Calcul H Ritabilt De L Interaction G E Sous R

Outil premium

Ce calculateur estime l’héritabilité au sens large sur moyenne d’essai dans un dispositif multi-environnements avec répétitions. La formule utilisée est adaptée aux analyses de sélection végétale et d’évaluation de génotypes lorsque l’on dispose des composantes de variance génétique, génotype × environnement, et résiduelle.

Guide expert: comprendre le calcul de l’héritabilité de l’interaction G × E sous r

Le calcul de l’héritabilité de l’interaction G × E sous r est un sujet central en génétique quantitative, en amélioration des plantes, en expérimentation agronomique et plus largement dans toute situation où des génotypes sont évalués dans plusieurs environnements avec répétitions. En pratique, cette approche sert à répondre à une question simple mais décisive: quelle proportion de la variation observée reflète de vraies différences génétiques stables, une fois intégrés les effets d’environnement, l’interaction génotype × environnement, et l’erreur expérimentale?

Lorsqu’un sélectionneur observe des performances variables d’un même génotype d’un site à l’autre, d’une année à l’autre, ou selon des niveaux de conduite agronomique différents, il se heurte à l’interaction G × E. Cette interaction signifie qu’un génotype performant dans un milieu donné ne l’est pas nécessairement dans un autre. L’héritabilité calculée sur moyenne d’essai permet alors d’estimer la fiabilité de la sélection lorsque les décisions sont prises à partir de données agrégées sur plusieurs environnements et plusieurs répétitions.

La formule la plus utilisée dans ce contexte est: H² = σ²g / (σ²g + σ²ge / e + σ²e / (e × r)). Ici, σ²g est la variance génétique, σ²ge la variance d’interaction génotype × environnement, σ²e la variance résiduelle, e le nombre d’environnements, et r le nombre de répétitions par environnement.

Pourquoi l’interaction G × E change profondément l’interprétation de l’héritabilité

Dans un essai simple conduit dans un seul environnement, l’héritabilité est souvent interprétée comme le rapport entre variance génétique et variance phénotypique totale. Mais en réseau multi-sites ou multi-années, cette vision est trop simpliste. La performance observée n’est plus uniquement le reflet du génotype; elle dépend aussi de la manière dont ce génotype réagit au contexte. C’est précisément ce que capture la composante σ²ge.

Plus la variance d’interaction est élevée, plus le classement des génotypes risque de fluctuer entre les environnements. En conséquence, même si la variance génétique est substantielle, l’héritabilité sur moyenne peut diminuer. C’est un point crucial en sélection: une forte variabilité génétique n’est pas toujours synonyme de forte précision de sélection si les interactions sont importantes et si le nombre d’environnements testés reste limité.

• Une σ²g élevée tend à augmenter H².
• Une σ²ge élevée tend à réduire H², surtout si le nombre d’environnements est faible.
• Une σ²e élevée réduit H², mais son effet diminue si l’on augmente e et r.
• Augmenter le nombre d’environnements est souvent plus efficace que seulement augmenter les répétitions.

Interprétation détaillée de chaque terme de la formule

Le terme σ²g représente la variabilité réellement exploitable pour la sélection. Il traduit les différences entre génotypes, toutes choses égales par ailleurs. Plus cette composante est importante relativement aux autres, plus le caractère a un potentiel de progrès génétique détectable.

Le terme σ²ge / e correspond à la part moyenne de l’interaction G × E qui subsiste lorsqu’on moyenne les observations sur e environnements. On comprend donc immédiatement un levier expérimental essentiel: en multipliant les environnements, on atténue l’impact de cette interaction sur le bruit statistique de la moyenne.

Le terme σ²e / (e × r) représente la contribution de l’erreur résiduelle après moyenne sur les environnements et les répétitions. Une hausse du nombre de répétitions réduit cette composante, mais en pratique, lorsque l’interaction G × E domine, ajouter des sites ou des années peut améliorer davantage l’héritabilité que simplement ajouter des blocs au même endroit.

