Know more

Our use of cookies

Cookies are a set of data stored on a user’s device when the user browses a web site. The data is in a file containing an ID number, the name of the server which deposited it and, in some cases, an expiry date. We use cookies to record information about your visit, language of preference, and other parameters on the site in order to optimise your next visit and make the site even more useful to you.

To improve your experience, we use cookies to store certain browsing information and provide secure navigation, and to collect statistics with a view to improve the site’s features. For a complete list of the cookies we use, download “Ghostery”, a free plug-in for browsers which can detect, and, in some cases, block cookies.

Ghostery is available here for free: https://www.ghostery.com/fr/products/

You can also visit the CNIL web site for instructions on how to configure your browser to manage cookie storage on your device.

In the case of third-party advertising cookies, you can also visit the following site: http://www.youronlinechoices.com/fr/controler-ses-cookies/, offered by digital advertising professionals within the European Digital Advertising Alliance (EDAA). From the site, you can deny or accept the cookies used by advertising professionals who are members.

It is also possible to block certain third-party cookies directly via publishers:

Cookie type

Means of blocking

Analytical and performance cookies

Realytics
Google Analytics
Spoteffects
Optimizely

Targeted advertising cookies

DoubleClick
Mediarithmics

The following types of cookies may be used on our websites:

Mandatory cookies

Functional cookies

Social media and advertising cookies

These cookies are needed to ensure the proper functioning of the site and cannot be disabled. They help ensure a secure connection and the basic availability of our website.

These cookies allow us to analyse site use in order to measure and optimise performance. They allow us to store your sign-in information and display the different components of our website in a more coherent way.

These cookies are used by advertising agencies such as Google and by social media sites such as LinkedIn and Facebook. Among other things, they allow pages to be shared on social media, the posting of comments, and the publication (on our site or elsewhere) of ads that reflect your centres of interest.

Our EZPublish content management system (CMS) uses CAS and PHP session cookies and the New Relic cookie for monitoring purposes (IP, response times).

These cookies are deleted at the end of the browsing session (when you log off or close your browser window)

Our EZPublish content management system (CMS) uses the XiTi cookie to measure traffic. Our service provider is AT Internet. This company stores data (IPs, date and time of access, length of the visit and pages viewed) for six months.

Our EZPublish content management system (CMS) does not use this type of cookie.

For more information about the cookies we use, contact INRA’s Data Protection Officer by email at cil-dpo@inra.fr or by post at:

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

Dernière mise à jour : Mai 2018

Menu INRA Logo partenaire

Home page

MAGE : Modélisation et Analyse de l'interaction Genotype Environnement

Présentation de l'équipe

Objectifs et méthodologies

Nous identifions des caractères et des allèles qui favorisent le rendement des céréales et améliorent leurs bilans environnementaux dans des scenarios climatiques impliquant des épisodes de sécheresse et de hautes températures, en particulier ceux liés aux changements climatiques. La démarche est d’analyser la réponse de processus essentiels aux conditions environnementales, et d’analyser la variabilité génétique de ces réponses. Ces processus sont, en particulier, l’expansion foliaire, le développement reproducteur, la transpiration et le tallage. Le maïs et le blé sont les principales espèces cibles. Les principales méthodes utilisées sont :

- L'analyse temporelle de la vitesse de croissance (feuilles, soies, plante entière), de la transpiration, et du développement végétatif (tallage) et reproducteur (avortement) en fonction des conditions environnementales subies par les plantes. Ceci est mené au champ ou en serre, en particulier sur deux plateformes de phénotypage (PHENODYN, 500 plantes et PHENOARCH, 1680 plantes) équipés de capteurs d'état hydrique, de température du sol et de l'air, d’allongement foliaire pour PHENODYN et d’unités d’imagerie pour PHENOARCH.

- La modélisation, avec trois types de modèles utilisés :

  • (i) Modèles biophysiques simulant les transports d’eau et d’hormone dans la plante, permettant de prévoir la transpiration, l’état hydrique de différents organes et la croissance à pas de temps de quelques minutes ;
  • (ii) Modèles structure-fonction (par ex. ADEL-Maize et ADEL-Wheat) simulant le développement des plantes, la distribution et la géométrie des organes dans l’espace et des fonctions intégrées comme l’interception lumineuse ;
  • (iii) Modèle de culture (par ex. APSIM et SiriusQuality) permettant de simuler le rendement et la transpiration des plantes à partir de processus simplifiés, dans une large gamme de situations environnementales actuelles ou futures. Nous développons des chaines de modélisation complètes (workflows scientifiques) allant des données issues de capteurs aux modèles de cultures et associant des modèles de transfert radiatifs, des modèles de structure des plantes, ainsi que des modèles d’apprentissage de données. Cette intégration est notamment réalisée dans la plateforme OpenAlea.

