En savoir plus

Notre utilisation de cookies

« Cookies » désigne un ensemble d’informations déposées dans le terminal de l’utilisateur lorsque celui-ci navigue sur un site web. Il s’agit d’un fichier contenant notamment un identifiant sous forme de numéro, le nom du serveur qui l’a déposé et éventuellement une date d’expiration. Grâce aux cookies, des informations sur votre visite, notamment votre langue de prédilection et d'autres paramètres, sont enregistrées sur le site web. Cela peut faciliter votre visite suivante sur ce site et renforcer l'utilité de ce dernier pour vous.

Afin d’améliorer votre expérience, nous utilisons des cookies pour conserver certaines informations de connexion et fournir une navigation sûre, collecter des statistiques en vue d’optimiser les fonctionnalités du site. Afin de voir précisément tous les cookies que nous utilisons, nous vous invitons à télécharger « Ghostery », une extension gratuite pour navigateurs permettant de les détecter et, dans certains cas, de les bloquer.

Ghostery est disponible gratuitement à cette adresse : https://www.ghostery.com/fr/products/

Vous pouvez également consulter le site de la CNIL afin d’apprendre à paramétrer votre navigateur pour contrôler les dépôts de cookies sur votre terminal.

S’agissant des cookies publicitaires déposés par des tiers, vous pouvez également vous connecter au site http://www.youronlinechoices.com/fr/controler-ses-cookies/, proposé par les professionnels de la publicité digitale regroupés au sein de l’association européenne EDAA (European Digital Advertising Alliance). Vous pourrez ainsi refuser ou accepter les cookies utilisés par les adhérents de l'EDAA.

Il est par ailleurs possible de s’opposer à certains cookies tiers directement auprès des éditeurs :

Catégorie de cookie

Moyens de désactivation

Cookies analytiques et de performance

Realytics
Google Analytics
Spoteffects
Optimizely

Cookies de ciblage ou publicitaires

DoubleClick
Mediarithmics

Les différents types de cookies pouvant être utilisés sur nos sites internet sont les suivants :

Cookies obligatoires

Cookies fonctionnels

Cookies sociaux et publicitaires

Ces cookies sont nécessaires au bon fonctionnement du site, ils ne peuvent pas être désactivés. Ils nous sont utiles pour vous fournir une connexion sécuritaire et assurer la disponibilité a minima de notre site internet.

Ces cookies nous permettent d’analyser l’utilisation du site afin de pouvoir en mesurer et en améliorer la performance. Ils nous permettent par exemple de conserver vos informations de connexion et d’afficher de façon plus cohérente les différents modules de notre site.

Ces cookies sont utilisés par des agences de publicité (par exemple Google) et par des réseaux sociaux (par exemple LinkedIn et Facebook) et autorisent notamment le partage des pages sur les réseaux sociaux, la publication de commentaires, la diffusion (sur notre site ou non) de publicités adaptées à vos centres d’intérêt.

Sur nos CMS EZPublish, il s’agit des cookies sessions CAS et PHP et du cookie New Relic pour le monitoring (IP, délais de réponse).

Ces cookies sont supprimés à la fin de la session (déconnexion ou fermeture du navigateur)

Sur nos CMS EZPublish, il s’agit du cookie XiTi pour la mesure d’audience. La société AT Internet est notre sous-traitant et conserve les informations (IP, date et heure de connexion, durée de connexion, pages consultées) 6 mois.

Sur nos CMS EZPublish, il n’y a pas de cookie de ce type.

Pour obtenir plus d’informations concernant les cookies que nous utilisons, vous pouvez vous adresser au Déléguée Informatique et Libertés de l’INRA par email à cil-dpo@inra.fr ou par courrier à :

INRA
24, chemin de Borde Rouge –Auzeville – CS52627
31326 Castanet Tolosan cedex - France

Dernière mise à jour : Mai 2018

Menu Logo Principal logo unicaen

UMR 950 INRA UCBN : Laboratoire d'Ecophysiologie Végétale, Agronomie & nutritions N.C.S.

Modélisation de la croissance du colza (Brassica napus L.) sous contrainte N et S

Responsable de la thématique: S. Brunel-Muguet

1. Objectifs de l’approche de modélisation

La construction d’un modèle écophysiologique doit permettre de structurer et synthétiser des observations et connaissances sur les mécanismes et processus majeurs qui contrôlent la réponse de la plante en conditions limitantes et non limitantes en N et S. Au-delà de son intérêt cognitif, le modèle écophysiologique envisagé vise à prédire des sorties d’intérêt agronomique (« crop model »), tels que l’accroissement, au cours de la durée du cycle de culture, de la surface foliaire, de la biomasse des différents organes et du prélèvement de N et de S.