Comment lire la valeur de H² dans un programme de sélection

La valeur calculée se situe théoriquement entre 0 et 1. Plus elle se rapproche de 1, plus les moyennes observées reflètent fidèlement les différences génétiques. Une règle pratique souvent adoptée est la suivante:

1. H² < 0,30: précision faible, sélection directe risquée.
2. 0,30 à 0,50: précision modérée, prudence dans l’interprétation.
3. 0,50 à 0,70: bonne base pour la sélection.
4. > 0,70: précision élevée, décisions de sélection généralement robustes.

Bien sûr, ces seuils ne remplacent pas l’expertise agronomique. Un caractère complexe comme le rendement, très sensible aux conditions de milieu, présente souvent une héritabilité plus basse qu’un caractère morphologique simple. Il faut donc juger H² en tenant compte du trait étudié, du stade de sélection, de la taille de l’essai et des objectifs du programme.

Exemple pas à pas du calcul

Prenons un essai où l’on estime les composantes suivantes: σ²g = 12,5; σ²ge = 6,2; σ²e = 8,4; e = 4; r = 3. On obtient:

1. Contribution de l’interaction: 6,2 / 4 = 1,55
2. Contribution résiduelle moyenne: 8,4 / (4 × 3) = 0,70
3. Dénominateur total: 12,5 + 1,55 + 0,70 = 14,75
4. H² = 12,5 / 14,75 = 0,847

Une telle valeur suggère une excellente précision de sélection sur la moyenne des essais. Cela ne signifie pas que l’interaction G × E est absente; cela signifie plutôt que sa contribution devient relativement limitée une fois les données moyennées sur suffisamment d’environnements et de répétitions.

Comparaison pratique de scénarios expérimentaux

Le tableau suivant montre comment l’héritabilité peut évoluer selon le dispositif, en gardant constantes certaines composantes de variance pour illustrer les ordres de grandeur utilisés en expérimentation multi-environnements.

Scénario	σ²g	σ²ge	σ²e	e	r	H² estimée	Lecture
Essai limité	10,0	12,0	15,0	2	2	0,465	Précision moyenne, forte sensibilité au milieu
Réseau intermédiaire	10,0	12,0	15,0	4	3	0,678	Bonne fiabilité pour classement général
Réseau étendu	10,0	12,0	15,0	8	3	0,793	Très bonne précision sur moyenne multi-sites

Cette comparaison met en évidence un fait bien connu des généticiens quantitatifs: lorsque l’interaction G × E est importante, augmenter le nombre d’environnements améliore fortement l’héritabilité de la moyenne. C’est l’une des raisons pour lesquelles les réseaux de post-inscription, de pré-inscription ou de validation variétale reposent sur des essais multisites et pluriannuels.

Ordres de grandeur observés pour quelques caractères agronomiques

Les valeurs ci-dessous synthétisent des plages souvent rapportées dans la littérature agronomique et universitaire pour différents caractères. Elles ne constituent pas des constantes universelles, mais des repères utiles pour juger si une estimation semble plausible.

Caractère	Culture ou contexte courant	Plage H² fréquemment observée	Commentaire technique
Hauteur de plante	Blé, maïs, sorgho	0,60 à 0,90	Caractère souvent plus stable et plus héritable que le rendement.
Date de floraison	Maïs, blé, soja	0,70 à 0,95	Très utile pour la sélection précoce et l’adaptation.
Rendement grain	Essais multi-environnements	0,20 à 0,70	Forte influence du milieu et de l’interaction G × E.
Teneur en protéines	Céréales	0,40 à 0,80	Souvent meilleure répétabilité que le rendement mais sensible aux conditions de culture.

Pourquoi le nombre d’environnements compte souvent plus que le nombre de répétitions

Beaucoup d’équipes expérimentales hésitent entre augmenter les répétitions au sein d’un site et déployer davantage d’environnements. Statistiquement, les deux réduisent le bruit de la moyenne, mais ils n’agissent pas sur les mêmes composantes. Les répétitions réduisent surtout la part résiduelle, alors que les environnements réduisent à la fois la contribution de l’interaction G × E et celle de l’erreur résiduelle.