- L’analyse génétique menée à la fois sur des processus physiologiques dans des plateformes de phénotypage (par ex. interception lumineuse, croissance, conductance stomatique) et sur le rendement au champ dans des scenarios environnementaux divers. Ceci permet des méta-analyses à plusieurs échelles et la prévision des processus fondée sur une combinaison de modèles de simulation et de prédiction génomique.

- Le développement de méthodes pour le phénotypage, permettant d’extraire des variables physiologiques d’intérêt à partir de données de plateformes. Ces méthodes mettent en jeu la modélisation inversée et l’intelligence artificielle, dans certains cas la robotique. L’organisation des données dans des systèmes d’information fait partie de ces méthodes.

Notre équipe est financée par :

  • L'INRA
  • L'ANR (en particulier projets investissement d’avenir Amaizing, Breedwheat et Phenome)
  • L’union Européenne (en particulier projets Whealbi, SolACE, EPPN2020, Macsur, Modcarbostress)
  • Des projets internationaux comme AgMIP
  • L’institut de convergence en Agriculture Numérique, #DigitAg.

 Références marquantes 2016-2018

  • Alvarez Prado S, Cabrera-Bosquet L, Grau A, Coupel-Ledru A, Millet EJ, Welcker C & Tardieu F. (2017). Phenomics allows identification of genomic regions affecting maize stomatal conductance with conditional effects of water deficit and evaporative demand. Plant, Cell & Environment 41: 314-326. http://dx.doi.org/10.1111/pce.13083/full
  • Brichet N, Fournier C, Turc O, Strauss O, Artzet S, Pradal C, Welcker C, Tardieu F, Cabrera-Bosquet L. (2017). A robot-assisted imaging pipeline for tracking the growths of maize ear and silks in a high-throughput phenotyping platform. Plant Methods 13:96 doi:10.1186/s13007-017-0246-7
  • Cabrera-Bosquet L, Fournier C, Brichet N, Welcker C, Suard B, Tardieu F. (2016). High-throughput estimation of incident light, light interception and radiation-use efficiency of thousands of plants in a phenotyping platform. New Phytologist 212:269-81. http://dx.doi.org/10.1111/nph.14027
  • Chenu K., Porter R.P., Martre P., Basso B., Chapman S.C., Ewert F., Bindi M., Asseng S.(2017) Contribution of crop models to adaptation in wheat. Trends in Plant Science, 22, 472-490.
  • Lacube S., Fournier C., Palaffre C., Millet E.J., Tardieu F., Parent B. (2017) Distinct controls of leaf widening and elongation by light and evaporative demand in maize. Plant Cell and Environment, 40, 2017-2028.
  • Martre P., Dambreville A. (2018) A Model of Leaf Coordination to Scale-Up Leaf Expansion from the Organ to the Canopy. Plant Physiology, 176, 704-716.
  • Millet E, Welcker C et al., (2016) Genome-wide analysis of yield in Europe: allelic effects as functions of drought and heat scenarios. Plant Physiology, 172, 749-764
  • Oury V., Caldeira C.F., Prodhomme D., Pichon J.-P., Gibon Y., Tardieu F., Turc O. (2016) Is change in ovary carbon status a cause or a consequence of maize ovary abortion in water deficit during flowering? Plant Physiology, 171, 997-1008.
  • Parent B., Bonneau J., Maphosa L., Kovalchuk A., Langridge P., Fleury D. (2017) Quantifying wheat sensitivities to environmental constraints to dissect genotype x environment interactions in the field. Plant Physiology 174, 1669-1682.
  • Tardieu F., Cabrera-Bosquet L., Pridmore T., Bennett M. (2017) Plant phenomics, from sensors to knowledge. Current Biology 27: R770-R783. http://dx.doi.org/10.1016/j.cub.2017.05.055
  • Wang E.L., Martre P. et al. (2017) The uncertainty of crop yield projections is reduced by improved temperature response functions. Nature Plants, 3, Article 17102.