Base de données multifactorielle de l’incidence des facteurs agro-climatiques sur l’intensité de la fusariose et sur les teneurs en fusariotoxines

Un des objectifs du projet « RARE fusariotoxines » était la constitution d’une base de données multidimensionnelle contenant les différents facteurs intervenant dans la variabilité des teneurs en toxines fusariennes dans le grain à maturité, en vue de la modélisation de la production de fusariotoxines résultant des interactions multiples entre les paramètres agro-climatiques, environnementaux, génétiques et écophysiologiques. La base de données a été construite à partir des informations provenant de 7 partenaires (Arvalis, BASF, Bayer Crop Science, INRA, InVivo, Monsanto et Syngenta), concernant 1908 parcelles (77 % de blé tendre) correspondant aux années de récolte allant de 2003 à 2005. Les données agronomiques incluaient les caractéristiques des variétés (précocité, résistance à la fusariose, …) et le type de sol. Les données météorologiques incluaient les températures minimales, moyennes, maximales et les précipitations journalières à +/- 30 jours autour de la date de floraison. Les analyses de mycotoxines dans le grain ont été réalisées par méthode HPLC (ou occasionnellement avec kit Elisa). L’analyse montre un effet significatif des variables suivantes : devenir des résidus de culture précédente, espèce précédente dans la rotation culturale, type de travail du sol, sensibilité de la variété à la fusariose. Certaines variables n’ont pas eu d’influence significative. Les variables des « pratiques agronomiques » les plus influentes expliquaient environ 20% de la variabilité des niveaux de DON des grains de blé. Une part importante de la variation est liée aux paramètres météorologiques. La modélisation n’a pu être réalisée que sur un jeu de 201 données homogènes parmi 1071. La procédure pas à pas de SAS, a permis d’identifier les variables les plus pertinentes et de construire le modèle suivant : Ln[DON] = 5,9 + 0,28 Pluie_avant + 0,27 Pluie_après – 0,05 Temp_min_avant - 0,15 Sensibilité variété + 0,53 Espèce_précédente + 1,33 Travail_sol. Pour les paramètres agro-climatiques, le travail du sol est prépondérant (+1.33) ; viennent ensuite le précédent cultural (+0.53), les précipitations (+0.27) et la résistance de la variété à la maladie (-0.15). Dans la gamme des différents trichothécènes (TCT) produits par les Fusarium, on observe une corrélation entre le DON, ses formes acétylées et le NIV, mais pas de relation entre TCT A et TCT B. L’étude sur la distribution des espèces de Fusarium dans les céréales en France provenant de données relevées sur 325 parcelles, a montré une cohabitation entre F. avenaceum et le complexe : F. culmorum-graminearum-poae-tricinctum. Le modèle construit se révèle avoir un faible pouvoir prédictif : la combinaison optimale de facteurs ne permet d’expliquer « que » 34% de la variabilité en DON. Mais, au cours des années 2002-2005, 90% des teneurs en mycotoxines étaient situés dans la fourchette de « basse teneur » 0-1250 ppb. De plus, les informations météorologiques fournies pouvaient provenir de stations éloignées de l’emplacement de la parcelle.

The objectives of this study of “RARE fusariotoxins project” were as follows: a) the building up of a multivariate database of the various agro-climatic, environmental, genetic and physiological factors potentially involved in the variability of Fusarium mycotoxins content in harvested grain ; b) the predictive modelling of the production and final content of fusariotoxins in grain from this set of variables and their complex interactions ; c) the analysis of toxinogenesis risk level predicted by the model in view to define better strategies and tools to forecast mycotoxin contamination level and to prevent the risk of overcrossing DON tolerance limit. The remarkable results were as follows: a) the database was completed with data afforded by 7 partners (Arvalis, BASF, Bayer Crop Science, INRA (AgroParisTech), InVivo, Monsanto and Syngenta) corresponding to samples from 1908 cereal crop fields (77 % common wheat) and from 2003 to 2005 harvests. The agricultural practices and crop management data were: the dates of sowing/flowering/harvest; tillage practice; fertilization program; irrigation amount (mainly for maize crop); phytosanitary treatment program; characteristic of the grown variety (precocity); susceptibility index for FHB infection; soil characteristics; seeds lot origin. The climatic data were: minimal, average and maximum temperatures; rainfall at +/- 30 days around the date of flowering; mycotoxin content; b) The data computing showed a significant effect of the following variables: previous year crop residues fate, previous crop in farming rotation; tillage practice; varietal susceptibility to Fusarium head blight (FHB) infection. These influent variables explained approximately 20% of the variability of the DON content in wheat grain samples; the remaining part of variation being included in the climate parameters. c) The predictive modelling of DON content was carried out on a set of 201 data among 1071: grain samples from wheat crop only and untreated by fungicides and discarding the samples with a DON content lower than the quantification limit. The procedure known as step by step of SAS routine enabled the building of a predictive equation for DON content from these most influent variables. The model with the best fit was: ln [DON] = 5.9 + 0,28 (rain_before_flowering (bf)) + 0.27 (rain_after_flowering (af)) – 0.05 (Temp_min_bf) – 0.15 (varietal FHB susceptibility index) + 0.53 (risk brought by previous year cultivated species) + 1.33 (tillage practice risk index). The tillage practice contained the greatest part of the variability in DON content (+1.33); then was the preceding crop (+0.53), rainfall (+0.27) and the varietal FHB susceptibility index (- 0.15). It was observed a correlation between DON content, the corresponding acetylated forms, and NIV content, but any relation between TCT A and TCT B simultaneous contamination was observed. With an optimal combination of the variability-related-factors it was possible to explain “only” 34% of variability. With regard to the robustness of the model, it was shown that some variables like previous crop residues treatment or the maximum temperature were rejected with the acceptable error threshold of α = 5 % but were acceptable with a threshold error level fixed at 10 %, demonstrated that the set of computed variables was too small to expect a good prediction of DON content. Nevertheless, in using the DON content prediction model of North-American authors on the same set of data collected in our database, the DON prediction was worse, indicating that European situation of FHB and DON contamination of cereals greatly differs from North American situation.