2022 Magno Massuia de Almeida Lethicia Cffe9e0d Voc

Effets des stress thermiques répétés sur le rendement
et la qualité grainière du colza :

caractérisation écophysiologique et modélisation
“But being a scientist is not just a profession.
It's a frame of mind - a mode of thinking that differs from preaching, prosecuting, and politicking.”
Adam Grant, Think again: The power of knowing what you don't know
Remerciements
Remerciements
On m’a dit que quand on se lance dans la rédaction des remerciements c’est parce que le plus
dur est déjà fini ! Et voilà que ce moment est arrivé pour moi, la fin d’un cycle. Je termine
cette aventure avec un mélange d’émotions qui peuvent être résumés en trois mots : fierté,
soulagement et gratitude. Gratitude pour l’ensemble des personnes qui ont participé à ce
travail de façon directe ou indirecte. Ce manuscrit est l’occasion de vous remercier.
D’abord, je tiens à remercier tous les membres de mon jury de thèse pour votre temps et vos
partages de connaissances. Grand merci à Christine Granier et Philippe Debaeke pour
avoir accepté d’être rapporteurs de ce manuscrit. Merci à Alice Baux, Marie Launay, Marie-
Pascale Prud’homme et Jean-Christophe Avice qui ont accepté d’être les examinateurs
de mes travaux. Veuillez m’excuser pour les « s » ou « e » potentiellement manquants dans
certaines parties de ce manuscrit, le français reste une langue assez complexe quand-même !
Je remercie chaleureusement mes directeurs de thèse pour leur soutien et conseils. Sophie,
merci pour toute la confiance que tu m’as accordé depuis 2018. J’admire énormément ta
capacité de mettre en place des recherches très complexes tout en étant une personne
extrêmement bienveillante, positive et dynamique. Tu m’as appris beaucoup de choses
pendant ces trois dernières années, d’une part évidement concernant de questions
scientifiques, mais aussi beaucoup d’autres aspects importants (rigueur, curiosité, ouverture
d’esprit, conceptualisation des idées, rédaction et même des expressions françaises !). Je suis
ravie d’avoir partagé avec toi non seulement des conquêtes au niveau professionnel, mais
aussi personnel (nos voyages, mon PACS, ton crochet, la naissance d’Apo). Merci infiniment
de m’avoir soutenu dans toutes les étapes de mon doctorat, et même dans mes engagements
extérieurs à la thèse. De plus, il faut quand-même souligner que nous sommes un binôme
imbattable dans l’acquisition et la gestion de sous, hehe. Alain, je ne sais pas pourquoi mais
souvent j’ai l’image du Yoda en tête quand je pense à toi ! Merci d’avoir participé activement
de toutes des étapes de mon doctorat même en étant loin de Caen. Je te remercie énormément
pour avoir été toujours là pour nous rappeler des objectifs et nous recentrer sur les priorités
de ce travail, surtout quand je partais dans des idées un peu farfelues. J’oserai dire que tu
étais un point d’équilibre très important tout au long de ma thèse ! Merci d’avoir apporté ton
calme, ta bienveillance et ton savoir-faire, surtout en ce qui concerne R (PS : tu nous as
convaincu que c’est beaucoup mieux qu’Excel !). Enfin, je voulais dire que j’ai beaucoup appris
avec vous deux et que j’ai beaucoup apprécié nos réflexions ensemble. En plus, votre réactivité
et rigueur m’ont permis de mener toute ma thèse dans un cadre paisible et rassurant, avec
une planification bien construite et des objectifs clairs. Encore une fois, MERCI.
7
Remerciements
Je remercie l’équipe de l’UMR EVA pour leur accueil et leur soutien au bon déroulement de
mon travail. Merci à Marie-Pascale Prud’homme, Philippe Lainé et Philippe Etienne
pour leurs efforts en créant une ambiance agréable au labo, même avec toutes les difficultés
que nous avons dû affronter pendant la période du COVID. Je remercie particulièrement Jean-
Christophe et Annette pour leur partage d’expertises, leur aide précieuse dans l’amélioration
de nos articles et leurs efforts pour sauver mes colzas pendant le confinement de 2020 (ah,
des bons souvenirs !). Je tiens à remercier vivement toute l’équipe des combattants qui m’a
aidé lors des manips en serre, des récoltes, ou encore pendant les merveilleuses séances de
détente pendant le dépiautage des siliques de plus de 300 plantes du colza. Mentions spéciales
à Anne-Françoise pour son savoir-faire exceptionnel dans la gestion des cultures en serre,
à Josiane et Magali pour leur bonne humeur même pendant les manips les plus pénibles de
récolte et broyage des colzas, à Olivier pour les relevés de température de la serre qui ont
prouvé l’exactitude de nos protocoles de stress, à Bénédicte pour le gros travail de broyage
des organes des colzas, à Josette pour son efficacité imbattable lors de micropesées, à
Aurélia pour le partage de tout son expertise concernant les sucres et à toute l’équipe de
PLATIN’ pour leurs efforts en nous fournir des résultats fiables le plus rapidement possible.
Ce travail n’aurait pas été possible sans votre collaboration.
En ce qui concerne l’ambiance, merci à Jean-François pour le papotage régulier, ton partage
d’expériences et les discussions philosophiques… j’apprécie énormément ta sagesse et ta
bienveillance ! Merci à Jean-Christophe, Servane et Sylvain pour m’avoir donnée
l’opportunité de faire des cours aux Masters. Merci à Jacques pour le partage de son talent à
résoudre des bricoles informatiques et à Fred pour toujours nous inspirer à réfléchir « out of
the box ». Enfin, je ne peux pas oublier mes chers collègues doctorants et post-doctorants qui
se sont occupés de mettre l’ambiance dans notre bureau, même si ma présence n’était pas si
fréquente. Merci aux doctorants de la « vieille génération » Mohamed, Victor, Aurélien,
Galatéa, Hans, Charlotte et ma chère Hahn pour leurs échanges d’expériences. Merci aux
doctorants et post-docs de la « nouvelle génération » Raphael, Jérémy, Antoine, Agathe,
Anouk et Lorane pour le soutien émotionnel converti sous forme de rigolades, ainsi que pour
leur expertise concernant le colza, le monde de la recherche et les tests de personnalité.
En étant une thèse multidisciplinaire, je tiens également à remercier plusieurs personnes

extérieures à l’UMR EVA qui ont fortement contribué à ce travail. Merci à Miguel Couceiro et
Yannick Toussaint, ainsi qu’à leurs équipes, de m’avoir si gentiment accueilli au sein du
LORIA. Mentions spéciales à Nyoman Juniarta, Alexandre Bazin et Zachary Assoumani
qui ont accepté de discuter sur le data mining avec une agronome qui ne connaissait rien du
8
Remerciements
tout sur le sujet. Merci à Nathalie Nesi, Anne Laperche et Erwan Corlouer pour leur
sympathique accueil au sein de l’IGEPP et leur partage de connaissances sur les jeux de
données du projet RAPSODYN. Merci à Nicolas Elie et Maelle Coquemont du CMABio3 pour
leur rigueur et réactivité concernant les analyses des graines du colza. Merci à Tae-Hwan
Kim et Dr. Bae pour les analyses d’hormones à l’autre bout du monde. Merci à Marina Le
Guédard pour les analyses et discussions concernant les lipides.
Je remercie également les membres de mon comité individuel de thèse (CSI) Delphine
Moreau, Sébastien Faure, Michael Aubert et Maeva Drouault pour leurs conseils et
regards extérieurs sur mon travail. Merci également à Marie Launay et Iñaki Garcia de
Cortazar-Atauri pour les discussions très intéressantes que nous avons pu mener ensemble.
Merci à Mélanie Fortier de m’avoir invité à participer de son CSI. Je remercie Meg Letellier,
Mathias Coulon et Candice Kerdreux pour leur travail respectif lors des stages. De plus,
merci également aux autres stagiaires avec qui j’ai pu collaborer (Zachary et Guillaume) de
m’avoir donné l’opportunité de partager mes connaissances.
Enfin, je remercie toutes les sources de financements qui ont soutenu mon travail et les
personnes que j’ai pu côtoyer tout au long de mon chemin dans ces trois dernières années.
Mes expériences au sein du Thought For Food et du World Food Forum m’ont permis de
créer des relations avec des personnes du monde entier et améliorer considérablement mon
niveau d’anglais. Merci également à Florian Andrianiazy de PhDTalent et à l’équipe de
Technique Solaire pour m’avoir offert l’opportunité exceptionnelle de faire une mission de
conseil en entreprise en parallèle à ma thèse. C’était génial ! Merci aux bénévoles qui m’ont
permis de faire deux retraites silencieuses au sein de Dhamma Mahi, vous m’avez appris à
observer et accepter les changements constants.
Pour finir, je remercie ma famille qui m’envoie des énergies positives depuis les tropiques et
en particulier ma mère Luciana, qui n’a toujours pas compris sur quoi je travaille, mais qui
est toujours trop fière de moi. Merci aux amis et collègues qui m’ont encouragé et soutenu
du début à la fin. Merci à mon cher Alexandre pour être toujours à mon côté (littéralement)
à la maison et lors de nos voyages canon, dans la joie et la détresse. Tu as fortement contribué
à mon équilibre émotionnel et physique (« L’important c’est de participer ! »).
Et merci à moi-même d’avoir gardé le cap.
9
Préambule
Préambule
Ma thèse a été codirigée par Sophie Brunel-Muguet, Chargée de Recherches HDR à l’UMR
Ecophysiologie Végétale, Agronomie et Nutritions C.N.S. (EVA, Caen) et Alain Mollier, Chargé
de Recherches HDR à l’UMR Interactions Sol Plante Atmosphère (ISPA, Bordeaux). J’ai été
basée à l’UMR EVA pendant 3 ans, et plus particulièrement au sein de l’équipe Interactions
Nutritionnelles, Conduites et Contraintes Abiotiques (INCCA). Les recherches menées au sein
de l’équipe INCCA visent à améliorer (ou a minima maintenir) la productivité des
agroécosystèmes et la qualité des produits récoltés dans un contexte agro-environnemental
de diminution des intrants (notamment azotés et soufrés) et de changements globaux
(principalement les stress thermique et hydrique). Ces recherches sont conduites à différentes
échelles (de la parcelle aux gènes) qui peuvent être couplées à des approches de modélisation.
Pour réaliser ma thèse (projet « Colza Stress Modélisation », COSMOS), j’ai bénéficié d’un
contrat doctoral cofinancé par l’INRAE et la COMUE Normandie Université. Les démarches
mises en œuvre font suite au projet « Climat Change and Quality of fruit, grain and seeds in
the next 40 years » (CAQ40), financé par le métaprogramme « Adaptation de l’Agriculture et
de la Forêt au Changement Climatique » (ACCAF) de l’INRAE (2012-2016).
Les travaux réalisés tout au long de ma thèse ont été financés par plusieurs projets de
recherche. Les premières expérimentations en serre et analyses biochimiques qui ont alimenté
nos hypothèses sur la mémoire du stress thermique ont été réalisées dans le cadre d'un pari
scientifique financé par le département Environnement-Agronomie de l’INRAE (désormais
AgroEcoSystem, projet « MemorY foR oIlseed rApe aDaptation », MYRIAD). J’ai eu l’occasion
de commencer mes travaux sur MYRIAD lors de mon stage de fin d’études à l’UMR EVA en
2018, pendant lequel j’ai réalisé les analyses biochimiques du projet (protéines, sucres, teneurs
en C/N/S) et la rédaction d’un mémoire de fin d’études pour l’obtention du double-diplôme
d’ingénieur de l’Institut Supérieur d’Agriculture de Lille (ISA Lille, France) et de l’Escola Superior
de Agricultura « Luiz de Queiroz » (ESALQ, Brésil). Ce projet s’est poursuivi par deux autres
projets de recherche visant à approfondir les résultats obtenus dans MYRIAD et à intégrer une
approche de modélisation des stress thermiques répétés, à savoir le projet MEMOSTRESS,
également financé par le métaprogramme ACCAF, et le projet « ModelIng cRop Responses tO
Repeated Stresses » (MIRRORS), financé par le métaprogramme DIGIT-BIO. De plus, des
financements complémentaires et des prix provenant de plusieurs institutions scientifiques
françaises et européennes m’ont permis de financer une partie de mes séjours de travail à
Nancy et Bordeaux, ainsi que ma participation aux congrès PBE 2021 (Turin, Italie) et IHC
2022 (Angers, France). Je remercie vivement tous ces soutiens.
11
Liste des abréviations
Liste des abréviations
A B
ABA : Abscisic Acid BSA : Bovine Sérum Albumine
AG : Acides Gras
AIC : Akaike Information Criterion
C D
C : Carbon DAV : Days After Vernalization
CDPK : Calcium-Dependent Protein Kinases DW : Dry Weight
CFCA : Causal Formal Concept Analysis
CSN5A : Constitutive Photomorphogenesis 5A
CLT : Control
E F
EMS : Early Mild Stress FA : Fatty Acid
FAMES: Fatty Acid Methyl Esters
FPCA : Focused Principal Components Analysis
G H
GA3 : Acide Gibbérellique HE: Hematoxylin and Eosin
GDD : Growing Degree Days HS : High Sulphur
GES : Gaz à Effets de Serre HSP : Heat Shock Protein
GS : Growth Stages HSFA2 : Heat Shock Transcription Factor A2
HPLC : High Performance Liquid Chromatography
I J
IAA : Indole-3-acetic acid JA : Jasmonic Acid
L M
LAI : Leaf Area Index MAPK : Mitogen-Activated Protein Kinases
LS : Low Sulphur
N O
N : Nitrogen ORO: Oil Red O
P R
PAI : Pod Area Index RCP : Representative Concentration Pathway
PAR : Photosynthetically Active Radiation REF6 : Relative of Early Flowering 6
PAS: Periodic Acid–Schiff REG : Réticulum Endoplasmique Granuleux
PCA : Principal Components Analysis RFO : Raffinose Family Oligosaccharides
PMG : Poids de Mille Grains ROS : Reactive Oxygen Species
PTGS : Post-Transcriptional Gene Silencing RSS : Repeated Stress Sequence
PTMs : Modifications Post-Transcriptionnelles
S T
S : Sulphur t : Tonnes
S-SO4 : Soufre du sulfate TAGs : Triacylglycérides
SA : Salicylic Acid TDW : Total Dry Weight
SAM : S-Adénosyl-Methionine TSW : Thousand Seed Weight
SFA : Saturated Fatty Acids Tmax : Température maximale
smRNA : Small RNA
SSP : Seed Storage Proteins
SSP : Shared Socioeconomic Pathways
SuMoToRI : Sulphur Model Towards Rapeseed
Improvement
U CHIFFRES
UFA : Unsaturated fatty acids 3LHP : 3 Late Heat Peaks
4LHP : 4 Late Heat Peaks
13
Table des matières
Table des matières
Introduction générale 19
Chapitre 1 : Synthèse bibliographique 25

1.1. Contexte agroclimatique ----------------------------------------------------------- 27
1.1.1. Le réchauffement climatique 27
1.1.2. Définition des vagues de chaleur et du stress thermique 29
1.1.3. Impacts du stress thermique sur les végétaux 31
1.1.4. Les stratégies de réponse des végétaux au stress thermique 36
1.1.5. Réflexion : quels impacts des stress thermiques répétés ? 39
1.2. La mémoire du stress --------------------------------------------------------------- 40
1.2.1. Définition du concept 40
1.2.2. Effets de la mémoire pendant le cycle de culture 42
1.2.3. Effets de la mémoire au cours des générations 44
1.2.4. Les mécanismes d’acquisition de la mémoire du stress 46
1.2.5. Réflexion : la mémoire peut-elle être un levier face aux stress répétés ? 48
1.3. La qualité grainière du colza d’hiver ---------------------------------------------- 49
1.3.1. Le colza : origine et aspects agronomiques 49
1.3.2. Importance de la fertilisation soufrée 51
1.3.3. Débouchés industriels des graines 53
1.3.4. Les composantes de rendement et définitions des critères de qualité 55
1.3.5. Développement de la graine du colza 58
1.3.6. Impacts du stress thermique sur le rendement et les qualités grainières 60
1.3.7. Réflexion : comment limiter les impacts des stress répétés ? 64
1.4. La prédiction des effets du stress thermique ------------------------------------ 66
1.4.1. Concepts généraux de modélisation des cultures 66
1.4.2. Les trois approches de modélisation testées dans le cadre de la thèse 67
1.4.3. Réflexion : comment prédire les effets des stress thermiques répétés ? 70
Chapitre 2 : Plan de recherche 72

