Académique Documents
Professionnel Documents
Culture Documents
THESE
Titre :
Composantes de la variance phénotypique et de l’interaction
Directeurs de thèse :
Fidèle MIALOUNDAMA, Professeur, Université Marien NGOUABI, Brazzaville
Jean-Marc BOUVET, HDR, Chercheur CIRAD, Montpellier
Encadrant principal :
Philippe VIGNERON, Docteur, Chercheur CIRAD - Directeur du CRDPI, Pointe-Noire
Jury
Martin DIATEWA, Professeur Titulaire CAMES, Université Marien NGOUABI Président
Patrice THIS, Directeur de Recherche INRA, HDR Rapporteur
Joseph GOMA-TCHIMBAKALA, Maître de Conférences, Université Marien NGOUABI Rapporteur
Fidèle MIALOUNDAMA, Professeur titulaire CAMES, Université Marien NGOUABI Examinateur
Philippe VIGNERON, Docteur, Chercheur CIRAD - Directeur du CRDPI Examinateur
Jean-Marc BOUVET, HDR, Chercheur CIRAD Examinateur
i
UNIVERSITE MARIEN NGOUABI
Faculté des Sciences et Techniques
Formation doctorale : Sciences Naturelles et Agronomie
Brazzaville
THESE
Titre :
Composantes de la variance phénotypique et de l’interaction
Directeurs de thèse :
Fidèle MIALOUNDAMA, Professeur Titulaire, Université Marien NGOUABI, Brazzaville
Jean-Marc BOUVET, HDR, Chercheur CIRAD, Montpellier
Encadrant principal :
Philippe VIGNERON, Docteur, Chercheur CIRAD - Directeur du CRDPI, Pointe-Noire
Jury
Martin DIATEWA, Professeur Titulaire CAMES, Université Marien NGOUABI Président
Patrice THIS, Directeur de Recherche, INRA, Montpellier Rapporteur
Joseph GOMA-TCHIMBAKALA, Maître de Conférences, Université Marien NGOUABI Rapporteur
Fidèle MIALOUNDAMA, Professeur Titulaire CAMES, Université Marien NGOUABI Examinateur
Philippe VIGNERON, Docteur, Chercheur CIRAD - Directeur du CRDPI Examinateur
Jean-Marc BOUVET, HDR, Chercheur CIRAD Examinateur
ii
PERSONNEL ENSEIGNANT DE RANG A
PROFESSEURS TITULAIRES
MAITRES DE CONFERENCES
iii
GOMAMANIONGUI Jean Physique des matériaux
ENSEIGNANTS ASSOCIES
ENSEIGNANTS MISSIONAIRES
iv
KWATO NIOCK Moise Professeur de physique, Université de Douala
(Cameroun)
ENSEIGNANTS VACATAIRES
v
En mémoire de :
Emile MAKOUANZI
&
Layila MAKOUANZI
vi
Remerciements
Ah, les pages des remerciements, quel moment émouvant, la fin approche.
En premier lieu, je tiens à remercier mes directeurs de thèse, le Pr. Fidèle MIALOUNDAMA
d’avoir accepté d’encadrer administrativement cette thèse, et le Dr. Jean-Marc BOUVET pour
l’immense investissement dont il a fait preuve dans la réalisation de cette thèse.
Je remercie le Dr. Aubin SAYA, Pr. Daniel EPRON, Mme Nina OGNOUABI et M. Patrick
MISSAMBA-LOLA, d’avoir lu tout ou partie de mon manuscrit.
Je remercie le CRDPI ainsi que les institutions et projets qui ont fortement contribué au
financement de cette thèse : FIS, CIRAD, ATP SEPANG, WUETREE.
Installer le dispositif expérimental de cette thèse a été une lourde et bien pénible tâche. Pour
cela, je ne manquerais pas de dire merci à : Alphonse MATSOUMBOU pour les
pollinisations contrôlées ; David OKOUO pour le suivi durant la phase de germination des
plants ; Aubin SAYA, François MANKESSI et Mélanie TOTO pour les conseils scientifiques
et techniques sur le bouturage hors-sol ; Prudence NDOKI, Ulrich SAYA et Bérenger LIKIBI
pour le suivi des pieds mères, les récoltes des boutures et l’éducation des plants ; Juste
AKANA, Guy KAZOTTI, André MABIALA, Dynagri LOUBELO et les nombreux et
infatigables temporaires pour leur contribution technique dans la mise en place des deux plans
factoriels.
La collecte de données et d’échantillons est l’une des plus importantes étapes de toute étude
d’amélioration génétique. Ainsi, pour la récolte des dizaines de milliers de données de terrain,
le nombre phénoménal des prélèvements et des mesures, je tiens à remercier de façon spéciale
l’équipe fine : Crisley MAYINGUIDI, Célestin KOLI et moi-même. Je remercie
profondément les « guerriers » du terrain comme Parisse BAKALA, Bouvard BOUITI, Oldin
MOUANGA, Ange MFOUTOU, Kelly MBELANI, Patchelly MPASSI, Eric BENAZO,
Alvès BOBOTI.
Merci à Souk MAKOUANZI d’avoir été bien méticuleux dans la saisie des données
d’épaisseur du limbe des feuilles.
J’adresse un immense merci à Borgeon BOUITI pour les milliers de scans des feuilles réalisés
et Pacifique NTADI pour les pesées et le broyage d’un nombre légion d’échantillons.
Toute ma gratitude à Alexia PRADES d’avoir mis à notre disposition le spectro ASD, qui m’a
grandement aidé dans la prise des spectres. Par la même occasion, je remercie beaucoup
vii
Marie France THEVENON et Patrick LANGBOUR pour leur assistance à chaque fois que je
me retrouvais à la maison de la technologie du CIRAD à Montpellier.
Grand merci à Gilles CHAIX d’avoir été mon initiateur en matière de NIRS. Merci d’avoir
été là, même en dehors du NIRS.
Cette thèse m’a demandé une grande application en matière de biostatistique, pour cela je
m’en vais remercier tout particulièrement Marie DENIS pour les formations, l’appui et les
conseils. Merci aussi à Salvador Alejandro GEZAN, Frederick MORTIER, Jean-Marc
BOUVET et Philippe VIGNERON pour leur contribution dans ce sens.
La réalisation de cette thèse n’aurait été possible sans le concours de nombreuses personnes,
celles que je viens déjà de citer et bien d’autres encore, pour les conseils pratiques, les
encouragements, l’assistance multiforme et les services rendus. J’aimerais à cet instant dire
merci à Louis MARESHAL, Méthode NKOUA, Lydie KOUTIKA, Viviane TCHICHELLE,
Roselyne LANNES, Gerda NGANGA, Letizia KULANDAVELU, Sophie NOURISSIER,
François ALLAL, Séraphin DZOMAMBOU, Jean-Claude MAZOUMBOU, Antoine
KINANA, Daniel OSSEBI, Serge MAPANGUI, Maurice KENGA, Hugues GOMAT, Fanny
BIKINDOU, Alphonsine MOUZONSO, Julienne MOUKIMOU, Régis YEMBE-YEMBE,
Sabrina COSTE, Alpiche DIAMESSO, Charles MOUANDA, Gesmia KONDAMAMBOU,
Loubistel MPIKA, Vitel LOUBASSOU, Sylvain NGOYI, Evariste BANGUISSA, André
NZOULOU, Benjamin TCHICAYA, Marien ZASSI, Gilles MIALOUNDAMA, Dorisca
SAMBA, Armel KOUAKOUA.
Je n’oublie pas de remercier les personnes de l’ombre, ceux dont les noms ne figurent pas ici,
mais qui ont contribué d’une façon ou d’une autre à l’accomplissement de ce travail.
Mention spéciale à ma famille pour le soutien sans borne qu’elle a su me donner tout au long
de cette thèse. Je dis merci à Monique SINGANI, Stéphanie MAKOUANZI, Aimée
MAKOUANZI, Carolle MAKOUANZI, Désiré MAKOUANZI, Stevy MAKOUANZI,
Layila MAKOUANZI, Souk MAKOUANZI, Pitchou MILABA, Trésor MORTINIERA,
Colombe BABOMBA, Delgrad MIEGHAKANDA, Gaga MORTINIERA, Gloria
MORTINIERA, Dockas OUAOUADIO, Goldy MAKOUANZI, Juliana OLEA, Junior
OLEA, Davida OLEA, Désiré ISSISSOU.
Je ne saurais clore ce chapitre sans adresser mes remerciements les plus chaleureux à ceux qui
m’ont permis de rester debout jusqu’au jour de la soutenance, j’ai nommé Astrella
LOUKOULA NKOUAKOUA ma fiancée et Chris MAKOUANZI mon fils. Merci d’avoir
partagé avec moi les doutes, les peurs, les moments dépressifs, le quotidien émotionnel, les
surprises, et les joies. Cette thèse est un présent que je vous offre.
viii
Listes des figures
Figure 1 : Répartition des surfaces plantées d’eucalyptus dans le monde (Source : www.git-
forestry.com). ........................................................................................................................................ 8
Figure 2 : Schéma de Sélection Récurrente Réciproque appliqué à l’hybride E. urophylla× E.
grandis (Source : Vigneron, 1991)...................................................................................................... 14
Figure 3 : Performances des familles hybrides UG (gauche) et UP (droite) et de leurs
populations parentales (Source : Vigneron et al., 2006). ............................................................... 15
Figure 4 : Représentation d’un cas d’absence (A) et de présence (B) d’épistasie (Holland,
2001)...................................................................................................................................................... 22
Figure 5 : Divers types d’effets (directs et d’interactions) intervenant dans l’expression
génotypique pour un caractère conditionné par deux gènes en deux zones chromosomiques
(Demarly, 1977). .................................................................................................................................. 24
Figure 6 : Sources de corrélation génétique pour deux traits (Y1 et Y2). ................................... 34
Figure 7 : Facteurs génotypiques et environnementaux intervenant dans la réalisation du
phénotype (White et al., 2007)........................................................................................................... 35
Figure 8 : Différents cas possible de relation entre Génotype et Environnement (Source :
Demarly, 1977). ................................................................................................................................... 37
Figure 9: Schéma et coupe transversale du limbe d’un eucalyptus
(www.enchantedlearning.com). ....................................................................................................... 49
Figure 10 : Localisation de la station de KISSOKO (source : Séraphin DZOMAMBOU,
CRDPI). ................................................................................................................................................ 50
Figure 11 : Pluviométrie de de la zone de Pointe noire correspondant aux périodes 1950 à
2000 (a), 1992 à 2006 (b) ; Source : ASECNA Pointe-Noire. .......................................................... 51
Figure 12 : Différentes étapes conduisant à l’obtention du matériel végétal utilisé. ................ 53
Figure 13 : Jeunes semis de 10 jours (a), Semis en rhizogenèse (b), Vue des plants en aire
d’élevage (c), Parc à pieds mères hors sol (d). ................................................................................ 55
Figure 14 : Débourrement des plants installés en pieds mères (a), Formation de la touffe de
prolifération (b), Pieds mères attaqués par le Leptocibe invasa (c), Pieds mères ayant retrouvés
la bonne morphologie après traitement (d). ................................................................................... 56
Figure 15 : a= Perche télescopique ; b= Vertex III ; c= Transpondeur. ....................................... 62
ix
Figure 16 : Points de prélèvements dans chaque houppier (a) : les 5 points de prélèvements
de chaque houppier sont valables pour la face opposée de l’arbre, on obtient ainsi les 10
feuilles/houppier, Récolte de feuilles à 8 mois (b) et à 18 mois (c). ............................................ 63
Figure 17 : Prise de mesure de l’épaisseur du limbe d’une feuille (le point jaune indique la
zone de prise de mesure). .................................................................................................................. 64
Figure 18 : Image numérique d’un échantillon composé de 10 feuilles. .................................... 64
Figure 19 : Broyeur Moulinex AR100 (a), Poudre de feuilles obtenue après broyage (b),
Stabilisation des échantillons (c), Echantillon stabilisé (d). .......................................................... 66
Figure 20 : Spectromètre ASD Lapspec 500 (a), Prise de spectre (b). .......................................... 66
Figure 21 : Collection spectrale brule (a), Détection des valeurs aberrantes par ACP (distances
de Mahalanobis) (b), Normalisation vectorielle (c), Dérivation seconde (d). ............................ 68
Figure 22 : Evolution de la production des boutures avec l’âge des pieds mères..................... 79
Figure 23 : Distribution des fréquences associées à PROD, CUT et RCUT. ............................... 81
Figure 24 : Corrélations entre les valeurs prédites obtenues avec les 3 approches et le modèle
individuel. ........................................................................................................................................... 90
Figure 25 : Evolution avec l’âge des moyennes par famille de la surface unitaire des feuilles et
de la surface spécifique foliaire dans les densités 833 (a) et 2500 (b) tiges/ha. ......................... 94
Figure 26 : Evolution avec l’âge des moyennes par famille de l’épaisseur du limbe et de la
densité foliaire dans les densités 833 (a) et 2500 (b) tiges/ha. ..................................................... 95
Figure 27 : Evolution avec l’âge des moyennes par famille de la concentration foliaire d’azote
et de la quantité d’azote par unité de surface foliaire dans les densités 833 (a) et 2500 (b)
tiges/ha. ............................................................................................................................................... 96
Figure 28 : Evolution avec l’âge des paramètres génétiques et environnementaux de la
hauteur dans les deux densités de plantation. ............................................................................... 98
Figure 29 : Evolution avec l’âge des paramètres génétiques et environnementaux de la
circonférence dans la densité 833 tiges/ha. .................................................................................... 99
Figure 30 : Corrélations entre BLUPs des familles de demi-frères par les mâles. ................... 117
Figure 31 : Corrélations entre BLUPs des familles de demi-frères par les femelles................ 117
Figure 32 : Corrélations entre BLUPs des familles de pleins-frères. ......................................... 118
Figure 33 : Corrélations entre BLUPs des clones. ........................................................................ 118
x
Liste des tableaux
xi
Tableau 19 : Rapports de variances des traits écophysiologiques. ...................................................... 105
Tableau 20 : Héritabilités, proportions de dominances et d’épistasie des traits
écophysiologiques. ........................................................................................................................... 106
Tableau 21 : Coefficients de variation additive, de dominance, d’épistasie et
environnementaux. .......................................................................................................................... 107
Tableau 22 : Corrélations âge-âge pour les caractères de croissance. ....................................... 108
Tableau 23 : Corrélations âge-âge pour les traits écophysiologiques. ...................................... 109
Tableau 24 : Corrélations génétiques, environnementales et phénotypiques entres les
caractères de croissance. .................................................................................................................. 109
Tableau 25 : Corrélations génétiques, environnementales et phénotypiques entre la surface
spécifiques foliaire et les autres traits écophysiologiques. ......................................................... 111
Tableau 26 : Corrélations génétiques, environnementales et phénotypiques entre la surface
unitaires des feuilles et les autres traits écophysiologiques. ...................................................... 111
Tableau 27 : Corrélations génétiques, environnementales et phénotypiques entre l’épaisseur
du limbe des feuilles et les autres traits écophysiologiques. ...................................................... 112
Tableau 28 : Corrélations génétiques, environnementales et phénotypiques entre la densité
foliaire et la teneur foliaire en azote.............................................................................................. 112
Tableau 29 : Corrélations génétiques, environnementales et phénotypiques entre la
concentration foliaire en azote et la quantité d’azote par unité de surface foliaire. ............... 113
Tableau 30 : Corrélations génétiques, environnementales et phénotypiques entre la hauteur
et les traits écophysiologiques, à 8 mois........................................................................................ 114
Tableau 31 : Corrélations génétiques, environnementales et phénotypiques entre la
croissance et les traits écophysiologiques, à 18 mois................................................................... 114
Tableau 32 : Composantes de l’interaction G×E des variables Hauteur et Circonférence. .... 115
Tableau 33 : Composantes de l’interaction G×E des variables SLA et Suf. .............................. 115
Tableau 34 : Composantes de l’interaction G×E des variables LT et LD. ................................. 116
Tableau 35 : Composantes de l’interaction G×E des variables N et Na. .................................. 116
Tableau 36 : Corrélations site-site pour l’ensemble des variables étudiées. ............................ 119
xii
Résumé
Les prévisions montrent que l’Afrique sera le continent le plus affecté par les changements
climatiques, et il y a un risque de dépassement de la capacité adaptative de beaucoup
d’écosystèmes forestiers pour l’approvisionnement en biens et services. L’augmentation de la
production de biomasse ligno-cellulosique des Eucalyptus au Congo reste strictement limitée
par les contraintes du milieu, notamment la fertilité générale.
Dans ce contexte de production plus ou moins contraint, et de celui des changements globaux
du climat, l’objectif est de sélectionner des génotypes efficients pour l’utilisation de
ressources. Un test multisite de descendances pleins frères (69 familles et plus de 1400
clones) d’Eucalyptus urophylla × Eucalyptus grandis, avec des copies végétatives de chacun
des individus est utilisé pour : (i) décomposer les composantes causales de la variance
génétique avec prise en compte de l’épistasie et aussi décomposer les composantes de
l’interaction G×E, (ii) estimer les corrélations génétiques et environnementales entre
croissance et traits écophysiologiques dans deux environnements bien contrastés. La
contribution de chacune des composantes a été calculée après avoir estimé les variances
additive et non additive pour l’ensemble des caractères étudiés.
Différents cas ont été trouvés concernant l’importance de la variance d’épistasie dans la
variabilité génétique. Une discussion sur l’interprétation biologique des estimations trouvées
s’en est suivie.
xiii
Abstract
The forecasts predict that Africa will be most impacted by climate changes and there is a
significant risk of exceeding the adaptive capacity of many forest ecosystems for the supply
of vital goods and services. In Congo, the eucalypts biomass production remains strictly
limited by environment constraints, such as the general fertility of the sites. In this constrained
production context, the objective is to select more efficient genotypes about use of the
resources. A clonally replicated progeny test engaging 69 full-sibs families and more than
1400 clones of Eucalyptus urophylla×Eucalyptus grandis reproduced by vegetative
propagation is installed according to two contrasted plantation densities generating a strong
genotype-by-environment interaction. Aims of this study are to: (i) evaluate the relative parts
of additivity, dominance and epistasis, and their effects on genotype-by-environment
interaction, (ii) estimates genetic and environmental correlations between growth and
functional traits in two contrasted environments. The relative contribution of each component
was calculated after considered the additive and non-additive variances for the whole studied
traits.
The results showed different situations about the importance of epistatic variance in genetic
variability. A discussion about biologic interpretation of the found estimations was done.
The structural and functional leaf study allowed highlighting the strategies and trade off
realized by genotypes in constraints environmental.
xiv
Table des matières
INTRODUCTION GENERALE........................................................................................................ 1
Contexte et justification de l’étude................................................................................................. 2
Hypothèses de travail et Questions de recherche ........................................................................ 4
Objectifs ............................................................................................................................................. 6
Chapitre I : ETUDE BIBLIOGRAPHIQUE ..................................................................................... 7
1-1- Genre Eucalyptus ................................................................................................................. 7
1-1-1- Description ......................................................................................................................... 7
1-1-2- Répartition .......................................................................................................................... 7
1-1-3- Culture ................................................................................................................................ 8
1-1-4- Utilisation ........................................................................................................................... 9
1-2- Amélioration génétique de l’eucalyptus au Congo ........................................................... 10
1-2-1 – Introductions d’espèces et leur adaptation au Congo .............................................. 10
1-2-2 – Hybrides interspécifiques ............................................................................................. 12
1-2-3- Amélioration des hybrides interspécifiques du Congo ............................................. 13
1-2-4- Bilan du premier cycle du schéma de la SRR .............................................................. 16
1-2-5- Evolution de la SRR et perspectives ............................................................................. 17
1-3- Paramètres génétiques et environnementaux en amélioration ........................................ 19
1-3-1-Variabilité génétique ........................................................................................................ 19
1-3-2- Partition de la variance phénotypique ......................................................................... 20
1-3-3- Importance et estimation de l’héritabilité en génétique forestière ........................... 31
1-3-4- Corrélations ...................................................................................................................... 32
1-4- Interaction Génotype × Environnement .............................................................................. 35
1-4-1- Définition du concept...................................................................................................... 35
1-4-2- Causes de l’interaction G×E ........................................................................................... 36
1-4-3- Importance de l’interaction G×E ................................................................................... 38
1-4-4- Partition de l’interaction G×E: cas d’un test de descendances clonées .................... 39
1-4-5- Comment quantifier l’interaction G×E? ...................................................................... 41
1-4-5-1- Approche statistique .................................................................................................... 41
1-4-5-2- Corrélations génétiques inter-sites ............................................................................ 41
1-5- Modèle linéaire mixte et amélioration des plantes ............................................................ 43
1-5-1- Définition .......................................................................................................................... 43
1-5-2- Formulation ...................................................................................................................... 44
xv
1-5-3- Estimation des paramètres dans le modèle linéaire mixte ........................................ 44
1-6- Intérêts des caractères étudiés............................................................................................... 46
1-6-1- Aptitude au bouturage ................................................................................................... 46
1-6-2- Croissance ......................................................................................................................... 47
1-6-3- Traits écophysiologiques ................................................................................................ 48
Chapitre II : Matériel et Méthodes ................................................................................................. 50
2-1- Présentation de la zone d'étude ............................................................................................ 50
2-1-1- Localisation....................................................................................................................... 50
2-1-2- Climat ................................................................................................................................ 51
2-1-3- Sols ..................................................................................................................................... 52
2-1-4- Végétation ......................................................................................................................... 52
2-2- Matériel végétal ....................................................................................................................... 52
2-3- Obtention du matériel végétal .............................................................................................. 52
2-3-1- Hybridation contrôlée ..................................................................................................... 53
2-3-2- Multiplication végétative par bouturage ..................................................................... 54
2-4- Dispositifs expérimentaux ..................................................................................................... 57
2-4-1- Dispositif de pépinière (expérimentation 1) ................................................................ 57
2-4-2- Dispositif de terrain (expérimentations 2 et 3) ............................................................ 57
2-5-Caractères étudiés, mesures effectuées et échantillonnage ............................................... 60
2-5-1- Aptitude au bouturage ................................................................................................... 60
2-5-2- Caractères de croissance ................................................................................................ 61
2-5-3- Caractères écophysiologiques....................................................................................... 62
2-6- Analyses des données ............................................................................................................ 69
2-6-1- Aptitude au bouturage ................................................................................................... 69
2-6-2- Croissance et traits écophysiologiques ........................................................................ 73
Chapitre III : RESULTATS .............................................................................................................. 79
3-1- Estimation des effets additifs et de dominance des gènes pour l’aptitude au bouturage
des Eucalyptus - Influence de la modélisation sur le gain génétique .................................... 79
3-1-1- Evolution de l’aptitude au bouturage avec l’âge ................................................................ 79
3-1-2- Composantes de la variance et leur ratio ..................................................................... 81
3-1-3- Corrélations entre caractères.......................................................................................... 85
3-1-4- Impact de la modélisation et de la transformation de variable sur la précision de
sélection ....................................................................................................................................... 87
xvi
3-2- Analyse des composantes de la variance phénotypique dans une population d’hybride
E.urophylla×E.grandis ...................................................................................................................... 91
3-2-1- Analyse de la mortalité ................................................................................................... 91
3-2-2- Statistiques descriptives et évolution avec l’âge ......................................................... 91
3-2-3- Composantes de la variance et leur ratio ..................................................................... 97
3-2-4- Relations entre caractères ............................................................................................. 108
3-3- Interaction Génotype × Environnement ............................................................................ 115
3-3-1- Composantes de l’interaction G×E ............................................................................. 115
3-3-2- Corrélations site-site entre BLUPS .............................................................................. 117
Chapitre IV : DISCUSSION .......................................................................................................... 120
4-1- Estimation des effets additifs et de dominance des gènes sur l’aptitude au bouturage
des Eucalyptus - Influence de la modélisation sur le gain génétique ................................... 120
4-1-1- Evolution de l’aptitude au bouturage avec l’âge ...................................................... 120
4-1-2- Effet de la transformation de variable sur l’estimation des composantes de la
variance, héritabilité et précision de sélection ...................................................................... 121
4-1-3- Effet de la modélisation sur l’estimation des composantes de la variance,
l’héritabilité et la précision de sélection ................................................................................ 122
4-1-4- Variabilité de l’aptitude à la propagation végétative ............................................... 123
4-1-5- Contribution des effets additifs et non additifs ........................................................ 123
4-1-6- Héritabilité ...................................................................................................................... 123
4-1-7- Corrélation entre caractères ......................................................................................... 124
4-1-8- Conclusion: Implications pour le programme d’amélioration ............................... 124
4-2- Composantes de la variance génétique et environnementale de la croissance et des
traits écophysiologiques dans une population d’E.urophylla×E.grandis ............................... 125
4-2-1- Mortalité.......................................................................................................................... 125
4-2-2-Dispositif et modèle d’analyse..................................................................................... 126
4-2-3- Variabilité des caractères .............................................................................................. 127
4-2-4- Evolution avec l’âge et contribution des composantes de la variance ................... 129
4-2-5- Ratios ............................................................................................................................... 134
4-2-6- Coefficients de variation ............................................................................................... 135
4-2-7- Relations entre caractères ............................................................................................. 136
4-2-8- Conclusion : Implications pour le programme d’amélioration .............................. 139
4-3- Interaction G×E ..................................................................................................................... 140
4-3-1- Interaction Parents × environnement, Descendances × environnement ............... 140
4-3-2- Evolution de l’interaction G×E .................................................................................... 140
xvii
4-3-3- Importance de l’interaction G×E en fonction des caractères ................................... 140
4-3-4- Effet de la structure génotypique sur l’interaction G×E .......................................... 141
4-3-5- Partition de l’interaction G×E ...................................................................................... 142
4-3-6- Conclusion : Implications pour le programme d’amélioration .............................. 142
4-4- Discussion générale .............................................................................................................. 143
4-4-1- Composantes de la variance ........................................................................................ 143
4-4-2- Interaction G×E .............................................................................................................. 146
Conclusion générale et perspectives ............................................................................................ 147
Références bibliographiques ........................................................................................................ 150
ANNEXES ......................................................................................................................................... 187
Annexe 1 : Protocole de l’hybridation contrôlée ...................................................................... 187
Annexe 2 : Plan de l’expérimentation 1 (pépinière) ................................................................ 193
Annexe 3 : Localisation des essais R11-01 et R12-01 sur un plan de masse du plateau CTFT
de KISSOKO .................................................................................................................................. 194
Annexe 4 : Plan de la R11-01 ....................................................................................................... 195
Annexe 5: Plan de la R12-01 ........................................................................................................ 196
Annexe 6 : La Spectroscopie Proche Infra Rouge .................................................................... 197
Annexe 7 : Distributions des fréquences des différents caractères ....................................... 204
Annexe 8 : Relations phénotypiques entres caractères ........................................................... 208
Annexe 9 : Publications ............................................................................................................... 217
xviii
INTRODUCTION GENERALE
Les premiers travaux de génétique quantitative ont été formulés en termes de variation de
caractère (Falconer, 1974). L’idée de base étant la partition de cette variation en composantes
attribuables chacune à une cause différente (Fisher, 1918). L’importance des composantes de
la variance génétique dans la variation des caractères quantitatifs chez les arbres forestier a été
abondamment étudiée (Matheson et Lindgren 1985 ; Mäki-Tanila et Kennedy 1986 ;
Stocnecypher et Mc Cullough, 1986 ; Foster et Shaw, 1988 ; Van der Werf et de Boer 1989;
Shelbourne 1991 ; Borralho 1994; Lynch et Walsh, 1998 ; Rosvall et al., 1998 ; Lu et al.,
1999 ; Barton et Keighjtley, 2002). Cependant l’une des composantes, la composante
épistatique, celle qui traduit les interactions interloci, reste un sujet d’investigations actives du
fait de la complexité de son estimation. Cette thèse va ainsi s’intéresser dans un premier
temps à l’étude de l’ensemble des composantes causales de la variation génétique dans une
population d’eucalyptus hybrides interspécifiques. Elle s’inscrit dans une dynamique de
continuité et d’optimisation des multiples travaux menés dans le cadre du programme
d’amélioration génétique de l’eucalyptus au Congo. Dans un contexte de changements
globaux de l’environnement, cette thèse s’intéresse également à l’adaptation variétale de cette
population hybride, à travers l’étude de l’interaction génotype × environnement, ainsi qu’à sa
décomposition en composantes causales.
Les connaissances générées par cette étude contribueront à l’orientation d’une sélection
optimale à appliquer aux eucalyptus du Congo, pour diverses finalités, dont papetière.
1
Contexte et justification de l’étude
La croissance démographique mondiale et l’amélioration du niveau de vie dans certaines
régions du globe sont à l’origine d’une augmentation de la consommation du bois pour
diverses raisons (bois énergie, bois d’œuvre, bois de service, bois de trituration, extraction des
huiles essentielles…) (F.A.O, 2014). L’augmentation des besoins en bois entraîne
naturellement celle de son approvisionnement en quantité suffisante et de qualité satisfaisante
en fonction de l’usage. L’exploitation forestière, la conversion en terres agricoles, les
défrichements liés aux migrations de populations affectent négativement les forêts naturelles.
La déforestation est en partie compensée par le reboisement, qui d’une façon générale se fait
sous trois formes (F.A.O, 2001) : - le reboisement classique effectué d’une façon plus ou
moins extensive, orienté vers la production de bois d’œuvre et visant à soutenir à long terme
la production des forêts naturelles ; - la foresterie communautaire (mises en place de petites
plantations paysannes souvent à usage multiple) ou la mise en place des petites plantations
privées ; - les plantations forestières à caractère industriel.
Dans le cadre du développement des plantations forestières à caractère industriel, des plans
d’amélioration ont été déployés pour générer de plus en plus de gains sur la biomasse ligno-
cellulosique et par voie de conséquence générer plus de profit. Pour l’ensemble mondial, les
plantations forestières couvrent environ 2/3 des surfaces plantées (F.A.O, 2001). En zone
tropicale (10,6 millions d’ha) et subtropicale (5 millions d’ha) et certaines zones tempérées
(3,5 millions d’ha), le genre Eucalyptus se distingue par son importance dans les reboisements
(Bouvet, 1998). Ce genre est devenu l’espèce feuillue la plus plantée au monde (Vigneron et
Bouvet, 1997). Les eucalyptus sont très appréciés des populations rurales pour le bois énergie
et de service, ils intéressent les papetiers à cause de sa fibre, reconnue comme le standard
international de la fibre courte (Martin, 2003).
Cependant, les changements globaux du climat sont susceptibles de menacer la durabilité des
plantations forestières. Le changement climatique constitue d’ores et déjà une pression de
sélection avec des intensités qui restent jusqu’à ce jour imprévisibles. En plus, cette pression
s’exerce sur des populations d’arbres forestiers dont la diversité génétique des caractères
adaptatifs reste insuffisamment connue.
Derrière l’expression « diversité génétique » se profile l’hypothèse qu’à une grande diversité
correspond un potentiel d’adaptation élevé (Kremer, 2000). Il est reconnu dans le monde du
vivant que, les arbres forestiers sont parmi les espèces jouissant de la diversité génétique la
2
plus élevée. Une partie non négligeable de cette diversité est constituée par les gènes délétères
constituant le fardeau génétique (Savolainen, 1994). En contrepartie, on peut espérer que cette
diversité renferme aussi une proportion non négligeable d’éléments d’intérêt pour la survie et
l’adaptation des espèces (Kremer, 2000). La diversité génétique au sein et parmi les
peuplements est le pivot, à la fois du développement actuel et futur de la foresterie.
L’impact possible des changements climatiques sur la diversité génétique et sur le potentiel
adaptatif des espèces est une question actuellement posée. Les données expérimentales pour
pouvoir répondre à cette question manquent à l’état actuel. Des études sur l’importance des
interactions génotype × environnement sont d’un excellent apport pour faire le lien entre la
composition génotypique et le potentiel d’adaptation variétale. En résumé, face aux
changements globaux du climat, il est nécessaire d’adapter les espèces aux nouveaux
environnements et de comprendre les processus biologiques qui favorisent cette adaptation.
Comme toutes les espèces forestières de plantations, les eucalyptus au Congo sont soumis à
de fortes variations spatiales et temporelles de l’environnement, sources d’interactions
génotype × environnement. Les modèles de génétique quantitative permettent d’en rendre
compte et de quantifier le phénomène si toutefois les différentes composantes de la variance
génétique sont proprement estimées. L'importance des interactions génotype × environnement
dépend de la partition de la variance génétique totale entre composantes intra et inter
populations et ainsi de la structure génotypique de la variété (familles de pleins frères,
familles de demi-frères, clones).
Pour des caractères très intégrateurs tels que la production de biomasse ligneuse, la plasticité
variétale, et donc l’interaction génotype × environnement (G×E), dépend, outre de la variance
3
génétique intra, de la stratégie d’évitement des contraintes environnementales développée par
chaque génotype (balance entre différents caractères écophysiologiques).
Le choix d’un type variétal et de ses caractéristiques écophysiologiques est donc un processus
éminemment complexe nécessitant une connaissance précise de l’importance relative des
composantes génétiques et environnementales i) de la variance phénotypique, ii) des
corrélations entre caractères, iii) de l’interaction G×E et de leur évolution saisonnière et au
cours de la croissance.
Cette étude constitue une innovation en matière d’amélioration génétique des espèces
forestières, du fait que la variabilité génétique des attributs écophysiologiques n’a jamais été
étudiée à cette échelle et à partir d’un dispositif permettant une décomposition de la variance
génétique en ces trois composantes causales.
Ce travail rentre pleinement dans les orientations des grands axes de recherche en foresterie
sur les normes de réaction et interaction G×E, et se place à l’interface entre Ecologie
fonctionnelle et Génétique. Il fournira des données originales qui permettront d’améliorer la
généricité des modèles écophysiologiques des peuplements forestiers développés au Congo.
Hypothèse 1
4
(individus issus de graines qui ensuite, par clonage, donne de nouveaux individus
génétiquement identiques). L’estimation des effets séparés de D et I peut être importante dans
le cas où A ne représente qu’une partie des effets génétiques totaux, ce qui est le cas dans
nombre de tests de descendances mis en place au Congo.
Pour les caractères de croissance, il a été établi l’existence d’une relation pléiotropique entre
la hauteur et la circonférence. La pléiotropie est la propriété d’un gène d’affecter deux
caractères ou davantage, de sorte que si ce gène est soumis à ségrégation, causera des
variations simultanées dans les caractères qu'il influence (Falconer, 1974) Ce phénomène de
pléiotropie offre des opportunités d’existence d’interactions entre gènes à travers la
redondance fonctionnelle (de Visser et al., 2011 ; Lehner, 2011). Il faille vérifier cet à priori
dans le cadre des hybrides d’eucalyptus du Congo
Question de recherche 1
Sachant que la composante épistatique de la variance génétique joue un rôle central dans
l’évolution, la spéciation, l’hétérosis, le polymorphisme et la régulation des caractères
complexes (Gallais, 2009), qu’elle contribue à la valeur génétique additive des caractères
quantitatifs, leur variance et à la réponse à la sélection (Cheverud et Routman, 1995, Holland,
2001) ; quelle est donc sa part de contribution dans la variation de certains caractères chez
Eucalyptus urophylla × Eucalyptus grandis du Congo?
Hypothèse 2
5
Pour les caractères complexes, l’interaction G×E ne dépend pas seulement de la variance intra
population, mais aussi des stratégies d’évitement des contraintes environnementales
développée par chaque génotype. Les traits fonctionnels permettent de se rendre compte de
ces stratégies.
Question de recherche 2
Les perturbations générées par les interactions G×E conduisent à se poser cette question :
L’amélioration obtenue pour les eucalyptus hybrides du Congo dans un certain milieu
peut-elle être conservée, si les conditions environnementales venaient à changer ?
Le changement des conditions environnementales dans le cadre de cette étude est mimé par le
changement de la densité de plantation, créant une situation de compétition accrue pour
l’accès à la ressource hydrique et minérale.
Objectifs
L’objectif principal de ce travail est d’optimiser le schéma d’amélioration génétique de
l’Eucalyptus urophylla × Eucalyptus grandis.
6
Chapitre I : ETUDE BIBLIOGRAPHIQUE
Le feuillage de l’eucalyptus diffère suivant l’âge de la plante. Toutes les espèces ont une
floraison abondante au bout de 4-8 ans après le semis. Le fruit de l’eucalyptus est une capsule.
Le système de reproduction de l’eucalyptus est l’allogamie, mais on peut retrouver des cas
d’autofécondation au sein des populations. Généralement, chez les eucalyptus, les polliniseurs
ne sont pas sélectifs, plusieurs espèces jouent ce rôle telles que les insectes, les oiseaux, les
mammifères. Comme facteur mécanique, le vent est l’un des mécanismes de la pollinisation
chez les eucalyptus.
1-1-2- Répartition
Le genre Eucalyptus laisse une forte impression du fait de la très forte expansion de son
utilisation en plantations forestières, et aussi de l’assaut des terres incultes qu’il réalise à
certain endroit du globe. Ce genre s’est étendu et s’est adapté en dehors de son aire d’origine.
Les surfaces plantées d’eucalyptus dans le monde atteignent déjà près de 20 millions d'ha
(GIT, 2009), dans près de 90 pays (figure 1) dont plus de la moitié (10,6 millions d'ha) est
située en zone tropicale, un quart (5 millions d'ha) en zone subtropicale et le reste (3,5
millions d'ha) en zone tempérée (Espagne, Portugal et Chili).
7
Figure 1 : Répartition des surfaces plantées d’eucalyptus dans le monde (Source : www.git-forestry.com).
1-1-3- Culture
Les eucalyptus, du moins pour les espèces cultivées, sont considérés comme des essences très
plastiques, à croissance rapide et peu exigeantes vis-à-vis du milieu. Les eucalyptus croissent
bien à peu près sur tout type de sol, ils peuvent tolérer des sols sableux et même modérément
salins, cependant ils ne tolèrent pas les sols asphyxiants. La disponibilité en eau est un facteur
très important mais non-limitant car la plante peut réguler sa consommation en eau.
La plupart des eucalyptus ne supportent pas le gel ou seulement de faibles gelées (de -3 °C à -
5 °C). Le gommier des neiges ou Eucalyptus pauciflora est cependant capable de résister au
gel jusqu'à -20 °C environ.
Le plus souvent les espèces d’eucalyptus rejettent après coupe, et les plantations peuvent être
conduites en taillis sur un certain nombre de rotations.
8
Les plantations d’eucalyptus au Congo ont été installées sur des terres (savanes côtières)
réputées les plus pauvres chimiquement et peu propices à l’agriculture (Nzila, 1996a,b).
- une grande pauvreté chimique des sols conduisant au choix d’espèces extrêmement
frugales ;
- une saison des pluies caractéristique du climat tropical humide permettant le
développement de nombreux pathogènes, essentiellement des insectes (Leptocybe
invasa, Helopeltis schoutedeni) et champignons foliaires, vis à vis desquels très peu
d’espèces sont tolérantes ;
- une pluviométrie annuelle d’une forte variabilité (500 à 2000 mm) ;
- de fortes pluies, souvent entre 50 et 100 mm, occasionnant une perte importante d'eau
par drainage profond et une disponibilité en eau de l'ordre de 800 à 850 mm pour une
pluviométrie moyenne d'environ 1200 mm ;
- une saison sèche longue pour la latitude considérée, limitant ou empêchant la
croissance de nombreuses espèces de zones subtropicales sur des sols à faible capacité
de réserve en eau.
