HAL Id: hal-02786971
https://hal.inrae.fr/hal-02786971
Submitted on 5 Jun 2020
HAL is a multi-disciplinary open access
archive for the deposit and dissemination of sci-entific research documents, whether they are pub-lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
Distributed under a Creative Commons Attribution| 4.0 International License
Identifier, comprendre, prévoir autour de la situation de
crise sanitaire engendrée par Xylella fastidiosa
Jean-Pierre Rossi
To cite this version:
Jean-Pierre Rossi. Identifier, comprendre, prévoir autour de la situation de crise sanitaire engendrée par Xylella fastidiosa. Rencontre Inra au SIA 2018 : observer et prévenir : le numérique pour mieux caractériser les états du milieu, Feb 2018, Paris, France. 18 p. �hal-02786971�
Identifier, comprendre, prévoir autour de la
situation de crise sanitaire engendrée par Xylella
fastidiosa
02
Identifier, comprendre, prévoir autour de la situation de crise sanitaire
engendrée par Xylella fastidiosa
Combiner des observations à différentes échelles du vivant pour
comprendre les épidémies et contribuer à la construction des politiques publiques
Exemple de la bactérie phytopathogène Xylella fastidiosa découverte en Corse et dans le sud de la France en 2015
03
La bactérie Xylella fastidiosa
• Maladie mortelle pour de nombreuses plantes cultivées
et sauvages
• Originaire d’Amérique Centrale
• Plusieurs sous-espèces décrites : multiplex, pauca,
fastidiosa, sandyi, tashke, morus
• Bactérie transmise par des insectes suceurs de sève
• Plus de 350 espèces végétales sensibles dans le monde
mais peu d’information sur les espèces méditerranéennes
04
La bactérie Xylella fastidiosa
Syndrome de dessèchement des oliviers en Italie (Xf sous-espèce pauca)
Maladie de Pierce sur vigne en Californie (Xf sous-espèce fastidiosa)
Source : www.eppo.org
05
La bactérie Xylella fastidiosa
2013 : sous-espèce pauca détectée en Italie (Pouilles) -> Olivier
2015 : sous-espèce multiplex détectée en Corse et en région PACA -> plantes ornementales 2016 : sous-espèces multiplex, pauca et fastidiosa détectées en Espagne (Iles Baléares) -> Olivier, vigne, …
06
Approches centrées sur la bactérie
Culture et isolement de Xylella fastidiosa difficiles Développement de techniques de biologie moléculaire
• Détecter la bactérie dans le matériel végétal • Connaître la gamme de plante hôtes en France • Retracer l’histoire évolutive de la bactérie
Diversité de Xf en France
Introductions multiples ?
Divergence avec
souches américaines
Présence depuis 35 à 50 ans
2 lignées de Xf Mul plex ST6 ST7 Souche Type de mul plex 1 ST recombinant ST53 sand yi Griffin-1, M12 ST7 2015: 102 samples 2016: 102 samples Dixon ST6 2015: 205 samples 2016: 75 samples Sy-VA Mul0034 Mul-MD Ann-1 (CFBP 8077) M23 Temecula1 GB514 EB92-1 CFBP 8073 CFBP 8356 COF (3) POL (1) CO33 COF (2) CFBP 8072 CFBP 8074 9a5c 6c 32 Italy: CoDiRO (CFBP 8402) COF (4) POL (4) PRU (1) QUER (1)
ATCC 35871 (CFBP 8173) mul plex morus fas diosa pauca ATCC 35879 (CFBP 7970) POL (Recombinant) fas diosa -sandyi 1 ST76
07
Approches centrées sur les insectes vecteurs
Les vecteurs nord-américains sont bien connus mais l’information n’est pas transposable !