2.1. Problématique et objectifs --------------------------------------------------------- 74
2.2. Axes de recherche et démarches associées -------------------------------------- 75
2.2.1. Axe I : Caractérisation écophysiologique 76
2.2.2. Axe II : Modélisation numérique 79
15
Table des matières
Chapitre 3 : Effets des stress répétés au cours d’un cycle de culture 82

3.1. Effets des stress thermiques répétés sur le rendement et la qualité grainière du colza,
dans de conditions contrastées d’apport en soufre ----------------------------- 84
3.1.1. Préambule 84
3.1.2. Introduction 86
3.1.3. Materials and methods 88
3.1.4. Results 94
3.1.5. Discussion 106
3.1.6. Conclusion 112
3.2. Effets des stress thermiques répétés sur le développement cinétique des composés
de stockage dans la graine du colza ---------------------------------------------- 113
3.2.4. Results 123
Chapitre 4 : Effets des stress répétés sur deux générations successives 142
4.1. Effets des stress thermiques répétés sur le rendement et la qualité grainière du colza
sur deux générations de plantes stressées -------------------------------------- 144
4.1.4. Results 153
Chapitre 5 : Modélisation des effets des stress thermiques répétés 176

5.1. Utilisation des indicateurs écoclimatiques pour améliorer la prise en compte des
stress thermiques répétés dans les approches de modélisation --------------- 178
5.1.4. Results 185
16
Table des matières
5.2. Prise en compte des stress répétés dans les modèles (semi-) mécanistes ---- 204
5.2.2. Fonctionnement du modèle SuMoToRI 205
5.2.3. Extension de la période de prédiction du modèle 208
5.2.4. Implémentation du modèle et évaluation des performances 213
5.2.5. Simulations en conditions de stress thermiques répétés 217
5.2.6. Conclusions et pistes d’amélioration 221
5.3. Analyses exploratoires avec des modèles de fouille de données --------------- 224
5.3.2. Préparation des données et méthodologie 225
5.3.3. Méthode CFCA : concept et résultats 226
5.3.4. Méthode biclustering : concept et résultats 228
5.3.5. Conclusions et pistes d’amélioration 231
Chapitre 6 : Discussion générale et perspectives 234

6.1. Les stress répétés et la mémoire du stress --------------------------------------- 238
6.1.1. Effets intra- et intergénérationnels des stress thermiques 238
6.1.2. Caractéristiques des protocoles thermo-sensibilisants 241
6.1.3. Perspectives sur l’étude de la mémoire du stress 243
6.2. Apports et applications de la modélisation --------------------------------------- 245
6.2.1. Effets des stress répétés au sein des modèles de culture 245
6.2.2. Amélioration de la prédiction des effets des stress répétés 246
6.2.3. Perspectives sur la modélisation des stress répétés 247
Liste des activités scientifiques 250
Annexes 256
Références 288
Résumé 307
17
Introduction générale
Le phénomène de stress thermique résultant du réchauffement climatique est un problème

pour l’agriculture dans de nombreuses régions du monde. Faire face aux augmentations de la
température et à sa variabilité constitue un défi important pour une productivité durable des
cultures dans un avenir proche. De plus, les dernières projections climatiques ont mis en
évidence une tendance d’augmentation de la fréquence, de la durée et de l’intensité
des évènements climatiques extrêmes, telles que des vagues de chaleur (IPCC, 2021). Ainsi,
il s’avère nécessaire d’approfondir les connaissances des réponses des plantes dans ce
contexte de répétition des vagues de chaleur qui entraine des stress thermiques successifs,
pour apporter de nouvelles stratégies d’acclimatation et/ou d’adaptation, et ainsi permettre
d’améliorer la résilience des systèmes de cultures face au changement climatique.
Dans ce contexte climatique fluctuant, plusieurs stratégies d’amélioration génétique des

plantes et de conduites de cultures sont développées (Ceccarelli et al., 2010; Soares et al.,
2019b; Verma et al., 2020; Zheng et al., 2022a). De plus, des travaux récents font le constat
que des conditions de stress modéré peuvent potentiellement permettre aux plantes de se
sensibiliser et de répondre de façon plus rapide, plus sensible et/ou plus efficace à des stress
postérieurs grâce à un « effet mémoire » bénéfique du premier stress (Boyko and Kovalchuk,
2011; Crisp et al., 2016; Kinoshita and Seki, 2014; Lämke and Bäurle, 2017). Ainsi, la
caractérisation de ces « effets mémoire » permettrait d’une part une meilleure compréhension
de la réponse des plantes dans un contexte de stress thermiques répétés, et d’autre part
d’améliorer la prédiction de ces effets dans les approches de modélisation, en considérant des
scénarios climatiques plus réalistes et proches des projections
Avec une production en forte hausse depuis 30 ans, le colza d'hiver est la première culture
oléagineuse en termes de surface cultivée et de production de grains en Europe, devant le
tournesol et le soja (Annexe 1, Terres Univia, 2021). L’huile extraite des graines est
principalement destinée à l’alimentation humaine, ainsi qu’à l’élaboration de biocarburant et
de sous-produits liés à l’essor des filières de la chimie verte (lubrifiants, détergents,
cosmétiques). De plus, le tourteau, qui est un sous-produit de la trituration des graines, est
très riche en protéines et est de plus en plus utilisé dans l’alimentation animale à la place du
tourteau de soja. Ainsi, la diversité des débouchés fait du colza une culture majeure pour
répondre aux demandes énergétiques croissantes et assurer la sécurité alimentaire mondiale
(Von Der Haar et al., 2014). Le défi des prochaines décennies est donc de maintenir voire
augmenter le rendement de cette culture, tout en améliorant également la qualité des graines
21
et en optimisant son bilan agroenvironnemental (e.g. fertilisation raisonnée, réduction de

l’apport des produits phytosanitaires), et ce dans un contexte de changement climatique.
Cette thèse a donc visé à analyser les impacts des stress thermiques répétés sur le
rendement et la qualité grainière du colza en interaction avec la nutrition soufrée, en
couplant une caractérisation écophysiologique à différentes approches de modélisation. Dans
ce contexte qui associe la variabilité climatique, une demande alimentaire croissante et la prise
en compte de l’environnement par le biais du développement des systèmes agricoles plus
durables, les objectifs associés à ce travail sont de (i) comprendre les effets de différentes
séquences d’évènements stressants qui peuvent expliquer une thermo-sensibilisation du colza
à des stress thermiques répétés au cours du cycle de culture et/ou sur deux générations de
plantes stressées, et (ii) améliorer les prévisions des performances du colza en termes de
rendement et de qualité des graines, par la prise en compte de l’effet des stress thermiques
répétés dans des approches de modélisation agro-climatique (collaboration avec l’Institut de
Génétique, Environnement et Protection des Plantes, IGEPP, INRAE, Le Rheu), mécaniste
(collaboration avec l’UMR Interactions Sol Plante Atmosphère, ISPA, INRAE, Bordeaux) et des
méthodes de fouille des données (collaboration avec le Laboratoire Lorrain de Recherche en
Informatique et Applications, LORIA, INRIA, Nancy).
L’originalité de cette thèse repose sur la caractérisation et la modélisation des effets

des stress thermiques répétés qui peuvent se traduire par des « effets mémoire »
bénéfiques sur le rendement et la qualité grainière, encore très peu étudiés chez les grandes
cultures telles que le colza. Notre hypothèse initiale sous-jacente est que la réponse des
cultures à un événement thermique stressant (ici, des températures élevées) peut être
modifiée suite à une exposition antérieure à un stress de même nature. De plus, les approches
in planta et in silico s’avèrent complémentaires pour analyser les impacts de stress thermiques
répétés sur les performances des cultures, puisqu’elles apportent des informations à la fois sur
la physiologie de la réponse des végétaux aux stress, mais aussi sur les formalismes
mathématiques pour les traduire numériquement, pour faire des prédictions et analyser les
conséquences de séquences thermiques. Ce projet de thèse soulève des questions originales
pour les écophysiologistes et les agronomes modélisateurs.
22
Présentation du manuscrit de thèse
- Chapitre 1 : Introduction sur les thématiques centrales de la thèse, notamment les effets
des stress thermiques sur les cultures, le concept de mémoire du stress, les critères de qualité
de la graine du colza d’hiver et les particularités des différentes approches de modélisation.
- Chapitre 2 : Explication de la problématique, des objectifs, des hypothèses, des stratégies

adoptées et des axes du projet de recherche. Ce chapitre présente une vision générale des
axes de recherche de la thèse, tandis que les méthodes détaillées sont présentées dans chaque
chapitre de résultats associé.
- Chapitre 3 : Présentation des résultats relatifs aux impacts des stress thermiques répétés
appliqués au cours d’un cycle de culture, sur le rendement et la qualité grainière du colza. Ce
chapitre est présenté sous forme d’un article publié (Magno et al., 2021 dans Environmental
and Experimental Botany) et d’un article soumis (Magno et al., 2022 dans Plant Science).
- Chapitre 4 : Présentation des résultats relatifs aux impacts des stress thermiques répétés
sur le rendement et la qualité grainière de la deuxième génération des plantes stressées. Ce
chapitre est présenté sous forme d’un article publié (Magno et al., 2022 dans Environmental
and Experimental Botany).
- Chapitre 5 : Présentation des résultats de modélisation, visant à prendre en compte les

effets des stress thermiques répétés au moyen de différentes approches (i) modélisation agro-
climatique, en utilisant des indicateurs écoclimatiques (présenté sous forme d’un article publié,
Magno et al., 2022 dans European Journal of Agronomy) ; (ii) modélisation mécaniste en
utilisant le modèle SuMoToRI (Brunel-Muguet et al., 2015a) ; et (iii) méthodes exploratoires
de fouille des données (i.e. Causal Formal Concept Analysis et biclustering).
- Chapitre 6 : Discussion générale, conclusion et perspectives à ces travaux.
- Liste des activités scientifiques : Liste des publications, des communications et d’autres
activités scientifiques complémentaires.
- Annexes : Informations complémentaires, données supplémentaires, photos et posters.
- Références bibliographiques : L’ensemble des références bibliographiques sont

présentées à la fin du manuscrit, en incluant celles citées dans les articles publiés.
- Résumé en français et en anglais.
23
Chapitre 1 :
Synthèse bibliographique
Chapitre 1 : Synthèse bibliographique
1.1. Contexte agroclimatique
1.1.1. Le réchauffement climatique
Le récent rapport du Groupe d’experts Intergouvernemental sur l’Evolution du Climat (GIEC,

en anglais Intergovernmental Panel on Climate Change, IPCC) a analysé l’augmentation de la
température moyenne de la surface terrestre et ses origines au cours des quatre dernières
décennies, qui ont été chacune successivement plus chaude que toutes les décennies
précédentes depuis 1850 (IPCC, 2021). Entre 2011-2020, la température à la surface terrestre
(continentale et océanique) a augmenté en moyenne de 1,09 °C par rapport à la période 1850-
1900, avec une hausse sur les continents variant de 1,34 à 1,83 °C. Ce contexte
climatique est étroitement lié aux activités humaines qui induisent des émissions croissantes
des gaz à effets de serre (GES) tels que le dioxyde de carbone, le méthane et le protoxyde
d’azote. Ces émissions ont connu une forte hausse notamment depuis la première révolution
industrielle, à la fin du XVIIIème siècle en Angleterre, qui a reposé sur l’utilisation d’énergies
fossiles très génératrices des GES.
Dans la continuité des scenarii passés, les projections futures indiquent que la température
terrestre continuera d'augmenter au moins jusqu'au milieu du siècle et ce quel que soit les
scénarios d'émissions des GES envisagés. Par ailleurs, cinq scénarios qui couvrent un large
éventail de variables ont été récemment publiés par le GIEC (IPCC, 2021), allant d’un scénario
dans lequel les émissions de CO2 diminuent drastiquement pour atteindre la neutralité carbone
vers 2050 (SSP1-1.9) à un scénario dans lequel les émissions de CO2 continuent d’augmenter
fortement jusqu’à être deux fois supérieures aux niveaux actuels en 2050 (SSP5-8.5). Appelées
SSP pour « Shared Socioeconomic Pathways », ils incluent non seulement des prévisions
en termes d’émissions de GES, mais aussi des aspects économiques, politiques et sociaux.
En utilisant ces scénarios d’émissions de GES en entrée de modèles climatiques, il a été

possible d’estimer leurs impacts futurs sur des variables climatiques. Par rapport à la période
de référence 1850-1900, la température moyenne entre 2081-2100 sera très probablement
supérieure de 1,0 à 1,8 °C avec le scénario prévoyant de très faibles émissions de GES (SSP1-
1.9, dit « le plus optimiste »), mais elle pourra atteindre une augmentation de l’ordre de 3,3 à
5,7 °C avec le scénario prévoyant de très fortes émissions de GES (SSP5-8.5, dit « le plus
pessimiste »). Tel qu’illustrées dans la Figure 1, ces tendances prévoient des augmentations
plus importantes dans les régions continentales qu’océaniques, notamment dans les zones
proches du pôle Arctique.
27
Figure 1 : Changement mondial de la température moyenne annuelle (°C), par rapport à

1850-1900. Les données simulées correspondent à des moyennes multi-modèles (IPCC, 2021).
En France, une augmentation de la température moyenne annuelle entre 0,6 et 1,3 °C (par
rapport à la période de référence 1976-2005) est attendue d’ici 2050. Cette hausse devrait
être plus importante dans le Sud-Est en été, avec des écarts à la référence pouvant atteindre
de 1,5 à 2 °C (Ouzeau et al., 2014). Puisque les zones continentales se réchauffent plus
rapidement que les zones océaniques, les températures moyennes nationales présentent
toujours des augmentations plus importantes que la moyenne mondiale correspondante, pour
le même scénario. La Figure 2 illustre l’augmentation historique des températures moyennes
en France (°C) par rapport à la fin du 19ème siècle, ainsi que les projections futures simulées
pour les scénarios intermédiaires SSP1-2.6, SSP2-4.5 et SSP3-7.0. Les données historiques
montrent une augmentation observée de 2 °C en 2020, pouvant aller jusqu’à 4,4 °C en
2100, en comparaison avec la période de référence 1850-1900 (Berkeley Earth, 2022).
Figure 2 : Changement de la température moyenne annuelle (°C) en France, par rapport à

