Search

La sélection génomique (Meuwissen et al., 2001) s’impose aujourd’hui comme une méthode performante en amélioration des animaux d’élevage et des cultures. Le présent mémoire traite de l’utilisation de marqueurs SSR dans un programme de sélection récurrente réciproque du palmier à huile (Elaeis guineensis Jacq.), avec des données empiriques. Nous comparons différents modes de calculs de l’apparentement moléculaire à partir des données SSR afin d’optimiser le modèle G-BLUP. Nous montrons que le modèle G-BLUP basé sur la matrice d’apparentement d’Eding et Meuwissen (2001) est plus performant que le modèle BLUP basé sur le pédigrée, ou que le modèle G-BLUP basé sur une matrice d’apparentement de VanRaden (2007). Grâce à la variance d’erreur de prédiction (VEP), nous observons que le G-BLUP multivarié apporte une meilleure précision de sélection que le G-BLUP univarié pour prédire l’aptitude générale à la combinaison (AGC) des géniteurs lors d’un test génétique. Cependant la corrélation très forte entre les AGC prédites par les modèles univariés et multivariés est contradictoire avec l’amélioration élevée estimée par la formule de la VEP. Enfin, nous déterminons le nombre de marqueurs SSR minimal pour assurer les performances du modèle G-BLUP, mais aussi du modèle BayesB univarié. Nous observons que le modèle BayesB univarié fonctionne mieux à faible densité de marqueurs SSR que le modèle G-BLUP. Nous constatons également que la densité de marqueurs minimale à partir de laquelle les modèles génomiques surpassent le modèle basé sur le pédigrée dépend de la population (130 SSR pour le groupe A et 60 SSR pour le groupe B)., Genomic selection (GS) (Meuwissen et al., 2001) is now considered as an efficient method for animal and plant breeding. This report deals with GS using SSR markers in a reciprocal recurrent selection program, for oil palm (Elaeis guineensis Jacq.) breeding. We used empirical data. Several ways to calculate molecular relationship using SSR data were compared, in order to optimize G-BLUP model. We showed that G-BLUP model based on Eding and Meuwissen (2001) relationship matrix was more efficient than BLUP model based on pedigree, or than G-BLUP model based on a VanRaden (2007) relationship matrix. We used the prediction error variance (PEV) to calculate accuracy of selection, and we observed that multivariate G-BLUP had a higher accuracy than univariate G-BLUP to predict general combining ability (GCA) of genitors evaluated in progeny tests. However, strong correlation between GCA predicted by univariate and multivariate models is inconsistent with high improvement estimated by PEV formula. Finally we determined the minimal number of SSR markers to ensure G-BLUP efficiency, and also univariate BayesB efficiency. We observed that univariate BayesB worked better at low SSR marker density than G-BLUP model. We also concluded that minimal genomic marker density from which genomic models outperformed pedigree-based model depended on the population (130 SSR markers for group A and 60 SSR markers for group B) .