Miscanthus a un potentiel en tant que culture de biomasse, mais le développement de variétés qui sont constamment supérieures à l'hybride naturel M. × giganteus a été difficile, probablement en raison de fortes interactions G × E et d'une mauvaise connaissance des architectures génétiques complexes des traits sous-jacents à la productivité de la biomasse et à l'adaptation climatique. Alors que les études de liaison et de cartographie d'association commencent à générer de longues listes de régions candidates et même de gènes individuels, il semble peu probable que ces informations puissent être traduites en une sélection efficace assistée par marqueurs pour les besoins des programmes de sélection. La sélection génomique est apparue comme une alternative viable, et la précision des prédictions est modérée sur une gamme de traits phénologiques et morphométriques chez Miscanthus, bien que relativement faible pour le rendement en biomasse. per se.

Slavov et al. ont précédemment proposé une combinaison de sélection d'indices et de prédiction génomique comme moyen de surmonter les limites imposées par la complexité inhérente du rendement de la biomasse. Ils prolongent cette approche et illustrent son potentiel pour atteindre simultanément plusieurs cibles d'élevage, en l'absence de a priori Français connaissance de leur importance économique relative, tout en surveillant les réponses de sélection corrélées pour les caractères non ciblés. Nous évaluons deux scénarios hypothétiques d'augmentation du rendement en biomasse de 20 % en un seul tour de sélection. Dans le premier scénario, cet objectif est obtenu en combinant un retard de la floraison de 44 jours (environ 20 %), tandis que, dans le second, l'augmentation du rendement est ciblée conjointement avec une teneur en lignine réduite (–5 %) et une teneur en cellulose accrue (+5 %), par rapport aux niveaux moyens actuels de la population de sélection. Dans les deux scénarios, les objectifs ont été atteints efficacement (intensités de sélection correspondant au maintien des 20 et 4 % des meilleurs génotypes, respectivement).

Bien que ces calculs reposent sur de multiples hypothèses, ils soulignent la nécessité d’évaluer les objectifs de sélection et de prendre explicitement en compte les réponses corrélées. in silico, avant d'engager des ressources considérables. L'approche proposée est largement applicable à cette fin et peut facilement intégrer des données de phénotypage à haut débit dans le cadre de plates-formes de sélection intégrées.