1850-1900. Les données historiques proviennent du Berkeley Earth's Land Temperature
Dataset (Berkeley Earth, 2022).
28
Plusieurs conséquences environnementales sont attendues à cause de ce phénomène de

réchauffement climatique (IPCC, 2021), notamment (i) l’augmentation de la fréquence et de
l’intensité des évènements extrêmes (tels que les vagues de chaleur, fortes pluies) ; (ii) la
sécheresse généralisée sur certaines régions du globe, qui impactera notamment la
biodiversité et les productions agricoles ; (iii) l’occurrence accrue des catastrophes naturelles
(telles que les ouragans, cyclones, feux de forêts) ; et (iv) la montée du niveau des océans.
Les incertitudes concernant la sécurité alimentaire pour une population mondiale croissante
sont d’autant plus préoccupantes dans ce contexte climatique (Gitz et al., 2016), ce qui a
conduit l’Organisation des Nations Unies (ONU) à définir 17 objectifs de développement
durable (ODD) au niveau mondial, qui inclut notamment les ODD « Pas de zone de famine »
et « Action climatique » dans l’agenda (FAO, 2015). En effet, ces phénomènes climatiques
associés à une demande alimentaire croissance attendue d’ici 2050, risquent d’exposer les
populations et les écosystèmes à plusieurs types de vulnérabilité, tels que la pauvreté, la
précarité climatique, l’incidence des maladies, la migration et la disparition des espèces. Les
travaux sur les effets du réchauffement climatique sur les espèces végétales s’inscrivent donc
dans une problématique associant des enjeux sociétaux, économiques et environnementaux.
1.1.2. Définition des vagues de chaleur et du stress thermique
Le contexte de réchauffement climatique inclut plusieurs notions telles que la météorologie, la

variabilité climatique et les évènements extrêmes (Figure 3). A la différence de la
météorologie, qui peut être très variable sur une base journalière, le climat est basé sur
des moyennes observées sur une échelle de temps beaucoup plus longue. Cependant, le climat
est également variable. En prenant la température comme exemple, la variabilité
climatique concerne l’échelle de variation des observations en comparaison à une moyenne,
due à des facteurs naturels et anthropiques. Différemment, les événements extrêmes sont
des événements météorologiques ponctuels et spécifiques qui s'écartent de la moyenne de
manière significative.
Même si les évènements extrêmes sont de plus en plus cités en littérature, sa définition précise
reste encore très dépendante du contexte dans lequel on l’utilise. Pour les études
d’impacts climatiques, ces évènements sont généralement définis via des « indices extrêmes »,
qui peuvent être basés sur sa probabilité d'occurrence ou sur des dépassements d’un seuil. En
utilisant les vagues de chaleur comme exemple, ces « indices extrêmes » peuvent être calculés
en considérant le nombre, le pourcentage ou la fraction de jours où la température maximale
(Tmax) est supérieure au 90ème, 95ème ou 99ème percentile du jeu de données, généralement
29
définis pour des périodes spécifiques (mois, saison, année) par rapport à une période de
référence (Seneviratne et al., 2012). Ces mêmes indices calculés sur des périodes journalières
sont appelés « jours/nuits chauds » dans le langage courant, et leur utilisation permet de
comparer des observations ou simulations entre différentes régions géographiques.
Le réchauffement climatique entraîne à la fois une augmentation des moyennes de référence

sur l’échelle du temps, mais aussi une probabilité accrue d’occurrence des événements
extrêmes, ces derniers contribuant également à la variabilité climatique (Figure 3). En effet,
il a été démontré que chaque 0,5 °C supplémentaire dans les températures moyennes entraîne
une augmentation perceptible de l'intensité et de la fréquence des évènements climatiques
extrêmes, y compris les vagues de chaleur, les fortes précipitations et les sécheresses agricoles
(IPCC, 2021). Par exemple, la probabilité qu'un jour d'été en France soit marqué par des
vagues de chaleur (tels que les canicules) augmente à mesure que la moyenne des
températures terrestres augmente (Ouzeau et al., 2014). De plus, plusieurs études ont mis en
évidence une augmentation de la durée, fréquence et intensité des vagues de chaleur dans le
monde (Bador et al., 2017; Christidis et al., 2015; Lemonsu et al., 2014; Trnka et al., 2014).
Figure 3 : Schéma illustratif du changement de la probabilité d’occurrence des évènements

climatiques extrêmes pour une distribution normale de la température lorsque (a) la
température moyenne augmente ; (b) la variabilité augmente ; et (c) la moyenne et la
variabilité augmentent (Folland et al., 2001).
30
Des études régionales détaillées ont mis en évidence que les augmentations de température
en termes de durée et fréquence seront les caractéristiques les plus importantes des vagues
de chaleur, et non l'augmentation de l'intensité qui ne devrait pas être significative dans la
plupart des régions du monde (Perkins-Kirkpatrick and Lewis, 2020). Une durée et une
fréquence plus importantes peuvent être à l’origine des « événements composés »
(« compound events ») en climatologie (Seneviratne et al., 2012), qui sont le résultat (i) de
deux ou plusieurs événements extrêmes se produisant simultanément ou successivement ; (ii)
des combinaisons d'événements extrêmes avec des conditions sous-jacentes qui amplifient
l'impact des événements ; ou (iii) des combinaisons d'événements qui ne sont pas eux-mêmes
extrêmes mais qui, une fois combinés, conduisent à un impact extrême.
La variabilité climatique significative autour de la moyenne, notamment liée à la fréquence

accrue des évènements extrêmes, représente un vrai défi pour la production agricole et la
sécurité alimentaire dans le monde (Bita and Gerats, 2013; Jagadish et al., 2020; Wheeler et
al., 2000). Ainsi, le caractère composé des vagues de chaleur expose les espèces végétales à
plusieurs périodes susceptibles au stress thermique au cours de leur cycle de culture
et/ou au fil des générations. Le stress thermique chaud chez les végétaux est souvent défini
comme l'augmentation de la température au-delà d'un niveau seuil pendant une période
suffisante pour impacter la croissance et le développement des plantes (Shekhawat et al.,
2022; Wahid et al., 2007). Pour des applications agronomiques, la définition purement
climatique des vagues de chaleur n’est donc pas suffisante pour définir un stress thermique
ressenti par les cultures, ses caractéristiques intrinsèques (i.e. durée, intensité, fréquence)
devant d’abord être confrontées à des seuils propres à chaque espèce ou variété. En d’autres
termes, il s’agira de définir par exemple le nombre de jours dépassant un seuil de température
spécifique d’un processus métabolique ou d’un stade de croissance, spécifique pour une
espèce ou un génotype. Cela implique que l’on étudie la réponse des végétaux à un stress
thermique ponctuel, mais aussi la réponse résultante de la séquence des stress thermiques
répétés qui peut conduire à des effets différés, amplifiés ou atténués.
1.1.3. Impacts du stress thermique sur les végétaux
Les vagues de chaleur peuvent entraîner un stress thermique chez les végétaux selon (i) la
localité géographique, puisque les conditions pédoclimatiques et les seuils de température
sont différents entre les tropiques et les latitudes moyennes ; (ii) l’espèce/la variété,
puisque la température optimale pour les processus physiologiques et métaboliques peut être
31
spécifique de l’espèce voire de la variété ; et (iii) le moment d’exposition, puisque le cycle

de développement de la plante inclut des périodes plus ou moins sensibles à l’exposition aux
stress abiotiques (Hasanuzzaman et al., 2013).
Impacts sur la production agricole
Concernant la production agricole, le rendement est la première variable dont on cherche la

stabilité voire la progression. À l'échelle mondiale (Figure 4), la variabilité climatique en termes
de température et de pluviométrie est responsable de plus de 30% de la variabilité
observée des rendements des grandes cultures (Lobell and Field, 2007; Ray et al., 2015).
En effet, de nombreuses études soulignent les effets délétères des températures élevées sur
le rendement des principales cultures d’intérêt économique. Zhao et al. (2017) ont montré
qu’une augmentation de 1°C de la température moyenne mondiale réduirait, en moyenne, les
rendements mondiaux de blé (-6,0 %), de riz (-3,2 %), de maïs (-7,4 %) et de soja (-3,1 %),
même si des tendances contrastantes liées à la localisation géographique ont été également
démontrées (pour le maïs, blé et soja, Deryng et al., 2014). Il a été estimé que la productivité
mondiale du blé diminuera de 6 % pour chaque degré d'augmentation de la température
moyenne annuelle et deviendra plus variable dans l'espace et dans le temps (Asseng et al.,
2015a). Au cours des dernières décennies, des tendances à la stagnation et/ou à
l'augmentation de la variabilité des rendements des céréales ont été observées dans
plusieurs pays (Chandio et al., 2020; Olesen et al., 2011; Peltonen-Sainio et al., 2010), pour
lesquelles le changement climatique semble largement contributeur.
Figure 4 : Variabilité totale du rendement des cultures expliquée par la variabilité climatique
au cours des trois dernières décennies (Ray et al., 2015). (a) Maïs, (b) Riz, (c) Blé, et (d) Soja.
32
Impacts aux échelles morphologique et anatomique
Le stress thermique peut être à l’origine de dégâts au cours de la croissance (Figure 5) tels
que les « coups de soleil » sur les feuilles, branches et tiges, la sénescence et l'abscission des
feuilles, l'inhibition de la croissance des pousses et du système racinaire (en impactant le
support physique, l’absorption de l'eau et des nutriments), des perturbations d’équilibres
hydriques et d’une baisse de la qualité des récoltes (Wahid et al., 2007). Lors de la
germination, des températures élevées peuvent entraîner une réduction du taux de
germination des graines et une perte de vigueur (i.e. homogénéité de germination, potentiel
de levée en conditions défavorables, aptitude au stockage) par la mise en place de mécanismes
de thermo-inhibition (Hills and Van Staden, 2003). Pendant la croissance végétative, une
étude sur la féverole a montré une diminution progressive de la hauteur des plantes, des poids
sec et frais des tiges, et de la surface foliaire dans les plantes exposées au stress thermique
(Siddiqui et al., 2015), comme conséquence de la perte de turgescence des feuilles. Chez le
blé, le stress thermique induit une réduction de la biomasse aérienne totale, avec des impacts
sur le développement des feuilles et la formation des talles (Wang et al., 2011). A la floraison,
les hautes températures peuvent induire l’infertilité du pollen, favoriser l’avortement des
parties reproductives et/ou réduire le nombre des graines formés (Bita and Gerats, 2013;
Kumar et al., 2019; Morrison and Stewart, 2002; Young et al., 2004), impactant ainsi le
rendement et ses composantes (i.e. nombre et poids des graines). D’autres effets
morphologiques ont été démontrés, tels que la stérilité des fleurons par le biais d’une réduction
de la dispersion du pollen, de la germination du pollen sur le stigmate et de l'élongation des
tubes polliniques chez le riz (Kumar et al., 2019).
Impacts à l’échelle physiologique
Pendant la croissance végétative (Figure 5), des températures trop élevées peuvent avoir
principalement un effet négatif sur la photosynthèse, la respiration, et la stabilité des
membranes (Wahid et al., 2007). La photosynthèse nette est généralement réduite lorsque les
plantes sont exposées à des températures élevées, en raison d’une plus faible affinité de la
Rubisco pour le CO2, ce qui impacte directement la fixation du carbone (Salvucci and Crafts-
Brandner, 2004). Par ailleurs, plusieurs études montrent que la tolérance des végétaux au
stress thermique est étroitement liée à leur capacité à maintenir les échanges gazeux des
feuilles sous condition de stress (Bita and Gerats, 2013; Sharma et al., 2015; Wahid et al.,
2007). De plus, la chaleur induit une augmentation de la conductance stomatique par une
augmentation du taux de transpiration, malgré la diminution du potentiel hydrique de la feuille
à haute température (Verma et al., 2020). La réduction de la fixation du carbone et
33
l'augmentation du taux d'oxygène qui en résulte entraînent le stress oxydatif via la production
des Reactive Oxygen Species (ROS). Plusieurs études ont mis en évidence l'impact négatif des
vagues de chaleur pendant la phase reproductrice, identifiée comme une période critique
pour l’élaboration du rendement et de la qualité des produits récoltés de plusieurs grandes
cultures (Bita and Gerats, 2013; Deryng et al., 2014; Kourani et al., 2022; Kutcher et al., 2010;
Wheeler et al., 2000; Young et al., 2004). Enfin, les températures élevées pendant le
développement des graines peuvent causer des défauts de remplissage et maturation
(Angadi et al., 2000; Habekotté, 1993), en impactant potentiellement le poids des graines et
les critères de qualité associés aux produits récoltés (i.e. amidon, protéines, lipides).
Impacts à l’échelle moléculaire
Les changements de température de l’air sont détectés par les végétaux grâce à un ensemble
complexe de capteurs positionnés dans divers organes et compartiments cellulaires
(Hasanuzzaman et al., 2013; Wahid et al., 2007). L'augmentation de la fluidité de la membrane
cellulaire conduit à l'activation de cascades de signalisation impliquant des acides gras (AG), à
une affluence accrue de Ca2+ et à une réorganisation du cytosquelette. La signalisation entre
les différentes voies conduit à la production d'osmolytes et d'antioxydants en réponse
au stress thermique (Bita and Gerats, 2013). Tel que d’autres stress abiotiques, le stress
thermique induit des mécanismes de réponse au stress qui incluent principalement la
modulation des niveaux d'hormones (ABA, GA3, JA, SA) et d’autres métabolites tels que les
Heat Shock Proteins (HSP), les ROS et les antioxydants (Wahid et al., 2007). Le stress
thermique induit également des réponses « omiques » (transcriptome, protéome et
métabolome), qui impliquent l’ADN, l’ARN, des enzymes, etc (Figure 5).
La compréhension des mécanismes moléculaires impliqués dans la réponse des plantes au

stress thermique s’avère essentielle pour soutenir les approches conventionnelles de
sélection végétale reposant sur une variabilité génétique naturelle (Janni et al., 2020).
Néanmoins, cette variabilité génétique naturelle s’est fortement réduite au fil des programmes
de sélection ayant visé l’amélioration de caractères d’intérêt (Esquinas-Alcázar, 2005). Face à
ce constat, la mise en évidence d’une variabilité induite de l’expression de gènes associés à
des modifications transitoires de leur conformation laisse envisager de nouvelles voies
d’améliorations possibles. Ces modifications peuvent être induites par l’environnement et
contribuent potentiellement à un effet mémoire du stress parfois bénéfique, permettant aux
plantes de résister au cours de leur cycle et/ou de transmettre cette capacité à leur
descendance. Ce sujet sera abordé en détails dans le sous-chapitre sur la mémoire du stress.
34
Conséquences sur la conduite des cultures
En plus des impacts morphologiques, physiologiques et moléculaires qui peuvent conduire à

des pertes de rendement et de qualité (Figure 5), la fréquence accrue des vagues de chaleur
peut être un corolaire à d’autres stress biotiques et abiotiques, e.g. induire le stress
hydrique, favoriser la prolifération de pathogènes et ravageurs par la hausse des températures,
ou encore modifier les itinéraires techniques des cultures. Par ailleurs, les espèces qui ont une
floraison précoce, sont d’autant plus sensibles aux températures élevées printanières
(Wolkovich et al., 2012). Enfin, il est important de souligner que les pratiques culturales
sont aussi un levier pour protéger les cultures du stress thermique ou de les rendre plus
résistantes. Concernant les pratiques envisageables, les solutions les plus répandues sont :
l’adaptation des itinéraires techniques (dates de semis et récolte), l’adoption de nouveaux
itinéraires techniques (rotation, cultures associées), utilisation d’outils d’aide à la décision, le
prétraitement des semences, la fertilisation raisonnée, l'application des promoteurs et/ou
régulateurs de la croissance végétale, la gestion des apports d'eau et la conservation de
l'humidité du sol (Ali et al., 2020; Bakhshi, 2021; Hassan et al., 2021; Yadav et al., 2022).
Figure 5 : Schéma simplifié des impacts du stress thermique sur les végétaux, en considérant
les aspects morphologiques, physiologiques et moléculaires. Basé sur des synthèses de la
littérature (Ali et al., 2020; Hassan et al., 2021; Verma et al., 2020; Wahid et al., 2007).
35
1.1.4. Les stratégies de réponse des végétaux au stress thermique
Tel que présenté, le stress arrivant en début du stade végétatif des cultures impacte
principalement la croissance des organes, la biomasse totale et des feuilles, affecte les
processus impliqués dans la photosynthèse et augmente la production des ROS. L’exposition
au stress thermique lors de la phase reproductrice impacte principalement le rendement et la
qualité grainière. La réponse des plantes au stress thermique varie en fonction de l’espèce/la
variété et des stades de croissance qui subissent le stress (Aksouh et al., 2001; Bita and Gerats,
2013; Liu et al., 2021a), mais également en fonction des caractéristiques intrinsèques des
évènements stressants (i.e. période, durée, fréquence et intensité). La survie des plantes
exposées au stress thermique dépend de leur capacité à percevoir le stimulus chaud, à générer
et à transmettre des signaux, et ainsi mettre en place des réponses morpho-anatomiques,
physiologiques et moléculaires appropriées (Bita and Gerats, 2013; Verma et al., 2020).
Le concept de thermotolérance
Face à un stress, les plantes périssent ou résistent (Figure 6). Tel qu’illustré pour Arabidopsis
thaliana sous stress hydrique (Verslues and Juenger, 2011), la résistance est mise en place
par des mécanismes d’échappement (« escape »), d’évitement (« avoidance ») ou de
tolérance du stress, avec des ajustements à plusieurs niveaux métaboliques. L’échappement
fait référence aux plantes qui ajustent leur cycle de vie pour éviter le stress, en induisant par
exemple une germination plus rapide et/ou une floraison précoce pour achever la maturation
avant des pics thermiques de fin de saison ; tandis que l’évitement est une réaction
intermédiaire qui consiste à la mobilisation des ressources pour résister au stress tout en
maintenant l'activité métabolique (Verslues and Juenger, 2011). Enfin, on parlera de
thermotolérance pour ce qui concerne la tolérance au stress thermique.
La thermotolérance désigne la capacité des plantes à résister à des températures élevées en