1 - établir une liste de vecteurs potentiels en France et en Europe
• Prospection sur le terrain et analyse au laboratoire • 13000 spécimens prélevés sur 400 stations visitées en
2016
Identification de 51 espèces réparties dans 4 familles d’Hémiptères
Certaines espèces très communes : cercope des prés
Philaenus spumarius
Association Française Inter professionnelle de l’olive
08
Approches centrées sur les insectes vecteurs
2 - Construction d’un outil permettant l’identification fiable, rapide et massive des vecteurs
• Identification morphologique parfois difficile pour des non-spécialistes • Impossible d’envisager des identifications massives en morphologie
Développement de librairies de barcodes des vecteurs et implémentation dans la base de données Arthemis
09
Approches centrées sur les insectes vecteurs
3 - Utiliser les insectes comme des sentinelles pour détecter rapidement la bactérie et suivre l’épidémie
• Mise au point d’une technique de biologie moléculaire haut débit
ADN
Identification de l’insecte
Identification de la bactérie (sous-espèce, souche)
010
Approches centrées sur les insectes vecteurs
Le cercope des prés comme sentinelle ?
Cercope des prés
011
Approches centrées sur les réseaux trophiques
Département SPE Olivier Prunus Cultures
?
?
Réservoirs asymptoma6ques?
Xff Maladie Xfm Ps Vecteurs Co?
Milieux semi-naturels CistesCitrus Vigne Immortelle
Xfp Chêne liège S o u r c e : I n ra
20% d’insectes contaminés en Corse
Colonisation ancienne ?
Principal vecteur essentiellement
sur ciste de Montpellier
012
Approches centrées sur les réseaux trophiques
ADN
Identification de l’insecte
Identification de la plante nourricière Identification de la bactérie
Vers l’utilisation de l’ADN végétal contenu dans
l’insecte pour identifier la plante nourricière
013
Approches globales : la modélisation
• Impact de différents scénarios de gestion • Cartes de risque dynamique
• Plans de surveillance adaptés
Modèles
mathématiques
• Données épidémiologiques • Paysage • Climat • Modalités de gestion014
Approches globales : la modélisation
Modèles
statistiques
Données d’occurrence
Climat
Reconstruction de l’aire
de distribution
015
Approches globales : la modélisation
40 50 −10 0 10 20 30 40 longitude la ti tu d e Habitat suitability 1970−2000 A 40 50 −10 0 10 20 30 40 longitude la ti tu d e
Proportion of models predicting presence 1970−2000
D 40 50 −10 0 10 20 30 40 longitude la ti tu d e
Habitat suitability 2050 [scenar io 4.5]
B 40 50 −10 0 10 20 30 40 longitude la ti tu d e
Proportion of models predicting presence 2050 [scenar io 4.5]
E 0.00 0.25 0.50 0.75 1.00 40 50 −10 0 10 20 30 40 longitude la ti tu d e
Habitat suitability 2050 [scenar io 8.5]
C 0 25 50 75 100 40 50 −10 0 10 20 30 40 longitude la ti tu d e
Proportion of models predicting presence 2050 [scenar io 8.5]
F 40 50 −10 0 10 20 30 40 longitude la ti tu d e Habitat suitability 1970−2000 A 40 50 −10 0 10 20 30 40 longitude la ti tu d e
Proportion of models predicting presence 1970−2000
D 40 50 −10 0 10 20 30 40 longitude la ti tu d e
Habitat suitability 2050 [scenar io 4.5]
B 40 50 −10 0 10 20 30 40 longitude la ti tu d e
Proportion of models predicting presence 2050 [scenar io 4.5]
E 0.00 0.25 0.50 0.75 1.00 40 50 −10 0 10 20 30 40 longitude la ti tu d e
Habitat suitability 2050 [scenar io 8.5]