1-1-4- Utilisation
Dans son aire d’origine, l’Australie, l'eucalyptus fournit la nourriture exclusive au koala.
Source majeure de bois d’œuvre en Australie depuis l’installation européenne, il est utilisé
depuis plusieurs décennies, notamment pour : la papeterie, le bois énergie, le bois de service,
les poteaux et perches. Pour certaines espèces comme l’E. citriodora, on y extrait de l’huile
essentielle des feuilles.
Dans le cas du Congo, les plantations d’eucalyptus sont utilisées essentiellement à des fins
papetières. Le nombre d’espèces adaptées reste très limité, les plantations industrielles sont
constituées de clones dérivant de l’hybridation interspécifique.
9
1-2- Amélioration génétique de l’eucalyptus au Congo
1-2-1 – Introductions d’espèces et leur adaptation au Congo
Au cours des années 1950, en vue d'assurer le ravitaillement de la ville de Pointe-Noire en
charbon de bois et en bois de chauffe, et de fournir de l'énergie au Chemin de Fer Congo-
Océan, des essais de plantation ont été réalisés. Une soixantaine d’espèces d'eucalyptus
appartenant à divers sous-genre et d’origines géographiques très diversifiées ont été
introduites au Congo (tableau 1). Ce matériel végétal a été mis en place pour l'essentiel dans
deux zones géographiques différentes, Pointe-Noire (savane côtière) et Loudima (savane
centrale). Très peu d’espèces se sont acclimatées aux conditions écologiques locales du sud
Congo. Seules E. urophylla et, mais dans une moindre mesure, E. pellita et E. alba (cette
dernière avec une très faible croissance), présentent une survie suffisante pour envisager une
plantation de production. Les espèces de zone tempérée (telle E. globulus), subtropicale (E.
grandis, E. tereticornis) ou tropicale sèche (E. camaldulensis) ou humide (E. deglupta, E.
torelliana) sont totalement inadaptées ou de trop faible croissance.
Les espèces introduites les mieux adaptées aux conditions écologiques du Congo ont une
productivité faible d’environ 7 à 10 m3/ha/an.
10
Tableau 1 : Classification (selon Brooker, 2000) des espèces d’Eucalyptus introduites au Congo (source :
Vigneron, communication personnelle).
sous genre section sous section serie sous série espèce
Corymbia Septentrionales Alatae Dorsiventrales hendersonii, polycarpa
Isobilaterales Peltiformes nesophila
Terminalipterae ferruginea
Apterae Torellianae torelliana
Maculatae citrodora, maculata
Blakella Extensae tesselaris, papuana
Eudesmia Reticulatae Miniatae Inclinatae miniata
Symphyomyrtus Latoangulatae Transversae deanei, grandis, saligna
Annulares urophylla, pellita, resinifera
robusta, botryoides, kirtoniana (1)
Lepidotae-Fimbriatae propinqua, canaliculata
punctata, longirostrata
Exsertaria Erythroxylon tereticornis
Rostratae camaldulensis
Singulares rudis
Phaeoxylon brassiana, exserta
Subexsertae Applanatea alba, bigalerita, platyphylla
houseana, apodophylla
Bisectae Destitutae Squamosae pachycalyx
Maidenaria Euryotae Globulares Euglobulares maidenii, globulus
Viminales Lanceolatae viminalis
Adnataria Apicales Aquilonares Fortes oligantha, leptophleba
Protrusae microtheca
Buxeales Amissae normantonensis
Continentes moluccana
Coalitae thozetiana
Submelliodorae argophloia
Siderophloiae Subglaucae cullenii, crebra, drepanophylla (2)
Jugatae melanophloia
Terminales Rhodoxylon Discolores paniculata
Melliodorae Solidae sideroxylon
Minutifructus Domesticae raveretiana
Equatoria deglupta
Alveolata microcorys
Idiogenes cloeziana
Eucalyptus Amentum acmenoides, umbra
Pseudophloius pilularis
Capillulus Pachyphloius phaeotricha (close eugenoides)
Eucalyptus Regnantes regnans
Cineracae Psathyroxylon Considenianae andrewsii
(1) = robusta x tereticornis selon Pryor et Johnson, 1971
(2) in(1) = and
Pryor Robusta×Tereticornis
Johnson,1971 selon Pryor et Johnson, 1971.
(2) dans Pryor et Johnson, 1971.
11
1-2-2 – Hybrides interspécifiques
Alors qu’ils sont souvent contre-sélectionnés dans les aires naturelles et de ce fait assez rares,
les hybrides interspécifiques sont par contre très fréquents dans les aires artificielles. En tant
qu’exotique, le genre Eucalyptus fabrique des hybrides interspécifiques d’autant plus
fréquents et vigoureux que les milieux utilisés s’écartent davantage de celui des aires
naturelles des espèces pures (Martin, 2003). L’hybridation peut faciliter la conquête de
nouveaux milieux grâce aux phénotypes extrêmes des hybrides (Rieseberg et al., 1999) et
pourrait alors favoriser la spéciation écologique (Rieseberg et Willis, 2007; Ma et al., 2010).
Les descendances hybrides peuvent être très homogènes ou au contraire très hétérogènes. Le
transfert de certains gènes d’une espèce à l’autre par hybridation, connue sous le nom
« d’introgression », dépend de la compatibilité des allèles entre espèces (Anderson et
Hubricht, 1938). En effet, certaines associations rendent des hydrides stériles ou létaux
(Brideau et al., 2006). L'hétérosis de la population par contre peut être très élevé ou au
contraire concentré sur quelques individus seulement. Dans ce cas, seule la voie végétative est
efficace pour un usage en plantation forestière.
Au Congo, le développement des plantations industrielles a été envisagé avec la découverte
fortuite dans les collections d’espèces pures, de deux hybrides naturels parfaitement adaptés
mais d’origine partiellement connue : Eucalyptus PF1 (E. alba×?) et E.12ABL×E.saligna
(Delwaulle, 1985). Les tentatives visant de reproduire ces hybrides naturels par voie sexuée se
sont révélées infructueuses. En 1969, la recherche s’orienta vers la multiplication végétative
par bouturage et parvint à multiplier les individus sélectionnés de ces hybrides.
12
regroupe ainsi les caractères désirables des deux espèces parentales: adaptation, résistance aux
divers champignons foliaires d'E. urophylla, croissance rapide, facilité de bouturage et bonne
qualité papetière d'E. grandis. Les premiers clones sélectionnés dans ces formules hybrides
ont présenté pour certains des performances (plus de 25 m3/ha/an) excédant largement celles
des hybrides naturels E. PF1 et E. 12ABL × E. saligna (Delwaulle, 1981).
Tableau 2 : Familles hybrides testées entre 1978 et 2004 (Source : Vigneron, Communication personnelle).
mères pères gr pel pun res rob sal uro alb bra ter Hbr uxa uxg uxp txg Hal
grandis (gr) 20 3
pellita (pel)
Latoangulatae
15 9
punctata (pun)
resinifera (res) 3 6 6
robusta (rob)
saligna (sal) 2 8 7 11 1 8 1 1
urophylla (uro) 701 274 5 32 13 19 58 6 20 2 2 3 5
alba (alb) 11 3 5 16 2 1 2 3
Exser
taria
brassiana (bra)
tereticornis (ter) 23 3 3 3 2 10 5
hyb. Brasil (Hbr) 1
uro x alba (uxa)
hybrids
13
intraspécifique et les performances en descendances hybrides (GHA) est faible. Bien
évidemment, si l'AGC ne permet pas de prédire la GHA, la sélection sur descendances
hybrides devient nécessaire pour optimiser le gain génétique. En l'absence de donnée lors de
la mise en place du schéma de sélection, les hypothèses suivantes ont été avancées: i) les
populations naturelles peuvent souffrir d'inbreeding et la valeur individuelle ne représente pas
la valeur en croisement, ii) la sensibilité aux pathogènes, et ceci est particulièrement vrai pour
E. grandis, cache les véritables potentialités de croissance, iii) le schéma est suffisamment
souple pour être réadapté aux résultats du premier cycle.
Les résultats des tests de descendances hybrides sont utilisés pour la sélection des parents
(backward selection sur GHA) ainsi que pour celle des ortets appelée « forward selection ».
Les différentes composantes génétiques (additive femelle et mâle, dominance) et leurs
14
variances permettent de construire un index pour la sélection des ortets sur le volume à 3 ans.
Cette première sélection est suivie d'une mise au point de terrain permettant la prise en
compte de l'environnement immédiat (présence ou non de voisins) et des caractéristiques
qualitatives telles que la forme, l’état sanitaire, l’absence de défaut. Environ 1,5 % des
individus sont sélectionnés puis multipliés pour être évalués en test clonal.
Les performances des familles hybrides de première génération, tant en hauteur qu’en surface
terrière à l’hectare, excédent celles des espèces pures. La figure 3 présente les performances
de ces familles hybrides à 5 ans. Certaines familles U×G présentent des croissances de plus de
50 % supérieures (en m3/ha/an) aux meilleures familles d’E. urophylla.
20 20
hauteur moyenne m
15 E.urophylla 15 E.urophylla
E.grandis E.pellita
10 10
familles famillles
5 UxG UxP
5
0
0
0 5 10 15
0 5 10 15
sth m²/ha sth m ²/ha
A ce jour, plus de 1300 ortets U×G et 200 ortets U×P ont été créés et retenus pour être
multipliés puis comparés en test clonal.
15
1-2-4- Bilan du premier cycle du schéma de la SRR
Les premiers croisements contrôlés sans schéma de sélection précis ont conduit à une
performance moyenne de 20 m3/ha/ha (et jusqu’à 30 m3/ha/an pour les meilleurs clones) des
génotypes E. urophylla × E. grandis. Avec l’application de la SRR, les performances ont
augmenté à 25 m3/ha/an en moyenne (et jusqu’à 40 m3/ha/an pour les meilleurs clones).
Le bilan du premier cycle de la SRR, dressé au bout de quinze années de travail comporte des
aspects largement positifs, mais révèle de très fortes contraintes liées au schéma lui-même.
Parmi les points positifs, on cite :
- une large diversité génétique à la base de la création variétale assurant un fort potentiel
d’adaptation de la population d’amélioration aux demandes de l’industriel ;
- un contrôle additif suffisant des caractères sous sélection permettant d’envisager de
nouveaux et importants gains génétiques en seconde génération ;
- des dispositifs de terrain bien établis conduisant à de fortes héritabilités familiales et
clonales ;
- une grande diversité des clones en tests (plus de 1000 clones en test) ;
- un important gain génétique réalisé avec les hybrides U×G : ces nouveaux clones
produisent en moyenne 55 % de plus que les PF1, les meilleurs clones permettant un
doublement de la production par rapport aux meilleurs hybrides naturels (Bouvet,
1998 ; Vigneron et al., 2006).
- la gestion difficile des parcs de géniteurs dont les candidats sont multipliés par
greffage afin de faciliter l’accès aux fleurs, les greffes étant ensuite installées au
champ (mobilisation des géniteurs) et conduites en palissage ; outre un taux de
réussite au greffage moyen, la conduite du verger et son entretien sont coûteux ;
- la floraison tardive et aléatoire de la plupart des géniteurs rend irréaliste une
planification à long terme du travail d’hybridation contrôlée. On peut cependant
penser que ce problème devrait partiellement s’estomper en seconde génération en
raison de la sélection réalisée sur l’abondance de la floraison ;
- un très fort taux de coulure des fleurs d’E. grandis rend illusoire pour cette espèce la
recombinaison intra spécifique en pollinisation contrôlée (et donc une réduction du
gain génétique attendu) ;
16
- la nécessité d’avoir deux générations pour accomplir un cycle réduisant ainsi
fortement le gain génétique par unité de temps.
17
descendances E. urophylla × E. grandis est la sélection d’ortets, la mise en place
d’importants plans de croisements combinant sélection parentale et création variétale
demeure un moyen efficace.
(4) La combinaison inter spécifique des meilleurs géniteurs : les plans de croisements
sont très largement incomplets ; le contrôle additif suffisant des caractères de
croissance et fort de la qualité du bois permet d’envisager la création de familles
hybrides particulièrement performantes par combinaison des meilleurs géniteurs E.
urophylla et E. grandis (familles élites).
(5) Le choix des clones : l’idée d’affiner le choix des clones parait intéressante pour
répondre aux besoins de plus en plus croissants et divers. Cette finesse dans le choix
des clones passe par l’introduction dans le processus d’amélioration, des propriétés du
bois et écophysiologiques qui ont un impact direct sur la production de biomasse.
(6) L’infusion de nouveaux géniteurs : un profit reste encore possible à tirer de quelques
provenances comme Copperlode d’E. grandis.
(7) La diversification du matériel végétal : malgré la supériorité constatée des hybrides
U×G, d’autres formules hybrides toutes à base d’E. urophylla ont permis et
permettent la sélection d’ortets à titre prospectif. Malgré le faible nombre de familles
réalisées, et sans sélection des parents, diverses formules hybrides permettent
l’obtention de clones supérieurs aux hybrides naturels E.PF1 du type 1-41. C’est le
cas des croisements d’E. urophylla avec E. pellita (U×P), E. resinifera (U×R) et E.
saligna (U×S). Si les propriétés technologiques de ces clones présentent un
quelconque intérêt, il semble possible et souhaitable de prospecter plus encore ces
nouveaux hybrides afin de tirer plus amplement parti de la variabilité du genre et
répondre à des besoins particuliers. Les qualités papetières des hybrides E. urophylla
× E. grandis restent bien inférieures à celle de E. globulus, espèce de référence en la
matière mais inadaptée aux conditions écologiques du Congo. La création des
hybrides E. urophylla × E. globulus s’avère pertinente pour la création à court terme
de variétés à très fort potentiel papetier.
(8) Une meilleure prédiction de la valeur génétique des ortets : si les dispositifs de
terrain sont globalement satisfaisants, notamment pour l’estimation des valeurs
familiales, parentales et clonales, l’importance des compétitions inter individus ne
permet pas une appréciation correcte de la valeur individuelle en test de descendance.
La prise en compte de la dépendance spatiale (effets cumulés de l’environnement
commun à l’individu et ses plus proches voisins, corrélation positive, et de
18
compétition pour l’accès aux ressources, corrélation négative) lors de l’estimation des
paramètres génétiques a fait l’objet d’importants développements mathématiques qui
cependant restent encore insuffisamment opérationnels. La mise au récente de la
technique de multiplication végétative rapide (bouturage hors-sol) et efficace laisse
entrevoir la possibilité de procéder à une pré multiplication des individus hybrides en
préalable à la mise en place des tests de descendances. Il existe une assez riche
littérature sur les avantages comparés, à nombre de plants égal, d’un test comparant X
familles avec N individus et sans copie végétative et d’un test comparant X familles
avec 2N (ou 4N) individus représentés par 2 (ou 4) copies. L’efficacité des essais de
« descendances clonées » dépend bien sûr de l’importance de l’héritabilité au niveau
individuel. Le plan d’expérience de la présente thèse rentre dans le cadre de cette
perspective. Cette thèse traite également des questions énumérées dans les points 2, 4
et 5.
19
dues à des mutations successives au cours de l’évolution qui permettent de caractériser la
diversité génétique entre individus et populations.
Lorsque la variabilité d’un caractère n’a aucune base génétique, elle est qualifiée de
variabilité épigénétique. Cette variabilité résulte souvent de l’action des facteurs
environnementaux sur l’expression d’un caractère. Lorsque la variabilité d’une population
présente un déterminisme uniquement épigénétique, on parle de polyphénisme.
En résumé, dans la variation entre individus on distingue : (i) les variations génétiques
héréditaires ; (ii) les variations environnementales qui forment le contexte écologique dans
lequel les organismes se développent et sont sélectionnés ; (iii) les variations stochastiques
(ou micro environnementales), que l’on peut relever lors du développement d’individus
génétiquement identiques dans le même environnement (Meyers and Bull, 2002 ; Braendle et
al., 2008).
La valeur phénotypique (P) d’une propriété d’un individu dans un milieu donné est la somme
de la moyenne de la population (µ), de sa valeur génétique individuelle (G) et de sa valeur
induite par les facteurs environnementaux (E) (Verrier et al., 2001). En d’autres termes, le
génotype confère une certaine valeur à l’individu et l’environnement lui impose une déviation
dans une direction ou l’autre (Falconer, 1974).
L’environnement désigne le milieu dans lequel vit (ou a vécu) l’individu observé, il désigne
aussi certains états physiologiques qui lui sont propres et les effets de l’observateur lui-même.
P=µ+G+E
20
La valeur génétique (G) est, elle-même décomposée en trois parties, représentants les effets
génétiques additifs (A), de dominance (D) et d’épistasie (I) (Fisher, 1918). D’où l’écriture :
G=A+D+I
L’effet additif des gènes pour un caractère est l’effet synergique que présentent leurs allèles.
La valeur génétique additive d’un individu est donc la somme des effets moyens des allèles
qu’il possède (αi et αj). αi et αj, étant respectivement les effets moyens des allèles paternel et
maternel.
La dominance est l’effet d’interaction entre allèle à un locus donné. La valeur ou résidu de
dominance représente l’écart entre la valeur génétique et la valeur génétique additive.
En un locus donné et pour 2 allèles AiAj (i ≠ j), et dans le cas d’additivité exclusive on a
théoriquement les valeurs génétiques suivantes :
Ai Ai Ai Aj Aj Aj
2 αi αi + αj 2 αj
Mais généralement ce n’est pas le cas après examen des valeurs génétiques calculées. Le
constat fait est qu’en plus des effets moyens des allèles, il existe une interaction entre les
allèles du gène (δij). On a donc la relation suivante :
Où Gij désigne la valeur génétique de l’individu, αi et αj les effets moyens des allèles paternel
et maternel et δij l’effet de l’interaction des deux allèles en présence, plus communément
appelé effet ou écart de dominance.
L’épistasie désigne les interactions entre allèles de deux ou plusieurs gènes contrôlant un
même caractère. Ce phénomène d’interaction s’établit chaque fois que 2 gènes ou plus codent
des enzymes qui catalysent différentes étapes de la même voie de biosynthèse (Philips, 2008).
Le concept « épistasie » a été utilisé dans deux situations, où il possède des définitions
différentes. En génétique mendélienne, une relation d’épistasie désigne la suppression d’un
phénotype par un autre gène de la même voie métabolique (Bateson, 1907). Quelques
caractères reconnus comme épistatiques peuvent être cités : le pelage des chiens, l’albinisme,
l’obésité (Warden et al., 2004).
21
En génétique quantitative, l’épistasie se rapporte à une interaction génétique dans lequel
l’effet phénotypique combiné de deux ou plusieurs loci est moins que (épistasie négative) ou
plus que (épistasie positive) la somme des effets à un locus individuel. Elle se réfère à la part
de la variance génétique qui ne peut être expliquée ni par les effets additifs des allèles, ni par
les effets de dominance (Fischer, 1918). Ces interactions sont difficilement estimables et le
plus souvent de faible importance (Phillips, 1998).
La définition de Bateson est biologique alors que celle de Fischer est purement statistique
(Moore, 2005).
La figure 4 illustre une situation d’absence et de présence d’épistasie pour un cas digénique
(A et B) biallélique (A1, A2 et B1, B2). En (A), il y a absence d’épistasie, les valeurs
génotypiques des deux loci sont parallèles, donc il n’existe aucune interaction inter loci. En
(B), on note la présence d’épistasie, on observe une interaction inter loci. Les valeurs
géniques contiennent donc à ce fait des termes épistatiques. L’épistasie contribue dans l’effet
moyen des allèles et aussi dans la valeur en croisement de ces génotypes. Donc, elle contribue
dans leur valeur génétique additive, leur variance et à la réponse à la sélection (Cheverud et
Routman, 1995 ; Holland, 2001).
Valeur phénotypique
Figure 4 : Représentation d’un cas d’absence (A) et de présence (B) d’épistasie (Holland, 2001).
les effets additifs (A×A…), la présence d’un allèle particulier modifie l’effet d’un allèle à
l’autre locus ;
des effets de dominance (D×D…), la relation de dominance à un locus modifie la relation
de dominance à un autre locus ;
22
les effets additifs et de dominance (A×D…), la présence d’un allèle à un locus modifie la
relation de dominance à l’autre locus.
L’ordre des interactions est d’autant plus élevé que le nombre de loci en jeu l’est aussi. Il y a
ainsi 2 facteurs induisant l’épistasie pour 2 loci, 3 facteurs pour 3 loci, etc...
Lorsque plus de deux loci sont considérés, les termes A×A×A, A×A×D, A×D×D, D×D×D,
etc .... s’ajoutent, provenant des interactions entre plus de 3 loci.
La figure 5 illustre les différents types d’effets (directs et d’interactions) intervenant dans
l’expression génotypique pour un caractère qui ne serait conditionné que par des gènes en
deux zones chromosomiques. Quatre effets additifs (Ai, Aj, Bk, Bl), deux effets de dominance
(Ai/Aj, Bk/Bl) et neuf effets d’épistasie (4 A×A, 4 A×D, 1 D×D) sont en présence dans ce cas
de figure. Dans le cas de 3 gènes, il y a présence de 6 effets additifs, 3 effets de dominance, et
20 effets épistatiques. Les 20 composantes épistatiques se répartissent comme suit : 3 A×A, 6
A×D, 3 D×D, 1A×A×A, 3 A×A×D, 3 A×D×D et 1 D×D×D. Dans le cas de n gènes, il y a 3n-
1 composantes constituées de la manière suivante : n composantes additives, n/2 composantes
de dominance, puis 3n - 2n - 1 composantes épistatiques (Cockerham, 1954). Cette dernière
proportion se décompose comme suit : 2n (n-1) composantes à 2 facteurs (¼ A×A, ½ A×D, ¼
D×D) ; 4/3n (n-1) (n-2) composantes à 3 facteurs (1/8 A×A×A, 3/8 A×A×D, 3/8 A×D×D, 1/8
D×D×D).
23
Bl
Ai
Figure 5 : Divers types d’effets (directs et d’interactions) intervenant dans l’expression génotypique
pour un caractère conditionné par deux gènes en deux zones chromosomiques (Demarly, 1977).
Dans la partition des effets géniques, en principe, l’additivité, la dominance et l’épistasie sont
définies de façon qu’elles n’interagissent pas (Falconer et Mackay, 1996 ; Lynch et Walsh,
1998), c’est-à-dire qu’il y a aucune raison biologique pour qu’il existe une covariance entre
ces trois types d’effets. On peut alors partitionner la variance génétique en variance additive
(σ2A), de dominance (σ2D) et d’épistasie (σ2I) (Fisher, 1918) :
σ2 G = σ 2 A + σ2 D + σ2 I
La variance additive, est décomposée en deux parties (Bulmer, 1971) : la première partie est
la variance d’équilibre génétique ou variance génique. Elle exprime la variabilité de l’effet
génétique du caractère considéré au niveau de la population. La deuxième partie est le
déséquilibre d’association, appelé aussi déséquilibre de liaison. Elle exprime la covariance
24
pour une paire de loci entre tous les individus. La décomposition de la variance génétique
additive se traduit mathématiquement par la relation suivante :
σ2A = Σ i σ2 (g i) + Σ i ≠ j Cov (g i, g j)
σ2 (g i) est la variance au ieme locus et Cov (g i, g j), la covariance entre le ieme et le jeme locus.
σ2A = Σ i σ2 (g i)
L’hypothèse d’équilibre de liaison permet d’annuler les covariances entre loci, mais en
pratique on se situe généralement loin de la situation panmictique.
Les proportions relatives d’additivité et de non additivité des caractères quantitatifs ont un
grand impact dans la détermination des stratégies d’amélioration (Stocnecypher et Mc
Cullough, 1986 ; Foster et Shaw, 1988). En effet, l’effet additif d’un gène d’une structure
représente la part constante que sa présence apporte dans la réalisation d’un phénotype. C’est
donc pour le sélectionneur, un acquis important. Les effets additifs des gènes constituent alors
la source de variation communément exploitée dans les plans d’amélioration. Les effets non
additifs, sont généralement ignorés, en particulier, les effets d’interaction des allèles entre loci
(Lynch et Walsh, 1998). Le fait d’ignorer les effets génétiques non additifs biaise la
prédiction des valeurs en croisement, ainsi que les estimations des composantes de la variance
génétique (Matheson et Lindgren, 1985 ; Mäki-Tanila et Kennedy, 1986; Van der Werf et de
Boe,r 1989; Shelbourne, 1991 ; Borralho, 1994; Rosvall et al., 1998 ; Lu et al., 1999). En
plus, l’information sur la partition de la variance génétique aide à évaluer proprement le
potentiel du gain génétique d’une variété. Les interactions intra et inter gènes sont importantes
dans la mesure où les effets génétiques changent avec les modifications de la composition
génétique des populations (Barton et Keighjtley, 2002).
25
Mullin et Park (1992), Mullin et al. (1992), en termes de capitalisation de toutes les
composantes causales de la variance génétique. Cependant, la variance d’épistasie est souvent
ignorée du fait des méthodes expérimentales complexes et lourdes autorisant son estimation.
Les effets d’interaction des allèles entre loci peuvent considérablement surestimés la variance
additive et/ou de dominance (Crow et Kimura, 1970 ; Goodnight, 1988 ; Cheverud et
Routman, 1995 ; Lynch et Walsh, 1998).
Des études empiriques et récentes, ainsi que bon nombre de théories ont démontré que
l’épistasie joue un rôle central dans l’évolution, la spéciation, l’hétérosis et le polymorphisme
(Wright, 1932, 1980 ; Weller, 1976 ; Templeton, 1979,1980 ; Carson et Templeton, 1984 ;
Provine, 1986 ; Minvielle 1987 ; Wade, 1992 ; Wu et Palopoli, 1994; Lynch et Walsh, 1998 ;
de Visser et al., 2003 ; Latta, 2003 ; Otto et Gerstein, 2006 ; Hansen, 2011, 2013 ; Le Rouzic
et al., 2013).
Jones (1945), Castle (1946) et Gallais (2009), rapportent que l’épistasie est une composante
de l’hétérosis, comme la dominance.
CovHS = ¼ σ²A
26
La variance additive entre demi-frères est estimée à partir de la variance entre AGC (Aptitude
Générale à la Combinaison) des males σ²M ou des femelles σ²F :
La variance additive entre plein-frères est estimée à partir de la variance entre AGC des
mâles σ²M et des femelles σ²F :
σ²A = 2 (σ²M + σ²F)
σ²D = 4 σ²MF
Dans le cas des tests de descendances open où l’on ne connait que l’un des deux parents, la
variance de dominance ne peut être estimée.
27
proposé Hayman (1958) avec en présence 6 générations dérivant d’un croisement entre 2
lignées pures de Nicotiana rustia afin d’estimer 6 paramètres génétiques dît de Hayman (m, d,
h, i, j, l) qui permettent de mesurer l’additivité, la dominance et les 3 types d’épistasie de 1er
ordre.
L’usage des lignées doubles haploïdes conduit également à la détection de l’épistasie (Choo et
al., 1979 ; Choo et Reinbergs, 1982 ; Gallais, 1990a ; Goldringer et al., 1997). Plusieurs
plantes et champignons sont au stage haploïde dans le cycle de leur vie, ainsi l’absence de la
variation de dominance dans ces conditions facilite la séparation des composantes additive et
épistatique (Shaw et al., 1997). Puisque la composante épistatique n’est constituée que des
termes additifs.
L’usage du modèle générationnel et des lignées doubles haploïdes pour estimer la variance
d’épistasie est plus aisé chez les plantes annuelles. L’estimation de la variance d’épistasie
chez les arbres forestiers est d’une grande complexité (Namkoong, 1979). Un certain nombre
de méthodes d’estimation de la variance d’épistasie, basée sur le niveau d’interaction des
gènes et utilisant les espérances mathématiques des valeurs des carrées moyens des variables
considérées sont employées (Searle, 1971) :
28
et Weber, 1986). Cela est rendu possible par la distinction de la variance d’environnement
de la variance génétique intra famille (Libby, 1962 ; Libby, 1964 ; Shaw et Hood, 1985;).
Cependant, les variances additive et de dominance sont partiellement associée avec une
partie de variance épistatique (Foster, 1990 ; Mullin et Park, 1992 ; Wu, 1996). Autrement
dit, la variance d’épistasie est sous-estimée lorsque les interactions de petit ordre sont
relativement grandes.
Les tests de descendance avec copies végétatives ont été suggérés comme moyen
d’amélioration des espèces comme Pinus radiata (Jayawickrama et Carson 2000), Pinus
teada (Foster et Shaw 1988; Isik et al., 2003; Byram et al., 2004) pour un certain nombre
de raisons. Premièrement, les tests de descendances clonées permettent la partition de la
variation génétique en toutes ces composantes : additive, dominance et épistasie (Foster et
Shaw 1988). En plus, les semis clonés peuvent fournir plus efficacement et avec une
grande précision l’information génétique qu’une descendance de semis zygotiques
(Burdon et Shelbourne 1974; Isik et al., 2003). La détection de l’épistasie varie avec la
taille de la population et la précision avec laquelle sont analysées les données. Ainsi des
études réalisées sur des petites populations avec peu de mesures par génotype, détectent
faiblement l’épistasie (Shimomura et al., 2001) comparativement à celles réalisées sur de
grandes populations (Carlborg et al., 2003) avec plusieurs mesures par génotype
(Montooth et al., 2003). Un grand nombre d’observations est donc nécessaire pour obtenir
une bonne estimation de la variance d’épistasie (Chang et al., 1990 ; Searle et al., 1992).
Il est important de noter que les tests de descendances open avec les copies végétatives de
l’ensemble des individus (Foster, 1985 ; Foster et al., 1984 ; Park et Fowler, 1987)
conduisent seulement à l’estimation d’une part de la variance additive et d’autre part de la
variance non additive sans distinction possible entre la variance de dominance et la
variance d’épistasie comme c’est le cas pour les tests de descendance pleins frères sans
copies végétatives.
29
- L’usage des marqueurs moléculaires (SNP) est de plus en plus courante pour détecter
l’épistasie (Palucci et al., 2007 ; Xu et Jia, 2007 ; An et al., 2009 ; Verhoeven et al.,
2010 ; Su et al., 2012).
Toutefois, ces approches statistiques d’estimation de l’épistasie n’élucident pas clairement les
causes biologiques sous-jacentes de l’interaction entre gènes (Cordell, 2002). En terme
d’interprétation des phénomènes, il est donc difficile d’établir la correspondance entre les
modèles biologiques et statistiques d’estimation de l’épistasie (Witte, 1998 ; Cordell, 2002).
Les facteurs de milieu contrôlés sont des facteurs de milieu que l’on identifie comme
tels, dont on sait ou dont on pense qu’ils ont un effet important sur les caractères
étudiés.
Les facteurs de milieu non contrôlés sont des facteurs, soit que l’on ne maîtrise pas
car ils échappent à l’observateur, soit que l’on n’enregistre pas car le recueil de
l’information correspondante est trop compliqué ou trop coûteux. On pense que ces
facteurs non contrôlés induisent chacun des faibles variations, car résultant de
microphénomènes locaux, s’appliquant à de manière différente à chaque individu.
30
Au niveau micro environnemental ; les actions suivantes sont à l’origine de la variation : le
microclimat, le microsite, la compétition entre arbres, l’exposition ou non aux insectes et aux
maladies.
On distingue :
L’héritabilité au sens large (H2), qui est le rapport entre la variance génétique totale et
la variance phénotypique. C’est en quelque sorte le degré de confiance de la prédiction
de la valeur génétique par la valeur phénotypique. Elle considère donc la variabilité
génétique totale en relation avec la variabilité phénotypique (Hanson, 1963).
L’héritabilité au sens strict (h2), qui est le rapport entre la variance génétique additive
et la variance phénotypique.
h2= σA2/σP2
31
3- Finalement, le degré de ressemblance entre enfants et parents.
L’héritabilité déterminée sur des individus multipliés par voie végétative est l’héritabilité
au sens large, tandis que l’héritabilité au sens strict ne peut être déterminée qu’à partir de
familles reproduites par voie sexuée (Toda, 1961).
L’héritabilité est non seulement une propriété du caractère, mais aussi de la population et
du milieu dans lequel se trouvent les individus (Falconer, 1974, White et al., 2007). Ainsi,
les héritabilités sont aussi calculées à différents niveaux : familial, dispositif expérimental,
clonal, etc.
Toutes les estimations de l’héritabilité sont basées sur les études de ressemblances entre
individus apparentés (Ollivier, 1971). Statistiquement, on utilise en général 3 méthodes
d’estimations : la régression, la corrélation et l’analyse de la variance.
1-3-4- Corrélations
Une corrélation quelle que soit sa nature (génétique ou environnementale) est le rapport d’une
covariance et du produit de deux écarts-types :
Cov( x, y )
r=
xy
CovG( x, y ) CovE( x, y )
rP =
pxpy
32
A E
P = ; P =
h e
CovA( x, y ) CovE( x, y )
rP = hxhy + exey
AxAy ExEy
rP = hxhyrA+ exeyrE
La corrélation phénotypique observée entre deux variables peut être due par les causes
génétiques et/ou environnementales. La principale cause génétique de corrélation est la
pléiotropie (Mode et Robinson, 1959 ; White et al., 2007). Le linkage peut aussi être une
cause de corrélation passagère, particulièrement dans les populations qui dérivent d’un
croisement entre souches divergentes (Falconer, 1974).
Dans les programmes d’amélioration des arbres, la corrélation génétique entre deux caractères
est importante pour plusieurs raisons (White et al., 2007) : (1) si deux caractères ont une
corrélation forte et favorable, la sélection sur le premier caractère entraine un gain génétique
sur le deuxième ; (2) si deux caractères ont une corrélation forte et défavorable, il est plus
difficile d’avoir du progrès sur les deux caractères simultanément ; (3) si la corrélation
génétique entre deux caractères est inconnue, il est possible de produire en sélection des
résultats inattendus. C’est ce qui est appelé sous le terme de « réponse à la sélection
inadvertent » où le caractère non considéré dans le programme d’amélioration réalise un
changement (favorable ou défavorable) dû par sa liaison avec le caractère d’intérêt.
34
La corrélation résultant de l’environnement est le résultat final de tous les facteurs du milieu,
certains pouvant être cause de corrélations positives et d’autres de corrélations négatives
(Falconer, 1974).
P=G+E
P = G + E + GE
35
L’interaction G×E, est alors la différence entre la valeur phénotypique et les valeurs
correspondantes du génotype et de l’environnement (Baker, 1988). Elle indique la différence
des performances entre génotypes quand ceux-ci sont déployer dans différents milieux
(Burdon, 1977 ; Zobel et Talbert, 1984 ; Osorio et al., 2001).
Statistiquement, l’interaction G×E est due à des différences de variances des variables testées
entre les différents environnements (Robertson, 1959).
L’interaction G×E, comme l’indique le nom est une relation bi-directionnelle, qui se traduit
soit par un changement d’échelle, les écarts entre génotypes étant fonction de l’environnement
mais sans affecter leur classement (figure 8c), soit par un changement de classement,
accompagné ou non d’un changement d’échelle (figure 8d) (Demarly, 1977). Dans le premier
cas l’interaction est dite quantitative ou noncrossover, tandis que dans le second cas elle est
dite qualitative ou crossover (Baker, 1988).
36
P
P
G1
G1 G2
G2
G3
G3
E E
1 2 3 1 2 3
A b
P G1
P G1
G3
G2
G2
G3
E E
1 2 3 1 2 3
C d
Figure 8 : Différents cas possible de relation entre Génotype et Environnement (Source : Demarly, 1977).
La figure 8 représente les différents cas possibles entre les performances de trois génotypes
référencés G1, G2 et G3 et trois environnements classés en fonction de leur fertilité croissante
(1, 2 et 3).
En (a), on note l’absence d’interaction G×E, les 3 génotypes sont parfaitement plastiques.
Dans ces conditions, un seul milieu parmi les trois suffit au trois génotypes pour l’expression
de leur potentiel.
37
En (d), il s’agit également d’une interaction G×E avec changement de classement suivi d’un
changement d’échelle.
Les interactions G×E compliquent la sélection dans les programmes d’amélioration des arbres
forestiers en réduisant les gains génétiques espérés (Ades et Garnier-Géré, 1996).
38
1-4-4- Partition de l’interaction G×E: cas d’un test de descendances clonées
Les résultats empiriques ont montré que l’appréhension de l’interaction G×E dépend de la
partition de la variance génétique totale entre composantes intra et inter populations et ainsi,
de la structure génotypique de la variété considérée (Gallais, 1990b). Il est possible d’illustrer
ce point avec le modèle classique de génétique quantitative (G = A + D + I). Par exemple,
dans le cadre de familles de demi-frères, l’interaction G×E, s’interprète comme l’interaction
entre ¼ des effets additifs (A) et l´environnement (E). En revanche, pour une famille de pleins
frères, cette interaction comporte à la fois des effets de type additif × environnement mais
aussi de dominance × environnement (½ A×E + ¼ D×E) et épistasie × environnement (¼
AA×E + ½ AD×E + ½ A×E ¾ DD×E + …). Enfin, dans le cas des variétés clonales, c’est
l’ensemble des effets génétiques qui interagissent avec l’environnement. L’interaction G×E
est alors de type A×E + D×E + I×E.
La part de variance génétique commune entre deux génotypes (leur covariance génétique, ou
leur ressemblance) a tendance à limiter l’interaction G×E tandis que la variance inter va avoir
tendance à l’augmenter. Plus la variance inter génotype sera grande, plus l’interaction G×E
sera potentiellement importante.
Dans le cas d’un test de descendances avec les copies végétatives de chacun des individus,
dispositif considéré dans cette étude, les interactions de l’environnement avec les différentes
structures génotypiques vont un peu se complexifier (Encadré 1).
39
Encadré 1 : Interaction G×E en fonction de la structure génotype dans un test de
descendances clonées (Vigneron, 2008)
- Clones apparentés par le père uniquement : La variance totale est celle d’une famille de
demi-frères, la variance intra clone étant nulle, il reste :[(3/4Af + D + 15/16AA + AD + DD
…) x environnement], qui équivaut à [(G - ¼Am - 1/16AAm) × environnement].
Ces expressions permettent de constater que (1) quand l’apparentement entre variétés augmente,
l’interaction G×E diminue ; (2) quand la variabilité intra variétale diminue, l’interaction G×E
augmente. Les variétés clonales sont donc a priori plus interactives que les variétés familles de pleins
frères et les variétés familles de demi-frères.
40
1-4-5- Comment quantifier l’interaction G×E?
Différentes méthodes sont utilisées pour mettre en évidence le comportement interactif des
génotypes. Il existe :
41
Encadré 2 : Analyse de la stabilité
L’analyse de la stabilité des génotypes en fonction des milieux est utilisée pour évaluer l’importance
des interactions G×E (Finlay et Wilkinson, 1963 ; Mandel, 1971 ; White et al., 1981 ; Jinks et Pooni,
1988 ; Li et McKeand, 1989, Kundu et al., 1998). L’analyse de la stabilité est approchée par le calcul
d’un certain nombre d’indices qui sont :
Pi = [∑(Yij - Mj)]2/2n
- Les indices de stabilité : Les indices de stabilité Si(2) et Si(3) de Nassar et Huehn (1987) associent
eux aussi performance et stabilité. Ils sont calculés en utilisant les formules suivantes :
- La somme des classements des rendements : La stabilité est aussi approchée par la méthode de
la somme des classements (Srank) des rendements (Kang et Pham., 1991). Dans cette méthode, les
rendements de la période j sont classés par ordre décroissant, le génotype dont le rendement est
maximal prend le classement 1. Les valeurs de la variance de Shukla (1972) sont classées par
ordre croissant. Le rang 1 est donné au génotype ayant la plus faible variance. Srank est égale à la
somme des rangs des rendements et de la variance (Kang et Pham, 1991 ; Rose et al., 2008).
