Bayesian joint-regression analysis of unbalanced series of on-farm trials.
Analyse par régression conjointe bayésienne de séries d'essais à la ferme déséquilibrés.
Résumé
Participatory plant breeding (PPB) is aimed at developing varieties adapted to agroecologically-based systems. In PPB, selection is decentralized in the target environments, and relies on collaboration between farmers, farmers' organisations and researchers. By doing so, evaluation of new genotypes takes genotype × environment (G × E) interactions into account to select for specific adaptation. In many cases, there is little overlap among genotypes assessed from farm to farm because the farmers participating in a PPB project choose which ones to assess on their farm. In addition, on-farm trials can often generate more extreme observations than trials carried out on research stations. These features make the estimation of genotype, environment and interaction effects more difficult. This challenge is not unique to PPB, as many breeding programs use sparse testing or incomplete block designs to evaluate more genotypes, however in PPB genotypes are not assigned randomly to environments. To explore methods of overcoming these challenges, this article tests various data analysis scenarios using a Bayesian approach with different models and a real wheat PPB dataset over 11 years. Four morpho-agronomic traits were studied, representing over 1000 G × E combinations from 189 on-farm trials. This dataset was severely unbalanced with more than 90% of G × E combinations missing. We compared various Bayesian Finlay-Wilkinson models and found that placing hierarchical distributions on model parameters and modelling residuals using a Student's t distribution jointly improved the estimates of main effects and interactions. This statistical framework allowed us to estimate two indicators of genotype stability (one static and one dynamic) despite the high disequilibrium of the data. We found differences in mean and stability between genotype categories, with mixtures tending to be more stable. The methods developed could be used for evaluation and/or selection within networks of various stakeholders such as farmers, gardeners, plant breeders or managers of genetic resource centres.
La sélection végétale participative (PPB) vise à développer des variétés adaptées aux systèmes agroécologiques. Dans ce cadre, la sélection est décentralisée dans les environnements cibles et repose sur la collaboration entre les agriculteurs, les organisations paysannes et les chercheurs. Ce faisant, l'évaluation des nouveaux génotypes prend en compte les interactions génotype × environnement (G × E) pour sélectionner les adaptations spécifiques. Dans de nombreux cas, il y a peu de chevauchement entre les génotypes évalués d'une exploitation à l'autre, car les agriculteurs participant à un projet PPB choisissent ceux qu'ils souhaitent évaluer dans leur exploitation. En outre, les essais à la ferme peuvent souvent générer des observations plus extrêmes que les essais réalisés dans les stations de recherche. Ces caractéristiques rendent plus difficile l'estimation des effets du génotype, de l'environnement et de l'interaction. Ce défi n'est pas propre au PPB, car de nombreux programmes de sélection utilisent des essais épars ou des plans en blocs incomplets pour évaluer un plus grand nombre de génotypes, mais dans le PPB, les génotypes ne sont pas assignés aléatoirement aux environnements. Afin d'explorer les méthodes permettant de surmonter ces difficultés, cet article teste divers scénarios d'analyse de données à l'aide d'une approche bayésienne avec différents modèles et un ensemble de données réelles sur la PPB du blé sur une période de 11 ans. Quatre traits morpho-agronomiques ont été étudiés, représentant plus de 1000 combinaisons G × E provenant de 189 essais en ferme. Cet ensemble de données était fortement déséquilibré, plus de 90 % des combinaisons G × E étant manquantes. Nous avons comparé divers modèles bayésiens de Finlay-Wilkinson et constaté que le fait de placer des distributions hiérarchiques sur les paramètres du modèle et de modéliser les résidus à l'aide d'une distribution t de Student améliorait conjointement les estimations des effets principaux et des interactions. Ce cadre statistique nous a permis d'estimer deux indicateurs de la stabilité des génotypes (un statique et un dynamique) malgré le déséquilibre élevé des données. Nous avons constaté des différences de moyenne et de stabilité entre les catégories de génotypes, les mélanges ayant tendance à être plus stables. Les méthodes développées pourraient être utilisées pour l'évaluation et/ou la sélection au sein de réseaux de différents acteurs tels que les agriculteurs, les jardiniers, les sélectionneurs ou les gestionnaires de centres de ressources génétiques.
Origine : Fichiers produits par l'(les) auteur(s)