mobilisant la plupart de ses ressources métaboliques (Vierling, 1991; Wahid et al., 2007). Cette
stratégie semble être un résultat de la réparation des composants sensibles à la chaleur et de
la prévention de nouvelles lésions, dans l’objectif de maintenir l'homéostasie métabolique
même pendant l’exposition au stress (Bita and Gerats, 2013). La tolérance à la chaleur est un
caractère multigénique chez les plantes et il existe une variabilité génotypique (i.e. certains
génotypes étant plus tolérants au stress thermique que d’autres), ce qui implique donc de
nombreux processus métaboliques. Ainsi, les plantes peuvent faire face au stress thermique
en utilisant deux stratégies décrites par Bokszczanin et al. (2013), à savoir (i) la
thermotolérance basale, qui est une capacité de tolérance inhérente à la plante ; et/ou (ii)
la thermotolérance acquise, qui est induite par une sensibilisation préliminaire à des
36
températures élevées (mais non létales). Le concept de thermotolérance acquise repose sur
la théorie que la réponse au stress thermique est un processus qui peut être stimulé par une
exposition préalable à un traitement chaud pour déclencher la signalisation et, par conséquent,
conditionner une réponse plus performante des plantes face à un stress thermique ultérieur
plus intense (Bokszczanin et al., 2013). Cette tolérance peut également être induite par une
augmentation progressive de la température jusqu'à des niveaux létaux, en reproduisant
certaines tendances observées sous conditions naturelles, tel que démontré par Vierling
(1991). Des résultats sur l’espèce modèle Arabidopsis thaliana ont mis en évidence que, en
plus de la synthèse de HSP (e.g. HSP32 et HSP101), les voies hormonales (ABA, SA) et ROS
semblent être également impliquées dans le développement et le maintien de la
thermotolérance acquise (Charng et al., 2006; Larkindale and Huang, 2005; Vierling, 1991).
Acclimatation, acclimatisation et adaptation
Si les plantes sont capables de résister à la chaleur par la mise en place des mécanismes
d’évitement, d’échappement et/ou de tolérance, on parlera donc d’« acclimatation »,
d’« acclimatisation » ou d’« adaptation » (Figure 6), qui sont des concepts basées sur plusieurs
mécanismes de la réponse des plantes au stress thermique avec des effets plus ou moins
durables (Smith and Dukes, 2013). Ces mécanismes de réponse au stress sont déjà bien
documentés dans la littérature (Bita and Gerats, 2013; Chaudhary et al., 2020; Hassan et al.,
2021; Jha et al., 2014; Peer et al., 2020; Sung et al., 2003; Verma et al., 2020; Wahid et al.,
2007). Les voies métaboliques impliquées dans la réponse au stress incluent des processus à
plusieurs échelles (morpho-anatomiques, physiologiques, moléculaires) tels que la
modification de l'orientation des feuilles, la régulation thermique via la transpiration, le
maintien de la stabilité des membranes, l'accélération de la transcription des gènes codant des
HSP, la production de phytohormones tels que l'ABA et le SA, ainsi que la production
d'antioxydants en réponse au stress oxydatif induit par la production accrue des ROS face au
stress thermique (Wahid et al., 2007). En outre, ces mécanismes incluent des facteurs
impliqués dans les cascades de signalisation tels que les transporteurs d'ions, les protéines
(notamment les mitogen-activated protein kinases [MAPK] et les calcium-dependent protein
kinases [CDPK], Wahid et al., 2007), les osmoprotecteurs et les antioxydants, ainsi que
l'activation transcriptionnelle des gènes.
Ainsi, le terme « acclimatation » est utilisé pour les ajustements physiologiques, structurels
ou biochimiques d'une plante individuelle en réponse à un stress environnemental induit
expérimentalement, et ces mécanismes de réponse sont mis en place à court terme (Smith
and Dukes, 2013). La définition de terme « acclimatisation » est similaire, à la différence
37
que le stress est le résultat de changements naturels dans les conditions environnementales.
Ces deux réponses de court-terme ont l’objectif principal de compenser les altérations
biochimiques et physiologiques induites par le stress pour rétablir la stabilité métabolique
rapidement. Le terme « adaptation » concerne des modifications sur plusieurs générations
en réponse à un stress environnemental qui agit sur le long terme, en étant le résultat de la
sélection naturelle sur des traits variables et génétiquement héritables. Cette stratégie implique
généralement des régulations transcriptomiques, métabolomiques, et/ou protéomiques
associées au processus de détection, de signalisation et de régulation de la réponse au stress
thermique pour assurer la survie (Bokszczanin et al., 2013; Sung et al., 2003). La capacité de
synthétiser des métabolites et de moduler l'expression génique induits par la chaleur peuvent
améliorer considérablement l’adaptation des plantes aux stress thermiques au long terme.
Figure 6 : Schéma simplifié des concepts liés à la résistance des plantes face au stress
thermique. Basé sur des concepts de la littérature (Smith and Dukes, 2013; Verslues and
Juenger, 2011; Vierling, 1991).
38
1.1.5. Réflexion : quels impacts des stress thermiques répétés ?
Plusieurs études en conditions contrôlées et/ou par la modélisation des cultures ont été
menées dans l’objectif de mimer des conditions de stress thermique au champ, en considérant
les projections climatiques des prochaines décennies. Cependant, il a été démontré que les
effets de la chaleur sur les plantes sont potentiellement encore plus importants que les
résultats observés sous serres ou par les prévisions réalisées par des modèles, car ces
expériences en général sous-estiment l'ampleur de la réponse des plantes aux
variations interannuelles de température, notamment en ce qui concerne les avancées dans le
calendrier de la floraison (Wolkovich et al., 2012).
Le défi repose donc sur le fait que les dispositifs expérimentaux ne permettent pas de
représenter exactement la complexité des conditions au champs, ni de mesurer la complexité
des effets du stress thermique, et ce en raison des caractéristiques intrinsèques à ces
événements de stress et les interactions entre plusieurs facteurs biotiques et abiotiques. Ce
constat met en évidence les besoins de (i) améliorer les protocoles de stress afin
d’appliquer des séquences de stress thermiques plus réalistes (e.g. événements de plus
courtes durées) ; (ii) comparer les résultats expérimentaux sous conditions contrôlées avec
les observations au champ, pour vérifier si les tendances observées sont cohérentes ; et (iii)
comparer les observations réelles avec les résultats des simulations des modèles,
pour évaluer leur capacité prédictive. Ainsi, les expérimentations in planta et in silico sont
complémentaires pour bien comprendre les effets des stress répétés sur les végétaux.
Contexte agroclimatique : Points à retenir

- L’augmentation de la fréquence des vagues de chaleur expose les végétaux à des stress
thermiques répétés au cours de leur cycle et/ou au fil des générations.
- Le stress thermique chaud chez les végétaux est souvent défini comme l'augmentation de la
température au-delà d'un niveau seuil pendant une période suffisante pour impacter la
croissance et le développement des plantes, les effets étant ainsi dépendants des conditions
pédoclimatiques, de l’espèce/la variété et du stade physiologique lors de l’exposition au stress.
- La phase reproductrice a été identifiée comme une période critique pour l’élaboration du
rendement et de la qualité des produits récoltés de plusieurs grandes cultures.
- Face à un stress, les plantes périssent ou résistent. Le fait de résister au stress indique que
les végétaux ont mis en place des mécanismes morpho-anatomiques, physiologiques et/ou
moléculaires pour répondre au stress. La durée de l’effet de ces mécanismes (court ou long
terme) indique si la plante est capable de « s’acclimater », « s’acclimatiser » ou « s’adapter ».
39
1.2. La mémoire du stress
1.2.1. Définition du concept
Les végétaux sont exposés à de nombreux stress biotiques et abiotiques pendant leur cycle,
et sont donc potentiellement soumis à des stress répétés plus ou moins intenses (i.e. des
stress de même nature mais avec différentes intensités, qui surviennent successivement). La
contribution de la mémoire du stress dans la capacité d’acclimatation, d’aclimatisation ou
d’adaptation des cultures repose sur l’hypothèse qu’une exposition préalable à un stress
modéré peut induire une réponse différente des plantes face à un événement
stressant postérieur, celui-ci étant éventuellement plus intense. Cette réponse différente
peut avoir un caractère bénéfique si l’exposition préalable à un stress modéré induit une
sensibilisation qui favorise une réponse au stress postérieur plus performante, i.e. plus rapide,
précoce, intense et/ou sensible (Lämke and Bäurle, 2017). Dans ce cas, le premier stress a eu
un effet préparatoire (« priming ») qui peut être un levier à explorer pour le développement
de la thermotolérance acquise chez les végétaux. A l’inverse, dans certains cas, l'effet d'un
stress précoce peut amplifier les effets négatifs d'un stress postérieur, la mémoire du stress
ayant ainsi un caractère pénalisant.
En biologie végétale, le concept de mémoire du stress bénéfique a été initialement développé

pour décrire des stratégies de défense des plantes suite à des stress biotiques, tels que les
attaques des pathogènes ou d’herbivores (Dowen et al., 2012; Frost et al., 2008; Pastor et al.,
2013). Ensuite, le concept a été utilisé pour décrire les réponses des plantes aux stress
abiotiques récurrents, notamment la réponse des plantes à des stress hydriques pendant leur
cycle de culture (Crisp et al., 2016; Kinoshita and Seki, 2014; Lämke and Bäurle, 2017). De
façon générale, la mémoire du stress (« stress memory ») chez les végétaux est un
phénomène complexe qui s’oppose à la réinitialisation (« resetting » ou
« reprogramming »), au cours de laquelle la plante efface les signaux métaboliques induits par
la première exposition au stress, ce qui est normalement observé puisque la plante n’a pas
d’intérêt à mémoriser des informations induites par un stress aléatoire (Figure 7). Le
phénomène de mémoire est caractérisé par une période variable de récupération (de quelques
heures à quelques jours) après la première exposition au stress, temps au cours duquel la
plante maintient les mécanismes de réponse déclenchés suite au premier stress (memory) ou
réinitialise son statut (reset), ceci en mettant en balance les investissements énergétiques et
métaboliques respectifs de ces deux stratégies. Le concept de mémoire bénéfique repose sur
40
le fait que les plantes gardent une mémoire lors de la période de récupération, leur permettant
de répondre plus efficacement à des évènements stressants postérieurs (Figure 7).
Cet effet mémoire met en jeu des modifications métaboliques, transcriptionnelles

et/ou épigénétiques. On parlera de mémoire intragénérationnelle lorsque ces
modifications perdurent au cours du cycle de culture. En considérant le contexte agro-
environnemental où les variations de rendement interannuelles des principales grandes
cultures résultent principalement de la variabilité climatique, l’acquisition d’une capacité à
s’acclimater et/ou s’adapter à des conditions de stress abiotiques répétés est non seulement
importante à l’échelle du cycle de culture, mais aussi sur plusieurs générations. Ainsi, on
parlera de mémoire intergénérationnelle ou transgénérationnelle si les modifications
sont observées sur une ou plusieurs générations consécutives. On distingue la mémoire
intergénérationnelle et transgénérationnelle par la durée des effets de la mémoire du stress
aux générations suivantes. En effet, la mémoire intergénérationnelle est observée lorsque
seule la première génération sans stress a un effet de mémoire détectable. Au contraire, la
mémoire transgénérationnelle est détectable après au moins deux générations sans stress, et
implique probablement des processus épigénétiques (Lämke and Bäurle, 2017). La durée de
la persistance de cet effet mémoire (au cours d’un cycle ou sur plusieurs générations) tend à
employer les termes d’acclimatation si durée courte, ou d’adaptation si durée longue (Smith
and Dukes, 2013).
Figure 7 : Illustration de l’acquisition de la mémoire du stress bénéfique suite à une période

de récupération après le premier événement stressant (stress hydrique, Crisp et al., 2016).
41
1.2.2. Effets de la mémoire pendant le cycle de culture
En ce qui concerne les réponses des plantes à des stress répétés au cours de leur cycle (i.e.
mémoire intragénérationnelle), le concept de mémoire bénéfique a illustré principalement
les réponses adaptatives à des stress abiotiques, notamment des stress thermiques, hydriques
et lumineux (Liu et al., 2021a). Même si plusieurs travaux ont cherché à comprendre ces effets
par des approches moléculaires, les travaux qui démontrent ces effets sur le rendement et la
qualité des récoltes des espèces cultivées restent encore peu nombreux. Le Tableau 1 présente
la liste des principales publications sur la mémoire intragénérationnelle des stress thermiques
et hydriques, en mettant l'accent sur la découverte des traits moléculaires impliqués dans
l’acquisition de la mémoire et les effets sur des variables d’intérêt agronomique (i.e.
rendement, qualité) pour des grandes cultures et des espèces modèles.
Tel que présenté dans le Tableau 1, les effets de la mémoire intragénérationnelle sur les
variables d’intérêt agronomique sont principalement décrits chez le blé (Fan et al., 2018;
Wang et al., 2011, 2019, 2021b, 2021a). Ces travaux suggèrent qu’un prétraitement à des
températures élevées lors des premiers stades de développement (i.e. élongation de la tige,
enracinement et anthèse) peut améliorer la capacité des plantes à faire face à des stress plus
sévères à des stades ultérieurs (i.e. remplissage du grain, qui conditionne davantage le
rendement et la qualité). Cet effet bénéfique de la mémoire du stress a également conduit à
des teneurs en saccharose plus élevées dans les feuilles et une matière sèche aérienne plus
importante que les plantes non soumises au priming, et également une augmentation de la
capacité photosynthétique, de la conductance stomatique et de la teneur en chlorophylle. En
effet, une meilleure tolérance au stress thermique chez le blé semble être liée à l'augmentation
des activités des enzymes antioxydantes et à la réduction des ROS (Fan et al., 2018). Une
autre étude sur le blé a mis en évidence que les plantes soumise à une période chaude avant
l'anthèse voient leurs activités photosynthétiques et enzymatiques antioxydantes augmenter,
ce qui permet d’améliorer leur réponse à un stress postérieur (Wang et al., 2011).
Les travaux conduits sur l’espèce modèle des brassicacées Arabidopsis thaliana apportent des
caractérisations moléculaires telles que l’étude des protéines BRU1, HSA32 et CSN5A
(Brzezinka et al., 2019; Ding et al., 2012; Singh et al., 2021; Song et al., 2021). Chez le colza,
de nombreux travaux sur les effets du stress thermique sur le rendement et qualité grainière
ont été conduits (Aksouh-Harradj et al., 2006; Angadi et al., 2000; Baux et al., 2013; Brunel-
Muguet et al., 2015b; Gauthier et al., 2017; Huang et al., 2019; Koscielny et al., 2018; Kutcher
et al., 2010). Néanmoins, ils sont davantage centrés sur les effets d’un épisode de stress
soutenu et aucun ne s’est encore intéressé à l’effet mémoire de stress thermiques répétés.
42
Tableau 1 : Principaux effets de la mémoire intragénérationnelle des stress thermique et hydrique. D’après Liu et al. (2021a).
Espèce Résultats sur la mémoire intragénérationnelle du stress thermique Références