- Les statistiques non paramétriques : Les statistiques non paramétriques de Fox et al. (1990)
sont déduites du classement des performances génotypiques par période et sur l'ensemble des
périodes. Les génotypes dont le classement est situé dans le premier tiers (classement de 1 à 5)
sont les meilleurs (TOP), ceux dont le classement est situé dans le tiers médian (classement de 6 à
10) sont moyens (MID) et ceux formant le dernier tiers (classement de 11 à 15) sont médiocres
(BOT).
42
Lorsque les mesures du caractère sont faites sur les mêmes individus du même groupe
génotypique, la corrélation génétique calculée est dite de type A (Weller et Ron, 1987). Par
contre lorsque les mesures du caractère sont faites sur des individus différents du même
groupe génotypique, la corrélation génétique est dite de type B (Burdon, 1977). Quand la
corrélation génétique (type A ou B) est forte, l'expression du caractère est presque la même
dans les différents environnements, les performances réalisées dans les différents
environnements représentent le même caractère à très peu de choses près, déterminé par la
même série de gènes. Quand la corrélation génétique est faible, ceci indique que l'expression
du caractère est influencée par différents ensembles de gènes dans les différents
environnements. Dans ce cas, un génotype qui excelle dans un environnement en raison des
allèles favorables spécifiques n'excellera pas dans un autre environnement si le milieu est
moins influent dans l'expression du caractère.
43
1-5-2- Formulation
Le modèle linéaire mixte est formulé de la manière suivante :
y = Xβ + Zu + ε
Où, y désigne le vecteur des observations ; β et u sont respectivement les vecteurs associés
aux effets fixes et aléatoires ; X et Z sont respectivement, les matrices de design associées aux
effets fixes et aléatoires ; et ε désigne le vecteur des effets aléatoires résiduels.
Une hypothèse forte est que les effets aléatoires (γ) et ε suivent la loi normale avec comme
moyenne et variance-covariance :
L’estimation des paramètres est plus délicate dans le cas du modèle mixte que dans le cas du
modèle à effets fixes (Rao et Kleffe, 1988). On doit non seulement estimer β comme dans le
modèle linéaire à effets fixes mais on a aussi comme paramètres inconnus γ, G et R. Dans de
nombreuses situations, la meilleure approche consiste à utiliser les méthodes du maximum de
vraisemblance en exploitant le fait que γ et ε sont normalement distribués. En général deux
méthodes de vraisemblance sont utilisées : la méthode du maximum de vraisemblance (ML)
et la méthode du maximum de vraisemblance restreint (REML) (Patterson et Thompson,
44
1971). Une propriété intéressante de ML et REML est leur capacité à prendre en compte des
données manquantes (Gilmour et al., 1995).
Il est possible de construire des fonctions de log-vraisemblance pour les deux méthodes
Différents algorithmes peuvent être utilisés pour minimiser ces fonctions par exemple le
Newton-Raphson algorithme.
Un des avantages de cet algorithme est que la dérivée seconde de la fonction est disponible. Si
on dénote cette matrice H, la théorie montre que cette matrice est asymptotique à la matrice
de variance covariance des paramètres estimés de G et R.
Ainsi des tests et des intervalles de confiance basés sur la normalité asymptotique peuvent
être obtenus. Cependant, ces derniers sont valides si la taille de l’échantillon est suffisante et
si les paramètres, tels que les composantes de la variance, ne présentent qu’une distribution
asymétrique.
Si G et R sont connus, est le meilleur estimateur linéaire sans biais (BLUE) de β et est
le meilleur prédicteur linéaire sans biais (BLUP) de u.
Le modèle mixte étend le modèle linéaire général (GLM) (modèle consistant à expliquer une
variable aléatoire linéairement en fonction d’une variable explicative sous la forme : y=Xβ+ε)
en permettant une spécification plus flexible de la matrice de covariance des effets aléatoires
45
résiduels. Autrement dit, il tient compte de corrélations et de variances hétérogènes tout en
assumant la normalité des variables.
Le LMM s’étend au modèle linéaire mixte généralisé (GLMM) dans le lequel le prédicteur
linéaire contient des effets aléatoires additionnés à des effets fixes. Le GLMM est une
extension du LMM, dans les cas de distribution autre que normale, telle que binomiale et
poisson. Le GLMM impose une spécificité de la distribution avec une fonction de lien qui
connecte la variable de réponse aux variables expliquées du modèle.
46
sens large et strict est nécessaire pour la sélection précise des parents à croiser et des clones à
vulgariser.
L’aptitude au bouturage est simultanément conditionnée par l’âge physiologique des pieds
mères (Davis, 1988; Hackett, 1988; Pierik, 1990; Browne et al., 1997; Mankessi et al., 2009),
par les prédispositions propres au matériel végétal face à la propagation végétative (Rauter
1983; Radosta, 1989, Radosta et al., 1994) et par des facteurs environnementaux (Zsuffa,
1968; Farmer et al., 1989; Radosta, 1989; Kovacevic et al., 2004, 2005). Les facteurs influant
sur l’enracinement se répartissent en facteurs exogènes et endogènes au matériel végétal, ainsi
que leur interaction. La saison est considérée comme le facteur exogène le plus influent de
l’enracinement des boutures (Rauter, 1983; Monteuuis et al. 1995; Teklehaimanot et al.,
2004; Danthu et al., 2008). Les facteurs endogènes au matériel végétal incluent l’identité
génétique (Shepherd et al. 2005) et l’état physiologique de la plante (Mankessi et al., 2009).
Bien que la multiplication végétative par bouturage de l’E. urophylla × E. grandis soit assez
bien documentée (Martin et Quillet 1974; Chaperon et Quillet 1977; Saya et al., 2008).
L’importance de la variation additive et non additive, ainsi que l’héritabilité de l’aptitude au
bouturage et/ou de l’aptitude à l’enracinement adventive reste encore mal connue. En outre,
les relations génétiques et environnementales entre l’aptitude au bouturage et d'autres
caractères comme la croissance et les traits adaptatifs sont mal connues chez l'eucalyptus
comparé à d'autres angiospermes pérennes (Radosta et al., 1994; Paul et al., 1997 ; Baltunis et
al., 2007a,b). Une meilleure compréhension des corrélations entre ces caractères est cruciale
pour l’élaboration de stratégies d’amélioration génétique.
1-6-2- Croissance
Le bois est l’une des matières premières la plus exploitée depuis le début des temps. Malgré la
disparition de nombreuses forêts dans le monde, cette matière demeure surexploitée. Les
recherches visent alors l’augmentation des capacités de production des forêts. Ainsi, l’enjeu
majeur de tout programme d’amélioration génétique forestière est de mettre régulièrement à la
disposition des utilisateurs des variétés de plus en plus productives (Zobel et Talbert, 1984 ;
Delwaulle, 1985 ; Zobel, 1993). L’amélioration de la croissance des arbres pour avoir un plus
grand rendement de biomasse ligno-cellulosique est l’objectif premier visé dans le
programme de sélection de l’eucalyptus au Congo (Vigneron, 1991 ; Saya, 2000).
La croissance des arbres est mesurée à travers différents paramètres, les plus employés sont la
mesure de la hauteur totale des arbres, la mesure de la circonférence à hauteur de poitrine et
le calcul du volume du bois pour estimer la production.
47
Ces mesures aussi vieilles soient-elles, demeurent le moyen par excellence pour déterminer la
production de biomasse ligneuse d’une population.
Etant donné que la feuille est spécialisée dans la conversion de l’énergie lumineuse en énergie
chimique, dans l’assimilation du carbone et de l’azote ; dans le cadre de cette étude, les traits
écophysiologiques ciblés sont les traits foliaires liés à la stratégie d’utilisation des ressources
(la surface spécifique foliaire et ses composantes : l’épaisseur du limbe des feuilles et la
densité foliaire ; la surface unitaire des feuilles ; la concentration foliaire en azote et la
quantité d’azote par unité de surface foliaire).
La surface spécifique foliaire est la surface d’interception lumineuse par unité de masse sèche
foliaire (Poorter et Garnier, 1999). Elle est corrélée positivement au taux d’assimilation
carbonée et au taux de croissance relative de la plante (Garnier et al., 2004 ; Wright et al.,
2004) et négativement à la durée de vie des feuilles (Westoby et al., 2002), et a une influence
principale sur l’activité photosynthétique (Niinemets,1999 ; Reich et al., 1999 ; Sefton et al.,
2002 ; Wright et al., 2004 ; Shipley et al., 2006) et sur la respiration foliaire (Meir et al., 2001
; Cavaleri et al., 2008). La surface spécifique foliaire traduit un compromis entre l’acquisition
des ressources et les contraintes imposées par la structure foliaire (Dijkstra, 1990).
L’épaisseur du limbe des feuilles et la densité foliaire sont les composantes de la surface
spécifique foliaire (Witkoswki et Lamont, 1991 ; Sefton et al., 2002). Un changement
d’épaisseur du limbe de la feuille et/ou de la densité foliaire entraine une variation de la
surface spécifique foliaire (Wilson et al., 1999). L’épaisseur du limbe de feuille est une
caractéristique basique de l’anatomie foliaire. Le limbe de la feuille est constitué des tissus
suivants (figure 9) : (a) l’épiderme qui couvre les surfaces supérieure et inférieure, contient
des stomates ; (b) le mésophylle ou parenchyme foliaire, comporte deux couches : un
48
parenchyme palissadique (tissu formé de plusieurs rangées de cellules allongées
perpendiculairement à la surface du limbe et serrées entre elles, sans lacunes), un parenchyme
lacuneux (tissu formé de cellules plus grandes avec un réseau lacuneux communicant avec les
stomates).
La quantité de lumière absorbée par une feuille, ainsi que la voie de diffusion du CO2 par ses
tissus dépendent, au moins partiellement de son épaisseur (Givnish, 1979 ; Agusti et al., 1994
; Syvertsen et al., 1995).
L’anatomie foliaire est fortement associée avec le potentiel photosynthétique via l’acquisition
de la lumière et la diffusion du C02 (Evans, 1999, Pyankov et al., 1999) et la concentration
foliaire en azote.
Parmi les éléments minéraux fournis par le sol, l’azote est celui qui est majoritaire dans les
tissus végétaux (Bonneau et al., 1995), il représente environ 80 % des éléments minéraux
absorbés par les plantes (Marschner, 1995). La productivité de nombreuses cultures est
limitée par la disponibilité en azote. C’est le cas en particulier de la production de bois par les
espèces ligneuses, comme l’eucalyptus au Congo. En effet les travaux de Laclau et al. (2003)
indiquent que l’azote présente un bilan entrée-sortie nettement déficitaire. Les feuilles
constituent le compartiment majeur d’accumulation de l’azote pendant la période de
végétation (Millard et Thomson, 1989), leur développement crée donc une très forte demande
en azote.
49
Chapitre II : Matériel et Méthodes
50
2-1-2- Climat
Le sud Congo, zone dans laquelle se situent les plantations d’eucalyptus, bénéficie d’un
climat de type équatorial de transition (Aubreville, 1969 ; Jamet et Rieffel, 1976 ; Samba-
Kimbata, 1978). Ce climat est marqué par :
- l’alternance de deux saisons bien distinctes : une saison sèche peu ensoleillée et fraîche
(juin à septembre) et une saison pluvieuse (octobre à mai) avec un ralentissement des
précipitations entre janvier et février. La durée de ces deux saisons peut sensiblement
variée d’une année à une autre (Jamet, 1967) ;
- une augmentation de précipitations (dont la moyenne varie entre 1200 et 1700 mm) de la
côte vers le massif du Mayombe ;
- les moyennes annuelles de température et d’humidité relative sont respectivement de 25°C
et 80-85 %. Les amplitudes thermiques journalières (4°C-6°C) et d’humidité (7 %) sont
faibles.
(a) (b)
Figure 11 : Pluviométrie de de la zone de Pointe noire correspondant aux périodes 1950 à 2000 (a), 1992 à
2006 (b) ; Source : ASECNA Pointe-Noire.
Les relevées pluviométriques des années 2011, 2012, 2013 rapportent des valeurs moyennes
respectives de 1565 ; 974,4 et 1340,8 mm (Source : www.weatherOnline.com_Pointe-Noire
Aéroport).
51
2-1-3- Sols
Les sols de la région de Pointe-Noire sont très profonds (80 à 300 m), appartiennent à la
classe des Arenosols Ferralitics (F.A.O, 1998), et se caractérisent par une texture sableuse
homogène (plus de 85% de sable), une acidité moyenne, des faibles concentrations en
éléments minéraux et en matière organique (< 1%) et de très basses capacités d’échange
cationique (< 4 cmole kg-1 de sol sur l’ensemble du profil) (Bouillet et al., 2004).
Les diverses études pédologiques menées dans les sols de savanes reboisés autour de Pointe-
Noire révèlent une faible variabilité physico-chimique (Jamet, 1975, Trouve, 1992 ; Trouve et
al., 1994 ; Barthès, 1995 ; Nzila, 1996a,b). Le paramètre le plus variable dans ces sols est la
profondeur des différents horizons. La profondeur de l’horizon A1 parait, comme
classiquement, un bon indicateur de la fertilité du site pour la production de bois d’eucalyptus
(Malvos et Ranger, 1983 ; Bouillet et al., 2000).
2-1-4- Végétation
La végétation originelle sur laquelle ont été plantés les eucalyptus est une savane arbustive à
Loudetia simplex, Hyparrhenia diplandra, Andropogon gabonensis, Panicum parvicum,
Pennisetum sp. L’arbuste principal est Anona arenaria (Makany, 1963 ; Loumeto, 1991).
52
Figure 12 : Différentes étapes conduisant à l’obtention du matériel végétal utilisé.
53
Tableau 3 : Echiquier de croisements réussis en pollinisation et mis en germination (les cases colorées
indiquent les croisements dont les graines n’ont pas germées).
14-230 1 1 1 1 1 1 1 7
14-233 1 1 1 1 1 5
14-242 1 1 1 1 1 1 1 1 1 1 10
14-289 1 1 1 1 1 1 1 1 1 9
14-33 1 1 1 1 1 1 6
14-63 1 1 1 1 1 1 1 1 1 9
14-73 1 1 1 1 1 1 6
14-74 1 1 1 1 4
14-76 1 1 1 1 1 1 1 1 1 1 10
14-82 1 1 1 1 1 1 6
Total 8 12 8 10 9 4 8 7 12 10 13 101
Au final, les graines appartenant à un total de 91 familles ont réussi en germination. Les
plants issus de ces graines ont servi à la suite du processus de production du matériel végétal
souhaité pour l’étude.
54
(a) (b)
(c) (d)
Figure 13 : Jeunes semis de 10 jours (a), Semis en rhizogenèse (b), Vue des plants en aire d’élevage (c),
Parc à pieds mères hors sol (d).
La conduite des pieds mères a consisté à tailler de manière réitérée l’axe principal de façon à
le rabattre à environ 2 cm du substrat (pour se rapprocher le plus possible du système
racinaire), jusqu’à l’obtention de pousses feuillées de 5 à 7 cm de long ayant 3 paires de
feuilles chlorophylliennes et un apex (Saya et al., 2008). Environ 7 à 8 jours après
installation, les jeunes plants ont commencé à débourrer de façon très active (figure 14a). Les
tailles de rabattement ont été amorcées à partir du 14eme jour. Au bout de 30 jours, certains
pieds ont commencé à former la touffe de prolifération (figure 14b). Les toutes premières
boutures conformes ont commencé à être produites dès le 24eme jour. La mortalité des pieds
mères, de l’installation jusqu’à la première récolte de boutures intervenue un mois après, a été
notée très faible (1 %), rendant ainsi compte de la bonne aptitude des plants issus de graines à
être transformée en pieds mères. Au 37eme jour après installation, un certain nombre de pieds
mères ont commencé à présenter une conformation inhabituelle : nanification des feuilles et
forte ramification des axes. Le phénomène s’est étendu sur l’ensemble des pieds mères de
façon progressive. La poursuite des tailles sur ces pieds mères a entraîné un quasi arrêt de la
production de boutures (figure 14c). La mauvaise conformation des pieds mères fut la
55
conséquence d’une attaque d’insecte, Leptocibe invasa. Un traitement trimodal a été appliqué
pendant deux semaines pour pallier à cette situation. Il a consisté à :
- suspendre le recepage des pieds mères ;
- suspendre les récoltes des boutures ;
- fertiliser et appliquer un traitement fongicide avec les doses standards utilisés à la
pépinière de KISSOKO (15g de fertilisant/10 litres pour 250 plants, 30 g de fongicide/15
litres pour 756 plants).
Au bout des deux semaines d’application du traitement trimodal, la quasi-totalité des pieds
mères a retrouvé la morphologie habituelle (figure 14d). Ainsi, les tailles couplées aux
récoltes de boutures ont été reprises.
(b)
(a)
(c) (d)
Figure 14 : Débourrement des plants installés en pieds mères (a), Formation de la touffe de prolifération
(b), Pieds mères attaqués par le Leptocibe invasa (c), Pieds mères ayant retrouvés la bonne morphologie
après traitement (d).
56
2-4- Dispositifs expérimentaux
Tableau 4 : Pédigrée et nombre de pieds mères (individus plein-frères) pour chaque croisement.
14-230 31 34 31 10 36 24 35 201
14-233 23 2 18 3 46
14-242 33 7 4 3 31 23 35 136
14-289 32 35 11 1 35 1 34 149
14-33 1 9 32 28 23 93
14-63 1 33 6 32 35 33 23 34 197
14-73 4 34 32 36 106
14-74 30 34 30 32 126
14-76 29 33 5 34 12 32 33 31 209
14-82 35 11 36 35 36 153
Total 15 332 61 276 140 30 189 92 374 237 402 2148
Un total de 2148 pieds mères avec une moyenne de 25 par famille a été installé à la pépinière
industrielle de KISSOKO.
57
Expérimentation 2 :
La surface de l’essai est de 7,3 hectares. L’écartement de plantation est de 4m x 3m, soit une
densité de plantation de 833 tiges à l’hectare. Les témoins sont constitués de 5 clones
industriels E. urophylla × E. grandis (18-147, 18-209, 18-50, 18-52, 18-551). Chaque placeau
de clone témoin a été répété deux fois dans chacun des trois blocs. Au total 5250 plants ont
été mis en plantation (4500 plants à tester + 750 plants témoins).
58
Tableau 5 : Pédigrée et nombre de clones par famille pour chaque croisement pour la R11-01.
Mâle (Eucalyptus grandis)
9-101 9-111 9-113 9-115 9-118 9-131 9-15 9-159 9-21 9-29 9-66 Total
14-109 25 25 25 25 25 24 25 174
14-142 25 25 24 13 25 112
14-144 25 24 13 10 10 25 25 14 146
Femelle (Eucalyptus urophylla)
14-230 23 25 18 9 25 20 25 145
14-233 9 14 23
14-242 20 4 22 10 25 81
14-289 25 24 5 25 25 104
14-33 23 24 8 55
14-63 24 4 25 10 25 15 26 129
14-73 4 23 23 25 75
14-74 25 25 24 28 102
14-76 25 25 24 10 25 25 25 159
14-82 25 10 25 25 25 110
Total 4 240 4 196 72 10 122 54 271 166 276 1415
Expérimentation 3 :
L’essai occupe une surface de 2,17 hectares. L’écartement de plantation est de 2m x 2m, soit
une densité de 2500 tiges à l’hectare. Comme pour la R11-01, les témoins sont constitués de 5
clones industriels E. urophylla × E. grandis (18-147, 18-209, 18-50, 18-52, 18-551). Chaque
placeau de clone témoin a également été répété deux fois dans chacun des trois blocs. Au total
4500 plants ont été mis en plantation (3750 plants à tester + 750 plants témoins).
Le plan de croisement utilisé pour installer l’essai est rempli à 55%. Le pédigrée, ainsi que le
nombre de clones par famille (17 en moyenne) sont consignés dans le tableau 6 ci-après.
59
Tableau 6 : Pédigrée et nombre de clones par famille pour chaque croisement pour la R12-01.
Mâle (Eucalyptus grandis)
9-111 9-115 9-118 9-131 9-15 9-159 9-21 9-29 9-66
14-109 19 24 22 13 18 22 23 141
14-142 23 18 10 20 71
14-144 25 24 10 5 5 25 13 4 111
Femelle (Eucalyptus urophylla)
14-230 16 22 5 9 17 17 22 108
14-233 5 5 10
14-242 12 17 5 23 57
14-289 25 13 24 25 87
14-33 23 15 9 47
14-63 13 24 10 22 20 24 113
14-73 17 15 22 54
14-74 19 23 20 24 86
14-76 16 23 19 8 19 12 23 120
14-82 25 4 18 5 19 71
187 162 63 5 86 35 211 89 238 1076
La productivité des pieds mères (PROD) a été déterminée suite aux récoltes des boutures sur
la totalité des pieds mères de l’expérimentation 1. Les récoltes se sont étalées sur une période
discontinue d’une année, et se scindent en trois périodes :
- une période préliminaire (phase 0), allant du 30eme jour après installation des pieds mères
jusqu’au 74eme jour. Les récoltes durant cette période ont servi à la formation des pieds
mères favorisant la formation d’une touffe de prolifération. Les données recueillies durant
cette période n’ont pas été incluses dans l’analyse des résultats ;
- une première phase de récolte (phase 1), s’étalant du 120eme au 155eme jour après
installation des pieds mères. Cette phase de récolte s’est déroulée en saison sèche, aux
mois de juillet et août. La pluviométrie au cours de cette période a été de 0,1 mm en
moyenne, la température moyenne était égale à 22,5°C ;
60
- une deuxième phase de récolte (phase 2), s’étalant du 335eme au 356eme jour après
installation des pieds mères. Elle s’est effectuée en saison pluvieuse, au mois de février et
mars. La moyenne de la pluviométrie au cours de la période a été de 250 mm et la
température moyenne égale à 26°C.
La périodicité de récoltes de boutures a été de 7 jours. Entre les trois périodes énumérées, les
pieds mères ont été taillés suivant la même périodicité de 7 jours.
La productivité des pieds mères a été déterminée comme étant la production absolue de
boutures par pied mère.
La réussite au bouturage (CUT) a été déterminée après une phase d’enracinement de 30 jours
et une période d’acclimatation et d’élevage de 45 jours. Elle a été déterminée pour les phases
1 et 2 de récoltes. Deux types de variables ont été considérés :
CUT
RCUT x100
PROD
La hauteur totale (HT) en mètre, a été mesurée à 8, 18, 25 et 32 mois sur l’expérimentation 2
(R11-01) et jusqu’à 25 mois sur l’expérimentation 3 (R12-01). Les mesures ont été effectuées
à l’aide : - d’une perche télescopique à 8 mois, - d’un dendromètre (vertex III + transpondeur)
à 18, 25 et 32 mois (figure 15a,b,c).
La circonférence (C) à 1,30 m, mesurée en centimètre, a été prise à 18, 25 et 32 mois dans la
R11-01 et jusqu’à 25 mois dans la R12-01. Les mesures ont été faites avec un mètre ruban.
Les mensurations ont été réalisées sur l’ensemble des individus de deux essais (R11-01 et
R12-01), mais seules les données recueillies sur des plants à tester ont été prises en compte
61
dans les analyses statistiques (4500 individus pour l’expérimentation 2 et 3750 pour
l’expérimentation 3).
(a) (b)
(c)
La surface spécifique foliaire (SLA) a été déterminée dans les deux sites pour l’ensemble des
plants à tester. Sur chaque individu, dix (10) feuilles du houppier supérieur (situées sur un axe
secondaire) et dix (10) autres feuilles du houppier inférieur (situées sur un axe tertiaire) ont
été récoltées. La récolte s’est effectuée dans tous les azimuts de l’arbre pour prendre en
compte des éventuelles différences d’ensoleillement (figure 16a,b,c). Les feuilles choisies
sont des feuilles adultes, ni juvéniles ni sénescentes (expansion du limbe terminée), indemnes
de toute attaque de pathogènes.
62
Houppier supérieur
(b)
Houppier inférieur
(c)
(a)
Figure 16 : Points de prélèvements dans chaque houppier (a) : les 5 points de prélèvements de chaque
houppier sont valables pour la face opposée de l’arbre, on obtient ainsi les 10 feuilles/houppier, Récolte de
feuilles à 8 mois (b) et à 18 mois (c).
A la récolte, les 20 feuilles prélevées sur un individu ont été séparées en deux lots comprenant
10 feuilles chacun. Chaque lot comprend 5 feuilles de chaque houppier. Le premier lot est
destiné aux mesures d’épaisseur du limbe des feuilles et de surfaces foliaires. Après ces
mesures, le second lot est mélangé avec le premier pour la détermination de la concentration
en azote des feuilles. Pour des arbres n’ayant pas un feuillage abondant, le nombre de feuilles
prélevées variait entre 2 et 9.
Aussitôt la récolte terminée, avant tout desséchement de la feuille, l’épaisseur du limbe des
feuilles a été mesurée à l’aide d’un micromètre digital Mitutoyo IP 65 (figure 17). Sur
chacune des feuilles, la prise de mesure de l’épaisseur est faite sur l’un des côtés de l’organe,
sensiblement au centre, en évitant toute nervure (figure 17).
63
Figure 17 : Prise de mesure de l’épaisseur du limbe d’une feuille (le point jaune indique la zone de prise de
mesure).
Les échantillons de feuilles ont été transportés au laboratoire où ils ont été scannés,
permettant ainsi l’obtention des images numériques. Le logiciel Matlab8 a permis de réaliser
le traitement d’images, et la mesure de la surface des dix (10) feuilles de chaque image
numérique. Le traitement d’images par le logiciel Matlab a été effectué en caractérisant les
images numériques comme des signaux finis bidimensionnels échantillonnés à valeurs
quantifiées dans un certain espace de couleurs (figure 18).
Suite à la numérisation des feuilles, un séchage à l’étude a été effectué pendant 72h à 65°C.
Les échantillons ont été ensuite pesés à l’aide d’une balance de précision (au 10000eme de
grammes).
64
La surface spécifique foliaire a été calculée par la formule suivante :
Si (m²/Kg)
n
SLA i
Mi
n
i
Si (cm²)
n
Suf i
n
La densité foliaire a été calculée par la formule suivante :
1
LD (Kg / m3 )
( SLAxLT )
65
(a) (b)
(c) (d)
Figure 19 : Broyeur Moulinex AR100 (a), Poudre de feuilles obtenue après broyage (b), Stabilisation des
échantillons (c), Echantillon stabilisé (d).
(a) (b)
66
SPIR (figure 21a) a subie divers prétraitements dans le but d’améliorer l’information portée
par les spectres bruts. Premièrement, une analyse en composante principale (ACP), avec le
calcul de la distance au spectre moyen de la collection (distance de Mahalanobis ou test H) a
été réalisée afin de détecter les valeurs aberrantes (Halgerson et al., 2004) (figure 21b). Ce
sont des échantillons qui semblent dévier de manière importante des autres observations de la
population (Grubs, 1962 ; Carletti, 1976, 1988 ; Everit, 2002 ; Planchon, 2005 ; Saint-André,
2006). La distance de Mahalanobis pour chaque observation a été calculée par la formule
suivante (De Maesschalck et al., 2000 ; Fearn, 2011) :
Après détection des valeurs aberrantes, de nouvelles prises de spectres ont été réalisées sur les
échantillons déviants. Les échantillons ayant conservés leur déviance après les nouvelles
prises de spectres, ont été retirés de la collection. Après l’ACP, les données spectrales étaient
entachées de défauts dus à la présence de « bruit » ou à la granulométrie. Il s’agit
d’information liée à la physique du matériau mesuré puisque l’énergie diffuse recueillie
parcours le matériau. Un certain nombre de prétraitements a été appliquée pour améliorer la
qualité du signal des spectres et ne conserver que l’information liée à la chimie. La collection
spectrale brute a été soumise à une normalisation vectorielle (standard normal deviate). Il
s’agit pour chaque spectre et de façon indépendante de retrancher la moyenne des valeurs du
spectre considéré aux données du spectre initial pour le centrer, puis le spectre centré est
divisé par l’écart type des données du spectre initial, on parle des données centrées et réduites
(figure 21c). Cette transformation a permis d’éliminer les effets physiques d’ordre
granulométrique sur l’absorbance. Ensuite, la collection spectrale a subi une dérivation
seconde, afin d’améliorer la résolution des pics spectraux (figure 21d). Après les
prétraitements, la prédiction NIRS a été effectuée. La méthode des moindres carrés partiels ou
PLS (Partial Least Square) a été utilisée. La PLS est conçue pour ajuster un modèle statistique
reliant des variables explicatives X à des variables à expliquer Y. Cette procédure est
principalement utile lorsqu'il y a de nombreuses variables prédictives et que le but premier
est de prévoir les variables de réponse. Il s’agit donc par cette méthode d’établir un modèle
67
liant une variable à prédire Y avec les données spectrales recueillies dans une matrice X. Le
modèle de régression est donné par l’équation de régression linéaire classique:
Y = β0 + ΣXi βi
La PLS produit une erreur standard de calibration plus faible et une valeur de R² élevée
comparativement à la régression linéaire séquentielle (Bolster et al., 1996).
(a) (b)
(c) (d)
Figure 21 : Collection spectrale brule (a), Détection des valeurs aberrantes par ACP (distances de
Mahalanobis) (b), Normalisation vectorielle (c), Dérivation seconde (d).
68
La quantité d’azote par unité de surface foliaire (Na)
La quantité d’azote par unité de surface foliaire a été calculée en faisant le rapport entre la
teneur en azote (N) des feuilles converties en gramme et la surface spécifique foliaire (SLA).
N
Na ( g / m ²)
SLA
Où
y est le vecteur de mesures relatif à chaque pied mère pour les variables PROD et CUT ; p est
le vecteur de l’effet fixe lié à la période de propagation ; m est le vecteur des effets aléatoires
liés aux mâles, m ~N(0, ²m Id), 0 est le vecteur des valeurs nulles, Id est la matrice
d’identité ; f est le vecteur des effets aléatoires liés aux femelles, f ~N(0, ²f Id) ; mf est le
vecteur des effets aléatoires d’interaction entre mâles et femelles, mf ~N(0, ²mf Id) ; pm est
le vecteur des effets aléatoires d’interaction entre mâles et la période de propagation, pm
~N(0, ²pm Id) ; pf est le vecteur des effets aléatoires d’interaction entre femelles et la période
de propagation, pf ~N(0, ²pf Id) ; pmf est l’effet aléatoire d’interaction entre la famille et la
période de propagation, pmf ~N(0, ²pmf Id) ; est le vecteur de l’erreur résiduelle, ~N(0,
²e Id).
Le modèle (1) a été appliqué en utilisant les types de variables suivants : (i) la variable de
réponse (y) est une variable non transformée, (ii) la variable de réponse (y) est transformée
par deux types de fonctions, une fonction log(x) pour PROD et une fonction logit[(1+x)/(1-x)]
69
pour RCUT. Pour CUT, une pondération par la variable PROD a été utilisée aussi bien avec
les données originales que transformées.
Dans le but de compléter la première approche statistique, le modèle linéaire mixte généralisé
(GLMM) a été utilisé (Mc-Cullah et Nelder, 1989; Bolker et al., 2008). Le GLMM est une
extension du GLM (General Linear Model) dans le lequel le prédicteur linéaire contient des
effets aléatoires additionnés à des effets fixes. C’est aussi une extension du LMM, dans les
cas de distribution autre que normale, telle que binomiale ou poisson. Le GLMM impose une
spécificité de la distribution avec une fonction de lien qui connecte la variable de réponse aux
variables expliquées du modèle. Pour PROD, la distribution était celle de Poisson et la
fonction de lien utilisé a été le logarithme naturel. Pour CUT, la distribution était binomiale et
la fonction de lien utilisé a été logistique.
70
²D = 4 x ²fm est la variance de dominance de la population hybride ;
²G = ½(²Am + ²Af) + ²D est la variance génétique totale de la population hybride.
²A
h²ss =
²m + ²f + ²mf + ²pm + ²pf + ²pmf + ²e
²A + ²D
H²sl =
²m + ²f + +²mf + ²pm + ²pf + ²pmf + ²e
2 σ2A
hss =
log 1
²m + ²f + +²mf + ²pm + ²pf + ²pmf + φ ln(y̅ + 1)
g
2 σ2A + σ2D
Hsl =
log 1
2 m + 2 f + 2 mf + 2 pm + 2 pf + 2 pmf + φ ln (y̅ + 1)
g
La variable CUT répond à une distribution de type binomiale, la fonction de lien utilisée est
logistique. Les héritabilités au sens strict et large ont été calculées par les formules suivantes :
²A
h²ss logit =
²m + ²f + ²mf + ²pm + ²pf + ²pmf + φ π²/3
71
²A + ²D
H²sl logit =
²m + ²f + ²mf + ²pm + ²pf + ²pmf + φπ²/3
Les corrélations additive (ρA), de dominance (ρD), génétique totale (ρG) et environnementale
(ρE) entre deux traits (x et y) ont été estimées en utilisant une analyse bivariée avec le modèle
d’analyse (1). σ²x, σ²y représentent la variance de chacun des traits x et y et Cov(x,y) la
covariance entre x et y.
Cov D ( x, y )
D
Dx . Dy
CovG ( x, y )
G
Gx . Gy
Cove ( x, y )
e
ex . ey
Les variances et covariances associées aux effets aléatoires ont été estimées par la méthode du
maximum de vraisemblance restreint (REML) dans ASReml version 3 (Gilmour et al., 2006).
Les erreurs standards des variances, héritabilités et corrélations ont été calculées dans
ASReml en utilisant les séries d’approximation standard de Taylor (Gilmour et al., 2006).
72
Où p est le vecteur de l’effet fixe période de propagation, u est le vecteur des effets aléatoires
additives u ~N(0; σ²a A) avec A la matrice de relationship entre les individus, définie par le
pédigrée, fam est le vecteur des effets aléatoires dues à la famille non expliqués par les effets
additives, fam ~ N(0; σ²f Id), pu est le vecteur des effets aléatoires entre l’effet additive u et la
période de propagation p, pu ~N(0, ²puId), pfam est le vecteur des effets aléatoires
d’interaction entre la famille et la période de propagation, pfam ~N(0, ²pfamId), est le
vecteur de l’erreur résiduelle, ~N(0, ²eId).
Les composantes de la variance ont été estimées en utilisant ASReml version 3 (Gilmour et
al., 2006).
La précision de sélection générée par les trois approches statistiques (LMM avec les variables
non transformées, LMM avec les variables transformées, GLMM) a été évaluée en moyennant
la précision individuelle des valeurs génétiques prédites (ri) calculée par la formule suivante :
s i2
ri 1
(1 f i ) a2
Où si² est ‘l’erreur de prédiction de la variance’ des valeurs génétiques prédites (Gilmour et
al., 1995), fi est le coefficient d’inbreeding des ith individus et σ²a est la variance additive ; si²
et fi ont été estimés avec ASReml version 3 (Gilmour et al., 2006).
La comparaison de classement a été faite en estimant le coefficient de corrélation de
Spearman entre les différentes approches.
y = µ1n + XB + ZX(B)X(B) + ZYY + ZMM + ZFF + ZMFMF + ZCC + Zplotplot + Modèle (3)
Où :
y est le vecteur de mesures relatif à chaque individu ; B est le vecteur de l’effet fixe du bloc ;
X(B) est le vecteur des effets aléatoires des colonnes dans les blocs, X(B) ~N(0, ²X(B)Id) ; Y
73
est le vecteur des effets aléatoires liés aux lignes, Y ~N(0, ²Y Id) ; M est le vecteur des effets
aléatoires liés aux mâles, M ~N(0, ²M GIV), GIV est la matrice inverse de relationship
dérivant du pédigrée ; F est le vecteur des effets aléatoires liés aux femelles, F ~N(0, ²F
GIV) ; MF est le vecteur des effets aléatoires d’interaction entre mâles et femelles, MF ~N(0,
²MF GIV) ; C est le vecteur des effets aléatoires des clones, C ~N(0, ²C Id) ; plot est le
vecteur des effets aléatoires liés aux parcelles, plot ~N(0, ²plot Id) ; est le vecteur de
l’erreur résiduelle, ~N(0, ²e Id).
σ2GUG = σ2AU + σ2AG + σ2DUG + σ2AUAU + σ2AUAG + σ2AGAG + σ2AUDUG + σ2AGDUG + σ2DUGDUG …
Cov (x, y) GUG = ΦU σ2AU + ΦG σ2AG + ΦUΦG σ2DUG + Φ2U σ2AUAU + Φ2Gσ2AGAG + ΦUΦG σ2AUAG +
Avec Φi = le coefficient de relationship (la probabilité pour que les gènes originaires de la
population i soit identique par descendance). Par exemple, pour les familles de demi-frères,
ΦU = (1+F1)/2 et ΦG = 0. Pour les familles de pleins-frères, ΦU = (1+F1)/2 et ΦG = (1+F2)/2.
F1 et F2 sont les coefficients d’inbreeding.
Sous les conditions d’une population idéale en équilibre d’Hardy Weinberg et en se basant sur
un équilibre de liaison aux loci des gènes contrôlant l’expression des caractères étudiées, les
composantes de la variance ont été données par les équations suivantes :
σ²A = σ²AU + σ²AG
σ²DUG = σ²FxM
74
σ²I’= σ²C
2 A 2 D 2 I ′
; ; ;
2 G 2 G 2 G
²D ²I′
; ;
²A ²A
2-6-2-2- Héritabilités
Les héritabilités au sens large et strict ont été calculées avec les formules classiques :
²A
h² =
²B + ²X(B) + ²Y + ²G + ²plot + ²e
75
y = Xdd + ZB(d)B(d) + ZMM + ZFF + ZMFMF + ZCC + ZdMdM + ZdFdF + ZdMFdMF + ZdCdC +
Modèle (4)
Où
y est le vecteur de mesures relatif à chaque individu ; d est le vecteur de l’effet fixe de la
densité ; B(d) est le vecteur des effets aléatoires blocs dans densité, B(d) ~N(0, ²B(d) Id) ; M
est le vecteur des effets aléatoires liés aux mâles, M ~N(0, ²M GIV) ; F est le vecteur des
effets aléatoires liés aux femelles, F ~N(0, ²F GIV) ; MF est le vecteur des effets aléatoires
d’interaction entre mâles et femelles, MF ~N(0, ²MF GIV) ; C est le vecteur des effets
aléatoires des clones, C ~N(0, ²C Id) ; dM est le vecteur des effets aléatoires d’interaction
entre densités et mâles, dM ~N(0, ²dM Id) ; dF est le vecteur des effets aléatoires
d’interaction entre densité et femelles, dF ~N(0, ²dF Id) ; dMF est le vecteur des effets
aléatoires d’interaction entre densité et familles, dMF ~N(0, ²dMF Id) ; dC est le vecteur des
effets aléatoires d’interaction densité et clones, dC ~N(0, ²dC Id) ; est le vecteur de l’erreur
résiduelle, ~N(0, ²e Id).
