Microbial-based predictive modeling of wheat yield and grain baking quality

It is very difficult to predict crop yield and produce quality based solely on soil physicochemical parameters, as the net effect these parameters is strongly affected by microbes. For instance, the form of soil nitrogen changes due to nitrification and denitrification activities, which will influence N mobility, availability, and energetic efficiency for plant growth. It is crucial to include microbial parameters to better predict crop yields and produce quality. However, microbial communities vary spatially and temporally, and are very complex, so it is uncertain if robust models could be derived from microbial data. My goal for this thesis was to create microbial-based models to predict wheat grain quality and yields across time and space. I used two sampling schemes: 1) early season sampling of 80 wheat fields across the province of Québec (Chapter 2) and 2) repeated sampling of a single wheat field across a growing season (Chapter 3). For both these experiments, I measured a wide array of microbial parameters: 16S rRNA gene and ITS region amplicon sequencing, qPCR quantification of key N-cycle genes, and microbial community level carbon usage. Grain baking quality and grain yields were measured at the end of the growing season. I used linear regression with stepwise forward/backward (Chapter 2) or LASSO selection (Chapter 3), limiting the models in most cases to less than 10 microbial indicators. In Chapter 2, I was able to explain observed variation of wheat grain quality and yields with an accuracy of up to 90% across all fields. Many of the inputs selected in the models had a link with soil nitrogen availability (e.g., ammonia-oxidizers and denitrifiers abundance). My microbial-based models also outperformed similar models based on commonly measured soil parameters (pH, total C, total N, C/N ratio, water content). However, in this Chapter, I had sampled the fields early in the growing season, and it was not certain that this was the best to create my predictive models. In Chapter 3, I then sampled our experimental field every two weeks across a single growing season to find the moment where the microbial predictive power was highest. My models highlighted a set of microbial parameters that were highly coherent with Chapter 2. I also found that the highest predictive power for wheat grain quality and yields was early in the season (May-June), which correlates with wheat growth stages that are critical for N nutrition. The results of my thesis show that it is possible to explain observed variation of wheat grain quality and yields from a few microbial parameters taken early in the season, and that these models are robust across a wide range of fields at the provincial scale. It also highlighted the key role of microorganisms involved in the nitrogen cycle for wheat quality and yields. In the longer term, these models could help farmers make management decisions for optimal grain quality and quantity, on our way toward a microbial-driven agriculture. Il est très difficile de prévoir le rendement des cultures et la qualité des produits en se basant uniquement sur les paramètres physicochimiques du sol, car l'effet net de ces paramètres est fortement influencé par les microbes. Par exemple, la forme de l'azote du sol change en raison des activités de nitrification et de dénitrification, ce qui influencera la mobilité, la disponibilité et l'efficacité énergétique de l'azote pour la croissance des plantes. Il est essentiel d'inclure les paramètres microbiens pour mieux prévoir les rendements des cultures et la qualité des produits. Cependant, les communautés microbiennes varient dans l'espace et dans le temps et sont très complexes, de sorte qu'il n'est pas certain que des modèles robustes puissent être dérivés des données microbiennes. L'objectif de cette thèse était de créer des modèles microbiens pour prédire la qualité des grains de blé et les rendements dans le temps et l'espace. J'ai utilisé deux schémas d'échantillonnage : 1) l'échantillonnage en début de saison de 80 champs de blé dans la province de Québec (chapitre 2) et 2) l'échantillonnage répété d'un seul champ de blé au cours d'une saison de croissance (chapitre 3). Pour ces deux expériences, j'ai mesuré un large éventail de paramètres microbiens : séquençage d’amplicons du gène de l'ARNr 16S et de la région ITS, quantification par qPCR des gènes clés du cycle de l'azote et mesure de l’utilisation du carbone au niveau de la communauté microbienne. La qualité boulangère des grains et les rendements en grains ont été mesurés à la fin de la saison de croissance. J'ai utilisé la régression linéaire avec une sélection « stepwise backward /forward » (chapitre 2) ou LASSO (chapitre 3), en limitant les modèles à moins de 10 indicateurs microbiens dans la plupart des cas. Dans le chapitre 2, j'ai pu prédire la qualité des grains de blé et les rendements avec une précision allant jusqu'à 90 % dans tous les champs. De nombreux intrants sélectionnés dans les modèles avaient un lien avec la disponibilité de l'azote dans le sol (par exemple, l'abondance des bactéries oxydants l’ammoniac et des bactéries dénitrifiantes). Mes modèles microbiens ont également surpassé des modèles similaires basés sur des paramètres du sol couramment mesurés (pH, C total, N total, rapport C/N et teneur en eau). Cependant, dans ce chapitre, j'ai échantillonné les champs au début de la saison de croissance, et il n'était pas certain que ce soit le meilleur moment pour créer mes modèles prédictifs. Dans le chapitre 3, j'ai ensuite échantillonné notre champ expérimental toutes les deux semaines pendant une seule saison de croissance afin de trouver le moment où le pouvoir prédictif microbien était le plus élevé. Mes modèles ont mis en évidence un ensemble de paramètres microbiens très cohérents avec le chapitre 2. J'ai également constaté que le pouvoir prédictif le plus élevé pour la qualité des grains de blé et les rendements se situait au début de la saison (mai-juin), pendant les stades de croissance du blé qui sont critiques pour la nutrition azotée. Les résultats de ma thèse montrent qu'il est possible de prédire avec précision la qualité des grains de blé et les rendements à partir de quelques paramètres microbiens mesurés en début de saison et que ces modèles sont robustes à l'échelle provinciale. L'étude a également mis en évidence le rôle clé des micro-organismes impliqués dans le cycle de l'azote pour la qualité et le rendement du blé. À plus long terme, ces modèles pourraient aider les agriculteurs à prendre des décisions pour optimiser la qualité et la quantité des grains, vers une agriculture microbiocentrique.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.