La protéine de chromatine BRU1 est requise pour la mémoire du stress thermique et pour maintenir l'induction transcriptionnelle de la protéine
Brzezinka et al., 2019
HSA32
La protéine Constitutive Photomorphogenesis 5A (CSN5A) participe de la régulation de la méthylation des histones et la mémoire
Singh et al., 2021
Arabidopsis transcriptionnelle du stress après un stress thermique récurrent
(Arabidopsis thaliana L.) Les histones H3K4 méthyltransférases SDG25 et ATX1 sont nécessaires au maintien de l'expression des gènes sensibles au stress pendant la
Song et al., 2021
récupération
Modification des voies énergétiques et augmentation de la production d'acides aminés à chaîne ramifiée, des RFO, de produits de la lipolyse
Serrano et al., 2019
et de tocophérols
Atténuation de la perte de rendement en grains, augmentation de la teneur en saccharose et de la capacité photosynthétique, réduction des
Fan et al., 2018
Bread wheat ROS
(Triticum aestivum L.)
Le priming avant l’anthèse atténue les dommages photosynthétiques et oxydatifs du stress thermique post-anthèse dans la feuille étendard Wang et al., 2011
Tall fescue
Le gène FaHSP17.8-CII contribue à réduire l'accumulation de ROS et à prévenir la dégénérescence de la structure des chloroplastes Bi et al., 2021
(Festuca arundinacea L.)
Tomato
Plus sensible au stress combiné qu'au stress individuel. Le priming augmente l'évaporation et réduit la température des feuilles Zhou et al., 2020
(Solanum lycopersicum L.)
White mustard La thermoprotection induite par la pulvérisation de SA ou par la chaleur peut être obtenue par une voie de transduction du signal commune
Dat et al., 1998
(Brassica alba L.) impliquant une augmentation précoce de H2O2
Autres exemples – Stress hydrique
Arabidopsis Mémoire transcriptionnelle du stress qui se manifeste par des niveaux élevés de transcription d'un sous-ensemble de gènes de réponse au
Ding et al., 2012
(Arabidopsis thaliana L.) stress (gènes entraînables)
Le priming favorise la croissance des racines et l'accumulation de la biomasse, et augmente les niveaux de proline et de glycine-bétaïne Wang et al., 2021a
Bread wheat L'ABA et le H2O2 sont nécessaires pour la tolérance au stress hydrique induite par le priming au moment du remplissage des grains Wang et al., 2021b
(Triticum aestivum L.)
Réduction des pertes de rendement en grains, longueur maximale des racines plus élevée, et potentiel osmotique plus faible lié à des teneurs
Wang et al., 2019
plus élevées en proline et en saccharose dans les feuilles
Cowpea
Le priming augmente le rendement en grains et l’efficacité d’utilisation de l’eau. Niveaux d'ABA plus faibles et d'IAA plus élevés dans les feuilles Tankari et al., 2021
(Vigna unguiculata L.)
Maize La réponse transcriptionnelle des gènes répondant aux stress répétés est plus complexe qui celle suite à un stress unique, ce qui suggère que
Ding et al., 2014
(Zea mays L.) la mémoire est un résultat de réponses coordonnées de multiples voies de signalisation
Soybean Plus de 1000 gènes présentent une expression significativement modifiée dans les plantes soumises au priming par rapport à un stress
Kim et al., 2020
(Glycine max L.) individuel
43
1.2.3. Effets de la mémoire au cours des générations
Le concept de mémoire du stress transmise à la descendance (i.e. mémoire

intergénérationnelle ou transgénérationnelle) a été également développé
principalement pour décrire des réponses adaptatives des cultures à des stress abiotiques (Liu
et al., 2021a). Le Tableau 2 présente la liste des principales observations moléculaires et
agronomiques sur la mémoire inter/transgénérationnelle des stress thermiques et hydriques.
Comme présenté ultérieurement pour les effets de la mémoire intragénérationnelle, parmi les
espèces cultivées, le blé est également l’espèce la plus étudiée concernant les effets des
stress répétés au cours de plusieurs générations. En effet, il a été démontré que l’exposition
des plantes mères au stress thermique a une influence bénéfique sur la descendance en termes
de teneur en chlorophylle, poids des grains, nombre de grains et leur teneur totale en amidon
(Liu et al., 2021b). En comparaison avec les réponses au stress thermique de la descendance
des plantes mères qui n’ont pas été exposées à un stress, la descendance des plantes mères
stressées présentait un rendement en grains, une photosynthèse foliaire et les activités
d'enzymes antioxydantes plus élevés, ainsi que des dommages à la membrane cellulaire plus
faibles (Wang et al., 2016). De plus, leurs gènes cibles ont montré une expression différentielle
en fonction du traitement parental et de la descendance (Liu et al., 2021b), ce qui laisse
envisager des applications de protocoles thermo-sensibilisants reposant sur la mémoire inter-
ou transgénérationnelle pour améliorer les performances du blé.
Quelques exemples de la mémoire inter- ou transgénérationnelle peuvent également être cités

pour les brassicacées, notamment pour l’espèce modèle Arabidopsis thaliana (Groot et al.,
2017; Liu et al., 2019a; Migicovsky et al., 2014; Suter and Widmer, 2013; Whittle et al., 2009;
Yadav et al., 2020). Au-delà des traits moléculaires, plusieurs travaux ont mis en évidence une
accélération de la floraison de la descendance des plantes soumises au stress thermique (Groot
et al., 2017; Migicovsky et al., 2014), même si cet effet semble être transitoire et réversible
puisqu’il se perd au cours des générations (Suter and Widmer, 2013). Chez le colza, une étude
sur les effets du stress hydrique a démontré que, si la sécheresse impacte négativement le
rendement et la qualité des graines des plantes mères stressées, leur vigueur germinative est
meilleure que celle des graines issues de plantes mères non stressées (Hatzig et al., 2018).
Les teneurs en protéines et en huile des graines, ainsi que la composition en acides gras, ont
été fortement impactées par les traitements de stress hydrique (Hatzig et al., 2018), avec une
diminution significative de la teneur en huile des graines impliquant une augmentation
significative de la teneur en protéines, ainsi qu’une une modification du profil d’acides gras en
défaveur des AG polyinsaturés.
44
Tableau 2 : Principaux effets de la mémoire inter- ou transgénérationnelle des stress thermique et hydrique. D’après Liu et al. (2021a).
Espèce Résultats sur la mémoire inter- ou transgénérationnelle du stress thermique Références

Les plantes issues des parents stressés présentent des feuilles plus grandes et leur montaison a été accélérée Migicovsky et al., 2014
Le priming induit un post-transcriptional gene silencing (PTGS) qui s'est maintenu sur trois générations Liu et al., 2019a
Les plantes issues de plusieurs générations de plantes stressées thermiquement présentent des signes d’une mémoire du stress
Yadav et al., 2020
Arabidopsis en termes de résilience aux échelles phénologique, génétique et épigénétique
(Arabidopsis thaliana L.)
Le priming conduit à une augmentation significative de la production de graines des générations ultérieures exposées au stress Whittle et al., 2009
Les effets parentaux (n-1) sont prépondérants sur les effets « grand-parentaux » (n-2) pour tous les caractères, sauf la biomasse
Groot et al., 2017
des parties reproductives. La floraison a été accélérée
L'accélération de la floraison observée était transitoire et réversible, car elle n'était pas exprimée dans la deuxième génération sans
Suter and Widmer, 2013
stress thermique
Bread wheat Les plantes issues des parents stressés ont un meilleur rendement en grains, une photosynthèse et des activités enzymatiques
Wang et al., 2016
(Triticum aestivum L.) antioxydantes plus élevées, ainsi que des dommages sur les membranes cellulaires plus faibles
Durum wheat Les plantes issues des parents stressés ont des meilleurs traits physiologiques foliaires, ainsi qu’un meilleur rendement et qualité
Liu et al., 2021b
(Triticum turgidum durum L.) grainière, même pour un génotype initialement peu thermotolérant
Les plantes issues des parents stressés présentent des changements dans l'expression de fragments d'ARN non codants Byeon et al., 2019
Field mustard
(Brassica rapa L.) Les plantes issues des parents stressés présentent les plus fortes fluctuations des niveaux de smRNA, mais peu de fluctuations du
Bilichak et al., 2015
transcriptome
Soybean L’exposition parentale au stress thermique pendant le remplissage des gousses a diminué la capacité germinative des graines de
Alsajri et al., 2022
(Glycine max L.) la descendance
Autres exemples – Stress hydrique
Bread wheat Le stress appliqué sur les plantes mères améliore le taux de photosynthèse, le statut hydrique des feuilles, les niveaux d'enzymes
Wang et al., 2018
(Triticum aestivum L.) antioxydants et le rendement en grains
Durum wheat Les plantes issues des parents stressés ont des meilleurs traits physiologiques foliaires, ainsi qu’un meilleur rendement et qualité
Liu et al., 2021c
(Triticum turgidum durum L.) grainière, même pour un génotype initialement peu thermotolérant
Oilseed rape
Le priming parental entraîne une diminution de la qualité nutritionnelle des graines, mais augment leur vigueur au semis Hatzig et al., 2018
(Brassica napus L.)
Peanut
Les effets intergénérationnels du stress sont dépendants des génotypes Racette et al., 2019
(Arachis hypogaea L.)
Sunflower
Les cinétiques de germination sont plus rapides en conditions de stress hydrique pour les graines issues de plantes mères stressées Vancostenoble et al., 2022
(Helianthus annuus L.)
Les plantes issues des parents stressés présentent une meilleure tolérance au stress, i.e. moins de dommages cellulaires et
Zheng et al., 2017
Rice augmentation des enzymes antioxydantes
(Oryza sativa L.) Les effets mémoire transgénérationnelle n'ont pas permis d'atténuer les défaut de stérilité des épillets chez les espèces tolérantes
Shi et al., 2016
et sensibles
45
1.2.4. Les mécanismes d’acquisition de la mémoire du stress
La diversité et la complexité des travaux sur la mémoire du stress listés ultérieurement mettent
en évidence la multitude des mécanismes sous-jacents à l’acquisition de la mémoire du stress
chez les végétaux (Figure 8). Les principaux mécanismes de la mémoire sont les suivants :
(i) Le stockage de signaux métaboliques non dégradés après la première exposition

au stress. Cela comprend le piégeage des ROS, la stabilisation des membranes, la production
de métabolites et la coordination des cascades de signalisation. Plusieurs études suggèrent
que la mémoire du stress est étroitement liée à des changements dans la capacité
antioxydante, les modifications biochimiques et les voies hormonales (Dat et al., 1998; Fan et
al., 2018; Sun et al., 2019; Wang et al., 2011, 2021b).
(ii) La stabilité de protéines « signal ». Par exemple, la protéine régulatrice de la

chromatine BRUSHY1 (BRU1) assure la transmission de la structure de la chromatine après
l'exposition au stress et soutient l'induction transcriptionnelle des gènes sensibles au stress
thermique (Brzezinka et al., 2019). De plus, Liu et al. (2019) ont démontré que le Heat Shock
Transcription Factor A2 (HSFA2), induit par la chaleur, active directement la H3K27me3
Demethylase Relative of Early Flowering 6 (REF6), qui à son tour favorise l’expression de
HSFA2. REF6 and HSFA2 établissent ainsi une boucle de rétroaction héréditaire, et activent
une ubiquitine ligase impliquée dans les marques épigénétiques.
(iii) Des pauses transcriptionnelles par la ARN Polymérase II. Ding et al. (2012) ont
démontré que la ARN Polymérase II reste bloquée au niveau des gènes de mémoire du stress
hydrique pendant la période de récupération du stress. Cette mémoire du stress a conduit à
des niveaux supérieurs de la teneur en eau relative des feuilles lors des stress subséquents.
(iv) Des régulations épigénétiques. Ces régulations épigénétiques décrivent des

modifications héritables (par mitose ou par méiose) de l’expression des gènes, sans
modifications de leur séquence nucléotidique (Baulcombe and Dean, 2014; Bokszczanin et al.,
2013; Conrath et al., 2015; Crisp et al., 2016). Selon la nature de ces marques épigénétiques,
la transmission de la mémoire est possible à l’échelle d’un cycle de culture (mémoire
intragénérationelle, par mitoses ; appelée aussi mémoire somatique) ou aux générations
suivantes (mémoire inter- ou transgénérationelle, par méioses) (Crisp et al., 2016; Iwasaki
and Paszkowski, 2014).
Les principales marques épigénétiques sont les suivantes :
 La méthylation de l’ADN : la méthylation des cytosines présentes dans les séquences

d’ADN modifie l’accessibilité aux gènes et par conséquent module leur transcription. Des
46
études sur Arabidopsis thaliana ont montré qu’une augmentation de la méthylation d'ADN
était corrélée à une répression de l'expression des gènes sensibles au stress thermique
pendant la période de récupération (Migicovsky et al., 2014; Song et al., 2021).
 Les modifications post transcriptionnelles (PTMs) des histones : ces

modifications consistent en des méthylations, phosphorylations, acétylations,
ubiquitylations, (…) de la chromatine qui vont modifier l’accessibilité aux gènes et
également leur expression. Il a été démontré que la mémoire du stress thermique est
associée à l'accumulation de la méthylation de la lysine 4 de l'histone H3 (H3K4) au niveau
des loci liés à la mémoire du stress, en résultat d’une hyper-induction de l'expression
génétique lors des stress thermiques récurrents (Lämke et al., 2016).
 Les « small RNA » : les smRNA sont de petits ARN non codants qui modulent
l'expression des gènes par un phénomène de gene silencing (Duempelmann et al., 2020).
Chez Brassica rapa, la contribution des smRNA à la mémoire intergénérationnelle du stress
thermique a été mise en évidence en séquençant le transcriptome dans les tissus
somatiques et reproducteurs des plantes parentales stressées et de leur descendance
(Bilichak et al., 2015; Byeon et al., 2019).
Figure 8 : Schéma synthétisant les processus impliqués dans l’acquisition de la mémoire du

stress pendant le cycle de la culture et au cours des générations (Liu et al., 2021a).
47
1.2.5. Réflexion : la mémoire peut-elle être un levier face aux stress répétés ?
Une caractéristique inhérente à la mémoire du stress est que la réponse de la plante à une
succession d’événements stressants ne résulte pas simplement d’une activation
répétée des mêmes voies activées lors de chaque événement stressant. Les
exemples donnés précédemment montrent que cette mémoire peut s’avérer bénéfique, ce qui
laisse envisager des perspectives d’application. Néanmoins, une meilleure connaissance de la
mise en place de ces effets bénéfiques est nécessaire pour utiliser la mémoire de stress comme
levier d’acclimatisation pour maintenir voire améliorer les performances des cultures dans un
contexte d’augmentation de la fréquence des vagues de chaleur.
Une des pistes en plein essor concerne la compréhension des régulations épigénétiques qui
contribuent à cet effet mémoire. Dans la perspective d’exploiter ces régulations
épigénétiques comme marqueurs de sélection, la compréhension de ces mécanismes et
la caractérisation de leur transmissibilité est un nouvel enjeu des programmes de sélection.
Ces analyses sont complétées par des approches « omiques », qui permettent d'identifier les
gènes, les protéines et les voies métaboliques impliquées dans la mémoire du stress.
Cependant, si ces analyses couplées font l’objet de nombreux travaux, le lien avec les effets à
l’échelle de la plante et sur des variables d’intérêt agronomique est encore peu étudié.
Néanmoins, les travaux sur la mémoire du stress montrent que les effets mémoire dépendent
étroitement de la nature, de l'intensité, de la durée du stress, ainsi que du stade de
développement de la plante au moment de l’apparition de l’événement stressant, et de l'espèce
voire de la variété. Les caractérisations à ces différentes échelles d’analyses peuvent fournir
des pistes d’applications reposant sur le priming pour améliorer la réponse des cultures face à
des stress thermiques répétés.
La mémoire du stress : Points à retenir

