)

𝑦

Description milieux

Modèles sociaux

𝑦_𝑖 = 𝑃_𝐷,𝑖 + ෍

𝑗≠𝑖

𝑃_𝑆,𝑗

𝑦_𝑖 = 𝐺_𝐷,𝑖 + ෍

𝑗≠𝑖

𝐺_𝑆,𝑗 + 𝐸

(24)

p. 23

𝑦

Description milieux

Modèles sociaux

Evolution avec le temps Dilution des effets sociaux

Pondération par les paramètres des réseaux sociaux

Etude de l’évolution de la

corrélation entre effets directs et indirects par simulation

(25)

Aller au-delà de l’héritabilité génétique

sire Genetic dam

animal

0.5 0.5

Genetic

sire Genetic dam

𝑒 𝑖,𝑠

ment

Epigenetic

𝑒 𝑖,

sire

animal

𝑖 ,𝑠 𝑖 ,

environment

Microbiota

nursing dam Genetic dam

_{𝑖 ,}

sire

conspecifics

ment

Behavior/culture

𝑡,

nursing dam

𝑡,𝑠

Offspring

Conspecifics conspecifics

𝑖 ,𝑗

(26)

p. 25

Aller au-delà de l’héritabilité génétique

Modèle de transmissibilité

𝑦_𝑖 = 𝑥_𝑖𝛽 + 𝑢_𝑖 + 𝑒_𝑖 𝑢_𝑖 = 0.5𝑢 + 0.5𝑢_𝑠 + 𝜀_,𝑖

i

s d

𝑦_𝑖 = 𝑥_𝑖𝛽 + 𝑡_𝑖 + 𝑒_𝑖 𝑡_𝑖 = 𝜔 𝑡 + 𝜔_𝑠𝑡_𝑠 + 𝜀_𝜔,𝑖

Coefficients de

transmission père et mère à estimer

(27)

oDes travaux en accord avec le dernier SSD oPhénotypage haut-débit

o Modèles mécanistiques collaboration PHASE ++

Conclusion

oLe problème des développements avec ASReml oCommunication entre unités : nécessité de plus

+

-

(28)

p. 27

L’avenir

Héritabilité non- génétique

Données de phénotypage

haut-débit

« omics » et évaluation

Modèles sociaux

Modèle de canalisation

G*E

Approches plus globales