Variabilité de l’efficacité alimentaire chez le porc en croissance : mécanismes moléculaires impliqués et recherche de biomarqueurs prédictifs

French. Accroître l'efficacité alimentaire (EA) est un objectif majeur pour la filière porcine, pour des raisons à la fois économiques et environnementales. Il est donc essentiel d’identifier d’une part, les mécanismes biologiques impliqués dans la variabilité individuelle de l’EA, et d’autre part des biomarqueurs fiables de ce caractère. Cette étude a pour objectif d’identifier des gènes dont la variabilité d’expression dans différents tissus contribue de façon majeure au déterminisme de l’EA. Pour cela, nous avons utilisé plusieurs jeux de données transcriptomiques acquises dans le muscle long dorsal ou le sang de porcs issus d’une sélection divergente sur l’ingéré résiduel (CMJR), une mesure de l’EA. Les porcs provenaient de la 6ème à 8ème générations de sélection, pesaient entre 15 et 115 kg, et étaient alimentés soit de manière restreinte, soit à volonté avec un régime de composition standard ou riche en fibres et en lipides (Vincent et al., 2015 ; Merlot et al., 2016 ; Gondret et al., 2017 ; Reis Furtado Campos et al, 2014). Pour chaque animal, l’indice de consommation (IC) et la CMJR étaient calculés. Dans le muscle, l’expression de 22 400 sondes moléculaires annotées a été mesurée sur 71 porcs. Dans le sang, 6 000 sondes moléculaires annotées étaient communément retrouvées pour un total de 84 porcs. Pour identifier les prédicteurs les plus importants de l’EA, des approches statistiques dites de « Forêts aléatoires » procédant par extension des arbres de classification et de régression (Breiman, 2001) ont été implémentées avec le logiciel Salford Predictive Modeler (V8.0). Une autre approche permettant de mettre en évidence des sous-réseaux de coexpression de gènes reliés aux caractères étudiés (Langfelder et Horvath, 2007) a été réalisée en complément avec le package WGCNA implémenté sous R (V3.4.2). Dans le muscle, ces approches permettent de proposer un sous-ensemble d’une cinquantaine de gènes dont les niveaux d’expression expliquent respectivement, 67% de la variabilité de l’IC et 65% de la variabilité de la CMJR. Ces gènes participent à des processus biologiques variés, comme la régulation de l’apoptose (PSEN1, CSRNP3 et HBXIP), la réponse inflammatoire (TLR1, SERPINA1 et CD40), la régulation de la glycogenogenèse (IGF2, PPARGC1A et ADIPOQ), le transport intracellulaire (FRAS1, XPO1, YWHAZ, STX7) ou la régulation de la croissance (IGF2, PTK2B, STAT5A, AVPR1A, ADAM10, ADAM17, RPS6KB1, PROX1 et NTN1). Dans le sang, la mesure en phases de post-sevrage ou en début de croissance de l’expression d’une cinquantaine d’autres gènes permettrait de prédire avec une bonne précision (R²=0,86) l’IC mesuré durant la période de croissance ultérieure. En conclusion, ces résultats confirment la complexité du caractère intégratif qu’est l’efficacité alimentaire, les gènes identifiés étant impliqués dans des fonctions productives et aussi non-productives. Remerciements à la Région Bretagne, au programme européen Feed-a-Gene et à E Merlot