BACK LIST
Réf : 1143
Published on 08/12/2022

Stagiaire en sélection génomique Soja H/F

Traineeship (6 months)

Mondonville - Occitanie - France

Presentation of the company

Dans le top 10 des semenciers mondiaux Grandes Cultures, LIDEA maîtrise l'ensemble de la chaîne de valeur de la sélection, la production des semences au champ jusqu’à la commercialisation des produits finis. 

LIDEA conçoit et propose des solutions innovantes, personnalisées et durables de semences multi espèces (maïs, tournesol, céréales à paille, colza, fourragères et couverts végétaux, soja, sorgho, légumes secs) et multimarques qui créent de la valeur ajoutée pour les producteurs tout au long de l’année.

Avec un chiffre d'affaires de 350 millions d'euros, et plus de 30 millions d'euros consacrés chaque année aux investissements industriels et R&D, LIDEA possède une vision durable et respectueuse pour accompagner aujourd’hui l’agriculture de demain.

Rejoindre LIDEA, c’est l’opportunité d’évoluer au sein d’une équipe dynamique et innovante avec des valeurs humaines fortes.

LIDEA fait germer les talents !  

Job Description

Sujet : Le soja est une espèce autogame commercialisée sous forme de variétés lignées avec des enjeux de sélection importants : précocité à maturité pour une meilleure adaptation des variétés aux zones nord, teneur en protéine de la graine pour les marchés feed & food, augmentation des capacités de rendement, étude et compréhension des facteurs anti-trypsiques (FAT),  ...

La sélection génomique est une méthode de sélection assistée par les marqueurs moléculaires. Proposée en 2001, la sélection génomique révolutionne l’amélioration génétique des espèces animales et végétales et complémente les méthodes de sélection “conventionnelles” au sein des programmes de création variétale. 

Sur le principe, la sélection génomique (SG) utilise une population d'entraînement pour laquelle les phénotypes des individus sont connus de manière précise et les génotypes sont caractérisés pour un grand nombre de marqueurs moléculaires dispersés le long du génome. Les données ainsi recueillies sur cette population sont mises à profit pour calibrer un modèle de prédiction qui permet de prédire la performance de nouveaux individus candidats à la sélection sur la base de leurs génotypes aux marqueurs d’intérêt. 

Le sujet proposé consiste à tester l’efficacité de la SG dans les programmes d’amélioration du SOJA précoce et tardif menés chez LIDEA. Le/La stagiaire aura à sa disposition l’ensemble des données de phénotypage du programme. Il/Elle disposera également des données de marquage moléculaire dense pour les nouvelles lignées testées en première année d’essais entre 2021 et 2022. Le/La stagiaire aura à charge de:

  • caractériser la diversité génétique de nos populations d’amélioration d’un point de vue phénotypique et moléculaire. 
  • faire l’étude des paramètres génétiques des caractères d’intérêt pour le programme (héritabilité, corrélations génétiques, interactions GxE, …).
  • détecter les régions génomiques d'intérêt majeur pour les caractères travaillés dans le programme en appliquant notre méthode de génétique d’association pan-génomique
  • comparer l’efficacité relative, en termes de gains génétiques et de coûts, de la sélection conventionnelle sur phénotype et de la SG selon différents types de modèles et scénarios. 

Il/Elle pourra ainsi faire des recommandations pour l’implémentation à court terme de la SG dans les programmes d’amélioration génétique du soja chez LIDEA.


Required profile

Le/La candidat(e) doit avoir une forte attirance pour les statistiques appliquées à la sélection ainsi que de bonnes connaissances en programmation sur le logiciel R. Il/Elle doit également connaître les principes de la biologie et de la génétique appliquées à l’amélioration des espèces végétales. Il/Elle doit être autonome, motivé(e), curieux(se), avoir le souci du détail  et faire preuve d’esprit d’analyse critique.

Other information

- lieu du stage : Mondonville

- Télétravail possible 

- Assistance de l'équipe Discovery & Technology Research