- La mémoire du stress décrit le phénomène par lequel une exposition préalable à un stress
modéré peut induire une réponse différente face à un événement stressant postérieur (Lämke
and Bäurle, 2017). L’effet mémoire est bénéfique si les plantes sont capables de répondre de
façon plus performante, ou au contraire cet effet est pénalisant si les effets cumulés conduisent
à une amplification des effets négatifs.
- La mémoire intragénérationnelle s’observe à l’échelle du cycle de culture i.e. les informations
générées par le premier stress sont stockées et réutilisées lors d’exposition ultérieure pendant
le cycle de culture, tandis que la mémoire inter- ou transgénérationnelle s’observe sur une ou
plusieurs générations de plantes stressées, et repose principalement sur la transmission de
marques épigénétiques.
48
1.3. La qualité grainière du colza d’hiver
1.3.1. Le colza : origine et aspects agronomiques
Brassica napus L. résulte du croisement interspécifique entre la navette (Brassica rapa L.) et
le chou (Brassica oleracea L.), et présente une diversité génétique qui inclut principalement
des colzas de type oléagineux (hiver ou printemps), des colzas fourragers (hiver ou printemps)
et des légumes (le rutabaga, le chou kale). Les colzas fourragers sont génétiquement distants
des colzas oléagineux. Les cultivars de colza oléagineux sont classés en types hiver
ou printemps selon leur besoin de vernalisation pour induire la floraison (Hasan et
al., 2006) et, par conséquent, leur aire de répartition géographique (majoritairement Europe
de l’Ouest pour le type hiver, et Europe de l’Est, Asie, Canada et Australie pour le type
printemps).
Dans cette thèse, nous avons conduit les expérimentations sur le colza oléagineux d’hiver, qui
est le plus répandu en Europe et en France. Dans les années 1970, les travaux de sélection
conduits ont abouti à la production de variétés « double zéro (00) » ayant moins d’acide
érucique et de glucosinolates, deux composés nocifs pour la santé humaine et antinutritionnels
pour l’alimentation animale respectivement. Ces améliorations ont largement contribué à
promouvoir cette culture en Europe et à diversifier les débouchés industriels. Les aspects
économiques de la production du colza sont présentés sous forme d’une fiche (Annexe 1).
Cycle de culture
La culture du colza d’hiver débute par un semis en septembre/octobre et s’achève à maturité

physiologique des graines en juin/juillet. Ce cycle long de plusieurs mois se répartit en une
phase végétative et une phase reproductrice (Figure 9). La phase végétative commence par
la germination‐levée, et est suivie d’une phase de croissance lente (i.e. production de biomasse
aérienne faible) jusqu’au stade de 4‐5 feuilles. La phase de croissance automnale correspond
au développement de la rosette, pendant laquelle la plante a une forte dynamique d’expansion
de la biomasse aérienne. Ensuite, le colza d’hiver a besoin d’une période de vernalisation et
de journées courtes (typiquement en hiver) pour permettre l’induction de la phase
reproductrice. La reprise de la croissance végétative a lieu à la sortie de l’hiver par la formation
rapide de nouvelles feuilles et est suivie par l’élongation de la tige. Pendant la phase de
montaison, les feuilles commencent à chuter (sénescence séquentielle), ce qui permet
d’assurer la remobilisation de l’azote vers les jeunes organes. Les itinéraires techniques
conventionnels préconisent des apports minéraux (essentiellement d’azote et de soufre) à la
49
sortie d’hiver pour soutenir la production de biomasse. La floraison qui suit marque l’arrêt de
la production de feuilles et le début de la phase reproductrice, pendant laquelle on observe un
phénomène de sénescence monocarpique qui favorise également la remobilisation de l’azote
vers les organes reproducteurs. A ce stade, l’activité photosynthétique est assurée par
l’enveloppe des siliques (péricarpes) afin de couvrir les besoins en carbone de la plante (Jullien
et al., 2011). La floraison se prolonge sur plusieurs mois, avec l’apparition quasi continue de
siliques dès le début de la pollinisation (essentiellement autogame). Enfin, il est important de
souligner que le colza possède une croissance indéterminée, ce qui implique la mise en
place séquentielle des ramifications, puis des siliques et des graines qui ont des âges différents
selon leur position dans la plante. Cette spécificité explique la forte capacité de compensation
observée chez cette culture (Diepenbrock, 2000).
Figure 9 : Illustration des stades de croissance du colza (i.e. growth stages, GS, échelle
BBHC). GS00-GS09 : germination et émergence ; GS10-GS19 : croissance foliaire ; GS30-
GS39 : élongation de la tige ; GS50-GS59 : apparition des inflorescences ; GS60-GS69 :
floraison ; GS70-GS79 : développement de la graine ; GS80-GS89 : maturation ; GS90-GS99 :
senescence (Canola Council of Canada, 2022).
50
1.3.2. Importance de la fertilisation soufrée
Comme pour la plupart des cultures, le colza est une culture exigeante en macroéléments tels
que l’azote (N), le potassium (K) et le phosphore (P). De plus, le soufre (S) est essentiel chez
les Brassicacées, puisqu’il est impliqué dans des nombreuses fonctions métaboliques et
réponses aux stress biotiques et abiotiques. Plusieurs travaux démontrent que des limitations
d’apports en soufre ont un impact négatif sur les composantes du rendement et la qualité des
graines (Brunel-Muguet et al., 2015b; D’Hooghe et al., 2013). Parmi les principales grandes
cultures, le colza présente des besoins en S importants (40 kg de S/ha) par rapport à
d’autres espèces cultivées comme le blé (15-25 kg de S/ha) (Oenema and Postma, 2003). Les
préconisations de Terres Inovia sont de 75 kg/ha de SO3 au début de la montaison, afin de
satisfaire les exigences de croissance et production de la culture. Néanmoins des travaux de
modélisation ont montré que des apports fractionnés permettaient d’ajuster les besoins car les
apports conventionnels peuvent être pléthoriques selon la disponibilité de sulfate (SO42-) dans
les sols (Poisson et al., 2018).
Les plantes peuvent prélever le S présent dans les sols et plus marginalement dans l’air par
absorption foliaire. Les quantités de S atmosphériques ont considérablement diminué
au cours des 40 dernières années suite aux mesures environnementales réglementant les
émissions industrielles (protocoles d’Helsinki, 1985 ; Oslo, 1994 ; Kyoto, 1997), qui ont ainsi
entraîné une réduction des dépôts de S atmosphérique et, par conséquent une oligotrophie
des sols en S. La gestion de la fertilisation soufrée est donc devenue plus importante, en
particulier pour les cultures exigeantes en S comme le colza. Au niveau du sol, le S est
principalement absorbé sous forme minérale (sulfate). Par ailleurs, le remplacement de
certains fertilisants phosphatés et azotés (de type ammonitrate ou superphosphate concentré),
à l’origine riches en S, a aussi conduit à limiter les apports passifs de S. En plus de la réduction
de ces « apports gratuits », le colza est sujet à des pertes en S stockés sous formes de
sulfates dans les feuilles, dues à la sénescence séquentielle ou monocarpique au cours de
son cycle de croissance (Dubousset et al., 2010). Ainsi, malgré ses fortes capacités
d’absorption du sulfate, le colza présente une faible efficience agronomique d’utilisation du S
(i.e. rapport entre la production de graines par quantité d’engrais soufrée apportée) en
condition non limitante (Dubousset et al., 2010).
En raison des facteurs environnementaux ou à des caractéristiques intrinsèques de la culture,

la limitation en S peut arriver tout au long du cycle du colza et causer des effets divers (Figure
10). D’abord, une faible disponibilité en S affecte négativement la vigueur et la capacité
germinative des graines produites, via notamment une chute de la vitesse et du taux de
51
germination (D’Hooghe et al., 2013). Les plantes soumises à des stress nutritionnels sévères
en S dès la phase végétative peuvent développer plusieurs symptômes visibles tout au long
du cycle de culture, tels que le jaunissement du limbe des feuilles les plus jeunes, le
ralentissement de la croissance lors de la montaison, le blanchissement des fleurs lors de la
floraison, et l’avortement de siliques, avec notamment des pertes de rendement.
Au niveau métabolique, le soufre chez le colza intervient dans la synthèse des acides
aminés essentiels (notamment la cystéine et la méthionine), des composés soufrés impliqués
dans les mécanismes de réponse au stress, ainsi que dans la synthèse des vitamines,
d’enzymes et de précurseurs de la synthèse d’hormones (Kopriva et al., 2016). De plus, une
partie importante des protéines des graines sont des protéines de réserves (Seed Storage
Protein, SSP), principalement les crucifèrines (type globuline 12S) qui contiennent peu d’acides
aminés soufrés et les napines (type albumine 2S) riches en cystéine. Par ailleurs, il a été
montré des impacts négatifs de la limitation en soufre au stade reproducteur avec notamment
un changement des profils d’acides gras, résultant à un ratio ω6 :ω3 plus élevé, mais aussi à
des impacts sur la qualité protéique des graines en réduisant l’abondances des SSP riches en
S (les napines) (Brunel-Muguet et al., 2015b).
La combinaison d’une limitation en S et de températures élevées peut ainsi

correspondre à des situations réalistes et pénalisantes sur le rendement et la qualité grainière
chez le colza d’hiver. L’intérêt d’étudier cette combinaison repose non seulement sur
l’implication du S dans la synthèse et la signalisation de phytohormones qui contrôlent la
tolérance au stress (Hasanuzzaman et al., 2018), mais également sur son implication dans
l'acquisition de la mémoire du stress médiée par des régulations épigénétiques (Bokszczanin
et al., 2013). En effet, cette implication probablement repose sur la contribution du soufre
dans la méthylation de l'ADN, par le rôle de la S-adénosylméthionine (SAM) comme donneur
de groupes méthyles -CH3 (Meng et al., 2018), l'un des principaux marqueurs épigénétiques
impliqués dans la mémoire du stress. Par conséquent, l’analyse de la disponibilité en S se
justifie dans le cadre de protocoles visant à mieux comprendre les mécanismes de mémoire
du stress thermique chez le colza.
52
Figure 10 : Modifications physiologiques et métaboliques induites par la limitation en S chez

les végétaux (d'après la thèse de doctorat d'Emilie Poisson, 2018).
1.3.3. Débouchés industriels des graines
Avec une production mondiale de plus de 65 Mt en 2020, le colza occupe la première place
dans les cultures oléo‐protéagineuses produites en Europe (Annexe 1, Terres Univia, 2021).
Son intérêt économique repose sur ses graines très riches en huile (en moyenne 43% de
la composition totale, Figure 11a) et en protéines (en moyenne 19%). Après la récolte, les
graines du colza subissent un processus de trituration permettant de séparer l’huile brute du
tourteau résiduel. L’huile extrait (Figure 11b) est riche en acide gras polyinsaturés, précurseurs
des oméga‐3 et oméga‐6, ainsi qu’un faible ratio ω6:ω3 (d’environ 2:1, inférieur aux
53
recommandations de l’OMS comprises entre 5:1 et 10:1). L’huile de colza est ainsi adaptée
à des usages à la fois alimentaires (huile alimentaire, industrie agroalimentaire) et industrielles
(biocarburants, biolubrifiants, détergents, cosmétiques). Le tourteau (Figure 11c), coproduit
solide issu de l’extraction d’huile, est riche en protéines et principalement utilisé dans
l’alimentation animale. Grâce à sa qualité nutritionnelle, le tourteau de colza a le potentiel de
remplacer le tourteau de soja (dont la production est dépendante des exportations), et ainsi
de contribuer à l’amélioration de la qualité des produits d’origine animale (lait, viande, œufs).
Dans un contexte de demande mondiale croissante en aliments et de vulnérabilité climatique,
le colza représente également une alternative prometteuse aux protéines d’origine animale
(Von Der Haar et al., 2014).
Dans un premier temps, les efforts de sélection se sont principalement concentrés sur la
réduction drastique des teneurs en acide érucique et en glucosinolates dans les graines. Puis,
les programmes ont cherché à augmenter la teneur en lipides des graines, ce qui a permis de
positionner le colza comme une culture oléagineuse majeure pour la filière des huiles
végétales. Par ailleurs, la concentration élevée en huile contribue à l’attribution des prix
supplémentaires payés aux agriculteurs lors du calcul du prix de vente des graines du colza.
Dans l’objectif de créer de la valeur ajoutée, une norme de référence pour les graines a été
mise en place dans les années 90, connue sur le nom de « point d’huile », qui correspond à
un paiement de 1,5% du prix d’achat par l’acheteur final pour chaque point d’huile au-delà de
40% (FOP, 2016). Le 1,5% correspond à la valorisation d’une moyenne historique sur 10 ans
de la différence entre la rémunération de la protéine et de la rémunération de l’huile. En ce
que concerne la rémunération de la teneur en protéines des graines, une nouvelle initiative de
rémunération adaptée a été lancée par Saipol (filiale du groupe Avril) via sa plateforme OleoZE,
mais les résultats du projet ne sont pas encore disponibles (Saipol, 2022).
Figure 11 : Composition standard de la graine (a), de l’huile (b) et du tourteau (c) de colza
(Terres Univia, 2021).
54
1.3.4. Les composantes du rendement et définitions des critères de qualité
L’intérêt des graines de colza ne se limite pas uniquement aux rendement élevés, puisque les
critères de qualité jouent un rôle central selon le débouché visé. La définition des
critères de qualité grainière est plus complexe car ils concernent non seulement la qualité
nutritionnelle (e.g. teneurs en huile et protéines, profils d’acides gras), mais aussi la qualité
physiologique (e.g. vigueur germinative, aptitude à la conservation), technologique (e.g.
aptitude à la pressabilité) et sanitaire (e.g. absence de pathogènes).
Les composantes de rendement
Chez le colza, le nombre de graines est directement lié à la densité en plantes, au nombre de
siliques par plantes et du nombre de graines par silique (Diepenbrock, 2000). Par ailleurs,
plusieurs études ont mis en évidence la dynamique des composantes de rendement (Figure
12), qui se mettent en place séquentiellement au cours du cycle de culture (Corlouer et al.,
2019; Diepenbrock, 2000; Habekotté, 1993; Jullien et al., 2011). La période critique pour la
formation des graines est concomitante à la période de floraison (Habekotté, 1993, 1997a),
qui est également considérée comme la période la plus sensible au stress thermique
(Weymann et al., 2015). Des études de modélisation prédictive ont indiqué que la période de
350 °Cj (Tbase = 0°C) à partir du début de la floraison est particulièrement critique pour la
définition du rendement chez le colza (Habekotté, 1997b).
Figure 12 : Relations entre les composantes de rendement chez le colza (d’après la thèse de
doctorat d’Erwan Corlouer, 2020).
55
Définition de la qualité nutritionnelle
Les huiles représentent un aspect central de la qualité nutritionnelle de nombreuses graines,

grâce à leur utilité en tant que source énergétique et leurs diverses propriétés physico-
chimiques (Bewley et al., 2013). En effet, la qualité nutritionnelle de la graine de colza dépend
étroitement de la quantité et qualité des huiles dans les graines, qui représente environ
40-50% de son poids sec (Figure 11a). Les huiles végétales sont composées d’acides gras
(AG) qui possèdent une chaîne carbonée (entre 12 et 24 atomes de carbones) caractérisée
par la présence éventuelle de doubles liaisons définissant son degré d’insaturation. La
composition de l’huile en AG détermine sa qualité nutritionnelle, ses applications industrielles
et ses propriétés organoleptiques (Aguirrezábal et al., 2015). Pour les variétés double-zéro
(00, Figure 11b), l’huile de colza est principalement composée d’acide oléique (C18:1, ~60%),
linoléique (C18:2, ~20%) et alpha-linolénique (C18:3, ~10%). Les AG linoléique et alpha-
linolénique appartiennent aux groupes essentiels des oméga-6 et oméga-3 respectivement.
Ces AG essentiels ne sont pas synthétisés par les animaux mais sont nécessaires à leur
développement selon un ratio ω6:ω3 faible (compris entre 5:1 et 10:1, d’après les
recommandations de l’OMS). Ainsi, l’huile de colza est reconnue pour sa haute qualité
nutritionnelle car elle est une source équilibrée d’AG essentiels, avec un ratio ω6:ω3 d’environ
2:1. En ce qui concerne les autres applications industrielles comme les lubrifiants et
biocarburants, l’huile de colza est également recherchée car la majorité des AG ont un faible
degré d’insaturation (e.g. acide oléique), ce qui permet d’augmenter la viscosité et les
propriétés de combustion (Ge et al., 2017). La graine du colza possède environ 20% de
protéines (Figure 11a), celles-ci étant majoritairement des protéines de réserves qui sont
une source centrale d’azote, de soufre et de carbone. Ces protéines sont classées en
trois principales familles (i.e. albumines, globulines et prolamines) en fonction de leurs
propriétés de solubilisation. Comme pour les huiles, certains acides aminés sont dits essentiels
dans la mesure où ils nécessaires à leur métabolisme, mais ne sont pas synthétisés par les
animaux. Ainsi, les globulines 12S (cruciférines) et les albumines 2S (napines) sont des sources
de lysine, et les albumines représentent également une source de cystéine et méthionine.
Outre les lipides et protéines, les glucides, bien que moindre dans les graines de colza, jouent
également un rôle important dans la qualité nutritionnelle. L’amidon est le glucide principal
des réserves énergétiques, même si les polysaccharides constituants de la paroi cellulaire
représentent également une fraction importante. Dans les graines d'Arabidopsis thaliana,
l'amidon est accumulé dès la fin de l'embryogenèse et est presque totalement dégradé pendant
la phase de remplissage des graines et l’accumulation d’huile (Baud et al., 2002).
56
Définition de la qualité physiologique
Les graines de colza peuvent être valorisées par différents procédés de transformation du grain
ou en tant qu’organe reproducteur (i.e. semence). La qualité physiologique des semences
recouvre la vigueur germinative, de dormance, de longévité et d’aptitude au stockage. Selon
l’Association Internationale des Essais de Semences (ISTA) et le Groupe d’Etude et de contrôle
des Variétés et des Semences (GEVES), la vigueur est l’ensemble des propriétés de la
semence ou du lot de semences déterminant son niveau d’activité et de développement au
cours de la germination et de la levée des plantules (GEVES, 2016). L’analyse de la vigueur
germinative considère l’ensemble des étapes comprises entre le début de l’imbibition et la
percée des tissus externes de la graine par l’embryon (généralement par sa radicule), ainsi
que le développement des plantules. Ces caractères font objet des essais de germination dans
le but de déterminer le potentiel de germination d’un lot de semences. Ainsi, les essais de
vigueur et les essais de germination sont complémentaires pour déterminer la qualité
physiologique des graines. Selon le GEVES (2014), ces tests incluent les mesures des taux et
de l’homogénéité de germination (vitesse, durée), de croissance des plantules, du potentiel de
levée en conditions défavorables et de l’aptitude au stockage. Le taux et l’homogénéité de la
germination sont des critères physiologiques importants pour l’implantation des cultures.
La dormance et la longévité sont d’autres aspects importants en lien avec la vigueur

