Application de l'apprentissage automatique et de la génomique pour l'amélioration des cultures orphelines

Des cultures méconnues au fort potentiel

En Afrique, en Asie et en Amérique latine, des millions de personnes dépendent de ces « cultures orphelines » que sont le sorgho, le teff, le manioc ou l’arachide. Ces plantes font rarement la une des médias, et pourtant elles résistent souvent mieux que des céréales mondiales comme le blé ou le riz à la chaleur, à la sécheresse, aux ravageurs et aux sols pauvres. Cet article de synthèse examine comment deux outils puissants — la génomique et l’apprentissage automatique — peuvent libérer le potentiel de ces cultures négligées, renforcer la sécurité alimentaire locale et fournir des gènes utiles pour améliorer les grandes cultures à l’échelle mondiale.

Pourquoi les cultures négligées comptent

On parle parfois de « cultures négligées » ou « sous‑utilisées » parce qu’elles ont reçu beaucoup moins d’attention scientifique et commerciale que les grandes cultures d’exportation. Pourtant, elles constituent des sources nutritionnelles essentielles pour de nombreuses communautés et sont souvent cultivées dans des environnements marginaux et difficiles où d’autres cultures échouent. À la différence du blé ou du riz, la plupart des cultures orphelines ont été exclues des avancées de la Révolution verte et des outils modernes comme la sélection assistée par marqueurs ou l’édition du génome. Des projets génomiques, comme l’African Orphan Crops Consortium, commencent à séquencer et cataloguer leur ADN, mais transformer ces données brutes en améliorations pratiques reste un défi majeur.

Apprendre aux ordinateurs à « lire » les plantes

L’apprentissage automatique — des méthodes informatiques qui apprennent des motifs à partir de grands ensembles de données — transforme déjà la sélection des grandes cultures. En combinant séquences génomiques, relevés météo et de sols, données de capteurs et images prises par drones ou smartphones, les algorithmes peuvent prédire des caractères complexes tels que le rendement, la résistance aux maladies ou la qualité des grains. Différents types de modèles, des arbres de décision aux réseaux neuronaux profonds, excellent dans des contextes différents. Parfois, des outils statistiques traditionnels égalent ou surpassent encore l’apprentissage profond, mais globalement, la combinaison de multiples sources de données et de modèles fournit aux sélectionneurs des prédictions plus précises et plus robustes que n’importe quelle approche isolée.

Tirer le meilleur parti de données rares

Pour les cultures orphelines, l’obstacle principal n’est pas la puissance de calcul mais la rareté des données. Il n’existe que quelques collections publiques génomiques et d’images, et peu sont assez volumineuses pour des pipelines d’apprentissage automatique conventionnels. Pourtant, les premières démonstrations sont prometteuses. Pour le sorgho, par exemple, des modèles d’apprentissage profond ont utilisé de simples photographies des grains pour prédire avec une grande précision les taux de protéines et d’antioxydants, offrant une alternative moins coûteuse aux analyses de laboratoire. Dans un autre cas, des mesures en proche infrarouge combinées à l’apprentissage profond ont permis d’estimer des traits nutritionnels chez l’herbe Perilla. L’article soutient que la création de bases de données partagées de génomes, d’images et de profils chimiques pour les cultures orphelines multiplierait rapidement l’impact de ces outils.

Emprunter le savoir des grandes cultures

Une idée centrale de l’article est le « transfert de connaissances » entre espèces. Beaucoup de cultures orphelines sont proches parentes de grandes cultures, partageant de larges segments d’ADN et des gènes similaires. Les modèles d’apprentissage automatique peuvent exploiter cette parenté. Des outils d’abord entraînés sur des plantes bien étudiées comme Arabidopsis ou le maïs peuvent aider à repérer des gènes impliqués dans la taille des plantes, la qualité des graines ou la tolérance au stress chez une cousine moins connue. De grands modèles de type « langage », initialement développés pour les génomes humains ou végétaux, peuvent aussi traiter l’ADN comme un texte, apprenant des motifs qui marquent des régions régulatrices ou des gènes importants. Une fois entraînés sur des ensembles de données riches, ces modèles peuvent être affinés sur des jeux de données limités de cultures orphelines pour prédire la fonction des gènes, mettre en évidence des cibles pour l’édition du génome et guider une sélection plus efficace.

Des algorithmes aux champs et aux agriculteurs

Les auteurs insistent sur le fait que la technologie seule ne transformera pas les cultures orphelines. Les progrès dépendent d’investissements dans les scientifiques locaux, de partenariats avec les petits exploitants et de politiques garantissant que les communautés bénéficient des nouvelles variétés. Les approches de science citoyenne, où les agriculteurs testent directement les variétés sur leurs terres, peuvent générer des données précieuses pour l’apprentissage automatique tout en alignant la recherche sur les besoins et les préférences locaux. Face à des financements limités, l’article recommande une stratégie équilibrée : combiner la sélection et l’agronomie traditionnelles à faible coût avec des projets ciblés de génomique et d’apprentissage automatique, et partager outils et données entre pays et entre cultures orphelines et grandes cultures.

Ce que cela signifie pour l’avenir de notre alimentation

En termes simples, l’article conclut que des ordinateurs plus intelligents associés à de meilleures informations génétiques peuvent aider à faire des « cultures oubliées » d’aujourd’hui des aliments de base adaptés au climat de demain. En apprenant des grandes cultures et en appliquant ces enseignements aux plus petites — puis en réinjectant les découvertes dans l’autre sens — la génomique et l’apprentissage automatique peuvent accélérer la recherche de variétés robustes et nutritives. Si cette approche est soutenue par des politiques réfléchies et une collaboration réelle avec les communautés agricoles, elle pourrait améliorer les régimes alimentaires, renforcer la résilience face au changement climatique et élargir la boîte à outils agricole mondiale au‑delà d’un nombre restreint de cultures de base.

Citation: MacNish, T.R., Danilevicz, M.F., Bayer, P.E. et al. Application of machine learning and genomics for orphan crop improvement. Nat Commun 16, 982 (2025). https://doi.org/10.1038/s41467-025-56330-x

Mots-clés: cultures orphelines, apprentissage automatique, génomique, sélection végétale, sécurité alimentaire