Comme pour le modèle (3), la modélisation des matrices de variance-covariances des effets
mâles, femelles et familles a été faite conformément au modèle de Stuber et Cockerham
(1966), considérant la structure hybride de la population étudiée. Par contre les termes
d’interactions de la densité avec les effets principaux mâles, femelles et familles n’ont pas été
modélisés selon le modèle de Stuber et Cockerham (1966), à cause des singularités observées
au niveau des matrices correspondantes.
σ²D×d = 4σ²d×MF = σ²D×d + 1/2 σ²AA×d + 1/2 σ²AD×d + ¼σ²DD×d + 12/32 σ²AAA×d + ¼ σ²ADD×d + 1/8
76
En fonction de la structure génotypique du matériel végétal, l’interaction G×E a été calculée
comme suit :
σ²FS×d = σ²d×M + σ²d×F + σ²d×MF = ½ σ²A×d + ¼ σ²D×d + ¼ σ²AA×d + 1/8 σ²AD×d + 1/16 σ²DD×d …
σ²C×d = σ²d×M + σ²d×F + σ²d×MF + σ²d×C = σ²A×d + σ²D×d + σ²AA×d + σ²AD×d + σ²DD×d…
2-6-2-4- Corrélations
Les corrélations additives (ρA), de dominance (ρD), d’épistasie (ρI’), environnementale (ρE) et
phénotypique (ρP) entre deux traits (x et y) ont été estimées en utilisant des analyses bivariées
en mono site avec le modèle (3) sans l’effet plot (écarté du modèle pour permettre la
convergence du modèle vers les solutions) :
Où
y est le vecteur de mesures relatif à chaque individu ; B est le vecteur de l’effet fixe du bloc ;
X(B) est le vecteur des effets aléatoires des colonnes dans les blocs, X(B) ~N(0, ²X(B)Id) ; Y
est le vecteur des effets aléatoires liés aux lignes, Y ~N(0, ²Y Id) ; M est le vecteur des effets
aléatoires liés aux mâles, M ~N(0, ²M GIV) ; F est le vecteur des effets aléatoires liés aux
femelles, F ~N(0, ²F GIV) ; MF est le vecteur des effets aléatoires d’interaction entre mâles
et femelles, MF ~N(0, ²MF GIV) ; C est le vecteur des effets aléatoires des clones, C ~N(0,
²C Id) ; est le vecteur de l’erreur résiduelle, ~N(0, ²eUS), US est la matrice de
covariance non structurée.
77
Avec σ²x, σ²y représentant les variances de chacun des traits x et y et Cov(x,y) la covariance
entre x et y, les coefficients de corrélation ont été calculés par les formules suivantes :
- Corrélation de dominance
Cov DUG ( x, y )
D
DUGx DUGy
- Corrélation d’épistasie
Cov I ' ( x, y )
I'
I 'x I ' y
- Corrélation environnementale
Cov e ( x, y )
e
ex ey
- Corrélation phénotypique
Cov P ( x, y )
P
Px Py
Les corrélations inter-environnements (corrélations site-site) pour un même caractère ont été
effectuées avec les valeurs des BLUPs des mâles, femelles, familles et clones. Ces valeurs des
BLUPs ont été générées par le modèle mixte utilisé (Henderson, 1975).
78
Chapitre III : RESULTATS
3,00
2,50
Production moyenne
2,00
1,50
1,00
0,50
0,00
0 50 100 150 200 250 300 350 400
Age (jj)
Figure 22 : Evolution de la production des boutures avec l’âge des pieds mères.
79
pour PROD (de 8,71 à 6,03) et pour RCUT (de 64,4 à 74,9%) est significative à p= 0,05,
montrant ainsi un effet de la période de récolte sur l’aptitude au bouturage. Le coefficient de
variation (CV) est très élevé pour PROD et augmente avec l’âge (55 à 100%). La même
tendance est observée pour CUT avec une augmentation de 72 à 95%. Pour RCUT le CV a été
noté stable, autour de 30%. Le coefficient de variation des caractères de croissance varie entre
34 et 41% (tableau 7).
*Les données de croissance au champ ont été mentionnées dans ce tableau à titre indicatif car
elles ont servi pour le calcul des corrélations entre variable de pépinière et de plein champ.
**0 correspond aux arbres qui n’ont pas encore atteint 1,3 m de hauteur.
La figure 23 présente les distributions de fréquences associées aux trois variables étudiées
pour des deux périodes de propagation. Les distributions ne suivent pas une allure normale.
Pour les variables de comptable telles que PROD et CUT, les distributions répondent à la loi
de Poisson. Pour la variable relative RCUT, la distribution répond à la loi binomiale.
80
Période de récolte 1 Période de récolte 2
40 40
Fréquence (%)
Fréquence (%)
30 30
20 20
10 10
0 0
0 5 10 15 20 25 30 0 5 10 15 20 25 30
PROD PROD
30 30
Fréquence (%)
Fréquence (%)
20 20
10 10
0 0
0 3 6 9 12 15 18 21 0 3 6 9 12 15 18 21 23
CUT CUT
20 40
Fréquence (%)
Fréquence (%)
15 30
10 20
5 10
0 0
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
RCUT RCUT
81
prédomine sur les autres composantes de la variance phénotypique, traduisant un fort effet de
l’environnement sur l’aptitude au bouturage.
La variance due aux femelles est plus faible que celle due aux mâles et à la famille. Les
variances relatives aux interactions entre la période de récolte et les effets génétiques sont
prépondérantes pour quelques effets génétiques comme l’effet mâle et d’interaction mâle ×
femelle.
Comme pour les effets principaux, les variances additive et de dominance estimées varient
avec la transformation de variable et les modèles. Par exemple pour PROD, σ²A = 5,86 avec la
modélisation LMM, σ²A = 0,19 pour la même modélisation avec la transformation de données
et σ²A = 0,27 avec la modélisation GLMM et ψ=1. Bien que les estimations des composantes
de la variance varient avec le type de modèle utilisé et la transformation de variable, le ratio
entre les composantes de dominance et additive de la variance génétique (σ²D/σ²A) varie dans
une moindre mesure et est plus ou moins proche de 1 suivant le modèle utilisé et la
transformation appliquée. La variation du ratio σ²D/σ²A se situe entre 1,43 avec la modélisation
LMM sans transformation et 1,07 avec la modélisation GLMM et ψ=1 (tableau 8).
Les héritabilités au sens large et strict varient elles aussi en fonction du modèle utilisé. Par
exemple h²ss = 0,18 et H²sl= 0,44 avec la modélisation LMM sans transformation, tandis que
h²ss = 0,43 et H²sl=0,89 avec la modélisation GLMM (Tableau 8). Comme attendu, les valeurs
d’héritabilité au sens large sont plus fortes que celles d’héritabilité au sens strict. Cette
tendance est conservée quel que soit le modèle et la formule utilisée (tableau 8). Des résultats
similaires ont été observés pour la variable CUT ou RCUT (Tableau 9) : les estimations des
composantes de la variance varient en fonction du modèle et la transformation de variable, la
variance résiduelle est prépondérante, la variance due aux mâles est plus élevée que celle due
aux femelles et le ratio σ²D/σ²A varie entre 0,91 et 1,57. Comme pour PROD, le contrôle
génétique de CUT a été noté plus faible pour la modélisation LMM (h²ss = 0,09 et H²sl=0,18)
que pour la modélisation GLMM (h²ss = 0,19 et H²sl=0,42). Le contrôle génétique de CUT est
plus faible que celui de PROD.
82
Tableau 8 : Estimations des composantes de la variance et des paramètres génétiques pour la production de boutures (PROD) avec le modèle parental (modèle 1).
83
Tableau 9 : Estimations des composantes de la variance phénotypique et paramètres génétiques pour le nombre de boutures réussies (CUT) avec le modèle parental
(modèle 1).
84
3-1-3- Corrélations entre caractères
Afin d’éviter le biais dû à une autocorrélation entre le nombre de boutures produites et celui
réussies, les corrélations ont été calculées entre le nombre de boutures produites (PROD) et le
pourcentage de réussite au bouturage (RCUT). Pour les variables non transformées (PROD
avec RCUT) et les variables transformées (LogPROD et LogitCUT), les corrélations additive,
de dominance et génétique totale ont été notées élevées, supérieures à 0,5, respectivement
ρA=0,98 et ρA=0,96 pour les effets additifs, ρD=0,71 et ρD=0,60 pour les effets de dominance,
ρG=0,69 et ρG=0,57 pour la totalité des effets génétiques. Les résultats traduisent une forte
liaison génétique entre les deux variables. Les corrélations résiduelles trouvées sont faibles,
comprises entre -0,10 et 0,15, prouvant une quasi-indépendance des effets environnementaux
sur les deux caractères, les effets résiduels ne sont pas les mêmes pour ces deux caractères.
85
Tableau 10 : Corrélation génétiques entre l’aptitude au bouturage et la croissance initiale des boutures au champ.
86
3-1-4- Impact de la modélisation et de la transformation de variable sur la
précision de sélection
L’impact des différentes approches utilisées (LMM avec variables non transformées, LMM
avec variables transformées et GLMM) sur les paramètres génétiques a été appréhendé par
l’analyse de la précision individuelle des valeurs génétiques prédites. Les résultats des
paramètres génétiques obtenus avec le modèle 2 sont présentés dans les tableaux 11 et 12.
Pour PROD (tableau 11), les résultats sont plus consistants avec le modèle parental. Pour
CUT (tableau 12), la variance additive est plus faible que la variance de dominance, et par
voie de conséquence, le ratio σ²D/σ²A est élevé.
Il ressort de cette étude d’impact, qu’une meilleure précision de sélection correspond à une
forte héritabilité au sens strict. Par exemple, la variable PROD qui présente une meilleure
précision de sélection comparativement à la variable CUT, présente une forte héritabilité au
sens strict (tableaux 11 et 12).
La précision de sélection obtenue avec les trois approches statistiques montre que les
estimations sont meilleures en utilisant la modélisation LMM pour la variable PROD avec les
données originales et transformées (r = 0,69 et r = 0,74) qu’en utilisant la modélisation
GLMM (r = 0,46) qui présente une faible héritabilité au sens strict (tableau 11). Pour CUT,
les différences entre les trois approches sont très faibles (r = 0,32 pour GLMM, r = 0,33 pour
LMM avec transformation des données, r = 0,35 pour LMM sans transformation des
données). Ces résultats sont illustrés par les corrélations significatives des valeurs prédites
entre les différentes approches. Les corrélations sont fortes pour CUT (variant entre 0,92 et
0,99) que pour PROD (variant entre 0,75 et 0,94) (figure 24). Cependant la comparaison entre
l’approche LMM et GLMM mérite d’être faite avec attention, d’autant plus que l’estimation
des paramètres dépendent des conditionnalités et postulats différents, et se fait à différentes
échelles.
87
Tableau 11 : Composantes de la variance et paramètres génétiques obtenus avec le modèle individuel pour PROD.
88
Tableau 12 : Composantes de la variance et paramètres génétiques obtenus avec le modèle individuel pour CUT.
89
(a) (b)
Figure 24 : Corrélations entre les valeurs prédites obtenues avec les 3 approches et le modèle individuel.
Légende : Axe des abscisses – LMM : valeurs prédites déterminées avec le modèle linéaire mixte sans
transformation de variables ; LMM-LOG et LMM-LOGIT : valeurs prédites déterminées avec le modèle linéaire
mixte avec transformation de variables. Axe des ordonnées – GLMMDISP = 1 : valeurs prédites déterminées
avec le modèle linéaire mixte généralisé et le paramètre de dispersion égal à 1 ; LMM-LOG et LMM-LOGIT :
valeurs prédites déterminées avec le modèle linéaire mixte avec transformation de variables.
90
3-2- Analyse des composantes de la variance phénotypique dans
une population d’hybride E. urophylla × E. grandis
3-2-1- Analyse de la mortalité
La mortalité des arbres dans le test de descendances à densité 833 tiges/ha évolue
progressivement avec l’âge à des proportions suivantes : 14% à 8 mois, 17% à 18 mois, 18%
à 25 mois et 19% à 32 mois. Dans le test de descendances à densité 2500 tiges/ha, la mortalité
a été notée plus faible avec des valeurs suivantes : 8 % à 8 mois, 11% à 18 mois et 13% à 25
mois. Les différences de mortalité à chaque âge entre les deux densités sont statistiquement
significatives.
3-2-2-1- Croissance
La hauteur moyenne des arbres augmente, naturellement, entre 8 et 32 mois. Elle est
supérieure dans le test de descendance à forte densité comparativement au test de descendance
à faible densité. La circonférence suit la même tendance à 18 mois, mais à 25 mois, la
circonférence moyenne dans les deux tests est presque égale, avec une légère supériorité pour
la faible densité (tableau 13). Entre 8 et 25 mois, la variabilité phénotypique de la hauteur des
arbres est supérieure en milieu moins contraint (833 tiges/ha) qu’en milieu plus contraint
(2500 tiges/ha). Cette supériorité diminue avec l’âge (20% à 8 mois, 15% à 18 mois, 10% à
25 mois). Dans les deux milieux la variabilité phénotypique baisse avec l’âge (tableau 13).
Les distributions des fréquences de la hauteur et de la circonférence à différents âges sont
présentées en annexe 7.
91
Tableau 13 : Statistiques descriptives des caractères de croissance.
92
Tableau 14 : Statistiques descriptives des traits écophysiologiques.
93
Globalement, les traits écophysiologiques sont moins variables phénotypiquement par rapport
aux caractères de croissance (tableau 13 et 14). Entre les traits écophysiologiques, l’épaisseur
du limbe des feuilles est le moins phénotypiquement variable (CV autour de 14 %).
Les distributions des fréquences des traits écophysiologiques à 8 et 18 mois sont présentées en
annexe 7.
45,00 45,00
40,00 40,00
35,00 35,00
Suf (cm²)
Suf (cm²)
30,00 30,00
25,00 25,00
20,00 20,00
Moyenne Suf8 familles Moyenne Suf8 familles
15,00 15,00
Moyenne Suf18 familles Moyenne Suf18 familles
(a) (b)
25,00 25,00
20,00 20,00
SLA (m²/kg)
SLA (m²/kg)
15,00 15,00
10,00 10,00
(a) (b)
Figure 25 : Evolution avec l’âge des moyennes par famille de la surface unitaire des feuilles et de la
surface spécifique foliaire dans les densités 833 (a) et 2500 (b) tiges/ha.
94
0,25 0,25
0,20 0,20
LT (mm)
LT (mm)
0,15 0,15
(a) (b)
600,00 600,00
550,00 550,00
500,00 500,00
450,00 450,00
LD (kg/m3)
LD (kg/m3)
400,00 400,00
350,00 350,00
300,00 300,00
250,00 250,00
(a) (b)
Figure 26 : Evolution avec l’âge des moyennes par famille de l’épaisseur du limbe et de la densité foliaire
dans les densités 833 (a) et 2500 (b) tiges/ha.
95
5,00 5,00
4,00 4,00
3,00 3,00
N (%ms)
N (%ms)
2,00 2,00
1,00 1,00
(a) (b)
2,5 2,5
2,0 2,0
Na (g/m²)
Na (g/m²)
1,5 1,5
1,0 1,0
Moyenne Na familles Moyenne Na familles
Moyenne Na familles Moyenne Na18 familles
(a) (b)
Figure 27 : Evolution avec l’âge des moyennes par famille de la concentration foliaire d’azote et de la
quantité d’azote par unité de surface foliaire dans les densités 833 (a) et 2500 (b) tiges/ha.
96
3-2-3- Composantes de la variance et leur ratio
3-2-3-1- Croissance
Le modèle (3) d’analyse de variance utilisé prend en compte les effets environnementaux
relatifs à la localisation des arbres sur une même ligne ou une même colonne et aussi au sein
d’un même placeau (effet plot). Les variances des composantes spatiales lignes (σ²Y) et
colonnes dans blocs (σ²X(bloc)) sont faibles à nulles, exceptées les variances colonnes dans blocs
à partir de 18 mois (Tableau 15). L’effet placeau (σ²plot) qui représente les différences entre
parcelle unitaire, est plus important dans le dispositif à faible densité, tandis qu’il est presque
nul ou complètement nul dans le dispositif à forte densité (tableaux 15).
Tableau 15 : Variances des effets lignes, colonnes dans blocs et plot dans les deux densités de plantation.
HT8 HT18 HT25 HT32
Variances Densité estimations se estimations se estimations se estimations se
(tiges/ha)
833 0,00 0,00 0,02 0,02 0,03 0,04 0,04 0,06
σ²Y
2500 0,00 0,00 0,06 0,03 0,07 0,05
833 0,04 0,01 0,23 0,05 0,47 0,10 0,58 0,14
σ²X(bloc)
2500 0,03 0,01 0,10 0,03 0,33 0,08
833 0,07 0,01 0,71 0,11 1,67 0,26 2,15 0,35
σ²plot
2500 0,02 0,00 0,05 0,03 0,00 0,00
97
σ²e σ²I σ²e σ²I σ²D/σ²A σ²I'/σ²A σ²D/σ²A σ²I'/σ²A
σ²D σ²A σ²D σ²A
10 10 4,00 4,00
8 8 3,00 3,00
Variance 6
6
Variance 2,00
(m²) 4 4 Ratio 2,00
(m²) Ratio
2 2 1,00 1,00
0 0
0,00 0,00
0 10 20 30 40 -2 0 10 20 30 40
0 20 40 0 10 20 30 40
d1 d2 Age (mois) d1 -1,00
Age (mois) Age (mois) d2 Age (mois)
40 40 0,40 0,40
CV (%) CV (%) Ratio
20 20 Ratio 0,20
0,20
0 -1 0,00
0 10 20 30 40 0,00 0 20 40
0 10 20 30
d1 Age (mois) d2 0 20 40 -0,20
Age (mois) d1 d2 Age (mois)
Age (mois)
0,80 0,80
0,60 0,60
Ratio 0,40 0,40
0,20 Ratio
0,20
0,00
0,00
0 10 20 30 40
0 10 20 30
d1 Age (mois) d2 -0,20 Age (mois)
Figure 28 : Evolution avec l’âge des paramètres génétiques et environnementaux de la hauteur dans les deux densités de plantation.
98
Pour la hauteur, la variance de dominance est toujours supérieure à la variance additive (la
variance additive femelle étant supérieure à la variance additive mâle), qui elle-même est
supérieure à la variance d’épistasie (figure 28). Cette dernière est nulle dans la densité 2500
tiges/ha. Pour la circonférence on constate aussi l’importance de la variance de dominance par
rapport aux deux autres composantes de la variance génétique, mais on remarque dans la
densité 833 tiges/ha une légère supériorité de la variance d’épistasie sur la variance additive
(figure 29). Les rapports des variances additive, de dominance et d’épistasie avec la variance
génétique totale suivent également les mêmes tendances. Les proportions de dominance (D²)
et d’épistasie (I²) augmentent avec l’âge des arbres. On note une supériorité de la proportion
de dominance dans la forte densité comparativement à la faible densité.
0,60 6,00
0,40 4,00
Ratios Ratios 2,00
0,20
0,00 0,00
0 10 20 30 0 10 20 30
Age (mois) Age (mois)
h² H² I² D²
0,40
0,30
Ratios 0,20
0,10
0,00
0 10 20 30
Age (mois)
Figure 29 : Evolution avec l’âge des paramètres génétiques et environnementaux de la circonférence dans
la densité 833 tiges/ha.
99
La Proportion d’épistasie est faible par rapport à celle de dominance. Elle est nulle dans la
forte densité de plantation.
La tendance générale est à la baisse du rapport σ²D/σ²A avec l’âge. Toutefois un cas
d’augmentation de ce ratio avec l’âge a été constaté pour la circonférence dans la densité 2500
tiges/ha. La densification a pour effet d’augmenter ce ratio pour la hauteur et de le baisser
pour la circonférence. Dans la densité 833 tige/ha, le ratio σ²I’/σ²A augmente entre 8 et 18 mois,
puis devient stable jusqu’à 32 mois pour la hauteur. Il baisse avec l’âge pour la circonférence.
Quelle que soit la densité et la variable, le coefficient de variation résiduelle baisse avec l’âge
des arbres (figures 28 et 29), sauf pour la circonférence dans la forte densité, où elle augmente
assez légèrement (tableau 16). La variabilité des effets additifs des gènes contrôlant la
croissance en hauteur est stable (autour de 13%) dans la faible densité de plantation et
100
augmente très peu avec l’âge dans la forte densité de plantation. La tendance à l’augmentation
de la variabilité des effets additifs est nettement observée pour la circonférence, peu importe
la densité de plantation. Pour la hauteur des arbres, le coefficient de variation des effets de
dominance augmente avec l’âge dans la faible densité de plantation, tandis qu’il reste stable
avec l’âge dans la forte densité de plantation. Pour la circonférence, le CVD augmente entre
18 et 25 mois quelle que soit la densité, puis baisse à 32 mois. Concernant les effets
épistatiques, leur variabilité augmente entre 8 et 18 mois pour la hauteur puis baisse et reste
stable entre 25 et 32 mois dans la faible densité de plantation, cette variabilité est nulle pour la
hauteur dans la forte densité de plantation. Cependant, pour la circonférence, le CVI est stable
avec l’âge (13 %) dans la faible densité, il baisse avec l’âge dans la forte densité (figure 29,
tableau 16).
Les héritabilités au sens large et strict pour les caractères de croissance augmentent avec l’âge
des arbres (H² = 0,15 à 0,45 ; h² = 0,04 à 0,14 pour la hauteur de 8 à 32 mois ; H² = 0,18 à
0,32 ; h² = 0,02 à 0,07 pour la circonférence de 18 à 32 mois). Quelle que soit l’âge et la
densité, le contrôle génétique de la hauteur est plus élevé que celui de la circonférence. En
comparant les héritabilités entre les deux densités de plantation, on trouve qu’elles sont
légèrement plus élevées pour la hauteur dans la forte densité entre 8 et 18 mois. A 25 mois on
observe une presque égalité des héritabilités au sens large (H² = 0,41 dans la faible densité
contre H² = 0,40 dans la forte densité), mais toujours une supériorité dans la forte densité pour
l’héritabilité au sens strict (h² = 0,14 contre h² = 0,12). Pour la circonférence Des résultats
similaires ont été trouvés (à 18 mois, H² = 0,19 ; h² = 0,07 dans la forte densité, contre H² =
0,18 ; h² = 0,02 dans la faible densité ; à 25 mois, H² = 0,23 ; h² = 0,06 dans la forte densité,
contre H² = 0,31 ; h² = 0,05 dans la faible densité.
101
Tableau 17 : Variances résiduelle et environnementales des traits écophysiologiques.
833 tiges/ha 2500 tiges/ha
Paramètres Estimations se Estimations se Estimations se Estimations se
Suf8 Suf18 Suf8 Suf18
σ²Y 0,80 0,48 0,11 0,29 0,00 0,00 0,30 0,39
σ²X(bloc) 7,50 1,36 3,85 0,79 4,23 0,97 1,95 0,59
σ²plot 7,04 1,49 5,45 1,08 3,09 0,85 2,58 0,77
σ²e 62,02 2,12 43,25 1,45 49,39 1,62 56,91 1,50
SLA8 SLA18 SLA8 SLA18
σ²Y 0,00 0,00 0,01 0,03 0,16 0,10 0,16 0,12
σ²X(bloc) 0,35 0,10 0,22 0,07 0,32 0,12 0,24 0,12
σ²plot 1,20 0,23 1,03 0,17 1,52 0,28 0,62 0,20
σ²e 7,90 0,27 5,69 0,19 11,25 0,37 16,37 0,43
LT8 LT18 LT8 LT18
σ²Y 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00001 0,00000
σ²X(bloc) 0,00001 0,00000 0,00003 0,00001 0,00001 0,00000 0,00002 0,00001
σ²plot 0,00018 0,00002 0,00048 0,00006 0,00018 0,00002 0,00026 0,00004
σ²e 0,00022 0,00001 0,00035 0,00001 0,00020 0,00001 0,00052 0,00002
LD8 LD18 LD8 LD18
σ²Y 17,29 15,17 5,51 28,25 11,16 13,74 39,11 17,82
σ²X(bloc) 54,76 22,64 0,00 0,00 16,47 12,28 21,68 13,48
σ²plot 787,49 122,16 2835,40 383,21 941,33 126,74 1135,50 158,30
σ²e 2283,70 78,13 5540,10 177,88 1643,10 54,93 2060,40 65,08
N8 N18 N8 N18
σ²Y 0,00 0,00 0,00 0,00 0,01 0,00 0,00 0,00
σ²X(bloc) 0,02 0,00 0,01 0,00 0,01 0,00 0,00 0,00
σ²plot 0,03 0,01 0,02 0,00 0,05 0,01 0,01 0,00
σ²e 0,18 0,01 0,06 0,00 0,22 0,01 0,12 0,00
Na8 Na18 Na8 Na18
σ²Y 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001
σ²X(bloc) 0,0004 0,0001 0,0001 0,0001 0,0001 0,0001 0,0002 0,0001
σ²plot 0,0010 0,0002 0,0019 0,0003 0,0010 0,0002 0,0005 0,0001
σ²e 0,0069 0,0002 0,0111 0,0004 0,0067 0,0002 0,0081 0,0003
102
La variance résiduelle des surfaces unitaire et spécifique foliaire baisse avec l’âge dans
l’environnement le moins contraint et augmente avec l’âge dans l’environnement le plus
contraint. Celle de la concentration foliaire en azote baisse avec l’âge dans les deux
environnements, et augmente avec l’âge dans les deux environnements pour l’épaisseur du
limbe et la quantité d’azote par unité de surface foliaire (tableau 17).
La supériorité de la variance additive femelle sur la variance additive mâle est trouvée dans
certains cas, mais aucune tendance claire n’est définie dans l’ensemble. Toutefois, pour les
variables suivantes : SLA, N, et LT, la variance additive de l’hybride est exclusivement
d’origine femelle (tableau 18). L’évolution des composantes de la variance génétique varie en
fonction des variables (tableau 18). Par exemple pour la surface spécifique foliaire, les
variances additive et d’épistasie baissent avec l’âge dans les deux environnements, tandis que
la variance de dominance augmente.
Les proportions des variances additive, de dominance et d’épistasie dans la variance génétique
totale varient en fonction de l’âge et de la densité. Le ratio σ²A/σ²G est plus élevé dans la
densité 2500 tiges/ha que dans la densité 833 tiges/ha (tableau 19). Il est également plus élevé
par rapport aux deux autres ratios (σ²D/σ²G et σ²I'/σ²G) pour les variables SLA et N dans les
deux environnements, et Na dans l’environnement le plus dense. Le ratio σ²D/σ²G est
cependant plus élevé pour Na dans l’environnement le moins contraint. Le ratio σ²I'/σ²G quant
à lui, est plus important pour les variables LT à 18 mois dans la faible densité. Quelque fois
on observe une égalité entre σ²A/σ²G et σ²I'/σ²G (pour Na et LT à 8 mois).
La tendance générale avec les variables suivantes SLA, LD, N et Na est à l’augmentation du
ratio σ²D/σ²A avec l’âge. Ce ratio baisse avec l’âge pour la surface unitaire foliaire (Suf). La
tendance pour LT est confuse.
Le ratio σ²I’/σ²A diminue avec l’âge pour SLA. Pour le reste des traits la tendance n’est pas
clairement observable.
103
Tableau 18 : Composantes de la variance génétique des traits écophysiologiques.
833 tiges/ha 2500 tiges/ha
Paramètres Estimations se Estimations se Estimations se Estimations se
Suf8 Suf18 Suf8 Suf18
σ²Am 2,82 2,82 4,48 3,76 4,52 3,91 2,80 2,36
σ²Af 4,35 2,96 13,97 7,26 16,27 8,07 11,80 5,68
σ²A 7,17 4,15 18,44 8,32 20,79 8,92 14,61 6,24
σ²D 9,25 5,77 13,69 6,21 12,78 6,15 7,40 3,68
σ²I' 4,62 1,48 16,78 1,53 23,85 2,04 0,00 0,00
SLA8 SLA18 SLA8 SLA18
σ²Am 0,00 0,00 0,00 0,00 0,38 0,35 0,63 0,47
σ²Af 0,94 0,52 0,76 0,44 1,60 0,81 0,56 0,40
σ²A 0,94 0,52 0,76 0,44 1,98 0,88 1,19 0,62
σ²D 0,50 0,68 0,81 0,54 0,00 0,00 0,47 0,63
σ²I' 0,71 0,20 0,46 0,13 1,59 0,27 0,00 0,00
LT8 LT18 LT8 LT18
σ²Am 0,00000 0,00000 0,00000 0,00000 0,00001 0,00001 0,00000 0,00000
σ²Af 0,00005 0,00003 0,00006 0,00004 0,00006 0,00003 0,00009 0,00006
σ²A 0,00005 0,00003 0,00006 0,00004 0,00007 0,00004 0,00009 0,00006
σ²D 0,00013 0,00007 0,00001 0,00008 0,00000 0,00000 0,00010 0,00007
σ²I' 0,00003 0,00001 0,00010 0,00001 0,00007 0,00001 0,00001 0,00001
LD8 LD18 LD8 LD18
σ²Am 91,96 113,57 0,00 0,00 100,16 102,92 200,26 187,54
σ²Af 0,00 0,00 0,00 0,00 204,34 132,89 28,70 98,87
σ²A 91,96 113,57 0,01 0,00 304,50 162,76 228,96 219,56
σ²D 273,14 313,95 3026,20 1117,90 0,00 0,00 550,80 358,13
σ²I' 137,71 54,54 76,21 112,46 343,68 48,13 17,57 37,44
N8 N18 N8 N18
σ²Am 0,00 0,00 0,00 0,00 0,01 0,01 0,03 0,02
σ²Af 0,01 0,01 0,02 0,01 0,05 0,02 0,02 0,01
σ²A 0,02 0,01 0,02 0,01 0,06 0,03 0,05 0,02
σ²D 0,01 0,01 0,00 0,00 0,00 0,02 0,01 0,01
σ²I' 0,01 0,00 0,01 0,00 0,04 0,01 0,00 0,00
Na8 Na18 Na8 Na18
σ²Am 0,0003 0,0003 0,0000 0,0000 0,0006 0,0004 0,0002 0,0001
σ²Af 0,0000 0,0000 0,0001 0,0003 0,0001 0,0002 0,0007 0,0004
σ²A 0,0003 0,0003 0,0001 0,0003 0,0007 0,0005 0,0009 0,0004
σ²D 0,0009 0,0006 0,0030 0,0012 0,0006 0,0006 0,0001 0,0003
σ²I' 0,0003 0,0002 0,0005 0,0002 0,0007 0,0002 0,0000 0,0001
104
Tableau 19 : Rapports de variances des traits écophysiologiques.
105
Les héritabilités, ainsi que les proportions de dominance et d’épistasie varient en fonction du
caractère, de l’âge et de la densité. Des tendances claires d’évolution des héritabilités ainsi
que des proportions de dominance et d’épistasie ne sont pas évidentes (tableau 20), cependant
on peut observer pour l’ensemble des variables à l’exception de LT, une augmentation des
héritabilités avec l’âge dans la densité 833 tiges/ha. La tendance générale est à la baisse des
héritabilités avec l’âge dans la densité 2500 tiges/ha.
106
Comme pour les caractères de croissance, la variabilité des effets résiduels est plus importante
pour tous les traits écophysiologiques, à tous les âges et dans les deux environnements
(tableau 21). L’évolution avec l’âge de la variabilité des effets additifs, de dominance et
d’épistasie varie en fonction du caractère et de la densité.
108
l’ensemble des caractères et moyenne pour la surface spécifique foliaire. Dans la densité 2500
tiges/ha, ces corrélations baissent à l’exception de la surface spécifique foliaire (tableau 23).
Les graphiques illustrant les liaisons phénotypiques des différents caractères entre les deux
âges sont présentés en annexe 8.
HT25 C25 0,99 0,98 0,98 0,94 0,96 0,95 0,95 0,94 0,95 0,93 0,94 0,91
109
3-2-4-2-2- Corrélations entre traits écophysiologiques
Globalement, les résultats des corrélations entre les traits écophysiologiques présentés dans
les tableaux 25 à 29, montrent que la surface spécifique foliaire est négativement corrélée à
l’épaisseur du limbe, la densité foliaire et la quantité d’azote par unité de surface foliaire puis
positivement à la concentration foliaire en azote. L’effet de la densité de plantation est
moindre sur l’importance des liaisons entre ces traits.
Dans l’ensemble, les corrélations entre la surface unitaire des feuilles et les reste des traits
écophysiologiques sont moyennes ou faibles.
En fin, la concentration foliaire en azote est positivement corrélée à la quantité d’azote par
unité de surface foliaire. On note des fortes corrélations pour les effets additifs mâles dans les
deux densités.
110
Tableau 25 : Corrélations génétiques, environnementales et phénotypiques entre la surface spécifiques foliaire et les autres traits écophysiologiques.
d1 d2 d1 d2 d1 d2 d1 d2 d1 d2 d1 d2
Variables Type de corrélation
ρAM ρAF ρD ρI’ ρE ρP
Suf8 0,99 0,35 -0,95 -0,13 -0,42 0,13 0,28 0,18 -0,10 0,04 -0,14 0,08
LT8 0,22 0,06 -0,41 -0,56 -0,50 -0,43 0,64 -0,96 -0,42 -0,58 -0,36 -0,46
LD8 -0,79 -0,85 -0,71 -0,63 -0,82 -0,51 -0,80 -0,96 -0,79 -0,72 -0,76 -0,70
SLA8
N8 0,02 0,98 0,77 0,78 0,61 0,59 0,16 0,75 0,49 0,54 0,48 0,57
Na8 -0,54 -0,67 -0,46 -0,28 -0,54 -0,43 -0,98 -0,25 -0,44 -0,55 -0,39 -0,52
Suf18 -0,66 -0,23 -0,77 -0,29 -0,51 -0,43 0,08 0,06 -0,15 -0,26 -0,20 -0,24
LT18 0,63 0,12 -0,35 -0,51 -0,25 -0,33 -0,97 -0,29 -0,44 -0,69 -0,39 -0,63
LD18 -0,53 -0,84 -0,78 -0,36 -0,74 -0,11 -0,56 -0,25 -0 ,69 -0,64 -0,66 -0,63
SLA18
N18 0,95 0,86 0,83 0,64 0,67 0,68 0,72 -0,35 0,37 0,51 0,48 0,51
Na18 0,42 0,41 -0,56 -0,52 -0,61 -0,53 0,92 -0,18 -0,68 -0,63 -0,61 -0,58
d1 et d2 représentent respectivement les densités 833 et 2500 tiges/ha
Tableau 26 : Corrélations génétiques, environnementales et phénotypiques entre la surface unitaires des feuilles et les autres traits écophysiologiques.
d1 d2 d1 d2 d1 d2 d1 d2 d1 d2 d1 d2
Variables Type de corrélation
ρAM ρAF ρD ρI’ ρE ρP
LT8 0,32 0,65 0,22 0,13 0,16 0,14 0,44 0,20 0,21 0,10 0,17 0,08
LD8 -0,99 -0,53 0,85 0,12 0,23 -0,12 0,06 -0,35 -0,12 -0,17 0,06 -0,22
Suf8
N8 0,32 -0,84 -0,74 -0,10 -0,24 -0,02 -0,30 0,14 -0,05 0,11 0,05 0,10
Na8 -0,12 -0,79 0,21 0,04 0,22 -0,15 -0,93 -0,17 0,02 0,05 0,04 0,02
LT18 -0,52 -0,41 0,48 0,11 0,13 -0,01 0,75 0,17 0,29 0,34 0,26 0,28
LD18 0,74 -0 ,14 0,46 0,29 0,22 0,13 -0,02 0,00 -0,10 0,05 0,04 0,05
Suf18
N18 -0,74 0,02 -0,57 -0,43 -0,32 -0,26 -0,06 0,00 0,04 -0,20 0,02 -0,20
Na18 -0,39 -0,40 0,25 -0,35 0,09 -0,30 -0,48 -0,42 0,11 0 ,12 0,14 0,09
111
Tableau 27 : Corrélations génétiques, environnementales et phénotypiques entre l’épaisseur du limbe des feuilles et les autres traits écophysiologiques.
Variables d1 d2 d1 d2 d1 d2 d1 d2 d1 d2 d1 d2
Type de corrélation
ρAM ρAF ρD ρI’ ρE ρP
LD8 -0,80 -0,51 -0,21 -0,21 -0,16 -0,54 0,97 0,99 -0,17 -0,03 -0,22 -0,14
LT8 N8 -0,23 -0,51 -0,71 -0,47 -0,33 -0,4 -0,73 -0,94 -0,19 -0,34 -0,17 -0,28
Na8 -0,04 -0,37 -0,002 0,14 0,24 0,03 0,29 0,06 0,17 0,31 0,14 0,24
LD18 -0,84 -0,21 -0,06 -0,02 -0,40 -0,32 -0,11 -0,06 -0,26 -0,01 -0,26 -0,09
N18 -0,30 -0,3 -0,57 -0,25 -0,39 -0,37 -0,99 -0,27 -0,30 -0,38 -0,24 -0,33
LT18
Na18 -0,82 -0,71 -0,16 0,32 0,02 -0,12 0,63 0,97 0,21 0,48 0,20 0,42
Tableau 28 : Corrélations génétiques, environnementales et phénotypiques entre la densité foliaire et la teneur foliaire en azote.
Variables d1 d2 d1 d2 d1 d2 d1 d2 d1 d2 d1 d2
Type de corrélation
ρAM ρAF ρD ρI’ ρE ρP
N8 -0,14 0,04 -0,29 -0,55 -0,24 -0,21 -0,25 -0,92 -0,37 -0,47 -0,35 -0,48
LD8
Na8 0,40 0,75 0,46 0,25 0,55 0,37 0,53 0,37 0,49 0,40 0,40 0,36
N18 -0,24 -0,70 -0,74 -0,25 -0,37 -0,26 -0,32 -0,20 -0,18 -0,33 -0,26 -0,33
LD18
Na18 0,64 0,31 0,62 0,43 0,72 0,13 0,55 -0,03 0,70 0,51 0,61 0,42
112
Tableau 29 : Corrélations génétiques, environnementales et phénotypiques entre la concentration foliaire en azote et la quantité d’azote par unité de surface foliaire.
d1 d2 d1 d2 d1 d2 d1 d2 d1 d2 d1 d2
Type de corrélation
Variables
ρAM ρAF ρD ρI’ ρE ρP
N8 Na8 0,85 0,77 0,19 0,38 0,52 0,51 -0,82 0,28 0,58 0,40 0,56 0,35
N18 Na18 0,91 0,81 -0,33 0,67 0,06 0,64 0,82 0,17 0,34 0,29 0,30 0,33
d1 et d2 représentent respectivement les densités 833 et 2500 tiges/ha.
Les représentations graphiques des corrélations phénotypiques entre l’ensemble des traits écophysiologiques sont présentées en annexe 8.