Dans les caractères fortement dépendants du contexte, comme le rendement, la tolérance au stress hydrique ou certains critères de qualité technologique, la multiplication des environnements est donc souvent prioritaire. C’est particulièrement vrai lorsque l’objectif est de recommander des génotypes robustes et largement adaptés plutôt que seulement performants dans une niche très spécifique.

Erreurs fréquentes dans le calcul de l’héritabilité G × E sous r

• Utiliser la variance phénotypique brute au lieu des composantes de variance estimées par un modèle approprié.
• Oublier de diviser σ²ge par le nombre d’environnements e.
• Oublier de diviser σ²e par e × r.
• Confondre l’héritabilité sur parcelle individuelle avec l’héritabilité sur moyenne d’essai.
• Comparer des H² obtenues sur des plans expérimentaux très différents sans tenir compte de e et r.
• Interpréter une H² élevée comme une garantie d’absence d’interaction G × E, ce qui est faux.

Quelle méthode statistique utiliser pour estimer σ²g, σ²ge et σ²e?

Dans les analyses modernes, ces composantes sont généralement estimées via des modèles linéaires mixtes, par REML, avec génotypes, environnements, blocs et éventuellement années traités comme effets fixes ou aléatoires selon l’objectif. Le calculateur présenté ici intervient après cette étape: il transforme des composantes de variance déjà estimées en une mesure synthétique de la précision génétique.

Dans un rapport scientifique, il est recommandé de préciser:

• la structure exacte du modèle mixte;
• la définition des environnements;
• le traitement des données manquantes;
• le logiciel utilisé pour l’estimation des composantes;
• la formule exacte de H² reportée.

Bonnes pratiques d’interprétation pour la sélection et la recherche

Une bonne estimation de l’héritabilité ne doit jamais être lue isolément. Elle gagne à être combinée avec les moyennes ajustées, les écarts-types, les analyses de stabilité, les graphes GGE biplot ou AMMI lorsqu’ils sont disponibles, et les objectifs biologiques du programme. Un génotype très performant mais instable peut être intéressant pour une cible agroclimatique précise, tandis qu’un génotype légèrement moins performant mais plus stable sera mieux valorisé dans une recommandation générale.

En outre, l’héritabilité d’un caractère n’est pas une propriété fixe de l’espèce. Elle dépend de la population étudiée, du plan d’essai, du niveau de stress, de la précision de mesure, et du panel d’environnements inclus. C’est pourquoi deux études sérieuses peuvent rapporter des valeurs très différentes sans se contredire.

Sources d’autorité pour approfondir

Pour des compléments méthodologiques et biologiques, consultez ces ressources de référence:

• USDA.gov pour le contexte général de l’évaluation agronomique et de la sélection végétale.
• Penn State Extension (.edu) pour une introduction pédagogique à l’héritabilité.
• University of Illinois Crop Sciences (.edu) pour des ressources universitaires sur la génétique quantitative et l’analyse des essais.

En résumé

Le calcul de l’héritabilité de l’interaction G × E sous r est indispensable dès que l’on travaille avec des essais répétés dans plusieurs environnements. Il permet de mesurer la qualité réelle de l’information génétique contenue dans les moyennes observées. Une estimation élevée traduit une bonne capacité à discriminer les génotypes de manière fiable, tandis qu’une estimation faible incite à renforcer le réseau expérimental ou à revoir la stratégie de sélection. En pratique, si l’interaction G × E est forte, l’augmentation du nombre d’environnements est souvent le levier le plus puissant pour améliorer la précision.

Remarque: ce calculateur applique la formule standard de l’héritabilité au sens large sur moyenne d’essai. Pour des modèles déséquilibrés, des structures d’erreur complexes, ou des analyses basées sur BLUP/BLUE, une adaptation statistique peut être nécessaire.