germinative. A la différence des graines récalcitrantes qui meurent quand elles se dessèchent,
les graines orthodoxes chez des espèces comme le colza sont « dormantes ». Si cette capacité
est acquise lors de la phase de dessiccation sur la plante mère, on parlera alors de dormance
primaire. La dormance secondaire correspond à la perte de l’aptitude à germer par des
conditions environnementales non favorables après la séparation de la graine de la plante
mère (Gruber et al., 2004; Momoh et al., 2002). Bien que le colza ne présente que peu de
dormance primaire, certains facteurs environnementaux comme la sécheresse induisent une
dormance secondaire (Momoh et al., 2002). La longévité est liée à la capacité de stockage des
graines, c'est-à-dire si elles sont plus ou moins sensibles au vieillissement. Lors de la
conservation, la longévité des graines diminue principalement avec l’augmentation de la
température, de l’humidité relative et de la teneur en oxygène (Leprince et al., 2017). Pour les
mesures de la capacité de stockage, les tests le plus utilisés sont les tests de perméabilité
membranaire. La mesure du ratio ([raffinose + stachyose]:saccharose), qui sont des Raffinose
Family Oligosaccharides (RFOs), peut également être un indicateur physiologique de
l’acquisition de la tolérance à la dessiccation des graines, avec un ratio élevé exprimant une
meilleure aptitude à la conservation (Bailly et al., 2001).
57
Autres aspects de la qualité des graines
Les qualités technologique et sanitaire sont aussi importantes selon le débouché des
graines. Les critères de qualité technologique généralement incluent le taux d’humidité pour
la conservation, le pourcentage d’impuretés, le poids spécifique pour gérer le stockage et le
transport des lots, et le nombre de graines non conformes (i.e. germées, cassées, bruchées
ou endommagées par des insectes). Par ailleurs, les pathogènes tels que des virus, bactéries,
champignons, nématodes et insectes présents dans la surface ou à l’intérieur des graines
peuvent impacter à la fois ses qualités sanitaire, nutritionnelle et physiologique, mais aussi
favoriser la dispersion de maladies et/ou ravageurs. Des normes et tests de qualité sanitaire
sont réglementés par l’ISTA (Association Internationale des Essais de Semences).
1.3.5. Développement de la graine de colza
La graine de colza est composée de trois tissus principaux : le tégument (tissus protecteurs),
l’albumen (tissus de réserves) et l’embryon. De nombreux processus physiologiques et
métaboliques interviennent tout au long du développement de la graine (Figure 13), qui peut
être divisé en trois phases principales :
(i) L'embryogenèse, allant de la fécondation jusqu’à la formation de l’embryon. Cette phase

de division et de différenciation active des cellules est largement décrite dans la littérature
(Biancetti, manuscrit de thèse, 2021). La différenciation cellulaire s'intensifie après
l'établissement des principaux tissus issus de la double fécondation, à savoir le méristème
racinaire et les tissus vasculaires. Ensuite, les cotylédons et le méristème apical caulinaire se
différencient et se développent pour donner naissance à un embryon en forme de cœur.
(ii) Le remplissage, qui correspond à la phase d’accumulation des réserves lipidiques et

protéiques déterminantes pour la qualité nutritionnelle de la graine de colza. Il s’agit également
de la phase d’élongation des cellules embryonnaires, pendant laquelle la croissance de
l'embryon est soumise au volume interne disponible dans la graine, le cotylédon externe
représentant plus de la moitié du poids frais de l'embryon (Borisjuk et al., 2013). Ces deux
événements sont déterminants pour l’accumulation de la matière sèche des graines et, par
conséquent, de leur poids. Ainsi, les cotylédons continuent de croître et de remplir le volume
de la graine jusqu'à la fin du développement embryonnaire (Bewley et al., 2013). Durant cette
phase, une accumulation transitoire d’amidon en tant que réserve énergétique a été observée
chez Arabidopsis thaliana (Baud et al., 2002) et Brassica napus (da Silva et al., 1997). Les
composés de stockage des graines en développement sont principalement synthétisés à partir
58
du carbone et de l'azote fournis par la plante mère par les siliques et transférés dans la graine
en majorité sous la forme de saccharose et d'acides aminés libres (Bennett et al., 2011).
L’amidon préalablement accumulé va être hydrolysé eu même temps que l’accumulation de
lipides s’accentue, tandis que les sucres solubles (i.e. saccharose, stachyose et raffinose) vont
s’accumuler jusqu’à la fin de la phase de remplissage (Baud et al., 2002). Après la dégradation
de l’amidon, les lipides, majoritairement présents sous forme de triacylglycérides (TAGs),
deviennent une source de carbone et d’énergie nécessaires à la germination et au début de la
croissance de la plantule avant que celle-ci ne devienne autotrophe (Bewley et al., 2013). Les
protéines des graines sont synthétisées à partir des acides aminés dans le réticulum
endoplasmique granuleux (REG), modifiées au niveau de l’appareil de Golgi, puis transportées
et accumulées dans des vacuoles de stockage. Comme pour les lipides, les protéines de
stockage seront également utilisées lors de la germination et de la croissance de la plantule
comme source de C, N et S (Bewley et al., 2013). Étant donné la concomitance de
l’accumulation des lipides et des protéines dans la graine (Figure 13), cela pourrait indiquer
une concurrence pour l’énergie et l’espace, et expliquer en partie la corrélation négative entre
la teneur en lipides et protéines des graines du colza (Hammac et al., 2017; Kambhampati et
al., 2020; Magno et al., 2021, 2022a; Si et al., 2003).
(iii) La maturation et la dessiccation, qui correspondent au moment où l’embryon entre

en quiescence métabolique (ralentissement ou arrêt), et à la déshydration de la graine. Au
cours de cette phase, la synthèse de protéines et de lipides de réserves prend fin. Tel qu’illustré
pour Arabidopsis thaliana (Baud et al., 2002, Figure 13), la diminution de la teneur en huile en
fin de maturation est un résultat de la remobilisation des ressources énergétiques en fin de
développement de la graine, de façon à assurer la maturation finale indépendamment des
autres parties de la plante (Baud et al., 2002). Après la fin de la maturation et dessiccation, la
graine atteint son optimum de qualité physiologique.
Le développement de la graine et l’acquisition de ses qualités reposent ainsi sur plusieurs

processus morphologiques et physiologiques, qui sont à leur tour régulés par de nombreux
facteurs métaboliques et moléculaires tels que des précurseurs d’hormones ou d’enzymes. En
résumé, le saccharose est la source de carbone principale pour la synthèse des
réserves glucidiques et lipidiques, et les acides aminés libres permettent la
synthèse des protéines de réserves. De plus, certaines hormones tels que l’ABA, le GA3
et le SA sont aussi impliquées dans ces processus, et notamment ceux associés à l’induction
de la transcription de gènes impliqués dans la synthèse des réserves énergétiques. De plus,
l’ABA et le GA3 jouent un rôle important dans la dormance des graines. En effet, l’ABA est
59
impliqué dans l’induction, le contrôle et le maintien de la dormance primaire, en partie par

l’inhibition de l’action des gibbérellines (Ali et al., 2022). Ces hormones sont également
impliquées dans la réponse des plantes aux stress abiotiques.
Figure 13 : Développement physiologique de la graine d’Arabidopsis thaliana (Baud et al.,

2002). EMM : Early Embryo Morphogenesis, Late M : Late Maturation.
1.3.6. Impacts du stress thermique sur le rendement et les qualités grainières
La phase reproductrice du colza inclut plusieurs processus morphologiques, physiologiques et

moléculaires qui sont déterminants pour le rendement et les critères de qualité grainière. Alors
que la floraison est une période critique pour la définition du nombre des graines (Angadi et
al., 2000; Habekotté, 1993; Young et al., 2004), la phase de développement de la graine, qui
regroupe le remplissage et la maturation, est déterminante pour l'accumulation des réserves
(e.g. lipides, sucres et protéines), ainsi que pour l’acquisition de la qualité physiologique (e.g.
tolérance à la dessiccation et induction de la dormance).
Des approches expérimentales in planta (conditions contrôlées et au champ) et in silico

(modélisation) ont mis en lumière les effets du stress thermique sur le rendement et sur
certains critères de la qualité grainière, tels que les teneurs en lipides, protéines, sucres et
hormones (Tableau 3). La température optimale de croissance pendant le remplissage des
graines du colza semble être d’environ 21/16°C (jour/nuit), et des températures
supérieures à 29ºC peuvent causer une réduction du nombre de fleurs ainsi que du
nombre et de la taille des graines produites, en impactant directement le rendement
(Morrison and Stewart, 2002). Par ailleurs, de nombreuses études ont souligné que lorsque la
température augmente, le nombre de graines produites par plante augmente alors que le poids
60
individuel des graines diminue (Aksouh-Harradj et al., 2006; Aksouh et al., 2001; Brunel-
Muguet et al., 2015b; Magno et al., 2021, 2022a).
Cependant, ces effets du stress thermique sur les composantes du rendement sont très
dépendants des caractéristiques intrinsèques du protocole de stress, notamment la période,
l'intensité et la durée de l’exposition à la chaleur (Chen et al., 2020; Gan et al., 2004). Ainsi,
si l'exposition au stress dure plusieurs jours ou semaines, le rendement et ses composantes
seront probablement affectés, car le stress peut endommager la pollinisation et accélérer le
développement, les graines étant donc contraintes pendant les phases de remplissage et
maturation. Au contraire, si l'exposition au stress est courte et/ou arrive à un stade
physiologique moins critique, les plantes du colza semblent capables de mettre en place des
mécanismes de compensation via le nombre ou le poids des graines. Des études comparant
les effets des températures élevées sur le rendement à différents stades de croissance des
cultures ont mis en évidence que plus le stress survient tôt, plus les possibilités de récupération
sont importantes, en particulier pour les espèces à croissance indéterminée telles que le colza
(Aksouh-Harradj et al., 2006; Angadi et al., 2000; Gan et al., 2004). Cette capacité de
compensation peut être expliqué par des relations source-puits (Jullien et al., 2011).
Du fait que les processus de synthèse des différents composés de réserves sont
séquentiels (Figure 13), on peut supposer que l’effet direct d’un stress lors du remplissage
sera observable uniquement sur le/les composés dont la synthèse et/ou la maturation sont
concomitants au stress. Pour les lipides, deux tendances communes sont retrouvées dans
plusieurs travaux : (i) la réduction de la teneur totale en lipides associée à l’augmentation de
la teneur en protéines (Aksouh-Harradj et al., 2006; Aksouh et al., 2001; Elferjani and
Soolanayakanahally, 2018; Hammac et al., 2017); et (ii) la réduction de la teneur en AG
polyinsaturés (C18:2 et C18:3) associée à l’augmentation de la teneur des AG saturés (C16:0,
C18:0) et monoinsaturés (C18:1), en raison de l'altération de l'activité des enzymes
désaturases sous les températures élevées (Aksouh-Harradj et al., 2006; Deng and Scarth,
1998; Gauthier et al., 2017; 2022a; Schulte et al., 2013). En ce qui concerne la qualité
physiologique des graines, les effets du stress thermique les plus documentés incluent (i) des
impacts sur le taux et la vitesse de germination ; (ii) la réduction de la capacité de stockage,
notamment en lien avec une augmentation de la perméabilité membranaire ; (iii) la réduction
de la tolérance à la dessiccation, avec un ratio [raffinose + stachyose]:saccharose plus faible ;
et enfin (iv) réduction de la dormance, avec les graines stressés présentant un ratio ABA/GA3
plus élevé et des niveaux de graines germées sur pied plus élevés (Brunel-Muguet et al.,
2015b; Mácová et al., 2022).
61
Tableau 3 : Principaux effets du stress thermique sur le rendement et les qualités grainières du colza.
Protocole de stress Critères analysés Effets du stress thermique Références
Deux traitements : (i) augmentation rapide de la Le traitement (i) est le plus pénalisant, avec accélération de la maturité des plantes, réduction du
Composantes de rendement,
température jusqu'à 40°C, maintenue pendant poids des graines et du rendement, réduction de la teneur en huile, augmentation des concentrations
lipides, composition d’AG, Aksouh et al., 2001
4h durant 5 jours successifs; ou (ii) 5 jours de protéines et de glucosinolates. De plus, effet prononcé sur la composition en AG, augmentant la
protéines, glucosinolates
d'augmentation progressive jusqu'à 40°C teneur en AG saturés. Le traitement (ii) a des effets plus légers et/ou nuls selon le critère analysé
Deux traitements : (i) stress modéré (28/23°C) Le traitement (ii) est le plus pénalisant, avec 52% de réduction du rendement sur la tige principale,
Composantes de rendement,
appliqué entre 20-30 jours après la floraison; ou en diminuant le poids des grains, et réduction du rapport huile/protéines. Le traitement (i) a moins
lipides, composition d’AG, Aksouh-Harradj et al., 2006
(ii) stress modéré (28/23°C), avec pic de 38°C d’effet sur le rendement, a accru le rapport d’huile/protéinés, mais a eu un effet plus prononcé sur la
protéines
pendant 5h entre 25-29 jours après la floraison proportion d’AG (augmentation de l'acide oléique et diminution de l'acide linoléique)
Stress modéré (28/15°C) ou élevé (35/15°C)

Sur la tige principale, la réduction moyenne du rendement en graines est de 89%, mais la
pendant 7 jours au début de la floraison et
Composantes de rendement compensation partielle par les siliques des branches réduit la diminution moyenne du rendement en Angadi et al., 2000
développement des siliques, puis récupération à
graines par plante à 52%
20/15°C
La synthèse de l'acide alpha-linolénique s'est produite principalement entre 550 et 850 degrés-jours
Expérimentations au champs en Suisse entre Dynamique de synthèse de
(base 0 °C) après le début de la floraison, période avec plus forte corrélation entre le teneur finale et Baux et al., 2008
2004-2006, puis des régressions l'acide alpha-linolénique
la température minimale journalière
Variabilité de la teneur en acide

Expérimentations au champs en Suisse pendant Possibilité de prédire la teneur en acide alpha-linolénique à la récolte, en se basant simplement sur la
alpha-linolénique entre les lieux, Baux et al., 2013
10 ans, puis des régressions température minimale pendant la remplissage des graines
les années et les variétés
Stress (33/19°C) pendant le remplissage des Composantes de rendement, Augmentation des teneurs en S et en lipides et diminution du rapport C18:2/C18:3 et du rapport des
graines du début de la formation des siliques teneurs en S et N, lipides, protéines 12S/2S. Accélération de la germination, réduction de la capacité de stockage et de la Brunel-Muguet et al., 2015b
jusqu'à la maturité protéines, sucres, hormones tolérance à la dessiccation.
La teneur en huile diminue continuellement avec l'augmentation de la température. La quantité

Températures de 10, 16, 21 et 26,5 °C pendant Quantité de lipides et
d'acides gras insaturés a diminué sous haute température, accompagnée d'une augmentation d'acide Canvin, 1965
la période de développement des graines composition d’AG
oléique
Plusieurs traitements (3, 5 ou 7 jours) à

Composantes de rendement et Réduction du nombre de siliques et du rendement en graines sur la tige principale ou sur les
différents périodes de la phase reproductrice,
indicateurs de la croissance branches selon la période d’exposition au stress. Les hautes températures n’ont pas réduit la Chen et al., 2020
variant entre des niveaux modérés (32/22°C) et
végétative croissance végétative des plantes
élevés (35/25°C) de stress
Traitement à haute température (30/25°C)

Quantité de lipides et Les graines des plantes stressées ont des teneurs plus faibles en AG polyinsaturés (C18:3), et plus
pendant 40 jours durant le développement des Deng and Scarth, 1998
composition d’AG élevés de AG saturés (C16:0, C18:0) et monoinsaturés (C18:1)
graines
62
Stress modéré (29/18°C) à partir du 38ème jour Photosynthèse, composantes de Le rendement en graines est réduit de 85% sous stress. La teneur en huile des graines diminue de Elferjani and
après le semis rendement, protéines et lipides 52%, tandis que la teneur en protéines a augmenté. De plus, la teneur en AG saturés a augmenté Soolanayakanahally, 2018
Stress élevé (35/18°C) et modéré (28/18°C)