113
3-2-4-2-3- Corrélations entre caractères de croissance et traits écophysiologiques
D’une manière générale, la croissance et les traits écophysiologiques sont liés de façon
moyenne ou faible (tableaux 30 et 31), avec quelque fois des corrélations génétiques additives
fortes dues soit aux mâles ou aux femelles. Quelques tendances se dégagent tout au moins, et
montre que la croissance est positivement liée à la surface unitaire des feuilles, négativement
liée à la surface spécifique foliaire et la concentration foliaire en azote. La densité de
plantation affaiblie les relations entre les deux types de caractères (tableaux 30 et 31).
114
3-3- Interaction Génotype × Environnement
3-3-1- Composantes de l’interaction G×E
Les tableaux 32 à 35 présentent la décomposition des composantes de l’interaction G×E pour
l’ensemble des variables étudiées. Leur analyse montre que les estimations des variances
résiduelles (σ²ed1 et σ²ed2) sont proches, sauf pour la circonférence à 25 mois, la surface
spécifique et la densité foliaire à 18 mois. L’interaction entre les effets mâles et
environnement (σ²M×E) est très faible pour quelques variables et nulle dans la majorité des cas.
L’essentiel de l’interaction additive × l’environnement (σ²A×E) provient de l’interaction entre
les femelles et l’environnement (σ²F×E).
115
Tableau 34 : Composantes de l’interaction G×E des variables LT et LD.
LT8 LT18 LD8 LD18
Variances
Estimations Se Estimations Se Estimations Se Estimations Se
σ²ed1 0,00038 0,00001 0,00077 0,00002 2926 78 7540 186
σ²ed2 0,00036 0,00001 0,00074 0,00002 2564 71 2996 75
σ²B(E) 0,00001 0,00001 0,00002 0,00001 475 337 234 170
σ²M×E 0,00000 0,00000 0,00000 0,00000 0 0 0 0
σ²F×E 0,00000 0,00000 0,00000 0,00001 23 47 0 0
σ²M×F×E 0,00007 0,00001 0,00014 0,00003 360 64 946 150
σ²FS×E 0,00007 0,00001 0,00014 0,00003 383 69 946 150
σ²A×E 0,00020 0,00003 0,00041 0,00009 1079 192 2838 449
σ²D×E 0,00027 0,00004 0,00055 0,00012 1438 256 3784 599
σ²I’×E 0,00000 0,00000 0,00000 0,00000 0 0 0 0
L’interaction famille × environnement est élevée, traduisant une forte interaction entre les
effets génétiques de dominance et l’environnement. L’interaction entre les effets de
dominance des gènes et l’environnement (D×E) est plus importante que l’interaction entre les
effets additifs des gènes et l’environnement (A×E). L’interaction entre les effets d’épistasie
des gènes et l’environnement (I’×E) est nulle.
Le dispositif expérimental utilisé dans cette étude est à pédigrée complexe, celui-ci renferme
des demi-frères par les mâles et par les femelles, des pleins-frères et des clones. Chaque
structure génotypique interagit avec l’environnement de façon différente. Ainsi, l’interaction
entre les familles de demi-frères et l’environnement (σ²M×E ou σ²F×E) est moins forte que celle
116
entre les familles de pleins-frères et l’environnement (σ²M×F×E), qui à son tour est moins forte
que l’interaction entre les clones et l’environnement (σ²I’×E).
HT25 C25
R² = 0,3351 0,40 0,0000003
0,30 R² = 0,2689
0,0000002
0,20
0,0000001
BLUPdens2
0,10
BLUPdens2
0,00 0,0000000
-1,00 -0,50 -0,10 0,00 0,50 1,00 -2 -1 -0,0000001 0 1
-0,20
-0,0000002
-0,30
-0,0000003
-0,40
-0,50 rA = 0,58 -0,0000004
rA = 0,52
BLUPdens1 BLUPdens1
Figure 30 : Corrélations entre BLUPs des familles de demi-frères par les mâles.
HT25 C25
1,00 2,00
R² = 0,4839
0,50 R² = 0,297
1,00
BLUPdens2
0,00
BLUPdens2
0,00
-1,00 -0,50 0,00 0,50 1,00
-0,50 -2,00 -1,00 0,00 1,00 2,00
-1,00
-1,00
-1,50 -2,00
-2,00 -3,00
rA = 0,69 rA = 0,54
BLUPdens1 BLUPdens1
Figure 31 : Corrélations entre BLUPs des familles de demi-frères par les femelles.
117
HT25 C25
R² = 0,2689 R² = 0,1885
2,00 4,00
1,00 2,00
BLUPdens2
BLUPdens2
0,00 0,00
-2,00 -1,00 0,00 1,00 2,00 -4,00 -2,00 0,00 2,00 4,00
-1,00 -2,00
-2,00 -4,00
HT25 C25
R² = 0,0052 R² = 0,0056
0,000010 0,000025
0,000008 0,000020
0,000006 0,000015
BLUPdens2
BLUPdens2
0,000004 0,000010
0,000002 0,000005
0,000000 0,000000
-4,000000 -2,000000 0,000000 2,000000 4,000000
-0,000002 -10,000000 -5,000000 0,000000
-0,000005 5,000000
-0,000004 -0,000010
-0,000006 -0,000015
-0,000008 -0,000020
rA = 0,07 rA = 0,07
BLUPdens1 BLUPdens1
L’importance de l’interaction G×E change avec l’âge et le caractère considéré. Les résultats
du tableau 36 indiquent de façon générale une baisse de l’interaction G×E avec l’âge, surtout
pour la croissance. La hauteur est moins interactive que la circonférence (tableau 36). A 8
mois, Les traits écophysiologiques semblent interagir de façon plus importante avec
l’environnement comparativement aux caractères de croissance. Cette tendance se conserve à
18 mois pour la surface spécifique foliaire et la concentration foliaire en azote, et s’inverse
pour l’épaisseur du limbe des feuilles et la quantité d’azote par unité de surface foliaire. La
surface unitaire des feuilles est parmi les traits écophysiologiques étudiés, la moins interactive
avec l’environnement.
118
Tableau 36 : Corrélations site-site pour l’ensemble des variables étudiées.
Type de corrélation
Variables
ρBlupM ρBlupF ρBlupFxM ρBlupC
HT8_d1 HT8_d2 0,26 0,30 0,20 0,06
HT18_d1 HT18_ d2 0,65 0,67 0,36 0,10
HT25_d1 HT25_ d2 0,58 0,69 0,52 0,07
C18_ d1 C18_ d2 0,65 0,32 0,20 0,06
C25_ d1 C25_ d2 0,52 0,55 0,44 0,08
Suf8_ d1 Suf8_ d2 0,67 0,69 0,41 0,24
Suf18_ d1 Suf18_ d2 0,65 0,83 0,51 0,22
SLA8_ d1 SLA8_ d2 0,54 0,75 0,22 0,17
SLA18_ d1 SLA18_ d2 0,77 0,60 0,10 0,10
LT8_ d1 LT8_ d2 0,69 0,84 0,00 0,26
LT18_ d1 LT18_ d2 0,00 0,45 0,20 0,05
LD8_ d1 LD8_ d2 0,33 0,39 0,10 0.09
LD8_ d1 LD8_ d2 0,33 0,40 0,06 0,05
N8_ d1 N8_ d2 0,17 0,77 0,36 0,10
N18_ d1 N18_ d2 0,79 0,70 0,07 0,04
Na8_ d1 Na8_ d2 0,26 0,48 0,36 0,06
Na18_ d1 Na18_ d2 0,00 0,30 0,03 0,09
d1 et d2 représentent respectivement les densités 833 et 2500 tiges/ha.
119
Chapitre IV : DISCUSSION
L’effet de l’âge physiologique peut aussi avoir un impact sur l’aptitude au bouturage. La
maturation du matériel végétal (âge du méristème) conduit à une réduction de l’aptitude à
120
l’enracinement (Foster et al., 1981; Bonga, 1982; Marino, 1982; Wareing, 1987; Hackett,
1985, 1988; Greenwood et Hutchison 1993; Poupard et al., 1994; Hamann, 1995; Ruaud et
al., 1999). Les travaux de Marino (1982) sur les pins montrent que le processus de
l’enracinement est plutôt actif durant les trois premières années pour les pieds mères de pleine
terre. Dans le cas des pieds mères hors sol de l’E. urophylla × E. grandis, en condition
tropicale humide, la durée de la période active du processus d’enracinement demeure
inconnue. Du moins ce qui a été observé jusqu’à lors c’est que la réussite au bouturage
s’améliore avec l’âge des pieds mères lorsque les boutures sont récoltées durant les deux
premières années après installation des pieds mères (Mankessi et al., 2011). Ce fut le cas de
notre expérimentation, ce qui explique pourquoi l’âge des pieds mères combiné avec les
conditions favorables de la saison, conduit à un taux élevé de réussite au bouturage en phase
2.
121
4-1-3- Effet de la modélisation sur l’estimation des composantes de la variance,
l’héritabilité et la précision de sélection
Les données de comptage sont utilisées en génétique forestière pour analyser des variables à
un niveau individuel. Dans cette étude, les variables PROD et CUT sont utilisées pour
comprendre les bases génétiques de l’aptitude à la propagation végétative. L’utilisation de
telles variables en amélioration, requiert le développement des méthodes statistiques
adéquates pour l’estimation des paramètres génétiques et la prédiction des valeurs génétiques,
car les variables ne suivent pas une distribution normale (Garcia et al., 2012). Une première
possibilité consiste à transformer les données non gaussiennes et utiliser le modèle LMM.
Bien que cette approche paraisse adapté, il semble plus pertinent d’utiliser la réelle
distribution des données (Bolker et al., 2008; Wittenburg et al., 2008). Le modèle GLMM
apparait alors comme le mieux adapté. Le modèle GLMM (Kachman, 2007; Isik, 2011; Sun,
2011; Che et Xu, 2012) est une extension du modèle GLM qui autorise la prédiction des effets
aléatoires. Nos résultats montrent des différences marquées des composantes de la variance et
des héritabilités estimées avec LMM et GLMM. Ce résultat est expliqué par le fait que les
estimations ne sont pas basées sur la même échelle. Ces observations rehaussent la difficulté
de choisir une héritabilité particulière. L’interprétation biologique et le choix de ces
héritabilités ne sont pas sans importance mais ne sont pas clairement établis. Des recherches
plus approfondies ont besoin d’être menées afin d’exploiter le potentiel de ce type de modèle
(Nakagawa et schielzeth, 2010).
122
4-1-4- Variabilité de l’aptitude à la propagation végétative
Qu’importe la transformation de variable et le modèle utilisé, la variance due aux mâles (E.
grandis) est plus importante que celle due aux femelles (E. urophylla) pour les variables
PROD et CUT. Ce résultat est en quelque sorte inattendue, car les études antérieures sur la
même population hybride montrent pour les caractères de croissance, que la variance due à la
population mâle de E. grandis est plus faible que celle due à la population femelle de E.
urophylla (Bouvet et al., 2009a). Le présent résultat peut être expliqué par un effet combiné
de la sélection naturelle et phénotypique sur E. grandis que sur E. urophylla pour l’adaptation,
la morphologie et la croissance dans le programme d’amélioration génétique du Congo
(Bouvet et Vigneron, 1996). Cependant, aucune sélection n’a été entreprise pour l’aptitude au
bouturage pour les deux espèces durant le premier cycle d’amélioration. Nos résultats
suggèrent que E. grandis présente une forte variabilité additive pour l’aptitude au bouturage
comparativement à E. urophylla. Cependant, notant que le nombre de géniteurs utilisés dans
l’expérimentation est faible (11 pour E. grandis et 13 pour E. urophylla), ce fait ne nous
permet pas de conclure si cette différence de variance est réellement attribuée à l’espèce
concernant l’aptitude au bouturage, ou bien simplement due à l’échantillonnage. Des études
supplémentaires méritent d’être réalisées pour confirmer ce résultat.
4-1-6- Héritabilité
Les résultats indiquent que la production de boutures est plus héritable que le taux de réussite
au bouturage. Celui-ci est sous faible contrôle génétique, tandis que la production de boutures
est sous contrôle génétique modéré. Quelques études sur le contrôle génétique de l’aptitude à
la propagation corroborent ces résultats. Ruand et al. (1999) rapportent une héritabilité faible
123
et modérée pour l’enracinement d’E.grandis respectivement pour les boutures provenant des
croisements open (h² = 0,16) et celles provenant des croisements diallèles (h² = 0,27). Sur E.
globulus, Borralho et Wilson (1994), England et Borralho (1995) ainsi que Lemos et al.
(1997) rapportent un contrôle génétique modéré à fort de l’aptitude à l’enracinement (0,36 <
h² < 0,41). Le faible contrôle génétique du taux de réussite au bouturage est expliqué par la
forte variance environnementale sur ce caractère.
Des analyses génétiques et des modèles statistiques adéquats ont nécessité la prise en compte
des variables de comptage et de proportion. Celle-ci présente une alternative au modèle LMM
qui peut être utilisé en conformité avec la qualité des données et les objectifs poursuivis
(détermination des paramètres génétiques ou estimation des BLUPs : best linear unbiased
predictor). Le modèle GLMM a du bon potentiel à cause des propriétés mathématiques
pertinentes et la possibilité d’estimer l’héritabilité sous deux considérations. Cependant,
124
l’étude de ces différents modèles a montré qu’il est difficile de faire une interprétation
biologique des résultats des paramètres génétiques (variance, héritabilité). Des recherches
supplémentaires en matière de simulation sont nécessaires pour explorer le potentiel du
modèle GLMM et les possibilités pouvant conduire à l’interprétation biologique des
estimations, surtout dans le cas des dispositifs complexes de génétique.
Nous avions observé que la réussite au bouturage est sous faible contrôle génétique et que la
production de boutures est sous contrôle génétique modéré. Les deux caractères sont corrélés.
Malgré le niveau faible du contrôle génétique, un gain génétique peut être réalisé à travers
l’amélioration et la sélection de clone. La faible relation entre l’aptitude au bouturage et la
croissance au champ est à considérer en amélioration en termes de sélection multicaractère. Il
serait pertinent de réaliser un programme d’amélioration avec de populations à large base
génétique afin de pouvoir être capable de sélectionner des génotypes combinant à la fois
bonne croissance et bonne aptitude à la propagation végétative. Vu l’importance que ces
résultats ont en matière de stratégies d’amélioration, ces premiers résultats méritent être
confirmés par des expérimentions supplémentaires.
125
une plantation défectueuse à ces endroits ou bien à une certaine agression soit du sol sur les
plants, soit à l’action d’un pathogène ravageant les jeunes plants dans des rayons bien limités.
4-2-2-1- Dispositif
Le dispositif expérimental de terrain est un test multisite de descendances pleins-frères avec
les copies végétatives de chacun des individus. Ce dispositif permet de partitionner de façon
plus ou moins fine les composantes causales de la variance génétique. Lorsque chaque
génotype est cloné et planté dans de multiple environnements, l’estimation séparée des effets
génétiques et des effets environnementaux est efficiente (Libby, 1969, Burdon et Shelbourne,
1974 ; Shaw et Hood, 1985 ; Russel et Loo-Dinkins, 1993 ; Danusevicius et Lindgreen, 2002,
2005 ; Callister et Collins, 2008). Comparés aux tests de descendances classiques, sans copies
végétatives, les tests de descendances clonées permettent une estimation plus précise et plus
complète des effets génétiques (Shelbourne, 1991 ; Weng et al., 2009) et donc améliore le
processus de sélection.
126
4-2-3- Variabilité des caractères
4-2-3-1- Croissance
La croissance rapide de l’eucalyptus a bien été constatée, aussi bien dans le dispositif dense
(HT25 = 11,84 m ; C25 = 22,71 cm) que dans le dispositif moins dense (HT25 = 9,10 m ; C25
= 22,76 cm). La hauteur moyenne des arbres est légèrement supérieure dans l’environnement
le plus contraint. La compétition entre arbres semble avoir un impact positif sur la croissance
primaire par rapport à la croissance secondaire.
Normalement, les individus installés dans l’environnement à 833 tiges/ha, devraient être en
faible compétition comparativement aux individus installés dans l’environnement à 2500
tiges/ha, et donc par voie de conséquence, la croissance en d1 devrait être supérieure à la
croissance en d2. Les présents résultats révèlent le contraire. Les deux essais ont été installés à
une année d’intervalle (Janvier 2011 pour d1 et janvier 2012 pour d2). Les relevées
pluviométriques rapportent cependant une plus forte pluviométrie en 2011 qu’en 2012. Deux
hypothèses peuvent être avancées pour expliquer les résultats obtenus : (i) une fertilité du sol
supérieure en d2, cette hypothèse pourrait également expliquer les teneurs élevées d’azote
dans l’essai le plus dense ; et (ii) une difficulté de contrôle de recrû dans l’essai à faible
densité. Considérant cette deuxième hypothèse, on peut conclure que la compétition
« eucalyptus-recrû » affecterait plus la croissance des eucalyptus, comparativement à la
compétition entre eucalyptus voisins.
127
La première raison est liée à (i) l’augmentation du stress hydrique (Wright et al., 2004) au
niveau foliaire. La gravité induit un potentiel hydrique négatif qui à son tour augmente le
stress hydrique au niveau foliaire. Plus la feuille est stressée, plus elle est épaisse et dense et
moins sa surface spécifique foliaire est élevée.
La seconde raison est liée à (iii) la saison. Tardieu et al. (1999) rapportent que SLA décroit
lorsque la contrainte environnementale pour la croissance est élevée, et augmente lorsqu’elle
est faible. Il est bien établi que la saison sèche au sud du Congo entraine une contrainte pour
la croissance. Les mesures de SLA, LT et N se sont effectuées suivant la saisonnalité. Les
mesures à l’âge de 8 mois ce sont faites en début de saison des pluies (septembre-octobre) et
les mesures à 18 mois pendant la saison sèche (juin-juillet). Orgeas et Bonin (1996) mettent
en évidence cet effet de la saisonnalité pour la concentration en azote foliaire sur Quercus
suber. Sur plusieurs espèces d’eucalyptus, Whitehead et Beadle (2004) rapportent les mêmes
effets pour la surface foliaire et l’efficience d’utilisation de l’eau. Nouvellon et al. (2010)
trouvent aussi sur des clones d’E. urophylla × E. grandis que SLA est plus faible à la fin de la
saison sèche et augmente après le début de la saison des pluies. Des résultats similaires ont été
également trouvés sur E. tetrondonta (Prior, 2004), ainsi que sur E. globulus (Faria et al.,
1998).
Il faut noter en somme que l’effet de la saisonnalité est confondu avec l’effet âge de la plante.
La dernière raison est liée au changement de la morphologie foliaire de l’âge jeune à l’âge
adulte (Day et al., 2001). Cette dernière raison est plus valable pour les espèces à croissance
lente. Dans le cas présent, la première raison parait être la plus évidente pour expliquer
l’évolution avec l’âge des traits écophysiologiques étudiés. En évoquant la seconde raison,
des retenues doivent être observées car les feuilles ont dû être mises en place structurellement
avant les saisons où elles ont été récoltées.
Nos résultats montrent aussi qu’une plus forte densité de plantation a pour conséquences des
valeurs légèrement plus élevées de surfaces (Suf et SLA). Le même résultat a été trouvé par
Gomat (2013) dans ses travaux sur deux clones du même hybride pour la variable SLA. Nos
travaux confirment bien que la surface spécifique foliaire est supérieure dans les peuplements
à forte densité, due à une légère baisse de l’épaisseur du limbe et de la densité foliaire.
Dans le cadre de cette étude, les valeurs supérieures de SLA dans l’essai à forte densité
pourraient également indiquer la richesse du site en ressources hydrominérales, qui
128
impliquerait une stratégie opportuniste des génotypes (forte SLA et forte croissance). Ces
génotypes opportunistes prélèvent rapidement les nutriments et l’eau pour les valoriser par le
biais de la photosynthèse (Maurice, 2010). Plusieurs travaux de recherche ont mis en évidence
qu’une richesse azotée du milieu augmente la surface foliaire (Maust et Williamson, 1991 ;
Syvertsen et Smith, 1995 ; Ouma, 2006 ; Shafer et al., 2008).
La presque égalité de la variance résiduelle dans les deux environnements offre la possibilité
de comparaison d’un certain nombre de paramètres génétiques comme les BLUPs.
129
4-2-4-2- Composantes additives et non-additives de la variance génétique
La forte variabilité des E. urophylla par rapport aux E. grandis est encore une fois de plus
mise en évidence dans le cas du programme d’amélioration génétique des eucalyptus du
Congo. Ce résultat a pour cause l’importance de la variabilité originelle des populations de
base des deux espèces parentales, cette variabilité est plus grande pour les E. urophylla
(Vigneron, 1991 ; Bouvet et Vigneron, 1996 ; Bouvet et al., 2009a, 2009b).
La variance d’épistasie a été mise en évidence dans le test de descendance à faible densité,
tandis que dans celui à forte densité elle est inexistante ou du moins pas mis en évidence.
L’action épistatique des gènes détectée est significative. Ce résultat nous ramène au cœur de
la problématique de la détection de l’épistasie qui est développé au point 4-2-4-2-3. Des
résultats de même nature ont été trouvés par Paul et al. (1997) sur deux tests de descendances
clonés de Pinus teada, où ils détectent une variance d’épistasie que dans l’un d’eux, mais à 1
et 3 ans seulement, alors que l’étude a été menée jusqu’à 5 ans. Paul et al. (1997) pensent que
la prise en compte des données moléculaires constituerait une solution pour une estimation
propre de la variance d’épistasie.
La contribution relative des effets additifs et non additifs des gènes peut varier suivant les
espèces, les populations, l’âge, les dispositifs expérimentaux, les environnements et les
caractères étudiés. Une importante variance non additive pour la croissance a été rapportée
par Isik et al. (2004, 2005) sur Pinus teada ; Mullin et Park (1994) sur Pinus mariana;
Rönnberg-Wästljung et al. (1994) sur Salix viminalis ; Kumar (2006) sur Pinus radiata. Dans
le même ordre de cas, Stonecypher et McCullough (1986) sur Pseudotsuga menziesii ont
130
trouvés pour la hauteur que la variance de dominance et d’épistasie est 2 fois supérieure à la
variance additive.
Pour les traits écophysiologiques, l’évolution avec l’âge des composantes de la variance
génétique varie en fonction des caractères. La variance additive est dans la plupart des cas
plus importante que les variances de dominance et d’épistasie. Les effets additifs des gènes
constituent donc la source de variabilité principale pour ces traits. Pour les variables
suivantes : SLA, N, et LT, la variance additive de l’hybride est exclusivement d’origine
femelle. La variance de dominance est faible, la variance d’épistasie est significative en
fonction de l’âge et du caractère.
Il faut reconnaitre qu’il est très rare de trouver dans la littérature des études sur l’évolution des
variances des traits écophysiologiques. Les études écophysiologiques sont, le plus souvent,
trop ponctuelles, ciblées sur des aspects bien spécifiques. Les manipulations sont lourdes et
l’échantillonnage restreint.
Par contre, travaillant sur les tests de descendances de Pseudotsuga menziesii var. menziesii,
Campbell et al. (1986) trouvent que la structure de la variance génétique n’est pas affectée par
la densité. Un résultat similaire a également été rapporté par Patino-Valera et Kageyama
(1995) sur E. saligna.
131
4-2-4-2-3- Epistasie : une complexité évidente
Nous connaissons très peu de chose à propos de comment les interactions entre gènes sont
formées au travers de la sélection naturelle. En général, la pléiotropie est un important
préalable à l’existence de l’épistasie (de Visser et al., 2011). Des mécanismes moléculaires
peuvent être la cause d’effet épistatique entre deux gènes, dans le sens où une interaction
directe se fait entre les protéines qu’ils codent. La redondance fonctionnelle peut aussi causer
de l’épistasie dans le sens où deux ou plusieurs gènes accomplissent une fonction moléculaire
commune (Lehner, 2011). Jasnos et Korona (2007), Bonhoeffer et al. (2004), Burch et Chao
(2004) ainsi que Zeyl (2005) évoquent d’un point de vue général que l’épistasie résulte des
effets tampon liés à l’homéostasie physiologique.
Le consensus général dans la littérature en génétique quantitative est que l’action épistatique
des gènes est faible et passager dans la réponse à la sélection (Bulmer, 1980 ; Crow, 2008,
2010 ; Hill et al., 2008 ; Hansen, 2013). Les effets épistatiques sont temporaires et évidents
juste le temps que le déséquilibre de liaison soit brisées par la recombinaison (Kimura, 1965).
Les interactions inter loci sont difficilement estimables, affirme Phillips (1998). Templeton
(2000) quant à lui suggère que l’épistasie est communément déterminée quand l’investigation
est proprement faite. Mais au vu de ces affirmations, quelle est la méthode la plus appropriée
pour déterminer l’épistasie ? A cette question, la réponse est généralement aussi complexe,
mais les conditions de recherche sont bien connues. Premièrement, un dispositif adéquat est
nécessaire pour la détermination de l’épistasie, ensuite il faut une ou des méthodes statistiques
adéquates. En ce qui concerne le dispositif, le test de descendances clonées utilisé dans cette
étude autorise bien la décomposition de la variance génétique en ces trois composantes
causales. Mais, un test de descendances clonées ne suffit pas, il faut une bonne structuration
du plan de croisement, c’est-à-dire un bon équilibre entre le nombre de parents, de
descendants par famille et de clones dans les familles. Pichot et du Cros (1989) trouvent
qu’on peut réduire le nombre de descendants par famille jusqu’à 15 sans impact sur
l’estimation des paramètres. C’est le nombre de parents et l’équilibre du plan de croisement
qui sont déterminant pour une bonne estimation des paramètres génétiques.
En analyses préliminaires, un jeu de données a été simulé selon une loi multi normale N (m,
V) en fixant les valeurs des variances génétiques et environnementales et en faisant varier : (i)
le nombre de parents impliqués dans le plan de croisement ; (ii) le nombre de descendants par
famille et (iii) le niveau de remplissage du plan de croisement. Nous avons trouvé comme
132
Pichot et du Cros (1989) que les paramètres génétiques s’estiment d’autant plus mal avec la
réduction du nombre de parents et le faible niveau de remplissage du plan de croisement. Le
nombre de descendants par famille ayant une influence négligeable ou tout au moins
beaucoup plus faible dans l’estimation des paramètres génétiques. Notre plan d’expérience
compte une dizaine de parents, et pour la plupart des familles, le nombre de descendants est
égale à 25 ; le niveau de remplissage avoisine les 50%. Les conditions expérimentales sont de
ce fait propices pour théoriquement obtenir des estimations fiables des paramètres génétiques.
On peut cependant émettre certaines réserves concernant l’estimation de la variance
d’épistasie dans la R12-1. Le nombre de parents mâles est égal à neuf et non onze comme
dans la R11-1.
La méthode statistique choisie pour cette étude est celle proposée par Stuber et Cockerham
(1966) qui distingue les effets des gènes suivant leur origine parentale. Ce modèle est
différent mais dérive du modèle génétique dit « unique » ne distinguant pas les effets des
gènes suivant leur origine. Les populations étudiées ne satisfont pas toujours aux hypothèses
d’absence d’effet cytoplasmique, de comportement normal de diploïdie, d’absence de
déséquilibre de liaison entre les différents gènes qui contrôlent un même caractère et qui
interagissent entre eux, d’absence d’effet C (les traits physiologiques et morphologiques
particuliers à l’ortet et causé par l’action des facteurs du milieu). La non satisfaction de ces
hypothèses peut conduire à une estimation inconsistante de l’épistasie. Le modèle
infinitésimal de Fisher (1918) partitionne les variances en composantes orthogonales
(Falconer et Mackay, 1996 ; Lynch et Walsh, 1998), ce qui n’est pas en réalité vrai.
Les analyses QTL ont permis la mise en évidence de l’épistasie pour des caractères d’intérêt
agronomiques et forestiers (Li, 1998). Avec les marqueurs moléculaires, les effets de l’action
d’un gène d’un chromosome spécifique peuvent être estimés (Hill, 2010). Cela permet une
grande amélioration par rapport à d’autres méthodes classiques de génétique quantitative. En
effet l’épistasie statistique est un phénomène de la population qui dépend des fréquences des
allèles présents dans celle-ci, alors que l’épistasie physiologique est un phénomène
génotypique, indépendant des fréquences alléliques aux loci en question.
133
(2002), Moore et Williams (2005) s’accordent à dire qu’une absence de détection de
l’épistasie dans la dimension statistique ne signifie pas qu’il n’existe pas d’interactions
significatives entre loci au strict sens génétique (biologique) du terme.
La question de l’interaction inter loci est une question ambivalente, du fait de son importance
reconnue dans la spéciation et l’adaptation (Wright, 1980) d’une part, et de sa faible
contribution dans la variabilité des caractères d’intérêt (Barker 1979; Crow 1979, 1987)
d’autre part. L’effet quantitatif de l’épistasie est difficile à discerner du fait de la complexité
de son estimation (Falconer et Mackay, 1996). La contribution de l’épistasie en tant que
composante de la variance génétique demeure d’une façon ou d’une autre plus ou moins
obscure. Mais l’épistasie statistique ne rend toujours pas compte de la réalité de l’épistasie
physiologique. L’ambigüité du concept d’épistasie ne veut pas dire que l’épistasie doit être
considéré comme un phénomène imaginaire ou n’ayant pas d’importance. Il est reconnu
qu’un maximum de gain génétique par la sélection est obtenu lorsque l’on capitalise toute la
variance génétique, c’est-à-dire, la variance d’épistasie y compris.
4-2-5- Ratios
La supériorité du ratio σ²D/σ²G comparativement aux ratios σ²A/σ²G et σ²I’/σ²G traduit la
prépondérance de la variance de dominance dans la variance génétique totale pour les
caractères de croissance (Bouvet et al., 2009a, 2009b). De même la supériorité du ratio
σ²A/σ²G par rapport aux ratios σ²D/σ²G et σ²I’/σ²G indique la prépondérance de la variance
additive dans la variance génétique totale pour les traits écophysiologiques. Ces résultats vont
de pair avec l’importance de la proportion de dominance (D²) pour les caractères de
croissance et la proportion d’additivité (A²) pour les traits écophysiologiques. Ces proportions
sont ainsi fonction de l’environnement. On peut conclure que le fonctionnement des gènes est
quelque peu différent aux deux environnements testés. La proportion d’épistasie est faible,
cela explique une contribution faible mais non nulle des effets épistatiques dans la variation
des caractères étudiés, tout au moins dans la densité 833 tiges/ha.
Concernant l’évolution avec l’âge du ratio σ²D/σ²A, la tendance générale est à la baisse. Ce
résultat corrobore ceux obtenus sur Pinus elliotti (Ballochi et al., 1993) ; Pinus pinaster
(Harfouche et Kremer, 2000) ; Pinus teada (Gwaze et al., 2002) ; E. globulus, E. nitens, E.
nitens × E. globulus (Volker et al., 2008). Il est contradictoire avec ceux obtenus sur E. nitens
par Hardener et Tibbits (2007) ; Pinus teada par Isik et al. (2003) ; E. grandis par Retief et
Stanger (2009). Les résultats de Xiang et al., (2003) sur Pinus teada montrent que l’évolution
134
de ce ratio peut varier suivant les conditions expérimentales, l’écologie des espèces et les
caractères considérés.
La diminution du ratio σ²I’/σ²A trouvée pour certains caractères tels que SLA et la
circonférence, montre que les effets épistatiques des gènes baisse avec l’âge comparativement
aux effets additifs des gènes qui augmentent.
Pour les caractères de croissance, les héritabilités augmentent avec l’âge des arbres. Ce
résultat était attendu. Makouanzi (2009) a rapporté un résultat similaire en travaillant sur les
clones du même hybride ; Xie et Ying (1996) sur des familles de Pinus contorta ; Osorio et al.
(2001) sur des clones de E. grandis ; Ignacio-Sánchez et al. (2005) sur des clones de E.
urophylla. Le contrôle génétique de la hauteur est plus fort que celui de la circonférence
comme attendu également (Bouvet et Vigneron, 1995, 1996 ; Makouanzi, 2009). La
compétition à tendance à augmenter légèrement les valeurs d’héritabilités. Cet effet a été
rapporté sur les hybrides de E. urophylla × E. grandis et de E. urophylla × E. pellita par
Bouvet et al. (2003), qui ont trouvés une héritabilité supérieure dans une forte densité (2500
tiges/ha) comparativement à une densité faible (625 tiges/ha) d’un test classique de
descendances.
En dépit du manque de consistance des résultats de l’évolution des héritabilités avec l’âge
pour les traits écophysiologiques, il se trouve que ces traits sont sous un contrôle génétique
moyen à fort.
L’évolution avec l’âge des coefficients de variation additive, de dominance et d’épistasie est
fonction du caractère et de la densité. Ces variabilités tendent soit à augmenter légèrement ou
à demeurer quasi stable. Cette inconsistance des résultats de la variabilité des effets additifs et
non additifs a été également trouvée par Bouvet et al. (2009a) sur E. urophylla × E. grandis.
Certaines études rapportent une constance de ces variabilités avec l’âge (Paul et al., 1997 ;
135
Hannrup et al., 1998 ; Volker et al., 2008), ou leur augmentation avec l’âge (Kusnandar et al.,
1998), ou encore leur diminution avec l’âge (Jansson et al., 2003 ; Isik et al., 2003).
L’un des résultats clairs concernant la variabilité génétique des caractères étudiés, est que les
caractères de croissance varient plus que les traits écophysiologiques.
Une plus forte densité de plantation a pour effet d’augmenter la variabilité des effets additifs
des gènes contrôlant les traits écophysiologiques et de la baisser pour la hauteur, l’effet étant
non significatif pour la circonférence. La variabilité des effets de dominance augmente avec la
densification, cette dernière exerce une influence contraire sur la circonférence et les traits
écophysiologiques en générale. Conservant les effets épistatiques des gènes, la densification a
pour effet de baisser leur variabilité.
Nous concluons, comme Bouvet et al. (2009a) l’ont signifié, que les coefficients de variations
des effets génétiques additifs et non additifs sont à la fois influencés par le type de
compétition établi entre les génotypes, la taille des placeaux, la densification de plantation, et
les conditions du sol dans les macro et micro environnements.
En définitive, les corrélations âge-âge sont supérieures pour les caractères de croissance que
pour les traits écophysiologiques. La liaison entre les traits écophysiologiques à différents
âges est significativement affectée par l’augmentation de la densité, en la baissant. Ainsi, on
136
peut conclure qu’en fonction du niveau de compétition et l’âge, certains gènes ou groupes de
gènes contrôlant un ou plusieurs caractères sont soient activés, soient éteints.
Une faible SLA résulte d’une forte épaisseur et d’une forte densité des tissus foliaire, induit
vraisemblablement par une augmentation du mésophile palissadique. Ce résultat a été trouvé
par bon nombre d’auteurs (Niinemets, 1999 ; Warren et al., 2006 ; Poorter et al., 2009).
Sefton et al. (2002) constatent effectivement sur trois espèces d’eucalyptus (E. occidentalis,
E. grandis et E. camaldulensis), une augmentation de la taille et du nombre des cellules de la
photosynthèse lorsque SLA est faible.
Un résultat quelque peu troublant de prime à bord est la corrélation négative entre la surface
spécifique foliaire et le contenu en azote par unité de surface (Na), qui est un bon proxy de la
capacité photosynthétique d’une feuille. Il est connu que la surface spécifique foliaire est
positivement corrélée à la photosynthèse nette (Field et Mooney, 1986 ; Niinemets et
Tenhunen, 1997 ; Reich et al., 1998 ; Garnier et al., 1999 ; Peterson et Participants, 1999 ;
Shipley et Lechowicz, 2000 ; Meziane et Shipley, 2001). Le présent résultat est expliqué par
le mode calculatoire de ce Na. Pour obtenir Na, la concentration d’azote foliaire est multiplié
par l’inverse de SLA, d’où la corrélation négative. La concentration foliaire en azote et la
137
quantité d’azote par unité de surface quant à eux, sont positivement corrélée par le fait que la
concentration d’azote au niveau des feuilles dépend du complexe photosynthétique (Mooney
et al., 1981 ; Field et Mooney, 1986 ; Givnish, 1986 ; Reich et al., 1995 ; Niinemets et
Tenhunen, 1997 ; Reich et al., 1997 ; Lambers et al., 1998 ; Garnier et al., 1999 ; Meziane et
Shipley, 2001). Environ 75% des protéines foliaires sont localisées dans les chloroplastes et
sont impliqués directement ou indirectement dans l’activité photosynthétique (Evans et
Seeman, 1989). Sefton et al. (2002) sur les eucalyptus ont aussi montré que la capacité
photosynthétique augmente avec la concentration d’azote foliaire. Cette corrélation indique
alors que la variabilité de Na résulterait à la fois des variations de SLA et de N.
Les liaisons entre les traits écophysiologiques sont quelque peu atténuées par l’augmentation
de la densité de plantation. Ce qui rend compte de certains mécanismes d’évitement des
contraintes relatives à l’accès aux ressources, développés par les génotypes. En d’autres
termes, le résultat obtenu rend compte à diverses proportions de l’efficience quant à
l’utilisation des ressources.
Concernant les relations entre la croissance et les traits écophysiologiques, les tendances les
plus claires sont obtenues à 18 mois. Les liaisons génétiques entre SLA, N, Na et la croissance
sont négatives. Plusieurs causes concourent à expliquer ces relations. Parmi lesquelles : une
compétition de plus en plus importante qui s’installe entre génotypes due à la croissance
rapide des arbres ; un stress hydrique au niveau des feuilles, causé par la gravité (Wright et
al., 2004) ; l’exportation du carbone au niveau des feuilles diminue avec la croissance des
arbres. La diminution de la quantité d’azote dans les feuilles avec la croissance des arbres est
due au phénomène de dilution de cet élément dans des feuilles qui croient en nombre avec la
croissance, la couronne de l’arbre devenant plus importante avec l’âge (croissance de l’arbre).
Ainsi, les propriétés intrinsèques de la feuille ne sont pas à l’origine de cette diminution de la
quantité d’azote foliaire avec l’âge.
La relation entre SLA et la croissance a été antérieurement étudiée sur des clones de E.
urophylla × E. grandis (Maurice, 2010 ; Nouvellon et al., 2010). Les résultats trouvés sont
similaires à ceux de cette étude, mais donne un peu plus de détail quant à cette liaison. Ils
rapportent une forte et négative corrélation dans les houppiers supérieurs et moyens (autour de
-0,70) et un peu moins dans le houppier inférieur (autour de -0,40).
138
4-2-8- Conclusion : Implications pour le programme d’amélioration
L’une des questions centrales de cette thèse fut d’évaluer l’importance des composantes de la
variance génétique des caractères de croissance et des traits écophysiologiques avec la prise
en compte de l’épistasie. La contribution des effets d’épistasie dans la variation des caractères
étudiés était jusqu’à ce jour considérée comme négligeable voire inexistante. La présente
étude révèle que la variance d’épistasie peut être non nulle et contribuer de façon significative
à la variabilité génétique des caractères de croissance (12 à 45%) et des traits
écophysiologiques (15 à 59%) dans des conditions de faible compétition entre les individus
(833 tiges/ha) et de façon moins significative à la variabilité des caractères de croissance (0
%) et des traits écophysiologiques (0 à 49%) dans des conditions de forte compétition entre
individus (2500 tiges/ha). Les effets additifs des gènes ne représentent qu’une partie des effets
génétiques totaux pour la croissance (25% en moyenne) et un peu plus pour les traits
écophysiologiques (48% en moyenne). La contribution des effets de dominance à la variance
génétique est prépondérante pour les caractères de croissance (59% en moyenne) et beaucoup
moins pour les traits écophysiologiques (28% en moyenne).