C 0 25 50 75 100 40 50 −10 0 10 20 30 40 longitude la ti tu d e
Proportion of models predicting presence 2050 [scenar io 8.5]
F
Xf pauca
Xf multiplex
Modèles
statistiques
Données d’occurrence
Climat
Reconstruction de l’aire
de distribution
016
Approches globales : la modélisation
40 50 −10 0 10 20 30 40 longitude la ti tu d e Habitat suitability 1970−2000 A 40 50 −10 0 10 20 30 40 longitude la ti tu d e
Proportion of models predicting presence 1970−2000
D 40 50 −10 0 10 20 30 40 longitude la ti tu d e
Habitat suitability 2050 [scenar io 4.5]
B 40 50 −10 0 10 20 30 40 longitude la ti tu d e
Proportion of models predicting presence 2050 [scenar io 4.5]
E 0.00 0.25 0.50 0.75 1.00 40 50 −10 0 10 20 30 40 longitude la ti tu d e
Habitat suitability 2050 [scenar io 8.5]
C 0 25 50 75 100 40 50 −10 0 10 20 30 40 longitude la ti tu d e
Proportion of models predicting presence 2050 [scenar io 8.5]
F 40 50 −10 0 10 20 30 40 longitude la ti tu d e Habitat suitability 1970−2000 A 40 50 −10 0 10 20 30 40 longitude la ti tu d e
Proportion of models predicting presence 1970−2000
D 40 50 −10 0 10 20 30 40 longitude la ti tu d e
Habitat suitability 2050 [scenar io 4.5]
B 40 50 −10 0 10 20 30 40 longitude la ti tu d e
Proportion of models predicting presence 2050 [scenar io 4.5]
E 0.00 0.25 0.50 0.75 1.00 40 50 −10 0 10 20 30 40 longitude la ti tu d e
Habitat suitability 2050 [scenar io 8.5]
C 0 25 50 75 100 40 50 −10 0 10 20 30 40 longitude la ti tu d e
Proportion of models predicting presence 2050 [scenar io 8.5]
F
Xf pauca
Xf multiplex
Identification des zones à risque
Orientation de la surveillance
Estimation de l’impact du changement climatique
Modèles
statistiques
Données d’occurrence
Climat
Reconstruction de l’aire
de distribution
017
Godefroid, Cruaud, St reit o, Rasplus, Rossi
supplement ary mat erial page 5
40 50 −10 0 10 20 30 40 longitude la ti tu d e severity index 1 2 3
Pierce disease severity index 1970−2000
A 40 50 −10 0 10 20 30 40 longitude la ti tu d e severity index 1 2 3
Pierce disease severity index 2070 [scenar io 4.5]
B 40 50 −10 0 10 20 30 40 longitude la ti tu d e severity index 1 2 3
Pierce disease severity index 2070 [scenar io 8.5]
C
F i gu r e S4
–
Pr edi ct ed pot ent i al sever it y of Pi er ces disease i n Eur ope under cur r ent and fut ur e climat e condi t i ons obt ai ned fr om a cumulat i velink model (CL M ). 1 = low sever it y, 2 = moder at e sever it y, 3 = high sever it y. Cur r ent climat e condit ions ar e aver age t emp er at ur e for t he per iod 1970-2000 ext r act ed fr om t he W or ldclim dat abase (http://worldclim.org/version2). Fut ur e climat e est imat es wer e obt ained fr om t he M I ROC5 global climat e model ( scenar ios 4.5 and 8.5). A : Pr edict ed PD sever it y i ndex for t he per iod 1970-2000. B : Pr edict ed PD sever it y index in 2070 wit h t he scenar ios RCP4.5. C: Pr edict ed PD sever it y index in 2070 wit h t he scenar ios RCP8.5. A r eas associat ed t o climat e condit ions t hat ar e not met wit hin t he r ange of condit ions char act er izing t he set of r efer ence point s in t he nat ive r ange (i.e. M ESS index < 0 see mat er ial and met hods) ar e shown in gr ey.
5
Indice de sévérité de la maladie de Pierce
Changement climatique : simulation de l’évolution de l’indice de sévérité de la maladie de Pierce entre 2000 et 2070