En parallèle à ce travail, des caractérisations biochimiques et moléculaires sont envisagées afin d’identifier des indicateurs de croissance sous contrainte NS. Ces caractérisations permettront d’introduire des échelles d’analyses plus fines pour (i) construire un modèle de flux C, N et S (prélèvement, assimilation, utilisation, remobilisation) entre organes et (ii) construire des modèles stœchiométriques permettant de hiérarchiser les voies réactionnelles impliquée dans la réponse à la contrainte nutritionnelle  (e.g. flux global en N ou S, enzymes, intermédiaires réactionnels).

2. Construction du modèle écophysiologique explicitant l’offre et la demande en C, N et S

La construction du modèle écophysiologique intégrant les interactions N & S est séquentielle afin d’analyser séparément les effets d’une limitation en S et en N, puis les effets couplés d’une limitation NxS. La comparaison des formalismes acquis lors de la première étape doit permettre d’aborder le modèle d’interactions NxS avec des hypothèses sur les lois de répartition CNS au sein de la plante.

  •  Etablissement de lois de réponse de la croissance foliaire à l’échelle de la plante entière

Dans un premier temps, la dynamique de croissance foliaire sert de point d’entrée à la prédiction de la biomasse et à la répartition en N et S entre les différents organes. Les relations pilotant les sorties du modèle au cours de la phase végétative sont fondées sur la dynamique des relations explicitant l’offre et la demande en C, N et S, telles que proposées dans d’autres modèles intégrant les effets du N (Brisson et al., 1998; Jamieson et Semenov, 2000) ou du P (Mollier et al., 2008) sur la croissance dynamique au cours du cycle de culture.

Ces relations « classiques » seront adaptées auxcaractéristiques architecturales du colza et aux particularités des métabolismes N et S. Ainsi formalisées, elles permettront par ailleurs d’introduire des variables intégratives de type efficiences i.e. prélèvement (NUpE, SUpE), assimilation du C de type Monteith (RUE), remobilisation (NRE, SRE) et utilisation (NUtE, SUtE).

D’un point de vue expérimental, la construction de ce modèle se base sur les lois de réponses aux facteurs environnementaux considérés: température, rayonnement (ou PAR), disponibilité en N et S. La croissance dynamique simulée est contrainte par le facteur le plus limitant à chaque pas de temps («loi du minimum»).

  •  Vers un modèle de répartition explicitant la dynamique des forces de puits des organes reproducteurs

Les premiers résultats mettent en évidence l’importance des forces de puits des différents organes et incitent à affiner le degré de compartimentation (strates, ordres de ramification). Aussi, afin d’intégrer de façon plus fine l’effet de la composante structurale sur la répartition de la biomasse et des quantités de N et S en allant jusqu’à la prédiction des composantes de rendement, il sera envisagé d’adapter des modèles structure-fonction permettant de prédire la répartition de biomasse, du N et S en fonction de variations locales de l’environnement et in planta (De Reffye, 2006 ; Bertheloot et al. 2008, 2011).

3. Vers l’intégration du contrôle génétique des caractères phénologiques impactant la croissance

Dans ce modèle d’interactions NxS, les variables d’entrée « plante » sont dépendantes à la fois du génotype et de l’environnement. L’intérêt d’établir des lois de réponses de ces variables aux facteurs environnementaux est d’accéder à des paramètres ou coefficients génétiques dont les valeurs ne seront plus dépendantes que du génotype.

A l’issue du travail de modélisation, des analyses de sensibilité seront envisagées afin de cibler les caractères sous-jacents aux paramètres « plante » qui ont le plus d’effets sur les valeurs des sorties. Cette étape doit permettre d’identifier des génotypes contrastés pour ces caractères et d’envisager une approche de cartographie de QTL par le phénotypage d’une population en ségrégation disponible et pertinente quant aux critères de variabilités recherchés sur ces paramètres.

L’analyse permettra (i) d’identifier des QTL à l’origine des variations phénotypiques observées sur ces paramètres, puis (ii) de cibler in silico les gènes susceptibles d’interférer dans l’expression de processus métaboliques majeurs à l’origine des variations des paramètres « plantes ». Les caractérisations moléculaires acquises par l’équipe devront permettre de bâtir des hypothèses physiologiques et de cibler les gènes candidats. L’intérêt majeur d’une telle approche est de pouvoir développer une approche « gene-to-phenotype » (Quilot et al., 2005 ; Chenu et al., 2009) permettant de combiner le modèle génétique (issu des analyses QTL) au modèle écophysiologique. Il sera alors possible de créer des idéotypes en associant des valeurs de paramètres calculées par combinaison linéaire des effets des QTL détectés. Cette approche destinée à développer des outils de sélection assistée par marqueurs semble prometteuse pour maintenir voire améliorer les performances agronomiques dans un contexte de réduction de la fertilisation N et S (voir Figure).