Toutefois, une meilleure estimation des valeurs génétiques des individus est toujours possible
via une estimation plus sure des composantes de la variance génétique, surtout de la variance
d’épistasie, en utilisant les marqueurs moléculaires.
139
de sélection optimal à appliquer dans le programme d’amélioration génétique de l’hybride E.
urophylla × E. grandis.
L’absence des tendances claires des paramètres génétiques comme l’héritabilité au niveau des
traits écophysiologiques, montre qu’il est encore nécessaire d’explorer des pistes de recherche
à propos de la génétique quantitative des traits fonctionnels.
Concernant les traits écophysiologiques, ils sont plus interactifs avec l’environnement que les
caractères de croissance à l’âge de 8 mois. A 18 mois SLA et N conserve la même tendance,
140
pour LT et Na elle s’inverse. Etant un trait important dans la caractérisation de l’adaptation
des plantes aux conditions environnementales (Mc Lean et al., 2014), la surface spécifique
foliaire, ainsi que les autres traits écophysiologiques montrent à travers leur plasticité qu’ils
offrent aux génotypes testés un moyen d’augmenter leur efficacité de capture et d’utilisation
de la lumière (Rozendaal et al., 2006 ; Sack et al., 2006 ; Poorter et Rozendaal, 2008) et/ou
leur efficience d’utilisation de ressources comme l’eau et l’azote (Niinemets, 2001 ; Sefton et
al., 2002).
Corréler les BLUPs des individus testés dans deux ou plusieurs milieux requiert une
homogénéité des variances résiduelles (Costa e Silva et al., 2005). En amélioration animale,
plusieurs études ont montré que cette conditionnalité peut être négligée pour les traits de
production et de conformation (Brotherstone et Hill, 1986; Boldman et Freeman, 1990;
Visscher et al., 1991; Van der Werf et al., 1994; Weigel et Lawlor, 1994 ; Dodenhoff et
Swalve, 1998). En amélioration des plantes, cette conditionnalité a quelque fois été
déconsidérée dans différents tests de descendances ayant des variances hétérogènes pour les
caractères de croissance (White et Hodge, 1989). Cependant, quand l’homogénéité de la
variance résiduelle n’est pas prise en compte, on a tendance à surestimer les valeurs
génétiques des individus « plus » dans les environnements à larges variances (Garrick et Van
Vleck, 1998). L’hétérogénéité des variances résiduelles entre les environnements peut être
corrigée en utilisant un modèle multisite, où la performance dans chaque environnement est
considérée comme un caractère différent (Gionola, 1986, Henderson, 1984). Concernant cette
étude, les variances résiduelles entre environnements sont quasi-égales, traduisant une bonne
homogénéité des variances résiduelles dans les deux sites. Cependant, les deux types de
modélisations (modèle mono et multisite) ont été utilisés.
Dans cette étude, on trouve que les valeurs des BLUPs des individus corrélés sur les deux
environnements varient en fonction de la structure génotypique. Les corrélations entre les
141
BLUPs des parents (mâles ou femelles) traduisant les corrélations entre les BLUPs des
familles de demi-frères soit par le mâle ou la femelle, sont supérieures aux corrélations entre
les BLUPs des familles de pleins frères, qui sont à leur tour supérieures aux corrélations entre
les BLUPs des clones. Ce résultat traduit comme trouvé avec l’approche d’analyse de
variance, une très forte interaction G×E chez les clones, modérée chez les familles de pleins-
frères et beaucoup plus faible chez les familles de demi-frères. La très forte interactivité des
clones par rapport à celles des familles a été rapportée par des auteurs comme Borralho et al.
(1991) sur E. globulus; Bentzer et al. (1988) sur Picea abies; Bouvet et al. (2003) sur E.
urophylla × E. grandis; Costa e Silva et al. (2005) sur E. globulus.
Le résultat trouvé explique la dépendance de la plasticité variétale à la variance intra
population. Comme signifié en hypothèse, nos résultats montrent que l’interaction G×E
augmente lorsque la variabilité intra variétale diminue et lorsque l’apparentement entre
variétés augmente, l’interaction G×E diminue. Donc la forte interactivité des clones est due à
l’absence de variation génétique entre chacun des clones, comme le mentionne Gallais
(1990b).
142
frères, clones. La plasticité variétale est donc tributaire de la variance intra population. Quand
la variabilité intra variétale diminue, la variabilité inter variétale augmente ainsi que
l’interaction G×E. Quand la variabilité intra variétale augmente, la variabilité inter variétale
diminue, de même que l’interaction G×E. L’absence de variation génétique au niveau clonal,
induit une forte interactivité des clones avec l’environnement. Dans le cadre du programme
d’amélioration de l’eucalyptus du Congo l’intérêt est porté sur des génotypes comportant un
large éventail environnemental, c’est-à-dire des génotypes plastiques. Les variétés familles
sont bien disposées à être déployer dans des environnements plus contraints en termes de
compétition quant à l’accès aux ressources. A ce niveau, le changement de classement et/ou
d’échelle de la valeur génétique s’annoncera moyen ou faible. Le déploiement des clones dans
un environnement offrant plus de compétition requiert le choix de quelques clones qui, en
dépit de la l’interactivité générale forte avec l’environnement, aurait une bonne plasticité.
Toutefois, ce qui est en cause avec l’interaction G×E, c’est la valeur prédictive d’un site pour
un autre site. Cela implique que, pour optimiser le choix des génotypes, qu’on puisse tester
même des clones moins plastiques à de nouveaux sites.
143
La variance d’épistasie n’a pu être détectée que dans une copie du dispositif mis en place.
Bien qu’en générale inférieure aux contributions des effets additifs et de dominance, la
contribution des effets épistatiques des gènes s’est révélée significative. Elle explique en
fonction de l’âge et du caractère, 12 à 59% de la variation génétique (donc supérieure dans
certain cas aux effets génétiques additifs et de dominance). Le rôle de l’épistasie dans la
variation des caractères quantitatifs demeure controversé depuis la formulation de la théorie
quantitative (Fischer, 1930 ; Wright, 1931) jusqu’à nos jours (Carlborg, 2004 ; Hill et al.,
2008 ; Wang et al., 2011 ; Hansen, 2013 ; Wan et al., 2013). Il est connu que les caractères
quantitatifs sont gouvernés par un grand nombre de gènes, qui indéniablement interagissent
entre eux. Alors pourquoi beaucoup de gène et peu d’épistasie ou encore pas d’épistasie ? Hill
et al. (2008) arrivent à la conclusion que les interactions au niveau des gènes ne génèrent pas
forcément une importante interaction au niveau de la variance. Ce qui revient à dire qu’on
peut se retrouver dans des situations où l’approche statistique d’estimation de l’épistasie
n’élucide pas clairement les causes biologiques sous-jacentes de l’interaction entre gènes
(Cordell, 2002). Ainsi, en terme d’interprétation des phénomènes, il est difficile d’établir la
correspondance exacte entre les modèles biologiques et statistiques d’estimation de l’épistasie
(Witte, 1998 ; Cordell, 2002). Comme annoncé précédemment, l’ambiguïté du concept
d’épistasie ne signifie pas que l’épistasie doit être considérée comme un phénomène
imaginaire ou n’ayant pas d’importance. L’épistasie pour les caractères complexes peut
exister, mais les estimations peuvent ne pas être obtenues, soit parce que les modèles utilisés
sont inadéquats, soit parce que la variance épistatique est très faible comparativement aux
autres composantes de la variance génétique pour être estimée.
De nos jours la complexité biologique est étudiée en utilisant des marqueurs moléculaires
hautes densités, combinés à une grande capacité de calcul (Palucci et al., 2007) et aussi des
nouvelles approches d’analyse de données (de los Campos et al., 2013). Par exemple, Wan et
al. (2013) ont démontré que la détection de toute l’épistasie est possible avec les études de
génomique, lorsque des centaines ou des milliers d’individus sont génotypés avec plusieurs
millions de SNP (Single Nucleotide Polymorphism). Mackay (2014) suggère qu’une bonne
détermination de l’épistasie passerait par la détermination des effets par paire de gènes, de
celle des interactions moléculaires générées et par l’évaluation de leur effet sur le phénotype.
144
n’est pas optimale, mais statistiquement correcte. L’approche génomique est supposée offrir
plus de sureté dans l’estimation de cette composante.
Bien que les distributions des valeurs observées pour ces traits ne soient pas larges (faible
variabilité), le degré de transmission de ces caractères est élevé. La prise en compte de ces
caractères dans la sélection peut être envisagée en recherchant les parents les plus efficients
en termes d’utilisation des ressources.
145
4-4-2- Interaction G×E
Le génotype et l’environnement forment un système de relation dynamique ; génotype et
environnement sont inextricablement liés, en ce sens qu’on ne saurait faire pousser un arbre
en faisant complètement abstraction de son milieu. Il a été trouvé que l’importance de
l’interaction G×E dépend de la structure génotypique du matériel végétal, comme cela est
prédit par le modèle biallélique classique. Ainsi, l’absence de variation génétique au niveau
clonal entraine une forte interaction G×E pour cette structure génotypique. Pour les variétés
familles, la présence d’une grande variabilité intra variétale autorise une large souplesse
d’adaptation, et entraine donc une faible interaction G×E.
146
Conclusion générale et perspectives
Les travaux de cette thèse étaient focalisés d’une part sur (i) l’estimation des composantes
causales de la variance génétique et environnementale de la propagation végétative, de la
croissance au champ et des traits écophysiologiques déterminants la croissance ; et d’autre
part (ii) sur la partition de l’interaction G×E en ses composantes causales. Ces points ont
emmené à répondre à deux questions de recherche bien précise.
La première question était celle de savoir quelle est la part de contribution de la variance
d’épistasie dans la variation génétique de E. urophylla × E. grandis du Congo ?
Pour répondre à cette question, la contribution de chacune des composantes a été calculée
après avoir estimé les variances additive et non additive pour l’ensemble des caractères
étudiés. Des modélisations statistiques spécifiques ont été considérées en fonction de la nature
des variables. Pour la propagation végétative qui est quantifiée par des variables de comptage
et de proportion, trois modèles ont été appliqués : LMM avec les variables originales, LMM
avec transformation des variables et GLMM. Pour la croissance au champ et les traits
écophysiologiques, un LMM a été utilisé avec une modélisation des matrices de variance-
covariance distinguant les effets des gènes suivant leur origine parentale.
Les résultats ont montré que selon les conditions environnementales, le type de caractère et
l’âge, la variance d’épistasie peut être nulle, très faible ou significativement importante dans
sa contribution à la variabilité génétique. Dans un milieu moins contraint (833 tiges/ha), elle
contribue respectivement à hauteur de 12 à 45 % et de 15 à 59% pour les caractères de
croissance et les traits écophysiologiques. Ces contributions à la variabilité génétique baissent
(pour les traits écophysiologiques : 0 à 49%) ou s’annule totalement (pour les caractères de
croissance) dans un milieu plus contraint (2500 tiges/ha). Il sied de noter que cette variance
d’épistasie ne représente pas dans la quasi-totalité des cas, la composante la plus importante
dans la variabilité phénotypique. La composante résiduelle à dominante environnementale
constitue la source de variation la plus importante pour l’ensemble des caractères étudiés. Les
effets additifs des gènes ne représentent qu’une partie des effets génétiques totaux pour la
croissance (25% en moyenne) et un peu plus pour les traits écophysiologiques (48% en
moyenne) et la propagation végétative (47% en moyenne). La contribution des effets de
dominance à la variance génétique est prépondérante pour la croissance (59% en moyenne) et
147
la propagation végétative (53% en moyenne), et un peu moins pour les traits
écophysiologiques (28% en moyenne).
La deuxième question de recherche était celle de savoir si l’amélioration obtenue pour les
eucalyptus hybrides du Congo dans un certain milieu pouvait-elle être conservée, si le
matériel végétal venait à changer de milieu ?
A cette question, la présente étude, vu l’âge des individus étudiés, n’est pas encore en mesure
de donner une réponse la plus aboutie possible. L’augmentation de la densité de plantation a
un effet positif sur l’héritabilité des génotypes testés jusqu’à 25 mois. L’expression des gènes
est plus ou moins différente sous contrainte hydrominérale. L’étude rapporte aussi un effet de
148
la structure génotypique sur l’interaction G×E. La présence ou non de la variabilité intra
variétale conditionne l’importance de l’interaction G×E. Les clones interagissent plus
fortement avec l’environnement que les familles de pleins-frères, qui à leur tour interagissent
de façon plus importante que les familles de demi-frères.
En plus des résultats susmentionnés, cette étude montre que les effets de dominance sont en
grande partie à l’origine de l’interaction G×E. Le fonctionnement des gènes change donc avec
l’augmentation de la densité de plantation.
Comme évoqué précédemment, l’âge des plants a été jugé encore jeune pour conclure sur la
problématique de la densification de plantation.
Ainsi :
- L’étude mérite donc d’être poursuivi à des âges plus avancés, de préférence jusqu’à
l’âge d’exploitation.
- Le calcul des gains génétiques en fonction des différents scénarios possibles qu’offrent
le dispositif mis en place mérite d’être effectué.
- Hormis la densification de plantation, un autre moyen de générer de l’interaction G×E
est de mettre en place un dispositif plus ou moins similaire dans une localité autre que
celle où la sélection a été effectuée, en vue d’une extension possible des plantations
d’eucalyptus dans les autres régions du Congo. L’extension possible des plantations
d’eucalyptus dans toutes autres régions que celle de Pointe-Noire nécessiterait un test
préalable du matériel végétal sélectionné sur les sols sableux de la région de Pointe-
Noire. L’étude préalable des interactions G×E peut conduire à remettre en question
tout ou partie des gains génétiques obtenus à Pointe-Noire.
149
Références bibliographiques
A
ABOU-EL-FITTOUH H.A., RAWLINGS J.O. and MILLER P.A., 1969. Classification of
environments to control genotype by environmental interactions with an application to
cotton. Crop Science, 9: 135-140.
ADES P.K. and GARNIER-GÉRÉ P.H., 1996. Stability analysis for Pinus radiata
provenances and its implications for genetic resource conservation. In: Tree improvement
for sustainable tropical forestry. Proceedings QFRI-IUFRO Conference, Queensland,
Australia, pp 118-122.
AGUSTI S, ENRIQUEZ S, FROSTCHRISTENSEN H, SANDJENSEN K, DUARTE
C.M., 1994. Light harvesting among photosynthetic organisms. Functional Ecology, 8:
273–279.
AHMADI B., RAD A.H.S. and DELKOSH B., 2014. Evaluation of plant densities on
analysis of growth indices in two canola forage (Brassica Napus L.). European Journal of
Experimental Biology, 4(2): 286-294.
ALMEIDA A.C., LANDSBERG J.J., SANDS P.J., 2004. Parameterization of 3-PG model
for fast-growing Eucalyptus grandis plantations. Forest Ecology and management, 193:
179-195.
AN P., MUKHERJEE O., CHANDA P., YAO L., ENGELMAN C.D., HUANG C.H.,
ZHENG T., KOVAC L.P., DUBÉ M.P., LIANG X., LI J., DE ANDRADE M.,
CULVERHOUSE R., MALZAHN D., MANNING A.K., CLARKE G.M., JUNG J. and
PROVINCE M.A., 2009. The Challenge of Detecting Epistasis (G×G Interactions):
Genetic Analysis Workshop 16. Genetic Epidemiology, 33 (01): 58–67.
ANCEL MEYERS L., BULL J.J., 2002. Fighting change with change: adaptive variation
in an uncertain world. Tree, 17: 551-7.
ANDERSON E., HUBRICHT L., 1938. Hybridization in Tradescantia. III. The evidence
for introgressive hybridization. American Journal of Botany, 25: 396-402.
ANDERSON H.V., FRAMPTON L.J.JR. and WEIR R.J., 1999. Shoot production and
rooting ability of cuttings from juvenile greenhouse loblolly pine hedges. Transactions of
the Illinois State Academy of Science, 92:1–14.
150
ANNICCHIARICO P., 2002. Genotype × environment interactions. Challenges and
opportunities for plant breeding and cultivar recommendations. Plant Production and
Protection Paper, 174. Roma: FAO.
APIOLAZA L.A., 2014. Linking changes to breeding objectives and genetic evaluation to
genetic gain in New Zealand. New Forests, doi: 10.1007/s11056-014-9425-9.
ARAÚJO J.A., SOUSA R., LEMOS L. and BORRALHO N.M.G., 1996. Estimates of
Genetic Parameters and Prediction of Breeding Values for Growth in Eucalyptus globulus
Combining Clonal and Full-Sib Progeny Information. Silvae Genetica, 45 (4): 223-226.
ATWOOD R.A., 2000. Genetic Parameters and Gains for Growth and Wood Properties in
Florida Source Loblolly Pine in the Southeastern United States. Canadian Journal of
Forest Research, 32 (6): 1025-1038.
AUBREVILLE A., 1969. Climat, Forêts et désertification de l’Afrique tropicale. Soc. Ed.
géogr. Marit. et colon. Paris, 351p.
B
BAKER R.J., 1988. Differential response to environmental stress. In: Weir, B.S., Eisen,
E.J., Goodman, M.M. and Namkoong, G. (Eds) Proceedings of the Second International
Conference on Quantitative Genetics. Sinauer, Sunderland, Massachusetts, pp492–504.
BALOCCHI C.E., BRIDGWATER F.E., ZOBEL B.J., JAHROMI S., 1993. Age trends in
genetic parameters for tree height in a nonselected population of loblolly pine. Forest
Science, 39: 231-251.
BALTUNIS B.S., 2005. Genetic effects of rooting ability and early growth traits in
loblolly pine clones. Theses of University of Florida, 101p.
BALTUNIS B.S., HUBER D.A., WHITE T.L., GOLDFARB B., STELZER E., 2007b.
Genetic gain from selection for rooting ability and early growth in vegetatively
propagated clones of loblolly pine. Tree Genetics & Genomes, 3: 227–238.
BALTUNIS B.S., HUBER D.A., WHITE T.L., GOLDFARB B., STELZER H.E., 2007a.
Genetic analysis of early field growth of loblolly pine clones and seedlings from the same
full-sib families. Canadian Journal of Forestry Research, 37:195–205.
BARBOTTIN A., 2004. Utilisation d'un modèle de culture pour évaluer le comportement
des génotypes: Pertinence de l'utilisation d'Azodyn pour analyser la variabilité du
rendement et de la teneur en protéines du blé tendre. Thèse de Doctorat, INRA/INAP-G,
237p.
151
BARBOUR, E.L. and BUTCHER, T., 1995. Field testing vegetative propagation
techniques of Eucalyptus globulus. In: POTTS, B. M. et al. (Eds.): Eucalypt Plantations:
Improving Fibre Yield and Quality, pp313-314.
BARKER S.F., 1979. Interlocus interactions: a review of experimental evidence.
Theoretical Population Biology, 16: 323-346.
BARTHÈS B., 1995. Caractérisation morphologique et physico-chimique des sols sur
colline de la parcelle d’eucalyptus 84-26 (Hinda, Congo). Orstom, Montpellier, France,
35p.
BARTON N.H. and KEIGHTLEY P.D., 2002. Understanding quantitative genetic
variation. Nature Reviews, Genetics, 3: 11-21.
BATESON W., 1907. Facts limiting the theory of heredity. Science, 26: 649–660.
BENTZER B.G., FOSTER G.S., HELLBERG A.R. and PODZORSKI A.C., 1988.
Genotype × Environment interaction in Norway spruce involving three levels of genetic
control: seed source, clone mixture, and clone. Canadian Journal of Forest
Research, 18(9): 1172–1181.
BERTRAND D., 2002. La spectroscopie roche infrarouge et ses applications dans le
domaine de l’alimentation animale. Production Animale, 15 (3): 209-220.
152
BONGA J.M., 1982. Vegetative propagation in relation to juvenility, maturity and
rejuvenation. In: Bonga J.M. and Durzan D. J. (Eds). Tissue culture in forestry. Martinus
Nijhoff /Dr W. Junk publishers, The Hague: 387-412.
BONHOEFFER S., CHAPPEY C., PARKIN N.T., WHITCOMB J.M. and
PETROPOULOS C.J., 2004. Evidence for positive epistasis in HIV-1. Science, 306:
1547–1550.
BONNEAU M., COLIN-BELGRAND M., RANGER J., NYS C., 1995. Disponibilité de
l’azote dans les écosystèmes et production forestière. Revue Forestière Française XLVII,
N° sp : 47-58.
BORRALHO N.M.G. and WILSON P.J., 1994. Inheritance of initial survival and rooting
ability in Eucalyptus globulus Labill. Stem cuttings. Silvae Genetica, 43: 238-242.
BORRALHO N.M.G., 1994. Heterogeneous selfing rates and dominance effects in
estimating heritabilities from open-pollinated progeny. Canadian Journal of Forestry
Research, 24:1079–1082.
BORRALHO N.M.G., ALMEIDA I.M. AND COTERRILL P.P., 1991. Genetic control of
growth of young Eucalyptus globulus clones in Portugal. Silvae Genetica, 41(2): 100-105.
BOUFFIER L., 2007. Evolution de la variabilité génétique dans les populations
d’amélioration du pin maritime (Pinus Pinaster Ait.) et conséquences pour la sélection.
Thèse de Doctorat, Université Bordeaux I, 320p.
BOUILLET J.P., SAFOU-MATONDO R., LACLAU J.P., MILA JDD., RANGER J., et
DELEPORTE P., 2004. Pour une production durable des plantations au Congo: la
fertilisation. Bois et Forêt des Tropiques, 279 : 23-38.
BOUILLET J.P., SAFOU-MATONDO R., NZILA J.D., 2000. Site classification of
commercial eucalypt plantation in the Congo. Use of layers depth and microelements
deficiencies as productivity indices. Actes du congrès ‘managing forest soils for
sustainable productivity ’, Vila Real, Portugal, 18-22 septembre 2000, pp133-134.
BOUVET J.M. and VIGNERON P., 1995. Age trends in variances and héritabilities in
Eucalyptus factorial mating designs. Silvae Genetica, 44 (4): 206-216.
BOUVET J.M., 1995. Evolution de la variabilité avec l’âge et corrélation juvénile-adulte
dans des populations d’Eucalyptus. Thèse de Doctorat, Institut National Agronomie Paris-
Grignon, 247p.
153
BOUVET J.M., VIGNERON P., 1996. Variance structure in Eucalyptus hybrid
populations. Silvae Genetica, 45 (2-3): 171-177.
BOUVET J.M., VIGNERON P., SAYA A.R., GOUMA R., 2004. Early selection of
Eucalyptus clones in retrospective nursery test using growth, morphological and dry
matter criteria, in Republic of Congo. Southern African Forestry Journal, 200: 5-17.
BOUVET J-M., SAYA A., VIGNERON P., 2009a. Trends in additive, dominance and
environmental effects with age for growth traits in Eucalyptus hybrid populations.
Euphytica, 165: 35-54.
BOUVET J-M., VIGNERON P., VILLAR E. and SAYA A., 2009b. Determining the
Optimal Age for Selection by Modelling the Age-Related Trends in Genetic Parameters in
Eucalyptus Hybrid Populations. Silvae Genetica, 58 (3): 102-112.
BOUVET J-M., VIGNERON Ph., GOUMA R., SAYA A., 2003. Trends in variances and
heritabilities with age for growth traits in Eucalyptus spacing experiments. Silvae
Genetica, 52:121–133.
BRAENDLE C., MILLOZ J., FELIX M.A., 2008. Mechanisms and evolution of
environmental responses in Caenorhabditis elegans. Current Topics in Devlopmental
Biology, 80: 171-207.
BREESE E.L., 1969. The measurement and significance of genotype-environment
interactions in grasses. Heredity, 24: 27-44.
BRIDEAU N.J., FLORES H.A., WANG J., MAHESHWARI S., WANG X., BARBASH
D.A., 2006. Two Dobzhansky-Muller genes interact to cause hybrid lethality in
drosophila. Science, 314: 1292-1295.
BRIDGEWATER F.E., BRAMLETT D.L., BYRAM T.D. and LOWE W.J., 1998.
Controlled mass pollination in loblolly pine to increase genetic gains. The Forest
Chronicle, 74:1–5.
BRIX H. and VAN DEN DRIESSCHE R., 1977. Use of rooted cuttings in reforestation,
problems and activities. Canadian Forest Service, Pacific Forest Research Centre,
Victoria, BC, Joint Report N°6, 16 p.
BROOKER M.I.H., 2000. A New Classification of the Genus Eucalyptus L'Her,
(Myrtaceae). Australian Systematic Botany, 13: 79-148.
BROTHERSTONE S., HILL W.G., 1986. Heterogeneity of variance amongst herds for
milk production. Animal Production, 42: 297 303.
154
BROWNE R.D., DAVIDSON C.G., STEEVES T.A., D. I., DUNSTAN D.I., 1997. Effect
of ortet ageon adventious rooting of jack pine (Pinus banksianna) long-shoot cuttings.
Canadian Journal of Forest Research, 27: 91-96.
BROWNE W. J., SUBRAMANIAN S. V., JONES K. and GOLDSTEIN H., 2005.
Variance partitioning in multilevel logistic models that exhibit overdispersion. Journal of
theRoyal Statistical Society Series A-Statistics in Society, 168: 599–613.
BULMER M.G., 1971. The effect of selection on genetic variability. American Naturalist,
105: 201-211.
BURCH C. L. and CHAO L. 2004. Epistasis and its relationship to canalization in the
RNA virus w6. Genetics, 157: 559–567.
BURDON R.D. and LOW C.B., 1973. Effects of site on expression of cone characters in
radiate pine. New Zeeland Journal of Forestry Science, 3: 110-119.
BURDON R.D., 1975. Compression wood in Pinus radiata clones on four different sites.
New Zeeland Journal of Forestry Science, 5 (2): 152-164.
BURDON R.D., 1976. Foliar macronutrient concentrations and foliage retention in radiate
pine clones on four sites. New Zeeland Journal of Forestry Science, 5 (3): 250-259.
BURDON R.D., 1977. Genetic correlation as a concept for studying genotype-
environment interaction in forest tree breeding. Silvae Genetica, 26: 168-175.
BURDON R.D., 1991. Genetic correlations between environments with genetic groups
missing in some environments. Silvae Genetica, 40: 66-67.
BURDON R.D., and SHELBOURNE C.J.A., 1974. The use of vegetative propagules for
obtaining genetic information. New Zeeland Journal of Forest Science, 4: 418-425.
BURGER D.W. 1987. In vitro micropropagation of E. sideroxylon. Horticultural Science
22: 496-497.
BYRAM T. and LOW B., 1986. General and specific combining ability estimates for
growth in loblolly pine. In Proceedings Joint meeting of working parties on breeding
theory, progeny testing and seed orchards. North Carolina State Univ.–Industry Tree
Improve. Prog., Coll. of Natur. Resour., Raleigh, p352–360.
C
CALLISTER A.N. & COLLINS S.L., 2008. Genetic parameter estimates in a clonally
replicated progeny test of teak (Tectona grandis Linn. f.). Tree Genetics & Genomes, 4:
237–245.
155
CAMPBELL R.K., ECHOLS R.M. and STONECYPHER R.W., 1986. Genetic variances
and interaction in 9-year-old Douglas fir grown at narrow spacings. Silvae Genetica, 35:
24–31.
CARLBORG Ö. & HALEY C.S., 2004. Epistasis; too often neglected in complex trait
studies, Nature Reviews Genetics, 5: 618-625.
CARLBORG Ö., KERJE S., SCHÜTZ K., JACOBSSON L., JENSEN P., ANDERSSON
L., 2003. A global search reveals epistatic interaction between QTLs for early growth in
the chicken. Genome Research, 13:413–421.
CARLETTI G., 1976. Détection automatique de valeurs anormales. Revue de statistique
appliquée, 24 (3) : 61-70.
156
CHAPERON H. et QUILLET G., 1977. Bouturage des arbres forestiers en République du
Congo. Premiers résultats obtenus par la recherche. CTFT-Congo, 84p.
CHE X. and XU S., 2012. Generalized linear mixed models for mapping multiple
quantitative trait loci. Heredity, 109: 41–49.
CHEVERUD J. M. and ROUTMAN E. J., 1995. Epistasis and its Contribution to Genetic
Variance Components. Genetics, 139: 1455-1461.
CHEVERUD J.M. and ROUTMAN E.J., 1996. Epistasis as a source of increased additive
genetic variance at population bottlenecks, Evolution, 50:1042–1051.
CHOO T.M. and REINBERGS E., 1982. Analysis of skewness and kurtosis for detecting
gene interaction in a doubled haploid population. Crop Science, 22: 231-235.
CHOO T.M., CHRISTIE B.R. and REINBERGS E., 1979. Doubled haploids for
estimating genetic variances and a scheme for population improvement in self-pollinating
crops. Theoretical and Applied Genetics, 54: 267-271.
COCKERHAM C.C., 1954. An extension of the concept of partitioning hereditary
variance for analysis of covariances among relatives when epistasis is present. Genetics,
39: 859-882.
COMSTOCK R.E., KELLER T. and MORROW E.B., 1958. Genetic variation in an
asexual species, the garden strawberry. Genetics, 43: 634-646.
CORDELL H.J., 2002. Epistasis: what it means, what it doesn’t mean, and statistical
methods to detect it in humans. Human Molecular Genetics, 11 (20): 2463–2468.
COSTA E SILVA J., BORRALHO N.M.G. AND POTTS B.M., 2004. Additive and non-
additive genetic parameters from clonally replicated and seedling progenies of Eucalyptus
globulus. Theoretical and Applied Genetics, 108:1113–1119.
COSTA e SILVA J., DUTKOWSKI G.W., BORRALHO N.M.G., 2005. Across-site
heterogeneity of genetic and environmental variances in the genetic evaluation of
Eucalyptus globulus trials for height growth. Annals of Forest Science, 62:183–191.
CROW J. F. and KIMURA M., 1970. An introduction to Population Genetics Theory.
Harper and Row, New York, 608p.
CROW J.F., 1979. Minor viability mutants in Drosophila. Genetics, 92: 165-172.
CROW J.F., 1987. Population genetics history: a personal view. Annual Review of
Genetics, 21: 1-22.
CROW J.F., 2008. Maintaining evolvability. Journal of Genetics, 87: 9-353.
157
CROW J.F., 2010. On epistasis: Why it is unimportant in polygenic directional selection.
Philosophical Transactions of the Royal Society B, 365: 1241-1244.
CUNNINGHAM M.W., 1986. Genetic variation in rooting ability of American sycamore
cuttings. In Proceedings of Research and Development Conference, Sept. 1986, Atlanta.
Technical Association of the pulp and paper industry, Norcross, GA, pp1-6.
D
DANTHU P., RAMAROSON N., RAMBELOARISOA G., 2008. Seasonal dependence
of rooting success in cuttings from natural forest trees in Madagascar. Agroforestry
Systems, 73: 47-53.
DANUSEVICIUS D. and LINDGREN D., 2002. Two-stage selection strategies in tree
breeding considering gain, diversity, time and cost. Forest Genetics, 9: 145–157.
DANUSEVICIUS, D. and D. LINDGREN D., 2005. Optimation of breeding population
size for long-term breeding. Scandinavian Journal of Forest Research, 20: 18–25.
DAVIS T.D., 1988. Photosynthesis during adventitious rooting. In: Davis T. M., Haissig
B. E., Sankhla N. (Eds). Adventitious root formation in cuttings, Dioscorides Press,
Portland, USA, pp79-87.
DAY M.E., GREENWOOD M.S., WHITE A., 2001. Age-related changes in foliar
morphology and physiology in red spruce and their influence on declining photosynthetic
rates and productivity with tree age. Tree Physiology, 21: 1195-1204.
de los CAMPOS G., HICKEY J. M., PONG-WONG R., DAETWYLER H. D. and
CALUS M. P. L., 2013. Whole-Genome Regression and Prediction Methods Applied to
Plant and Animal Breeding. Genetics, 193: 327–345.
de MAESSCHALCK R., JOUAN-RIMBAUD D., MASSART D.L., 2000. The
Mahalanobis distance. Chemometrics and Intelligent Laboratory Systems, 50: 1-18.
de VISSER J.A.G.M., COOPER T.F. and ELENA S.F., 2011. The causes of epistasis,
rewiew. Proceedings of Royal Society B: Biological Sciences, 278 (1725): 3617-3624.
de VISSER J.A.G.M., HERMISSON J., WAGNER G.P., MEYERS L.A., BAGHERI-
CHAICHIAN H., BLANCHARD J.L., CHAO L., CHEVERUD J.M., ELENA S.F.,
FONTANA W., GIBSON G., HANSEN T.F., KRAKAUER D., LEWONTIN R.C.,
OFRIA C., RICE S.H., VON DASSOW G., WAGNER A. and WHITLOCK M.C.,
2003. Perspective: Evolution and detection of genetic robustness. Evolution, 57(9): 1959–
1972.
158
DELWAULLE J.C., 1981. Les recherches forestières au Congo. Journées de la forêt et du
bois. CTFT-Congo, 10p.
E
EBERHART S.A. and RUSSEL W.A., 1966. Stability parameters for comparing varieties.
Crop Science, 6: 36-40.
159
EISENHART C., 1947.The assumptions underlying the analysis of variance.
Biometrics, 3: 1-21.
ENGLAND J.R., ATTIWILL P.M., 2006. Changes in leaf morphology and anatomy with
tree age and height in the broadleaved evergreen species, Eucalyptus regnans F. Muell.
Trees, 20:79-90.
ENGLAND N. and BORRALHO N.M.G., 1995. Heritability of rooting success in
Eucalyptus globulus stem cuttings. In: Proc. IUFRO Conf. On Eucalypt Plantations:
Improving Fibre Yield and Quality, p237-238.
EVANS J., 1999. Leaf anatomy enables more equal access to light and CO2 between
chloroplasts. New Phytologist, 143: 93-104.
EVANS J., SEEMAN J.R., 1989. The allocation of protein nitrogen in the photosynthetic
apparatus: cost, consequence and control. In Briggs W.R., ed. Photosynthesis, New-York:
Alan R., Liss Inc, p183-205.
EVERITT B.S., 2002. The Cambridge dictionary of statistics. 2nd ed., University Press,
Cambridge, United Kingdom, 410p.
F
F.A.O, 1998. World reference base for soil resources. World Soil Resources Reports, 84,
88 p.
F.A.O, 2001. Global Forest Resources Assessment – Main report. FAO Forestry Paper,
140p.
F.A.O, 2014. Situation des forêts du monde : Mieux tirer parti des avantages
socioéconomiques des forêts. Rapport F.A.O. 146p.
FALCONER D.S., 1952a. Selection for large and small size in mice. Journal of Genetics,
51: 470–501.
FALCONER D.S., 1952b. The problem of environment and selection. American
Naturalist, 86: 293-298.
FALCONER D.S., 1974. Introduction à la génétique quantitative. Masson et Cie, Paris,
France, 284p.
FALCONER G.S and MACKAY T.F.C., 1996. Introduction to quantitative genetics. Ed.
4. Longman group Ltd., Edinburgh, U.K. 464p.
160
FARIA T., SILVÉRIO D., BREIA E., CABRAL R., ABADIA A., ABADIA J., PEREIRA
J.S., CHAVES M.M., 1998. Differences in the response of carbon assimilation to summer
stress (water deficits, high and temperature) in four Mediterranean tree species.
Physiological Plantarum, 102: 419-428.
FARMER Jr. R.E., FREITAG M., GARLICKK, 1989. Genetic variance and “C” effects
in Balsam Poplar rooting. Silvae Genetica, 38 (2): 62-65.
FEARN T., 2011. Limitations of Mahalanobis and H distances. NIR news, 22 (8): 16-17.
FERNANDEZ G.C.J., 1991. Analysis of genotype × environment interactions by stability
parameters. HortScience, 26: 947-950.
FIELD C., MOONEY H.A., 1986. The photosynthesis-nitrogen relationship in wild
plants. In On the economy of plant form and function. Cambridge University press, p25-
55.
FINLAY K.W. and WILKINSON G.N., 1963. The analysis of adaptation in a plant-
breeding program. Australian Journal of Agricultural Research, 14: 742-754.
FISHER R.A., 1918. The correlation between relatives on the supposition of Mendelian
inheritance. Transactions of Royal Society of Edinburgh, 52: 399-433.
FISHER R.A., 1930. The genetical theory of natural selection. Clarendon Press, 308p.
FONTES L., LANDSBERG J., TOMÉ M., PACHECO C.A., SOARES P., ARAUJO C.,
2006. Calibration and testing of a generalized process-based model for use in Portuguese
Eucalyptus plantations. Canadian Journal of Forest research, 36: 3209-3221.
FOSTER G.S., 1978. Genetic variations in rooting stem cuttings from four-year-old
loblolly pine. Weyerhauser Co., Hot Springs, AR. Tech Rep. No. 042-3204/78/97.
FOSTER G.S., 1985. Genetic parameters for two eastern cottonwood populations in the
lower Mississippi valley. Proceedings of Southern Forest Tree Improvement Conference,
18: 258-266.
FOSTER G.S., 1990. Genetic control of rooting ability of stem cuttings from loblolly
pine. Canadian Journal of Forestry Research, 20:1361–1368.
FOSTER G.S., BRIDGWATER F.E. and McKEAND S.E., 1981. Mass vegetative
propagation of loblolly pine-a reevaluation of direction. Proceedings of Southern Forest
Tree Improvement Conference, 16: 311-319.
FOSTER G.S., CAMPBELL K.K. and ADAMS W.T., 1984. Heritability, gain and C
effects in rooting western hemlock cuttings. Canadian Journal of Forestry Research, 14:
628-638.
161
FOSTERG.S. and SHAW D.V., 1988. Using clonal replicates to explore genetic variation
in a perennial plant species. Theoretical and Applied Genetics, 76: 788-794.
FOX P.N., SKOVMAND B., THOMPSON B.K., BRAUN H.-J. and CORMIER R., 1990.
Yield and adaptation of hexaploid spring triticale. Euphytica, 47: 57-64.
FRANKLIN E.C., 1979. Model relating levels of genetic variances to stand development
of four North American conifers. Silvae Genetica, 28: 207-212.
FREEMAN G.H. and PERKINS J.M., 1971. Environmental and genotype-environmental
components of variability. VIII. Relations between grown in different environments and
measures of these environments. Heredity, 27: 15-23.
FREEMAN G.H., 1973. Statistical methods for the analysis of genotype-environment
interactions. Heredity, 31: 339-354.
G
GALLAIS A., 1990a. Quantitative genetics of doubled haploid populations and
application to the theory of line development. Genetics, 124: 199-206.
GALLAIS A., 1990b. Théorie de la sélection en amélioration des plantes. Collection
Sciences Agronomiques, Masson, Paris, France, 588p.
GALLAIS A., 2009. Hétérosis et variétés hybrides en amélioration des plantes. Ed. Quae,
C/O INRA, RD10. Versailles Cedex, France, 356p.
