L’œil du sélectionneur est-il dépassé ? Collaboration Homme-Machine : un système d’IA au service de la sélection variétale
Contexte et Enjeu Scientifique
La sélection végétale, notamment pour le blé, est un processus complexe qui nécessite l'évaluation annuelle de milliers de nouveaux cultivars sur la base de multiples caractères simultanés (rendement, qualité, résistance aux maladies).
Bien que des marqueurs génétiques et des valeurs génétiques de sélection existent, la prise de décision, en particulier dans les premières générations où les données d'essais en plein champ sur plusieurs sites font défaut, demeure souvent subjective. Elle repose largement sur l'expérience, les impressions visuelles sur de petites parcelles et l'intuition du sélectionneur, le célèbre « regard du sélectionneur ».
Le défi consiste à systématiser et à optimiser cette phase précoce de sélection pour accélérer l'identification des lignées prometteuses.
Objectif de la Recherche
L'étude menée par une équipe de chercheurs de l’Université d’agronomie de Vienne (BOKU) en collaboration avec la branche recherche de SAATBAU LINZ (Saatzucht Donau) visait à développer et à éduquer un système de recommandation basé sur l'Intelligence Artificielle (IA).
L'objectif était que ce système apprenne à reproduire les schémas de sélection d'une sélectionneuse de blé expérimentée afin de fournir des recommandations ciblées pour la sélection de nouvelles lignées.
Méthodologie
Pour entraîner l'IA, les chercheurs ont utilisé des données exhaustives du programme de sélection de blé tendre sur une période de cinq ans. L'ensemble de données comprenait :
Près de 4 700 lignées de sélection évaluées.
Leurs profils génétiques détaillés.
Des valeurs génétiques de sélection pour des caractéristiques agronomiques et de qualité essentielles (rendement, teneur en protéines, qualité de la panification, résistance au Fusarium).
L'évaluation finale et les décisions de sélection prises par une sélectionneuse humaine expérimentée.
L'IA a été formée à l'aide de méthodes d'apprentissage automatique (Machine Learning), notamment des algorithmes d'arbre de décision. Le système a ainsi appris à reconnaître les corrélations complexes et les motifs cachés dans la manière dont les caractéristiques génétiques, les valeurs de sélection et l'évaluation humaine se combinaient pour aboutir à une décision de sélection.
Résultats Clés
Les résultats ont démontré le potentiel prédictif du système :
Capacité prédictive : L'IA a pu prédire correctement plus de 30 % de la sélection réelle effectuée par l'humain. Ce taux de réussite est trois fois supérieur au taux attendu par un choix aléatoire (10 %), confirmant que les décisions de sélection sont en partie systématiques et donc apprenables par la machine.
Synergie Homme-Machine : La performance du système était la plus fructueuse dans les scénarios où la sélectionneuse avait déjà évalué une partie des lignées parentales actuelles. Cela souligne l'efficacité optimale de la collaboration où l'IA s'appuie sur une base de données déjà partiellement filtrée par l'expertise humaine.
Potentiel de Découverte : De manière significative, l'IA a généré des « propositions divergentes » (lignées non sélectionnées par l'humain) qui se sont révélées prometteuses rétrospectivement. Ce phénomène met en lumière la capacité de l'IA
à
identifier des combinaisons génétiques non évidentes, ouvrant la voie à l'exploration de nouveaux chemins de sélection.
Implications et Perspectives Futures
L'intégration de l'IA dans la sélection végétale représente un gain de temps considérable et offre une meilleure vue d'ensemble du matériel génétique. En filtrant la masse de milliers de lignées pour proposer une liste ciblée de candidats, le sélectionneur peut concentrer son expertise sur les variétés les plus prometteuses, accélérant le processus de développement variétal. Ce principe peut être étendu à d'autres cultures comme le Maïs, l'Orge ou le Soja, à condition qu'un volume suffisant de données de sélection pertinentes soit disponible.
Néanmoins, l'étude met en évidence des limites claires :
Limitation des Données : L'IA atteint ses limites pour les caractéristiques difficiles à quantifier ou à traduire en données numériques, telles que l'aspect visuel du champ ou les impressions qualitatives subtiles.
Dépendance à l'Environnement : La capacité prédictive est limitée par l'émergence de nouvelles maladies ou
par des changements significatifs des conditions environnementales non incluses dans les données d'apprentissage.
En conclusion, l'Intelligence Artificielle est un outil d'aide à la décision puissant et indispensable pour l'avenir de l'amélioration des plantes, mais elle ne remplace pas l'expertise humaine.
L'intuition, l'observation sur le terrain, l'ajustement des objectifs de sélection et la décision finale restent la prérogative du sélectionneur, en particulier dans les premières générations.
Le succès à long terme de ces systèmes repose sur une collaboration étroite et une relation de confiance entre les spécialistes des données et les sélectionneurs, permettant d'intégrer à l'avenir des informations supplémentaires (météorologiques, pédologiques) pour une précision de sélection encore accrue.
D’aprés Dr. Sebastian Michel Institute of Biotechnology in Plant Production, BOKU Wien
En savoir plus sur le reste de l'actualité de Saatbau
Cet article a été rédigé et illustré par notre partenaire. La rédaction d’aladin.farm n'a pas participé à sa production ni aux choix des visuels.
Pour plus d’informations sur ce fournisseur et ses produits, contactez vos référents en coopérative/négoce.