GARCIA D.A., PEREIRA I.G., E SILVA F.F., ROSA G.J.M., PIRES A. V., LEANDRO
R.A., 2012. Generalized linear mixed models for the genetic evaluation of binary
reproductive traits: a simulation study. Revista Brasileira de Zootecnia, 41(1): 52-57.
GARNIER E., CORTEZ J., BILLES G., NAVAS M-L., ROUMET C., DEBUSSCHE M.,
LAURENT G., BLANCHARD A., AUBRY D., BELLMANN A., NEILL C. and
TOUSSAINT J-P., 2004. Plant functional markers capture ecosystem properties during
secondary succession. Ecology, 85 (9): 2630-2637.
GARNIER E., NAVAS M.L., AUSTIN M.P., LILLEY J.M. & GIFFORD, 1997. A
problem for biociversity productivity studies: how to compare the productivity of
multispecific plant mixtures to that of monocultures? Acta Oecologia, 18 (6): 657-670.
GARNIER E., SALAGER J-L., LAURENT G., SONIÉ L., 1999. Relationships between
photosynthesis, nitrogen and leaf structure in 14 grass species and their dependence on the
expression. New phytologist, 143: 119-129.
162
GARRICK D.J., VAN VLECK L.D., 1987. Aspects of selection for performance in
several environments with heterogeneous variances. Journal of Animal Science, 65: 409–
421.
GAUDILLÈRE J.P., 1997. Gestion de l’azote chez les espèces ligneuses. In Assimilation
de l’azote chez les plantes : aspects physiologique, biochimique et moléculaire. Morot-
Gaudry J-F., Ed Quae, 422p.
GIANOLA D., 1986. On selection criteria and estimation of parameters when the variance
is heterogeneous. Theoretical and Applied Genetics, 72: 671–677.
GILMOUR A. R., THOMPSON R., CULLIS B. R. 1995. Average information REML, an
efficient algorithm for variance parameter estimation in linear mixed models. Biometrics,
51:1440–1450.
GILMOUR A.R., GOGEL B.J., CULLIS B.R. and THOMPSON R., 2006. ASREML
User Guide, Release 2.0. Hemel Hempstead, UK: VSN International, 342p.
GIT 2009. Eucalyptus Universalis – Cultivated eucalypt forests global map 2008. GIT
Forestry Consulting. http://git-forestry-blog.blogspot.com/2008/09/eucalyptusglobal-
map-2008-cultivated.html.
GIVNISH T.J., 1979. On the adaptive significance of leaf form. In: SOLBRIG OT, JAIN
S, JOHNSON GB, RAVEN PH, eds. Topics in plant population biology. New-York:
Columbia University Press, pp375–407.
GIVNISH T.J., 1986. On the economy of plant form and function. Cambridge University
Press, 102p.
GOLDRINGER I., BRABANT P. & GALLAIS A., 1997. Estimation of additive and
epistatic genetic variances for agronomic traits in a population of doubled-haploid lines of
wheat. Heredity, 79: 60—71.
GOMAT H.Y., 2013. La production des plantations clonales d’eucalyptus dans la plaine
côtière du Congo/Brazzaville : Effet des facteurs densité de plantation, fertilisation et
régimes d’éclaircies. Thèse de L’université Marien Ngouabi, Falculté des Sciences,
Brazzaville, République du Congo, 174p.
GOODNIGHT C.J., 1988. Epistasis and the effect of founder events on the additive
genetic variance. Evolution, 42 (3): 441-454.
GREENWOOD M.S., HUTCHISON K.W., 1993. Maturation as a developmental process,
in: Ahuja M.R., Libby W.J. (Eds.), Springer-Verlag, Berlin. Clonal Forestry I – Genetics
and Biotechnology, 1: 14–33.
163
GRUBBS F.E., 1969. Procedures for detecting outlying observations in samples.
Technometrics, 11: 1-21.
GWAZE D.P. BRIDGWATER F.E., WILLIAMS C.G., 2002. Genetic analysis of growth
curves for a woody perennial species, Pinus teada L. Theoretical and Applied Genetics,
105: 526-531.
GWAZE D.P., WOLLIAMS J.A., KANOWSKI P.J. and F. E. BRIDGWATER F.E.,
2001. Interactions of Genotype with Site for Height and Stem Straightness in Pinus taeda
in Zimbabwe. Silvae Genetica, 50 (3–4): 135-140.
H
HAAPANEN M., 1996. Impact of family-by-trial interaction on utility of progeny testing
methods for scots pine. Silvae Genetica, 45: 130-135.
HACKETT W.P., 1985. Juvenility, maturation and rejuvenation in woody plants.
Horticultural Review, 7: 109-155.
HACKETT W.P., 1988. Donor plant maturation and adventitious root formation. In: Dav
is T. M., Haissig B. E., Sankhla N. (Eds). Adventitious root formation in cuttings.
Dioscorides Press, Portland, USA, p11-28.
HALGERSON J.L., SHEAFFER C.C., MARTIN N.P., PETERSON P.R. and WESTON
S.J., 2004. Near-infrared reflectance spectroscopy prediction of leaf and mineral
concentrations in Alfalfa. Agronomy Journal, 96: 344-351.
HALLAUER A.R. and MIRANDA J.B., 1981. Quantitative genetics in maize breeding.
Iowa state university press, Ames, 662p.
HAMANN A., 1995. Effects of hedging on maturation in loblolly pine: rooting capacity
and root formation. Thesis, State University of New York, 90p.
HANNRUP B., WILHELMSON L., DANELL Ö., 1998. Time trends for genetic
parameters of wood density and growth traits in Pinus Sylvestris L. Silvae Genetica, 47:
214-219.
HANSEN T.F., 2013. Why epistasis is important for selection and adaptation. Evolution,
67-12: 3501–3511.
HANSEN T.F., PÉLABON C. and HOULE D., 2011. Heritability is not evolvability.
Evolutionary Biology, 38: 258–277.
HANSON W.D., 1963. Heritability. In: Statistical Genetics and Plant Breeding, Hanson,
W.D. and Robinson, H.F. (Eds.). NAS-NRC Publication 982, Washington, D.C., pp125-
140.
164
HARDNER C., TIBBITS W., 1998. Inbreeding depression for growth wood, and
fecundity traits in Eucalyptus nitens. Forest Genetics, 5: 11-20.
HARFOUCHE A., KREMER A., 2000. Provenance hybridization in diallel mating
scheme of maritime pine (Pinus pinaster). I means and variance components. Canadian
Journal of Forest Research, 30: 1-9.
HAYMAN B.I., 1985. The separation of epistatic from additive and dominance variation
in generation means. Heredity, 12: 371-390.
HENDERSON C. R., 1.975. Best linear unbiased estimation and prediction under a
selection model. Biometrics, 31, 423-447.
HENDERSON C.R., 1984. Applications of Linear Models in Animal Breeding,
University of Guelph, Guelph, Ontario, 384p.
HENDERSON C.R., 1986. Statistical methods in animal improvement: Historical
Overview. In: Gianola D., Hammond K. (Eds) Advances in statistical methods for genetic
improvement of livestock. Springer, Berlin, pp2–14.
HILL W G., 2010. Understanding and using quantitative genetic variation. Philosophical
Transactions of the Royal Society B: Biology Sciences, 365: 73-85.
HILL W.G., GODDARD M.E. & VISSCHER P.M., 2008. Data and theory point to
mainly additive genetic variance for complex traits. PLOS Genetics, 4(2):
doi:10.1371/journal.pgen.1000008.
HODGE G.R. and WHITE T.L., 1992. Genetic parameter estimates for growth traits at
different ages in slash pine and some implications for breeding. Silvae Genetica, 41: 252-
262.
HOLLAND J.B., 2001. Epistasis and plant breeding. Plant Breeding Reviews, 21: 27-112.
HOSSAIN M.A., ISLAM M.A., HOSSAIN M.M., 2004. Rooting ability of cuttings of
Swietenia macrophylla King and Chukrasia velutina Wight et Arn as Influenced by
Exogenous Hormone. International Journal of Agricultural and Biological, 6 (3): 560-
564.
I
IGNACIO-SANCHEZ E., VARGAS-HERNANDEZ J.J., LOPEZ-UPTON J.Y., BORJA-
DE LA ROSA A., 2005. Parámetros genéticos del crecimiento y densidad de madera en
edades juveniles de eucalyptus urophylla s.t. Blake. Agrociencia, 39: 469-479.
ISIK F., 2011. Generalized Linear Mixed Models - An Introduction for Tree Breeders and
Pathologists. Quantitative Forest Geneticist, Cooperative Tree Improvement Program,
165
North Carolina State University. Statistic Session class notes. Fourth International
Workshop on the Genetics of Host-Parasite Interactions in Forestry. July 31 – August 5,
2011. Eugene, Oregon, USA, 47p.
ISIK F., GOLDFARB B., LEBUDE A., Li B., McKEAND S., 2005. Predicted genetic
gains and testing efficiency from two loblolly pine clonal trials. Canadian Journal of
Forestry Research, 35:1754–1766.
ISIK F., LI B. and FRAMPTON J., 2003. Estimates of additive, dominance and epistatic
genetic variances from a clonally replicated test of Loblolly pine. Forest Science, 49 (1):
77-88.
J
JAMET R., 1967. Etude pédologique d’une zone témoin dans la région de Loango.
Orstom, Côte MC 143, centre de Brazzaville, 85p.
JAMET R., 1975. Evolution des principales caractéristiques des sols des reboisements de
Pointe-Noire. ORSTOM, Cote MC 189, Centre de Brazzaville, 35p.
JAMET R., RIEFFEL, J.M., 1976. Carte pédologique du Congo au 1/200000. Orstom,
Notice explicative, 65, 167p.
JANNSON G., LI B., 2004. Genetic gains of full-sib families from disconnected diallels
in loblolly pine. Silvae Genetica, 53:60–64.
JANSSON G., LI B., HANNRUP B., 2003. Time trends in genetic parameters for height
and optimal age parental selection in scots pine. Forest Science, 49: 696-705.
JASNOS L. and KORONA R. 2007. Epistatic buffering of fitness loss in yeast double
deletion strains. Nature reviews Genetics, 39: 550–554.
JAYAWICKRAMA K.J.S. and CARSON M.J., 2000. A breeding strategy for the New
Zealand radiata pine breeding cooperative. Silvae Genetica, 49: 82-90.
JINKS J.L. and POONI H.S., 1988. The genetic basis of environmental sensitivity. In
Proceedings of 2nd International Conference on Quantitative Genetics. Sinauer,
Sunderland, Massachusetts., USA, pp505-522.
JINKS J.L., PERRINS J-M., BREESE E.L., 1969. A general method of detecting additive,
dominance and epistatic variation for metrical traits. II- Application to inbred. Heredity,
24: 45-57.
JOHNSON G.R. and BURDON R.D., 1990. Family-site interaction in Pinus radiata.
Implications for progeny testing strategy and regionalized breeding in New Zealand.
Silvae Genetica, 39: 55-62.
166
JOHNSON G.R., 1997. Site-to-site genetic correlations and their implications on breeding
zone size and optimum number of progeny test sites for coastal Douglas-fir. Silvae
Genetica, 46: 280-285.
JONES D.F., 1945. Heterosis resulting from degenerative changes. Genetics, 30: 527-542.
K
KACHMAN S.D., 2007. An Introduction to Generalized Linear Mixed Models. Armidale
Animal Breeding Summer, Department of Statistics, University of Nebraska, 161p.
KANG M.S., 2002. Genotype-Environment Interaction: Progress and Prospects. In
Quantitative Genetics, Genomics and Plant Breeding. CAB International Publishing,
pp221-243.
KANG M.S. and PHAM H.N., 1991. Simultaneous selection for high yielding and stable
crop genotypes. Agronomy Journal, 83: 161-165.
KEARSEY M. and JINKS J.L., 1968. A general method of detecting additive, dominance
and epistatic variation for metrical traits. I- Theory. Heredity, 23: 403-409.
KETATA H., SMITH E.L., EDWARDS L.H. and McNEW R.W., 1976. Detection of
epistasic, additive and dominance variation in winter wheat (Triticum aestivum L. em
Thell.). Crop Science, 16:1-4.
KIMURA M., 1965. Attainment of quasi linkage equilibrium when gene frequencies are
changing by naturel selection. Genetics, 52: 875-890.
KING D.A., 1999. Juvenile foliage and the scaling of tree proportions, with emphasis on
Eucalyptus. Ecology, 80: 1944-1954.
KISHOR C., PARODA R.S. and JATASRA D.S., 1992. Epistatic gene effects from the
triple test-cross analysis in F2 population of oats for forage yield and quality. Indian
Journal of Genetics and Plant Breeding, 52: 50-54.
KLEINSCHMIT J. 1974. A programme for large-scale cutting propagation of Norway
spruces. New Zeeland Journal of Forest Science, 4:440-447.
KOVACEVIC B., GUZINA V., KRALJEVIC-BALALIC M., IVANIVIĆ M. AND
NIKOLIC-DORIĆ, 2008. Evaluation of early rooting traits of eastern cottonwood that are
important for selection tests. Silvae Genetica, 57 (1): 13-21.
KOVACEVIC, B., M. KRALJEVIC-BALALIC and M. ZORIC, 2004. Analysis of
stability and adaptability of black poplar genotypes for cuttings’ survival. Proceedings of
XXXIV annual meeting of ESNA, Novi Sad., pp318–321.
167
KOVACEVIC, B., V. GUZINA, P. IVANIS˘EVIC, S. RONCEVIC, S. ANDRAS˘EV and
S. PEKEC, 2005. Variability of cuttings’ rooting characters and their relationship with
cuttings’ survival rate for poplars of section Aigeiros. Contemporary agriculture, 54(1–2):
130–138.
KREMER A., 2000. Changements climatiques et diversité génétique. Revue Forestière
Française, LII: 91-98.
KUMAR S., 2006. Correlation between clonal means and open pollinated seedling
progeny means and its implications for Radiata pine breeding strategy. Canadian Journal
of Forest Research, 36:1968–1975.
KUNDU S.K., ISLAM Q.N., EMMANUEL C.J.S.K. and TIGERSTEDT M.A., 1998.
Observations on genotype × environment interactions and stability in the international
Neem (Azadirachta indica A. JUSS.) provenances trials in Bangladesh and India. Forest
Genetics, 5 (2): 85-96.
KUSNANDAR D., GALWER N.W., HERTZLER G.L. & BUTCHER T.B., 1998. Age
trends in variances and heritabilities for diameter and height in maritime pine (Pinus
pinaster Ait.) in Western Australia. Silvae Genetica, 47 (2-3):136-141.
L
LACLAU J.P., RANGER J., NZILA J.D.D., BOUILLET J.P., GELHAYE D.,
DELEPORTE P., 2003. Eucalyptus et fertilité des sols au Congo. Bois et Forêts des
Tropiques, 277 (3) : 69-84.
LAMBERS H., CHAPIN F.S & PONS T.L., 1998. Plant Physiological Ecology. Spriner-
Verlag, New York, 605p.
LATTA R.G., 2003. Gene flow, adaptive population divergence and comparative
population structure across loci. New phytologist, 161: 51-58.
Le ROUZIC A., ẤLVAREZ-CASTRO J. M. and HANSEN T. F., 2013. The evolution of
canalization and evolvability in stable and fluctuating environments. Evolutionary
Biology, 40: 317–340.
LEHNER B., 2011. Molecular mechanisms of epistasis within and between genes. Trends
in Genetics, 27 (8): 323-331.
LEMOS L., CARVALHO A., ARAUJO J.A. and BORRALHO N.M.G., 1997.
Importance of Additive Genetic and Specific Combining Ability Effects for Rooting
Ability of Stem Cuttings in Eucalyptus globules. Silvae Genetica, 46 (5): 307-308.
LERNER M., 1958. The genetic basis of selection. John Wiley & Sons, New-York, 322p.
168
LEUNING R., CROMER R.N., RANCE S., 1991. Spatial distribution of foliar nitrogen
and phosphorus in crowns of Eucalyptus grandis. Oecologia, 88: 504-510.
LI B. and McKEAND S.E., 1989. Stability of loblolly pine families in the south-eastern
U.S. Silvae Genetica, 38: 96-101.
LI Z., 1998. Molecular analysis of epistasis affecting complex traits. In: Molecular
dissection of complex traits. Paterson A.H. (Eds). CRC. Press, Boca Raton FL., p119-130.
LIBBY W.J., 1962. Estimation of variance components of internode length in a cloned
population of Mimulus guttatus. Genetics, 47: 769-777.
LIBBY W.J., 1964. Clonal selection and an alternative seed orchard scheme. Silvae
Genetica, 13: 32-40.
LIBBY W.J., 1969. Some possibilities of the clone in forest genetics research. In:
Genetics lectures. Vol. I. Edited by BONGART, R. Genetics Institute, Oregon State
University, Corvallis, Oregon. pp121–136.
LIBBY W.J., BROWN A.G. and FIELDING J.M., 1972. Effects of hedging radiate pine
on production, rooting and early growth of cuttings. New Zeeland Journal of Forest
Science, 2:263-283.
LIN C.S. and BINNS M.R., 1988a. A superiority measure of cultivar performance for
cultivar x location data. Canadian Journal of Plant Science, 68: 193-198.
LIN C.S. and BINNS M.R., 1988b. A method of analyzing cultivar x location x year
experiment: a new stability parameter. Theoretical and Applied Genetics, 76: 425-430.
LINDGREN D., 1984. Prediction and optimization of genetic gain with regard to
genotype x environment interaction. Studia Foresrtalia Suecica, 166: 15-24.
LOUMETO J.J., 1991. Données premières sur la végétation du sous-bois des Eucalyptus
des sables côtiers du Congo. Université Marien Ngouabi. Département de Biologie et
Physiologie végétale, 15p.
LU P.X., HUBER D.A., WHITE T.L., 1999. Potential biases of incomplete linear models
in heritability estimation and breeding value prediction. Canadian Journal of Forestry
Research, 29: 724–736.
LYNCH M. and WALSH B., 1998. Genetics and analysis of quantitative traits. Sinauer
Associates, pp558-563 and 813-816.
169
M
MA F., ZHAO C., MILNE R., JI M., CHEN L., LIU J., 2010. Enhanced drought-tolerance
in the homoploid hybrid species Pinus densata: implication for its habitat divergence from
two progenitors. New Phytologist, 18: 204-216.
MACKAY T.F.C., 2014. Epistasis and quantitative traits: using model organism to study
gene-gene interactions. Nature Reviews Genetics, 15: 22-23.
MacRAE S. and COTTERILL P.P., 1997. Macropropagation and micropropagation of
Eucalyptus globulus: means of capturing genetic gain. In: Proc. IUFRO Conf. on
Silviculture and Improvement of Eucalypts, pp102–110.
MAGNUSSEN S. and YANCHUK A.D., 1994. Time trends of predicted breeding values
in selected crosses of coastal Douglas-fir in British Columbia: A methodological study.
Forest Science, 40: 663-685.
MAILLARD D., 1978. La pollinisation contrôlée Eucalyptus Pins. CTFT-Congo, 71p.
170
genotype and cutting type on rooting ability. Propagation of Ornamental Plants, 10: 42-
49.
MANKESSI F., SAYA A., TOTO M., MONTEUUIS O., 2011. Cloning field growing
Eucalyptus urophylla × Eucalyptus grandis by rooted cuttings: Age, within-shoot position
and season effects. Propagation of Ornamental Plants, 11 (1): 3-9.
MARINO T.M., 1982. Propagation of southern pines by cuttings. Proceedings of
International Plant Propagators Society, 31: 518-524.
MARSCHNER H. 1995. Mineral nutrition of higher plants. Academic press London,
889p.
MARTIN B. 2003. L’eucalyptus : un arbre forestier stratégique. Revue Forestière
Française LV – 2: 141-154.
MARTIN B. et QUILLET G., 1974. Bouturage des arbres forestiers au Congo : Résultats
des essais effectués à Pointe-Noire de 1969 à 1973. Bois et Forêts des Tropiques, 154 :
41- 59.
MATHER K. and JINKS J.L., 1982. Biometrical genetics. 3rd Ed. Chapman and Hell,
London, pp364-365.
MATHESON A.C, LINDGREN D., 1985. Gains from the clonal and the clonal seed-
orchard options compared for tree breeding programs. Theoretical and Applied Genetics,
71:242–249.
MAURICE D., 2010. Etude exploratoire de la variabilité génétique de la morphologie
foliaire, de l’état nutritionnel et hydrique chez l’Eucalyptus : effet sur la croissance.
Mémoire de fin d’études pour l’obtention du diplôme d’Ingénieur en horticulture, Sup
Agro, Montpellier, 75p.
MAUST B.E and Williamson, 1991. Nitrogen rate effect on growth of containerized citrus
nursery plants. Proc. Fla. State. Hort. Sci., 104:191-195.
Mc CULLAH, P., NELDER, J.A., 1989. Generalized linear models. 2. ed. London:
Chapman & Hall, 511p.
McKENDRY A.M., McVETTY P.B.E., and EVANS L.E., 1988. Inheritance of grain
protein concentration, grain yield, and related traits in spring wheat (Triticum aestivum
L.). Genome, 30: 857-864.
McLEAN E.H., PROBER S.M., STOCK W.D., STEANE D.A., POTTS B.M.,
VAILLANCOURT R.E. & BYRNE M., 2014. Plasticity of functional traits varies clinally
171
along a rainfall gradient in Eucalyptus tricarpa. Plant Cell and Environment, 37:1440–
1451.
MEIR P., GRACE J., MIRANDA A.C., 2001. Leaf respiration in two tropical rain forests:
constraints on physiology by phosphorus, nitrogen and temperature. Functional Ecology,
15: 378- 387.
MERRIT R.G., 1988. Inheritance of culm number in two uniculm × multiculm wheat
crosses. Euphytica, 38: 105-111.
MEZIANE D. and SHIPLEY B., 2001. Direct and indirect relationships between Specific
Leaf Area, Leaf Nitrogen and Leaf gas Exchange. Effects of irradiance and nutrient
supply. Annals of Botany, 88: 915-927.
MILLARD P. ET THOMSON C.M., 1989. The effect of the automn senescence of leaves
on the internal cycling of nitrogen for the spring growth of apple trees. Journal of
Experimental Botany, 40: 1285-1289.
MINVIELLE F., 1987. Dominance is not necessary for heterosis: a two-locus model.
Genetics Research, 49: 245-247.
MODE C.J. and ROBINSON H.F., 1959. Pleiotropism and the genetic variance and
covariance. Biometrics, 15: 518-537.
MONTEUUIS O., VALLAURI D., POUPARD C., CHAUVIERE M., 1995. Rooting
Acacia mangium cuttings of different physiological age with reference to leaf morphology
as a phase change marker. Silvae Genetica, 44: 150-154.
MONTOOTH K.L., MARDEN, J.H. and CLARK A.G., 2003. Mapping determinants of
variation in energy metabolism, respiration and flight in Drosophila. Genetics, 165: 623–
635.
MOONEY H.A., FIELD C., GULMON S.L., BAZZAZ F.A., 1981. Photosynthetic
capacity in relation to leaf position in desert versus old-field annuals. Oecologia, 50: 109-
112.
MOORE J.H., 2005. A global view of epistasis. Nature reviews Genetics, 37 (1): 13-14.
MOORE J.H. and WILLIAMS S.M., 2005. Traversing the conceptual divide between
biological and statistical epistasis: systems biology and a more modern synthesis.
Bioessays, 27: 637-646.
MRODE R.A., THOMPSON, R. Linear models for the prediction of animal breeding
values. 2. Ed. Cambridge, USA: CABI Publishing, 2005, 344p.
172
MULLIN T.J. and PARK Y.S., 1992. Estimating genetic gains from alternative breeding
strategies for clonal forestry. Canadian Journal of Forestry Research, 22: 14–23.
MULLIN T.J. and PARK Y.S., 1994. Genetic parameters and age–age correlations in a
clonally replicated test of black spruce after 10 years. Canadian Journal of Forestry
Research, 24: 2330-2341.
MULLIN T.J., MORGENSTERN E.K., PARK Y.S. and FOWLER D.P., 1992. Genetic
parameters from a clonally replicated test of black spruce (Picea mariana). Canadian
Journal of Forestry Research, 22: 24–36.
N
NAKAGAWA S. and SCHIELZETH H., 2010. Repeatability for Gaussian and non-
Gaussian data: a practical guide for biologists. Biological Reviews, 85: 938-956.
NAMKOONG G., 1979. Introduction to quantitative genetics in forestry. US Department
of Agriculture Technical Bulletin, n° 1588, 345p.
NANDA G.S, SINGH G. and CHAND K., 1989. Detection of components of genetic
variation and prediction of the frequencies of transgressive segregants in bread wheat
(Triticum aestivum L.). Journal of Genetics and Breeding, 44: 63-66.
NANDA G.S., SINGH P. and GILL K.S., 1982. Epistatic, additive and dominance
variation in a triple test cross of bread wheat (Triticum aestivum L.). Theoretical and
Applied Genetics, 62: 49-52.
NASSAR R. and HUEHN M., 1987. Studies on estimation of phenotypic stability: tests of
significance for non-parametric measures of phenotypic stability. Biometrics, 43: 45-53.
NIINEMETS U., 1999. Research review: components of leaf dry mass per area-thickness
and density-alter leaf photosynthetic capacity in reverse directions in woody plants. New
phytologist, 144: 35-47.
NIINEMETS U., 2001. Global –Scale climatic controls of leaf dry mass per area, density,
and thickness in trees and shrubs. Ecology, 82: 453-469.
NIINEMETS U., TEHUMEN J.D., 1997. A model separating leaf structural and
physiological effects on carbon gain along light gradients for the shade-tolerant species
Acer saccharum. Plant Cell and Environment, 20: 845-866.
NIKLES D.G. and NEWTON R.S., 1991. Correlations of breeding values in pure and
hybrid populations of hoop pine and some southern pines in Queensland and relevance to
breeding strategies. In Proceedings of the 12th meeting of the Research Working Group 1
of the Australian Forestry Council, Coonawarra, South Australia, pp1-5.
173
NOUVELLON Y., LACLAU J.P., EPRON D., KINANA A., MABIALA A.,
ROUPSARD O., BONNEFOND J.M., Le MAIRE G., MARSDEN C., BONTEMPS J.D.,
SAINT-ANDRE L., 2010. Within-stand and seasonal variations of specific leaf area in
clonal Eucalyptus plantation in the republic of Congo. Forest Ecology and Management,
259 (9): 1796-1807.
NZILA J.D., 1996a. Principales caractéristiques des sols de reboisement dans la région de
Pointe-Noire. Note interne UR2PI-Congo, 15p.
NZILA JD, 1996b. Caractérisation des sols du Congo et problèmes d’aménagement des
sols. Fascicule de cours, ENS, Brazzaville, 70p.
O
OLLIVIER L., 1971. L’héritabilité et sa mesure. In : Bulettins et Mémoires de la Société
d’anthropologie de Paris, XIIe Série. Tome 7, Fascicule 2, pp159-176.
ORGEAS J., BONIN G., 1996. Variabilité des nutriments foliaires de Quercus suber L.
dans différentes situations écologiques dans le massif des Maures (var, France), et
relations avec la production de liège. Annales des Sciences Forestières, 53: 615-624.
OSORIO L.F., 1999. Estimation of genetic parameters, optimal test designs and prediction
of the genetic merit of clonal and seedling material of Eucalyptus grandis. School of
Forest Resources and Conservation, University of Florida, Gainesville, 256p.
OSORIO L.F., WHITE T.L., HUBER D.A., 2001. Age trends of héritabilities and
genotype-by-environment interactions for growth and wood density from clonal trials of
Eucalyptus grandis Hill ex Maiden. Silvae Genetica, 50 (1): 30-37.
OTTO S.P. and GERSTEIN A.C., 2006. Why have sex? The population genetics of sex
and recombination. Biochemical Society Transactions, 34: 519-522.
OUMA G.B., 2006. Growth responses of Rough Lemon (citrus limon L.) rootstock
seedlings to different container sizes and nitrogen levels. Agricultura Tropica &
subtropica, 39(3) : 183-189.
ÖZYİĞİT Y., BİLGEN M., 2011. Determination of nitrogen levels based on spectral
reflectance values in sheep fescue (Festuca ovina L.). Turkish Journal of Field Crops,
16(1): 29-32.
174
P
PALUCCI V., SCHAEFFER L.R., MIGLIOR F., OSBORNE V., 2007. Non-additive
genetic effects for fertility traits in Canadian Holstein cattle. Genetics Selection Evolution,
39: 181–193.
PICHOT C. and TESSIER du CROS E., 1989. Estimation of genetic parameters in eastern
cottonwood (Populus destoides Bartr.). Consequence for the breeding strategy. Annals of
Forest Science, 46: 307-324.
PICHOT C., 1993. Analyse de dispositifs par approches itératives prenant en compte les
performances des plus proches voisins. Agronomie, 13: 109-119.
PIEPHO H.P., MÖHRING J., MELCHINGER A.E., BÜCHSE A., 2008. BLUP for
phenotypic selection in plant breeding and variety testing. Euphytica, 161: 209-228.
PIERIK R.L.M., 1990. Rejuvenation and micropropagation. In: Nikkamp H. J. J, Van der
Plas L. H. W., Van Aartrijk J. (Eds). Progress in plant cellular and molecular biology.
Proceedings of the VIIth international congress on plant tissue and cell culture,
Amsterdam, Netherland, Kluwer Academic: 91-101.
PINKARD E.A., BATTAGLIA M., MOHAMMED C., 2007. Defoliation and nitrogen
effects on photosynthesis and growth of Eucalyptus globulus. Tree Physiology, 27: 1053-
1063.
PLANCHON V., 2005. Traitement des valeurs aberrantes: concepts actuels et tendance
générales. Biotechnology Agronomy Society and Environment, 9 (1): 19-34.
POORTER H., GARNIER E., 1999. The ecological significance of variation in relative
growth rate and its components. In: Handbook of functional plant Ecology, pp81-120.
POORTER H., NIINEMETS U., POORTER L., WRIGHT I.J., VILLAR R., 2009. Causes
and consequences of variation in leaf mass per area (LMA): a meta-analysis. New
Phytologist, 182: 565-588.
POORTER L., ROZENDAAL D.M.A., 2008. Leaf size and leaf display of thirty-eight
tropical tree species. Oecologia, 158: 35-46.
POUPARD C., CHAUVIÈRE M. AND MONTEUUIS O., 1994. Rooting Acacia
mangium cuttings: Effects of age, within-shoot position and auxin treatment. Silvae
Genetica, 43(4): 226-231.
PRIOR L.D., BOWMAN D.M.J.S., EAMUS D., 2004. Seasonal differences in leaf
attributes in Australian tropical tree species: family and habitat comparisons. Functional
Ecology, 18: 707-718.
PROVINE W.B., 1986. Sewall Wright and evolutionary biology. University of Chicago
Press, Chicago, 548p.
176
PYANKOV V.I., KONDRATCHUK A.V., SHIPLEY B., 1999. Leaf structure and
specific leaf mass: the alpine desert plants of the Eastern Pamirs, Tadjikistan. New
Phytologist, 143: 131-142.
R
RADOSTA P., 1989. The influence of endogenous and exogenous factors on the process
of rhizogenis. PhD Thesis, Forestry Research Institute, Prague, 135p.
RADOSTA P., PAQUES L.E. and VERGER M., 1994. Estimation of genetic and non-
genetic parameters for rooting traits in hybrid Larch. Silvae Genetica, 43 (2-3): 108-114.
RAMALHO M.A.P., CARVALHO B.L. AND NUNES J.A.R., 2013. Perspectives for the
Use of Quantitative Genetics in Breeding of Autogamous Plants. Hindawi Publishing
Corporation, ISRN Genetics, DOI: 10.5402/2013/718127.
RAO C.R., KLEFFE J., 1988. Estimation of variance components and applications. North
Holland series in statistics and probability, Elsevier, Amsterdam, 370p.
RAUTER R.M., 1983. Recent advances in vegetative propagation including biological
and economic considerations and future potential. Proceedings of the IUFRO joint
meeting of working parties on Genetics about breeding strategie including multiclonal
varieties, Escherode, Germany, 9: 33-57.
RAWLINGS J.O. and COCKERHAM C.C., 1962a. Triallel analysis. Crop Science, 2:
228-231.
RAWLINGS J.O. and COCKERHAM C.C., 1962b. Analysis of double cross hybrid
populations. Biometrics, 18: 229-244.
REICH E.B. and WALTERS M.B., 1994. Photosynthesis-nitrogen relations in Amazonian
tree species. II. Variation in nitrogen vis-à-vis specific leaf area influences mass and area-
based expressions. Oecologia, 97: 73-81.
REICH P.B., ELLSWORTH D.S. and WALTERS M.B., 1998. Leaf structure (specific
leaf area) modulates photosynthesis-nitrogen relations: evidence from within and across
species and functional groups. Functional Ecology, 12: 948-958.
REICH P.B., ELLSWORTH D.S., WALTERS M. B., VOSE J. M., GRESHAM C.,
VIOLIN J. C., BOWMAN W. D., 1999. Generality of leaf trait relationships: a test across
six biomes. Ecology, 80: 1955-1969.
REICH P.B., KLOEPPEL B.D., ELLSWORTH D.S., WALTERS M.B., 1995. Different
photosynthesis-nitrogen relations in deciduous hardwood and evergreen coniferous trees.
Oecologia, 104: 24-30.
177
REICH P.B., WALTERS M.B., ELLSWORTH .S., 1997. From tropics to tundra; global
convergence in plant functioning. Proceedings of the National Academy of science of the
USA, 94: 13730-13734.
REICH P.B., WRIGHT I.J., CAVENDER-BARES J., CRAINE J.M., OLEKSYN J.,
WESTOBY M. and WALTERS M.B., 2003. The evolution of plant functional variation:
traits, Spectra, and strategies. International Journal of Plant Sciences, 164 (3): 143-164.
REJMÁNEK M., RICHARDSON D.M., 2011. Eucalypts, In Encyclopedia of Biological
Invasions, Daniel Simberloff and Marcel Rejmánek, editors, Berkeley and Los Angeles:
University of California Press: 203-209.
RETIEF C.L., STANGER T.K., 2009. Genetic parameters of pure and hybrid populations
of Eucalyptus grandis and Eucalyptus urophylla and implications for hybrid breeding
strategy. Southern Forest, 71 (2): 133-140.
RIESEBERG L.H., ARCHER M.A., WAYNE R.K., 1999. Transgressive segregation,
adaptation and speciation. Heredity, 83: 363-372.
RIESEBERG L.H., WILLIS J., 2007. Plant speciation. Science, 317: 910- 914.
ROBERTSON A., 1959. The sampling variance of the genetic correlation coefficient.
Biometrics, 15: 469-485.
RÖNNEBERG-WÄSTJUNG A.C., GULLBERG U., and NILSSON C., 1994. Genetic
parameters of growth characters in Salix viminalis grown in Sweden. Canadian Journal of
Forest Research, 24: 1060-1969.
ROSE L.W., DAS M.K. and TALIAFERRO C.M., 2008. A comparison of dry matter
yield stability assessment methods for small numbers of genotypes of Bermudagrass.
Euphytica, 164: 19-25.
ROSVALL O, LINDGREN D, MULLIN T.J., 1998. Sustainability robustness and
efficiency of a multi-generation breeding strategy based on within-family clonal selection.
Silvae Genetica, 47: 307–321.
ROZENDAAL D.M.A., HURTADO V.H., POORTER L., 2006. Plasticity in leaf traits of
38 tropical tree species in response to light; relationships with light demande and adult
stature. Functional Ecology, 20: 207-216.
RUAUD J.N., LAWRENCE N., PEPPER S., POTTS B.M. and BORRALHO N.M.G.,
1999. Genetic variation of in vitro rooting Ability with time in Eucalyptys globulus. Silvae
Genetica, 48 (1): 4-7.
178
RUSSELL, J.H. and LOO-DINKINS J.A., 1993. Distribution of testing effort in cloned
genetic tests. Silvae Genetica, 42: 98–104.
S
SACK L., MELCHER P.J., LIU W.H., MIDDLETON E., PARDEE T., 2006. How strong
is intracanopy leaf plasticity in temperature deciduous trees? American Journal of Botany,
93:829-839.
SAINT-ANDRE L., 2006. Vérification, analyse des données et modélisation. Formation
UR2PI-ECO, 93p.
179
SHAW D.V., HOOD J.V., 1985. Maximizing gain per effort by using clonal replicates in
genetic tests. Theoretical Applied Genetics, 71: 392-399.
SHELBOURNE C.J.A., 1973. Genotype-environment interaction: its study and its
implications in forest tree improvement. New Zealand Forest Service, 27p.
SHELBOURNE C.J.A., 1991. Genetic gains from different kinds of breeding population
and seed or plant production population. Southern African Forestry Journal, 160:49–65.
SHEPHERD M., MELLICK R., TOON P., DALE G., DIETERS M., 2005. Genetic
control of adventitious rooting on stem cuttings in two Pinus elliottii × P. caribaea hybrid
families. Annals of Forest Science, 62: 403–412.
SHIMOMURA K., LOW-ZEDDIES S., KING D.P., STEEVES T.D.L., WHITELEY A.,
KUSHLA J., ZEMZNIDES P.D., LIN A., VITATERNA M.H., CHURCHILL G.A. et
TAKAHASHI J.S., 2001. Genome-wide epistatic interaction analysis reveals complex
genetic determinants of circadian behavior in mice. Genome Research, 11: 959–980.
SHIPLEY B., LECHOWEICZ M.J., WRIGHT I.J. and REICH P.B., 2006. Fundamental
trade-offs generating the worldwide leaf economics spectrum. Ecology, 87: 535-541.
SHIPLEY B., LECHOWICZ M.J., 2000. The functional coordination of leaf morphology
and gas exchange in 40 wetland plant species. Ecoscience, 7: 183-194.
SHUKLA G.K., 1972. Some statistical aspects of partitioning genotype × environmental
components of variability. Heredity, 29: 237-245.
SIERRA-LUCERO V., Mc KEAND S.E., HUBER D., ROCKWOOD D.L. and WHITE
T.L., 2002. Performance differences and genetic parameters for four coastal provenances
of loblolly pine in the south-eastern United States. Forest Science, 48(4): 732-742.
SIESLER H.W. and DAVIES AMC., 1991. NIR News, 2/1, 8p.
SIHNA B., SINGH R.M. and SINGH U.P., 1991. Genetics of leaf blight resistance in
wheat. Theoretical and Applied Genetics, 82: 399-404.
SINGH I., PARODA R.S., SINGH S., 1986. Genotype × environment interaction analysis
of triple-test-cross progenies for some metric traits in wheat. Crop Improvement, 13:117-
121.
SINGH I., PARODA R.S., SINGH S., 1989. Detection of genotype x environment
interaction in spring wheat through triple test cross analysis. Crop Improvement, 16: 34-
37.
SINGH I., PAWAR I.S., SINGH S., 1988. Detection of additive, dominance and epistatic
components of genetic variation for some metric traits in wheat. Genet. Agr., 42: 371-378.
180
SINGH S., 1990. Bias caused by epistasis in the estimates of additive and dominance
components and their interactions with environment in wheat. Indian Journal of Genetics
and Plant Breeding, 50: 157-160.
SKRØPPA T., 1984. A critical evaluation of methods available to estimate the genotype ×
environment interaction. In Proceedings from a conference on genotype x environment
interaction. Studia Forestalia Suecica, 166: 3–14.
SORENSEN F.C. and CAMPBELL R.K., 1980. Genetic variation in root ability of
cuttings from one-year-old western hemlock seedlings. USDA For. Serv. Res. Note, p7-8.
SRINIVASAN M.R. et PONNUSWAMY K.N., 1993. Estimation of variance components
based on triallel mating design. Theoretical and Applied Genetics, 85: 593-597.
St CLAIR J.B. and ADAMS W.T., 1991. Relative family performance and variance
structure of open pollinated Douglas-fir seedlings grown in three competitive
environments. Theoretical and Applied Genetics, 81: 541–550.
STONECYPHER R. and Mc CULLOUGH R., 1986. Estimates of additive and non-
additive genetic variance from a clonal diallel of Douglas-fir Pseudotsuga menziesii
(Mirb). Franco. In Proc. Int. Union For. Res. Org. joint Mtg. Working parties Breed.
Theor., Prg. Test, Seed, Orch. Villiamsburg/VA. Publ by NCJU Industry Coop. Tree Imp.
Prog., pp 211-227.
STONECYPHER R. and Mc CULLOUGH R., 1981. Evaluation of full-sib families of
Douglas fir in a nelder design. Proceedings of Southern Forest Tree Improvement
Conference, 16: 56–76.
STRIVASTAVA R.B., SHARMA S.C. and YUNUS M., 1992. Additive and nonadditive
gene effects for yield and yield components in two crosses of wheat. Indian Journal of
Genetics and Plant Breeding, 52: 297-301.
STUBER C.W. and COCKERHAM C.C., 1966. Gene effects and variances in hybrid
populations. Genetics, 54: 1279-1286.
SU G., CHRISTENSEN O.L., OSTERSEN T., HENRYON M., LUND M.S., 2012.
Estimating Additive and Non-Additive Genetic Variances and Predicting Genetic Merits
Using Genome-Wide Dense Single Nucleotide Polymorphism Markers. Plos one, 7 (9): 1-
7.
SUN L., 2011. Comparison of Different Estimation Methods for Linear Mixed Models
and Generalized Linear Mixed Models. D-level Essay in Statistics, Dalarna University,
Sweden, 30p.
181
SYVERTSEN J.P., LLOYD J., Mc CONCHIE C., KRIEDEMANN P.E., FARQUHAR
G.D., 1995. On the relationship between leaf anatomy and CO2 diffusion through the
mesophyll of hypostomatous leaves. Plant Cell and Environment, 18: 149–157.
SYVERTSEN J.P. and SMITH M.L., 1995. Nitrogen leaching, N uptake efficiency and
water use from citrus trees fertilized at three N rates. Proc. Fla. State hort. Soc., 108 :
151-155.
T
TARDIEU F., GRANIER C., MULLER B., 1999. Modeling leaf expansion in a
fluctuating environment; are changes in specific leaf area a consequence of changes in
expansion rate? New Phythologist, 143: 33-43.
TEKLEHAIMANOT Z., MWANG’INGO P. L., MUGASHA A.G., RUFF O C.K., 2004.
Influence of the origin of stem cutting, season of collection and auxin application on the
vegetative propagation of African Sandalwood (Osyris lanceolata) in Tanzania. Southern
African Forestry Journal, 201: 13-24.
TEMPLETON A.R., 1979. The unit of selection in Drosophila mercatorum. II. Genetic
revolution and the origin of coadapted genomes in parthenogenetic strains. Genetics, 92:
1265-1282.
TEMPLETON A.R., 1980. The theory of speciation via the founder principle. Genetics,
94: 1011-1038.
TEMPLETON A.R., 2000. Epistasis and complex traits. In: Epistasis and the
Evolutionary Process. Wolf J, Brodie III B, Wade M (Eds). New York, Oxford University
Press, pp41-57.
THULIN I.J. and FAULDS T., 1968. The use of cuttings in the breeding and afforestation
of Pinus radiata. New Zeeland Journal of Forest Science, 13:66-77.
TIBBITS W.N, WHITE T.L, HODGE G.R AND KELSEY R. JOYCE K.R., 1997.
Genetic Control of Rooting Ability of Stem Cuttings in Eucalyptus nitens. Australian
Journal of Botany, 45(1): 203 – 210.
TODA, R. 1961. Studies on the genetic variance in Cryptomeria. Bull. Gov. For. Expt.
Sta., 132: 1-46.
V
VAN DER VEEN J.H., 1959. Test of non-allelic interaction and linkage for quantitative
characters in generations derived from two diploid pure lines. Genetica, 30: 201-232.
VAN DER WERF J.H.J., DE BOER W., 1989. Influence of non additive effects on
estimation of genetic parameters in dairy cattle. Journal of Dairy Science, 72: 2606–2614.
VAN DER WERF J.H.J., MEUWISSEN T.H.E., DE JONG G., 1994. Effects of
correction for heterogeneity of variance on bias and accuracy of breeding value estimation
for Dutch dairy cattle. Journal of Dairy Science, 77: 3174–3184.
VARQUEZ J.F. and SANCHEZ-MONGE E., 1987. Correlations, epistasis and heterosis
of plant height and internode length in barley. Genome, 29: 532-536.
VERHOEVEN K.J.F., CASELLA G., Mc INTYRE L.M., 2010. Epistasis: Obstacle or
Advantage for Mapping Complex Traits? Plos one, 5 (8): 1-12.
VERMA S.S. and YUNUS M., 1986. Role of epistasis in the analysis of genetic
components of variance in bread-wheat. Indian Journal of Agriculture Sciences, 56 : 687-
689.
VERRIER E., BRABANT P., GALLAIS A., 2001. Faits et concepts de base en génétique
quantitative. Polycopié INA Paris-Grignon, 134p.
VIA S., 1984. The quantitative genetics of polyphagy in an insect herbivore. I. Genotype–
environment interaction in larval performance of different host plant species. Evolution,
38: 881–895.
VIGNERON P., BOUVET J.M., GOUMA R., SAYA A., GION J.-M., VERHAEGEN D.,
2000. Eucalyptus hybrids breeding in Congo. In Hybrid breeding and genetics of forest
trees. April 2000, Noosa, Queensland, Australie, QFRI/CRC-SPF Symposiums, pp 14-26.
VIGNERON Ph. et BOUVET J.M., 1997. Les Eucalyptus In Amélioration des plantes
tropicales, CIRAD, pp256-288.
183
VIGNERON Ph., 2008. Tests de descendances pleins frères avec copies végétatives. Note
interne, CRDPI-CIRAD, 26p.
VIGNERON Ph., SAYA A.R. et OGNOUABI N., 2006. Synthèse critique sur le
programme d’amélioration génétique des eucalyptus du Congo. Note interne UR2PI, 44p.
VIRK D.S. VIRK P.S. and AULAKH H.S., 1989. Detection of additive, dominance and
epistatic variation using single tester analysis in breadwheat. Indian Journal of Genetics
and Plant Breeding, 49: 213-217.
VISSCHER P.M., HILL W.G. and WRAY N.R., 2008. Heritability in the genomics era -
Concepts and misconceptions. Nature reviews Genetics, 9: 255-266.
VISSCHER P.M., THOMPSON R., HILL W.G., 1991. Estimation of genetic and
environmental variances for fat yield in individual herds and an investigation into
heterogeneity of variance between herds. Livestock Production Science, 28: 273–290.
VOLKER P.W., 1995. Evaluation of Eucalyptus nitens × globulus for commercial
forestry. In ‘'Eucalypt plantations: Improving Fibre Yield and Quality' Proc. CRCTHF-
IUFRO Conf., Hobart, Tasmania, 19-24 Feb, pp222-225.
VOLKER P.W., POTTS B.M., BORRALHO N.M.G., 2008. Genetic parameters of intra-
and inter-specific hybrids of Eucalyptus globulus and E. nitens. Tree Genetics &
Genomes, 4: 445-460.
W
WADE M.J., 1992. Sewall Wright: Gene interaction and the shifting balance theory.
Oxford Surveys in Evolutionary Biology, 8:33 62.
WAN X., YANG C., YANG Q., ZHAO H. AND YU W., 2013. The complete
compositional epistasis detection in genome-wide association studies. BMC Genetics, 14
(7): http//www.biomedcentral.com/1471-2156/14/7.
WANG Y., LIU G., FENG M. and WONG L., 2011. An empirical comparison of several
recent epistatic interaction detection methods. Genetics and populations analysis, 27 (21):
2936-2943.
WARDEN CH., YI N., FISLER J., 2004. Epistasis among genes is a universal
phenomenon in obesity: evidence from rodent models. Nutrition, 20: 74-77.
WAREING P.F., 1987. Phase change and vegetative propagation. In: Abb ott A. J., Atkin
R. K. (Eds). Improving vegetatively propagated crops, Academic Press, London: pp263-
270.
184
WARREN C.R., DREYER E., TAUSZ M. and ADAMS A., 2006. Ecotype adaptation
and acclimation of leaf traits to rainfall in 29 species of 16-year-old Eucalyptus at two
common gardens. Functional Ecology, 20: 929-940.
WEIGEL K.A., LAWLOR T.J., 1994. Adjustment for heterogeneous variance in genetic
evaluations for conformation of United States Holsteins. Journal of Dairy Science, 77:
1691–1701.
WELLER J.L. and RON M., 1987. A note on the effect of observations with missing data
on genetic correlation estimates. Theoretical and Applied Genetics, 74: 549-553.
WELLER S.G., 1976. The genetic control of tristyly in Oxalis section Ionoxalis. Heredity,
37: 387–393.
WENG Y.H., PARK Y.S., KRASOWSKI M.J., TOSH K.J. and ADAMS G., 2008.
Partitioning of genetic variance and selection efficiency for alternative vegetative
deployment strategies for white spruce in Eastern Canada. Tree Genetics and Genomes,
4:809–819.
WENG Y.H., PARK Y.S., SIMPSON D., MULLIN T.J., 2009. Efficiencies of Clonally
Replicated and Seedling Testing for Spruce Breeding and Deployment Strategies. Silvae
Genetica, 58 (5-6): 292-300.
WESTOBY M., 1998. A leaf-height-seed (LHS) plant ecology strategy scheme. Plant and
Soil, 199: 213-227.
WESTOBY M., FALSTR D.S., MOLES A.T., VESK P.A., WRIGHT I.J., 2002. Plant
ecological strategies: some leading dimensions of variation between species. Annual
Review of Ecology and Systematic, 33: 125-159.
WHITE T.L., ADAMS W.T., NEALE D.B., 2007. Forest Genetics. CABI Publishing,
USA, 682p.
WHITE T.L., HODGE G.R., 1989. Predicting Breeding Values with Applications in
Forest Tree Improvement, Kluwer Academic Publishers, Dordrecht, 369p.
WHITE T.L., LAVENDER D.P., CHING K.K. and HINZ P., 1981. First-year height
growth of southwestem Oregon Douglas-fir in three test environments. Silvae Genetica,
30: 173-178.
WHITEHEAD D., BEADLE C.L., 2004. Physiological regulation of productivity and
water use in Eucalyptus: a review. Forest Ecology and Management, 193 (1-2): 113-140.
WILLIAMS C.G., BRIDGWATER F.E. and LAMBETH C.C., 1983. Performance of
single versus mixed family plantation blocks of loblolly pine. Proceedings of Southern
Forest Tree Improvement Conference, 17: 56–76.
185
WILLIAMS E. R., JOHN A., WHITAKER D., 2006. Construction of Resolvable Spatial
Row–Column Designs. Biometrics, 62: 103–108.
WILSON P.J., THOMPSON K., HODGSON J.G., 1999. Specific leaf area and leaf dry
matter content as alternative predictors of plant strategies. New Phytologist, 143: 155-162.
WITKOSWKI E.T.T. and LAMONT B.B., 1991. Leaf specific mass confounds leaf
density and thickness. Oecologia, 88:486-493.
WITTE J., 1998. Gene–environment interaction. In Armitage P. and Colton T. (Eds),
Encyclopedia of Biostatistics. Wiley, Chichester, pp1613–1614.
WITTENBURG D., GUIARD V., TEUSCHER F. and REINSCH N., 2008. Comparison
of statistical models to analyze the genetic effect on within-litter variance in pigs. Animal,
2 (11): 1559–1568.
WRICKE G. and WEBER W.E., 1986. Quantitative genetics and selection in plant
breeding. Walter de Gruyter, Berlin, 406p.
WRICKE G., 1962. Über eine Methode zur Erfassung der ökologischen Streubreite in
Feldversuchen. Zeitschrift für. Pflanzenzüchtung, 47: 92-96.
WRIGHT I.J., REICH P.B., WESTOBOTY M., ACKERLY D. D., BARUCH Z.,
BONGERS F., CAVENDER-BARES J., CHAPIN T., CORNELISSEN J. H. C.,
DIEMER M., FLEXAS J., GARNIER E., GROOM P. K., GULIAS J., HIKOSAKA K.,
LAMONT B. B., LEE T., LEE W., LUSK C., MIDGLEY J. J., NAVAS M. L.,
NIINEMETS U., OLEKSYN J., OSADA N., POORTER H., POOT P., PRIOR L.,
PYANKOV V.I., ROUMET C., THOMAS S.C., TJOELKER M.G., VENEKLAAS E.J.
& VILLAR R. 2004. The worldwide leaf economics spectrum. Nature, 428 (6985): 821-
827.
WRIGHT I.J.; REICH P.B. AND WESTOBY M., 2001. Strategy shifts in leaf
physiology, structure and nutrient content between species of high- and low-rainfall and
high- and low-nutrient habitats. Functional Ecology, 15: 423-434.
WRIGHT S., 1931. Evolution in Mendelian populations. Genetics, 16: 97-159.
WRIGHT S., 1932. The roles of mutation, inbreeding, crossbreeding, and selection in
evolution. Proc 6th Int. Congr. Genetics, 1:356-366.
WRIGHT S., 1980. Genic and organismic selection. Evolution, 34:825-843.
WU C.I. and PALOPOLI M.F., 1994. Genetics of postmating reproductive isolation in
animals. Annual Review of Genetics, 27: 283-308
of Eastern Cotton-wood and Related Species. Louisiana State University, pp93-108.
186
ANNEXES
Dans le parc à hybridation les géniteurs sont mobilisés sous forme de greffes. Les
inflorescences des géniteurs choisis pour l’hybridation sont fréquemment surveillées depuis
leur apparition jusqu’à leur maturation. Un opérateur est chargé de veiller visuellement à
l’évolution des boutons floraux une fois par semaine. A chaque observation, sur la fiche de
suivi, l’opérateur inscrit les annotations suivantes selon l’état des boutons floraux : « Absence
de fleurs, présence des boutons floraux verts, présence des boutons floraux en début de
maturité, présence des boutons floraux jaunes et verts, présence des boutons floraux jaunes ».
Dès lors que les boutons floraux mûrissent, la récolte intervient (figure A1). Seuls les boutons
mûrs et en début de déhiscence sont récoltés. Les boutons récoltés sont placés dans des
sachets transparents avec une étiquette dans chacun d’eux indiquant le nom de code du
géniteur et le nombre de boutons récoltés. Ils sont ensuite transportés au laboratoire pour en
extraire le pollen. L’opération d’extraction commence par l’élimination manuelle de
l’opercule des boutons. Sur les boutons en début de déhiscence, il consiste juste à décaper
légèrement l’opercule pour l’enlever (figure A2a).
187
Suite à l’élimination de l’opercule, les étamines sont sectionnées à leur base à l’aide d’une
lame tranchante (figure A2b). Elles sont ensuite versées dans un tamis Afnor à mailles 0,112
mm (figure A3).
(a) (b)
Le tamis Afnor est composé de trois compartiments superposés les uns sur les autres. Le
compartiment du fond est vide et sert à recueillir le pollen lors du tamisage. Celui du milieu,
constitué d’un tamis, contient des étamines avec une étiquette indiquant le nom de code du
géniteur (figure A3), et le premier, lui aussi constitué d’un tamis, contient du silicagel pour
permettre la dessiccation des étamines. Ensuite, les tamis contenant des étamines et du
silicagel sont placés à l’étuve à 45 ° pendant 2 heures.
A la sortie d’étuve, les étamines sont malaxées et pressées de façon qu’il y tombe du pollen
dans le dernier compartiment (figure A4a). Le pollen ainsi recueilli est distribué dans des
piluliers (figure A4b), puis pesé à l’aide d’une balance de précision. A chaque pilulier on
place une étiquette portant les informations suivantes : Nom de code du géniteur, poids en
gramme du pollen contenu dans le pilulier, date de l’extraction et numéro du pilulier (figure
A4c).
188
Figure A 3 : Tamis Afnor (gauche) ; Vue sur le 2eme compartiment du tamis contenant des étamines et
l’étiquette (droite).
Figure A 4 : Tamisage des étamines (a), Distribution de pollen dans les piluliers (b) ; Piluliers étiquetés
contenant du pollen (c).
Afin de s’assurer d’une bonne conservation, les piluliers étiquetés et contenant du pollen sont
mis sous vide. Cela se réalise à l’aide d’une pompe à vide (figure A5a). Après cette opération
les piluliers sont scellés à l’aide d’un anneau de cerclage (figure A5b).
189
(a) (b)
Figure A 5 : Mise sous vide des piluliers (a) ; Scellage des piluliers (b).
La castration consiste à émasculer les fleurs (les fleurs d’eucalyptus sont hermaphrodites) et
intervient au stade bouton floral mûr. L’opercule et les étamines sont éliminés manuellement
avec grande délicatesse, évitant d’endommager le style qu’il faut isoler (figure A6a,b).
Immédiatement après la castration, les fleurs émasculées sont protégées avec un sac en
mousseline permettant une bonne aération intérieure. Cette opération commence par la pose
d’une armature spirale en fil de fer tout autour de la branche portant les fleurs castrées (figure
A6c). Cette armature permet d’éviter les frottements entre le sac de protection et les fleurs
castrées. Aux zones de contact fil de fer – branche, des cotons hydrophiles sont placés pour
éviter de blesser la branche et améliorer herméticité du sac de protection. Après la pose de
l’armature, on procède à la pose des sacs ou des manchons de protection (figure A6d). Une
étiquette est placée sur la branche, proche du sac ou du manchon de protection. Sur elle sont
inscrits le nom de code du géniteur, le nombre de fleurs castrées et la date de castration.
190
(a) (b)
(c) (d)
Figure A 6 : Castration des fleurs (a), Fleurs castrées (b), Pose de l’armature (c), Pose d’un sac de
protection (d).
3. Pollinisation Contrôlée
La pollinisation contrôlée consiste à réaliser une union entre le pollen d’un géniteur E.
grandis (étape 1) et les stigmates des fleurs de E. urophylla préalablement castrées (étape 2).
Elle se réalise trois jours après la castration. Les sacs et manchons de protection sont ôtés pour
la circonstance. Le pollen est badigeonné sur une petite spatule en bois puis posé avec grande
délicatesse sur le stigmate afin que le pollen s’y adhère (figure A7). Immédiatement après la
pollinisation, les sacs ou manchons de protection sont remis en place. Sur l’étiquette existante,
on inscrit en complément, le nom de code du géniteur pour lequel le pollen a été apporté pour
la fécondation. Quatre à six jours après la pollinisation, un liseré brun se dessine à la base du
191
style, signe d’une fécondation réussie, puis celui-ci sèche et tombe. Dans les sept jours qui
suivent la pollinisation, les sacs ou manchons de protection sont ôtés, seules les étiquettes
indiquant les croisements effectués ainsi que le nombre de fleurs pollinisées sont laissées sur
place.
Elle intervient entre 2,5 et 3 mois après la pollinisation. Les capsules sèches sont récoltées
(figure A8a). Les capsules récoltées sont placées dans des enveloppes et acheminées au
laboratoire pour l’extraction des graines. Cette dernière débute une à deux semaines après la
récolte, en attendant que les fruits s’ouvrent effectivement et laissent échapper les graines.
Celles-ci sont minuscules et leur nombre varie suivant la proportion d’ovules fécondés et non
avortées.
L’extraction des graines est effectuée suite à un tamisage des capsules ayant ouverts leurs
valves. Ensuite les graines (figure A8b) recueillies sont pesées et placées dans des piluliers
hermétiquement fermés, puis étiquetés. L’étiquette comporte le nom du croisement, le poids
des graines, le numéro du pilulier et la date de l’extraction. Les piluliers se conservent à +4°C.
192
(a) (b)
Figure A 8 : Fruits (a) et Graines (b) d’eucalyptus hybrides (E. urophylla × E. grandis).
Table n°1
F1 (12) F1 (12) F1 (12) F2 (12) F2 (12) F2 (12) F89 (12) F89 (12) F89 (12) F23 (12) F23 (12) F23 (12) F26 (11) F19 (11)
F4 (12) F4 (12) F4 (12) F7 (12) F7 (12) F7 (12) F29 (12) F29 (12) F29 (12) F61 (12) F61 (12) F61 (12)
F11 (12) F11 (12) F11 (12) F25 (12) F25 (12) F25 (12) F37 (12) F37 (12) F37 (12) F94 (12) F94 (12) F94 (12) F59 (12) F59 (12)
Table n°2
F60 (12) F60 (12) F60 (12) F22 (12) F22 (12) F22 (12) F43 (12) F43 (12) F43 (12) F100 (12) F100 (12) F100 (12) F30 (12) F30 (12)
F88 (12) F88 (12) F88 (12) F18 (12) F18 (12) F18 (12) F62 (12) F62 (12) F62 (12) F70 (12) F70 (12) F70 (12) F15 (12) F30 (12)
F52 (12) F52 (12) F52 (12) F53 (12) F53 (12) F53 (12) F83 (12) F83 (12) F83 (12) F50 (12) F50 (12) F50 (12) F15 (12) F15 (12)
Table n°3
F64 (12) F31 (12) F31 (12) F31 (12) F80 (12) F80 (12) F80 (12) F47 (12) F47 (12) F47 (12) F10 (12) F10 (12) F10 (12) F65 (3); F21 (5)
F64 (9) F28 (12) F28 (12) F28 (12) F71 (12) F71 (12) F71 (12) F16 (12) F16 (12) F16 (12) F13 (12) F13 (12) F13 (12) F41 (6)
F24 (12) F24 (12) F24 (12) F12 (12) F12 (12) F12 (12) F39 (12) F39 (12) F39 (12) F5 (12) F5 (12) F5 (12) F63 (10)
Table n°4
F14 (12) F66 (12) F57 (12) F57 (12) F57 (12) F8 (12) F8 (12) F8 (12) F90 (12) F90 (12) F90 (12) F42 (12) F42 (12) F42 (12)
F14 (12) F66 (12) F34 (12) F34 (12) F34 (12) F49 (12) F49 (12) F49 (12) F85 (12) F85 (12) F85 (12) F36 (12) F36 (12) F36 (12)
F14 (12) F66 (12) F48 (12) F48 (12) F48 (12) F40 (12) F40 (12) F40 (12) F32 (12) F32 (12) F32 (12) F58 (12) F58 (12) F58 (12)
Table n°5
F96 (12) F96 (12) F96 (12) F38 (12) F38 (12) F38 (12) F73 (12) F73 (12) F73 (12) F55 (15) F55 (6) F9 (5) F74 (14) F99 (7) F3 (1) F76 (3) F77 (7)
F101 (12) F101 (12) F101 (10) F54 (12) F54 (12) F54 (12) F97 (12) F97 (12) F97 (12) F46 (14) F46 (15) F51 (12) F35 (12) F79 (12) F87 (3), F93 (1), F81 (2)
F72 (12) F72 (12) F72 (12) F82 (12) F82 (12) F82 (12) F56 (15) F56 (15) F6 (6) F44 (15) F44 (15) F75 (6) F91 (6) F91 (21) F33 (9) F27 (2) F92 (7), F67 (6)
193
Annexe 3 : Localisation des essais R11-01 et R12-01 sur un plan
de masse du plateau CTFT de KISSOKO
194
Annexe 4 : Plan de la R11-01
Plan factoriel cloné
NORD (Densité normale)
Route pricipale
vers la pépiniére vers le village kissoko
3L
F22 F28 F24 F15 F63-F64 F19-F2 F73 F71-99-54 F14 F11 3L
F32 18-147A F94 F58 18-50B F13 F40 F57-F6 F80 F52
I F100B F48 F10 F75-F59 18-52A F82 18-50A F29 F89 F4A
F47 F61 F23 F60 18-551B F62 F30 F90-79-8 F16 18-551A
Piste 18-147B F50 F100A F96 F53-F26 F97 F88 F5 F39-F56 F12
18-50A F58 F6-F57 F30 F18 F47 F26-F53 18-551A F22 F62
F13 F89 F15 F54-71-99 F72 18-50B 18-147B F73 F100A F49-F66
F36 F52 F8-90-79 F14 F2-F19 F40 F85 F48 F61 F10
II F16 F96 F29 F11 F25 F100B 18-209B F80 F60 F94 Piste
F64-F63 18-209A F4B F12 F24 F43 F4A F23 18-52B F70
III F1 F61 F28 F101 F73 F4A F29 F34 18-147A F79-8-90
F43 18-52B F96 F80 F83 18-147B F30 F32 18-52A F36
F100B F85 F47 F4B 18-50A F24 F13 F89 F53-F26 18-209A
3L
Piste 56 lignes
4m
3m Unité expérimentale: 5 x 5 plants
195
Annexe 5: Plan de la R12-01
36 lignes
70 m 3L
18-147A F22 18-50A F62 F82 F12 3L
F23-16 F15 F7 F40 F14-26 18-209A
F38-36 F90-85 F61-71 F88 F50 F101
F24 F53-73 18-551B 18-147B F96 F80
III F11 F83 F1 F63-94 F54-37 F4
F31 F64-70 F25 F47 F13 18-52B
18-551A F32 F29-49 F18 F2 F34B
F72 F8-89 18-50B F30 F100 F52
F56-58 F34A F60 F28 F97 F10
18-209B 18-52A F57-48 F43 F19-5 F66-59
F71-61 F2 F85-90 F96 F101 F15 TC_2011
F52 F36-38 F47 F49-29 F58-56 F34B
F82 F10 F4 18-551A F100 18-209A
F73-53 F13 F11 F37-54 F14-26 F88
II F25 F7 F72 F16-23 F1 F60
F30 F94-63 F28 F43 F59-66 18-147A 156
F24 18-52B F80 18-551B F31 18-50A lignes
F83 F89-8 F18 F12 F5-19 F48-57 310 m
18-147B F34A F97 F22 F62 18-209B
18-50B F40 F70-64 F50 F32 18-52A
F90-85 F43 F4 F56-58 F8-89 F63-94
F72 F30 F15 18-209A F12 F101
F10 F1 F97 F80 F50 F34A
F38-36 F22 18-50A F19-5 F66-59 18-209B
I F34B F53-73 F96 F54-37 18-551A F23-16
F13 18-52A 18-147A F25 F82 F24
F57-48 F60 F14-26 F11 18-50B F62
F32 F88 F61-71 18-52B F2 F18
F29-49 F52 F100 F31 F28 F40
3L 18-147B F64-70 18-551B F47 F83 F7
3L
vers Essai Abiogen et la R11-1
4m
2m
2m
Surface hors bordures 1,73 ha
Surface avec bordures 2,17 ha
Unité expérimentale 5 x 5 plants
Témoins : 18-50, 18-52, 18-209, 18-147, 18-551
196
Annexe 6 : La Spectroscopie Proche Infra Rouge
1. Présentation de la méthode
La spectroscopie proche infrarouge (SPIR) est une méthode d’analyse qui se base sur
l’interaction de la lumière avec la matière. Cette méthode est à la fois qualitative parce qu’elle
permet d’identifier un produit par son empreinte spectrale et quantitative parce qu’elle permet
de prédire la teneur en constituants chimiques ou la valeur des propriétés physiques, sous
contrôle chimique, associées à un échantillon. La SPIR est définie dans le domaine de
longueur d’ondes allant de 700 à 2500 nm (de 0,7 à 2,5 µm) (figure A9).
La SPIR est un outil de grand intérêt par sa rapidité, sa particularité non destructive et son
adaptabilité à tout type d’échantillon (Romeo et al., 2002).
La SPIR est une spectroscopie d’absorption dont le principe est basé sur l’absorption du
rayonnement proche infrarouge par la matière organique. En fonction de leur nature, les
liaisons chimiques se comportent comme des oscillateurs vibrant en permanence à des
fréquences différentes (Sielsler et Davies, 1991). D’après l’approche vibrationnelle de
Bertrand (2002), les liaisons chimiques principalement absorbantes dans le domaine du
proche infrarouge (PIR) sont de forme X-H, où X correspond aux atomes de carbone (C),
d’oxygène (O) ou d’azote (N) et H correspond à l’atome d’hydrogène. Les doubles liaisons de
type C=C ou C=O sont également absorbantes dans la même région. Ainsi le domaine
spectral du PIR est fait des bandes harmoniques (700 à 2000 nm soit 0,7 à 2 µm) et de
combinaisons (2000 à 2500 nm soit 2 à 2,5 nm). Par ce fait la lumière est faiblement absorbée
197
dans le PIR que dans le moyen infrarouge. La partie de l’énergie lumineuse absorbée
(absorbance) est environ proportionnelle à la concentration des produits dosés.
Le dosage n’est pas directement effectué sur les constituants mais sur le nombre de liaisons
chimiques spécifiques des dits constituants (C-H, O-H, N-H, C=O, etc.) et de leur zone
d’absorption. L’absorption est donc liée au type de liaison mais aussi à leur environnement
électronique. C’est pourquoi la SPIR est une méthode indirecte, qui nécessite un étalonnage
préalable de l’appareil. Le spectre d’absorption proche infrarouge recueilli est compliqué à
interpréter du fait des chevauchements entres les bandes d’absorption de toutes les liaisons. Il
nécessite de développer des modèles prédictifs ayant recours à des méthodes de chimiométrie
(science de l’utilisation des méthodes mathématiques, statistiques et informatiques dans le but
d’améliorer l’extraction des informations obtenues à partir des données analytiques) et
nécessitant une compétence spécifique.
3. Etalonnage en SPIR
Etalonner une propriété sur un spectromètre revient à déterminer une équation de calibration
par des modèles chimiométriques. L’étalonnage est reconnu comme bon si les deux
conditions suivantes sont atteintes :
La validité interne, c’est-à-dire les données sur lesquelles la calibration est construite
doivent être fiables.
La validité externe, c’est-à-dire qu’il faut que le modèle ait été construit à partir
d’échantillons ayant une plage de variation suffisamment grande pour représenter tous
les cas existants.
La figure A10 présente les différentes étapes de développement d’une calibration. La
première étape consiste à sélectionner un ensemble d’échantillons représentatifs de ceux qui
seront analysés par la suite (pour cette étude 100 échantillons ont été sélectionnés). Sur ceux-
ci on effectue des prises de spectres puis des mesures classiques de laboratoire appelées
mesures de référence. La collection de référence obtenue est divisée en deux lots formant
d’une part une collection de calibration et d’autre part une collection de validation. Le modèle
prédictif est déterminé sur la collection de calibration et testé sur la collection de validation.
Si le modèle est satisfaisant, on procède alors à l’analyse en routine d’échantillons dont les
mesures de référence ne sont pas connues.
198
Figure A 10 : Etapes de développement d’une calibration NIRS.
Les différentes statistiques caractérisant le modèle de prédiction développé pour cette étude
sont présentées dans le tableau A1.
Azote 293 1,93 0,58 1,08 4,17 0,08 0,98 0,10 0,97 5,9
SECV : erreur en validation croisée (6 groupes tirés au hasard)
RPD : SD/SECV
La comparaison entre les valeurs mesurées et les valeurs prédites en validation croisée (figure
A11), montre que le modèle de prédiction développé (r=0,97) est très satisfaisant.
199
4,5
% N predcited by Nirs in
4 R² = 0,97
3,5
3
2,5
CV
2
1,5
1
0,5
0,5 1,5 2,5 3,5 4,5
% N measured
Lorsque la lumière arrive au niveau d’un produit (échantillon), une partie de l’énergie est
absorbée et l’autre partie est réfléchie en surface (figure A12). La partie de l’énergie absorbée
est soit transmise (on parle de transmittance) soit réfléchie (on parle de réflectance). La
fraction réfléchie est mesurée par le spectromètre.
Plus précisément, l’énergie lumineuse qui arrive sur le produit (rayonnement incident : Ri) est
égale à la somme des énergies absorbées (Ra), transmises (Rt) et réfléchies (Rr). On peut alors
écrire :
Ri = Ra + Rt + Rr
200
La réflexion spéculaire (Rs), qui correspond à la réflexion de surface, c’est-à-dire à la
manière d’un miroir.
La réflexion diffuse (Rd), qui est une réflexion qui dépendra de ce qui sera absorbé par
les différentes liaisons chimiques des molécules avant de sortir du produit par la face
irradiée.
L’énergie incidente (Ri) peut donc s’écrire :
Ri = Ra + Rt + (Rs + Rd)
La réflexion diffuse apporte le maximum d’informations sur les constituants chimiques (car
elle est liée aux liaisons chimiques rencontrées dans la matière et non au simple effet miroir).
La réflectance (R) est définie comme le rayonnement lumineux qui est réfléchi. C’est
le rapport de l’énergie réfléchi sur l’énergie incidente.
R = Rr/Ri ou R = (Rs + Rd)/Ri
La quantité d’énergie absorbée est proportionnelle au nombre de liaisons irradiées, elle suit la
loi de Beer-Lambert. Pour le bois solide ou en poudre, l’absorbance est calculée à partir de la
réflectance. On utilise donc la deuxième écriture. On utilisera la première pour des mesures
sur des liquides par exemple.
Le spectre (figure A13) est obtenu suite à l’enregistrement de l’intensité lumineuse absorbée
en fonction de la longueur d’onde et la lumière incidente.
201
Figure A 13 : Spectre final et pics d’absorbance élémentaires en fonction de la longueur d’onde (Les
longueurs d’ondes sont présentées en abscisse, les différentes absorbances en ordonnée. La flèche bleue
indique en un point la résultante des absorbances élémentaires).
5. Appareillage de la SPIR
202
Système de
présentation
203
Annexe 7 : Distributions des fréquences des différents caractères
204
Figure A 16 : Distributions des fréquences des caractères de croissance (R12-1).
205
Figure A 17 : Distributions des fréquences des traits écophysiologiques (R11-1).
206
Figure A 18 : Distributions des fréquences des traits écophysiologiques (R12-1).
207
Annexe 8 : Relations phénotypiques entres caractères
(a)
(b)
Figure A 19 : Corrélations âge-âge pour les caractères de croissance dans les densités 833 tiges/ha (a) et
2500 tiges/ha (b).
208
(a)
(b)
Figure A 20 : Corrélations âge-âge pour les traits écophysiologiques dans les densités 833 (a) et 2500 (b)
tiges/ha.
209
Figure A 21 : Corrélations phénotypiques entres caractères de croissance dans les densités 833 tiges/ha
(d1) et 2500 tiges/ha (d2).
Figure A 22 : Corrélations phénotypiques entre la surface spécifique foliaire et les autres traits
écophysiologiques dans la densité 833 tiges/ha.
210
Figure A 23 : Corrélations phénotypiques entre la surface spécifique foliaire et les autres traits
écophysiologiques dans la densité 2500 tiges/ha.
Figure A 24 : Corrélations phénotypiques entre la surface unitaire des feuilles et les autres traits
écophysiologiques dans la densité 833 tiges/ha.
211
Figure A 25 : Corrélations phénotypiques entre la surface unitaire des feuilles et les autres traits
écophysiologiques dans la densité 2500 tiges/ha.
Figure A 26 : Corrélations phénotypiques entre l’épaisseur du limbe foliaire et les autres traits
écophysiologiques dans la densité 833 tiges/ha.
212
Figure A 27 : Corrélations phénotypiques entre l’épaisseur du limbe foliaire et les autres traits
écophysiologiques dans la densité 2500 tiges/ha.
(a) (b)
Figure A 28 : Corrélations phénotypiques entre la densité foliaire et la teneur foliaire en azote dans les
densités 833 (a) et 2500 (b) tiges/ha.
213
(a) (b)
(a) (b)
Figure A 30 : Corrélations phénotypiques entre la hauteur et les traits écophysiologiques, à 8 mois dans les
densités 833 (a) et 2500 (b) tiges/ha.
214
(a) (b)
Figure A 31 : Corrélations phénotypiques entre la hauteur et les traits écophysiologiques, à 18 mois dans
les densités 833 (a) et 2500 (b) tiges/ha.
215
(a) (b)
216
Annexe 9 : Publications
Publication 1
Garel Makouanzi, Jean-Marc Bouvet, Marie Denis, Aubain Saya, François Mankessi &
Philippe Vigneron
Publication 2
217
RESUME : Les prévisions montrent que l’Afrique sera le continent le plus affecté par les
changements climatiques, et il y a un risque de dépassement de la capacité adaptative de
beaucoup d’écosystèmes forestiers pour l’approvisionnement en biens et services.
L’augmentation de la production de biomasse ligno-cellulosique des Eucalyptus au Congo
reste strictement limitée par les contraintes du milieu, notamment la fertilité générale.
Différents cas ont été trouvés concernant l’importance de la variance d’épistasie dans la variabilité génétique.
Une discussion sur l’interprétation biologique des estimations trouvées s’en est suivie. L’étude structuro-
fonctionnelle foliaire a permis de se rendre compte des stratégies d’évitement des contraintes environnementales
développées par les différents génotypes.
Un effet de la structure génotypique sur l’interaction génotype × environnement a été mis en évidence. Ce
résultat explique la dépendance de la plasticité variétale à la variance intra population. Les clones interagissent
plus fortement avec l’environnement que les familles de pleins-frères, qui à leur tour interagissent de façon plus
importante que les familles de demi-frères. L’étude rapporte également que les effets additifs et de dominance
des gènes sont interactifs, tandis que les effets épistatiques ne le sont pas.
Mots clés : Eucalyptus, Composantes de la variance, Epistasie, Interaction génotype × environnement, Test de
descendances clonées, Corrélations.
ABSTRACT: The forecasts predict that Africa will be most impacted by climate changes and there is a
significant risk of exceeding the adaptive capacity of many forest ecosystems for the supply of vital goods and
services. In Congo, the eucalypts biomass production remains strictly limited by environment constraints, such
as the general fertility of the sites. In this constrained production context, the objective is to select more efficient
genotypes about use of the resources. A clonally replicated progeny test engaging 69 full-sibs families and more
than 1400 clones of Eucalyptus urophylla × Eucalyptus grandis reproduced by vegetative propagation is
installed according to two contrasted plantation densities generating a strong genotype-by-environment
interaction. Aims of this study are to: (i) evaluate the relative parts of additivity, dominance and epistasis, and
their effects on genotype-by-environment interaction, (ii) estimates genetic and environmental correlations
between growth and functional traits in two contrasted environments. The relative contribution of each
component was calculated after considered the additive and non-additive variances for the whole studied traits.
The results showed different situations about the importance of epistatic variance in genetic variability. A
discussion about biologic interpretation of the found estimations was done. The structural and functional leaf
study allowed highlighting the strategies and trade off realized by genotypes in constraints environmental.
An effect of the genotypic structure on genotype-by-environment interaction was highlighted. This result
explains the dependence of varietal plasticity to within population variance. Clones interact strongly with the
environment than full-sib families, and half-sib families interact less than full-sib families. The study also shows
a strong contribution of dominance effects in genotype-by-environment interaction.