Le rendement en graines par plante est réduit de 15% lorsque les plantes ont subi le stress intense
pendant 10 jours durant la formation des
Composantes de rendement (35/18°C) pendant la formation des bourgeons, de 58% lorsqu'elles ont subi le stress pendant la Gan et al., 2004
bourgeons, la floraison et le développement des
floraison et de 77% avec le stress pendant le développement des siliques
siliques
Expérimentations au champs en Suisse et

Quantité de lipides et La température affecte la composition en AG, en augmentant la teneur en acide oléique (C18:1) et
plusieurs protocoles sous conditions contrôlées Gauthier et al., 2017
composition d’AG en diminuant la teneur en acide alpha-linolénique (C18:3)
jusqu’à (25/15°C)
Expérimentations au champs aux USA entre Rendement, quantité de lipides, Les acides gras insaturés, l'acide oléique, l'huile de grain, les protéines et le rendement maximal
Hammac et al., 2017
2008 et 2013, puis analyse de données composition d’AG et protéines théorique étaient corrélés à la variabilité de l'eau et de la température
Des siliques pré-incubées à trois stades de

Photosynthèse, composantes de
croissance (20, 30 et 40 DAP) ont été exposées Le stress entraîne une réduction de l'huile dans les graines, alors que la teneur en sucre des graines
rendement, lipides, sucres et Huang et al., 2019
au stress de 37 °C durant 6 heures par jour a augmenté, ce qui indique que l'incorporation des hydrates de carbone dans les TAGs a été altérée
aspects transcriptionnels
pendant 2 jours
Trois différents régimes de température Rendement, la qualité et la La réduction du rendement en graines viables sous stress était le résultat d’un taux de fécondation
(21/18°C, 28/18°C, et 34/18°C) en début de viabilité des graines, et le réduit, un taux d'avortement accru, un développement embryonnaire défectueux et une germination Mácová et al., 2022
floraison développement du embryon avant la récolte
Diminution du rendement en graines avec l'augmentation de la température pendant la floraison,

Expérimentations au champs aux USA entre
Composantes de rendement étant le résultat de la réduction du nombre de fleurs ainsi que du nombre et de la taille des graines Morrison and Stewart, 2002
1989-1991, puis des régressions
produites
Augmentation progressive de la température de Quantité de lipides et Augmentation de la teneur d'acide oléique (C18:1) et diminution de la teneur d'acide linoléique
Schulte et al., 2013
10 à 40 °C pendant le remplissage composition d’AG (C18:2) et alpha-linolénique (C18:3)
Traits racinaires, rendement et Changement des caractéristiques morphologiques des racines, réduction de la fertilité des siliques de
Stress (27/24°C) pendant la floraison Wu et al., 2020
résistance à la verse 28%, et réduction du rendement de 34%
Stress (18 °C la nuit, aug. de 2 °C/h sur 6h, 35

Développement des siliques et Les fleurs se sont développées en fruits parthénocarpiques sans graines ou ont avorté sur la tige. Les
°C pendant 4h, puis red. de 2 °C/h et retour à
des graines, composantes de plantes ont compensé le manque de siliques en augmentant le nombre d'inflorescences latérales. La Young et al., 2004
23 °C pendant 6h) durant 1 ou 2 semaines
rendement viabilité et la germination du pollen étaient réduites
après le début de la floraison
Augmentation de 10°C dans la température Quantité de lipides et Réduction des lipides de l’ordre de 13-19%. Diminution des proportions relatives de C18:0 et C18:1,
Zhou et al., 2018
moyenne nocturne (entre 21h et 5h) composition d’AG mais a augmentation les proportions de C18:2 et C18:3
63
1.3.7. Réflexion : comment limiter les impacts des stress répétés ?
Les études sur les effets du stress thermique aux différents stades de la phase reproductrice
montrent que pour qu’un protocole de stress soit thermo-sensibilisant pour le colza, il faut
prendre en compte (i) des caractéristiques spécifiques des espèces à croissance indéterminée,
étant donné que des organes d'âges différents sont présents sur la plante pendant le stress et
qu’ils sont donc affectés différemment ; (ii) des effets différés du stress en raison d’une
séquentialité des processus sous-jacents à l’élaboration des différents critères de qualité; et
(iii) des caractéristiques intrinsèques du stress thermique, i.e. la période d’exposition, la
fréquence, la durée et l'intensité.
Bien que les effets des températures élevées sur le colza sont largement documentés, les
effets des stress thermiques répétés ne sont pas connus. En effet, l'ampleur globale de la
réponse de la plante à des stress répétés ne semble pas être égale à la somme des
effets individuels de chaque événement car (i) le premier stress suivi d'une phase de
récupération entraîne des ajustements physiologiques et métaboliques qui amènent la plante
à un état modifié lorsque le stress se reproduit, sa réponse aux stress successifs sera donc
différente de sa réponse au premier stress ; et (ii) les stress répétés peuvent induire une
mémoire bénéfique ou pénalisante du stress tout au long du cycle de culture, et même entre
générations. Les travaux sur les effets bénéfiques de la mémoire sont donc à approfondir pour
envisager des protocoles thermo-sensibilisants comme levier pour limiter les impacts des
hautes températures sur le rendement et la qualité grainière du colza. La compréhension des
effets des stress thermiques répétés est donc un enjeu pour les filières agro-alimentaire,
semencières et de la chimie verte qui sont tributaires de la qualité grainière.
La qualité grainière du colza d’hiver : Points à retenir

- Le colza possède une croissance indéterminée, ce qui implique la mise en place séquentielle
des ramifications, puis des siliques et des graines qui ont des âges différents selon leur position
dans la plante. La floraison est la phase la plus sensible au stress thermique.
- Le colza est une culture exigeante en S. Une alimentation soufrée réduite aura un impact sur
la croissance, le rendement et la qualité grainière, mais également sur la réponse aux stress
du fait du rôle du S dans la synthèse et la signalisation de phytohormones qui contrôlent la
tolérance aux stress.
- Les graines du colza sont principalement utilisées pour des débouchés destinés à
l’alimentation humaine (huile alimentaire, industrie agroalimentaire) et animale (tourteaux),
mais aussi pour des débouchés industriels non alimentaires (biocarburants, biolubrifiants,
détergents, cosmétiques).
64
- Les critères de qualité grainière regroupe de nombreuses variables indicatrices de la qualité

nutritionnelle (e.g. teneurs en huile et protéines, profils d’acides gras), de la qualité
physiologique (e.g. vigueur germinative, aptitude à la conservation), de la qualité
technologique (e.g. aptitude à la pressabilité) et de la qualité sanitaire (e.g. absence de
pathogènes). L’importance de ces critères est dépendante du débouché.
- Les processus métaboliques conduisant à l’élaboration des composés de réserves lors du
développement de la graine du colza sont séquentiels.
- En résumé, lorsque le stress thermique survient au moment de la floraison et la formation
de la graine, il affecte principalement les composantes du rendement. Lorsque le stress
thermique survient au cours du remplissage de la graine, il a un impact direct sur le contenu
des composés de réserve (lipides, protéines, sucres).
65
1.4. La prédiction des effets du stress thermique
1.4.1. Concepts généraux de modélisation des cultures
La complexité des systèmes agricoles vient de la multitude des variables impliquées dans leur
fonctionnement (e.g. climat, sol, espèce végétale ou animale, pathogènes, techniques
culturales, déterminants sociétaux et économiques). La modélisation est un outil
indispensable pour analyser ces systèmes complexes, dont les applications visent à
préconiser des actions de pilotage pour les acteurs des différentes filières (Bellon-Maurel et
al., 2022). La modélisation repose ainsi sur la construction préalable d’un cadre d’analyse
intégrant un ensemble d’équations mathématiques ou de formalismes décrivant de façon
conceptuelle le fonctionnement d’un organisme ou d’un système complèxe. Ils doivent non
seulement considérer des variables d’état intrinsèques à l’organisme ou le système d’intérêt,
mais aussi des paramètres définissant les relations entre ces variables et des facteurs
extérieurs qui les influencent (Asseng et al., 2013).
Figure 14 : Résumé chronologique des événements qui ont influencé le développement de

modèles appliqués aux systèmes agricoles dans le XXème siècle (Jones et al., 2017).
66
Les premières approches de modélisation datent de l’Antiquité, notamment dans l’objectif de

prédire le rendement des céréales. C’est durant le XXème siècle que l’utilisation des modèles à
des fins agricoles a connu une croissance exponentielle qui a été marquée par plusieurs
évènements (Figure 14, Jones et al., 2017). A l’origine, les modèles ont été développés pour
optimiser les systèmes agricoles dans des contextes non-limitants en intrants, et enfin pour
optimiser la sélection génétique. Puis des enjeux environnementaux se sont imposés aux
objectifs productivistes et les modèles se sont tournés davantage vers la prise en considération
des effets des limitations en intrants dans l’objectif de rationaliser leur utilisation. L’essor de
l’informatique a permis d’intégrer différentes échelles décrivant l’exploitation, la canopée,
la plante et les organes dans les modèles, en les rendant plus performants en termes de
prédiction. Aujourd’hui, la modélisation appliquée à l’agriculture inclut plusieurs utilisations, et
vise principalement quatre objectifs : comprendre, communiquer, prédire et optimiser
l’évolution de diverses composantes d’un organisme ou d’un système agricole dans différents
environnements pédoclimatiques (Bellon-Maurel et al., 2022). Il existe différents types de
modèles allant de modèles mécanistes jusqu’à des modèles empiriques, en passant par des
modèles intermédiaires semi-mécanistes ou semi-empiriques. Par la suite, je présente les trois
grandes approches de modélisation que j’ai mises en œuvre pendant cette thèse.
1.4.2. Les trois approches de modélisation testées dans le cadre de la thèse
Trois grandes approches de modélisation sont présentées dans ce manuscrit, avec une
attention particulière portée sur leur utilisation pour prédire les effets des stress répétés sur la
croissance et la production des graines du colza. Jusqu'à présent, la quantification et prédiction
des effets du changement climatique sur les cultures ont été faites en utilisant principalement
deux approches de modélisation qui mettent en relation le comportement d’une variable
d’intérêt et des variables explicatives à des fins de prédiction : (i) modélisation statistique
ou empirique, basée particulièrement dans l’utilisation d’indicateurs (Ben-Ari et al., 2016;
Caubel et al., 2015; Pullens et al., 2021; Wilcox and Makowski, 2014); et (ii) modélisation
mécaniste, avec l’intégration de processus biologiques au sein d’un cadre conceptuel (Asseng
et al., 2013, 2015b; Chenu et al., 2017; Kumar, 2016; Martre et al., 2015; Tao et al., 2018;
Wang et al., 2017a; Zhai et al., 2017). Enfin, une troisième approche exploratoire de
modélisation basée sur la fouille de données sera également présentée (Bazin et al., 2021,
2022; Couceiro and Napoli, 2019; Henriques and Madeira, 2014; Madeira and Oliveira, 2004).
67
Modèles statistiques incluant des indicateurs agroclimatiques
Parmi les modèles statistiques, ceux basés sur l’utilisation des indicateurs agroclimatiques se
sont largement répandus en agronomie. De façon générale, ces indicateurs sont dérivés
directement des variables climatiques (par exemple, le nombre de jours de chaleur ou
de froid sur des périodes calendaires spécifiques), et fournissent des informations synthétiques
sur les effets du climat sur le fonctionnement des cultures (Caubel et al., 2015). Ainsi, ces
indicateurs peuvent être utilisés pour analyser divers effets de la variabilité du climat sur la
croissance des cultures (Arnell and Freeman, 2021; Diodato and Bellocchi, 2008), tels que la
sensibilité du maïs aux conditions météorologiques de différentes zones de production
(Mathieu and Aires, 2018), ou encore l'occurrence de rendements de blé anormalement bas
(Ben-Ari et al., 2016). L’utilisation d’indicateurs agroclimatiques liés à des contraintes associées
au changement climatique i.e. la rayonnement, la température et la disponibilité d’eau a déjà
été réalisée pour analyser les variations de rendement chez le colza (Pullens et al., 2019;
Zhang et al., 2017).
La simplicité théorique de ces modèles permet une multitude d’applications, tels que le
calcul des stades phénologiques, le couplage avec des données satellites, et le développement
des outils d’aide à la décision. Néanmoins, ces modèles sont souvent couplés à d’autres
approches de modélisation car ils ne peuvent représenter qu’un nombre limité de contraintes
et/ou n’apportent pas d’explications sur les relations entre plusieurs facteurs. En effet, ils ne
représentent généralement pas l’ensemble des contraintes agricoles (itinéraires techniques,
fertilisation, irrigation, attaques biotiques). Bien que la plupart des données climatiques soit
triée ou prétraitée en amont de la modélisation, le grand nombre et la répartition étendue des
stations météorologiques et des sites expérimentaux peuvent aussi entraîner des incertitudes
dans les résultats (Zhang et al., 2017). De plus, cette approche est généralement basée sur
des valeurs moyennes des variables climatiques, ce qui ne permet pas de rendre compte
de la variabilité à des échelles temporelles fines, ni d’événements extrêmes à des stades
critiques du cycle de cultures (Luo et al., 2010; Wilcox and Makowski, 2014). Une alternative
développée récemment dans le but de réduire certaines de ces incertitudes consiste à
construire des indicateurs agroclimatiques pour chaque période de croissance de l’espèce
d’intérêt. Comme le proposent Caubel et al. (2015), la précision des prédictions pourrait être
améliorée à l'aide d'indicateurs qui sont calculés compte tenu des périodes phénologiques des
cultures, appelés ainsi « indicateurs écoclimatiques ».
68
Modèles écophysiologiques (semi)-mécanistes
Les modèles des cultures ou modèles écophysiologiques (semi)-mécanistes sont des modèles
relativement complexes utilisés en agronomie puisqu’ils sont capables de représenter une
multitude des processus biologiques (e.g. photosynthèse, absorption racinaire,
évapotranspiration, sénescence), pouvant prédire les effets des contraintes biotiques et
abiotiques (e.g. sanitaires, hydriques, thermiques ou nutritionnelles) et des pratiques agricoles
(e.g. caractéristiques du sol, dynamique de l’eau et des nutriments) sur des variables d’intérêt
représentatives de la performance des plantes (e.g. rendement, qualité des produits récoltés)
et des variables environnementales (e.g. les reliquats N, bilans hydriques, etc.). Ces modèles
(semi)-mécanistes sont non seulement des outils de compréhension des processus
biologiques impliqués dans la croissance des plantes, mais aussi des outils de prédictions
pouvant simuler les réponses des cultures dans de larges gammes de scénarii
environnementaux et aider à la prise de décision (Bellon-Maurel et al., 2022).
Pour le colza, plusieurs modèles dérivant d’adaptations de modèles de culture génériques ont
été recensés. Parmi ceux-ci, les plus connus sont BRASNAP-PH (Habekotté, 1997b), CERES-
Rape (Gabrielle et al., 1998a, 1998b), AZODYN-Colza (Jeuffroy et al., 2003), APSIM-Rape
(Robertson and Lilley, 2016) et CROPGRO-Canola (Saseendran et al., 2010). Les variables
d’entrée sont principalement la température, le rayonnement et la photopériode, mais aussi
des variables liées à la conduite des cultures, telles que l'irrigation et la fertilisation azotée.
Même si la température est une variable d’entrée centrale dans plusieurs modèles
puisqu’elle contrôle la phénologie et de nombreux processus de croissance, la fréquence des
épisodes des stress thermiques répétés induits par les vagues de chaleur n’est pas encore
prise en compte dans les modèles de culture.
Méthodes de fouille de données
Les approches de modélisation basées sur la fouille de données (ou « data mining »)
permettent de découvrir certaines structures, relations entre variables et/ou processus par
l’extration des modèles intelligibles et réutilisables avec des jeux de données éventuellement
volumineux et complexes (Couceiro and Napoli, 2019). Les nombreuses applications en
informatique et en intelligence artificielle se sont étendues désormais à d'autres
domaines (Bazin et al., 2021), notamment aux sciences de la vie comme la médecine et
l’agronomie/l’écophysiologie végétale, en vue de mieux comprendre et/ou prédire l’effet de
certaines variables. Les méthodes de fouille de données les plus utilisées en agronomie incluent
les associations, les classifications, les arbres de décision, les regroupements avec le clustering
et la recherche des motifs récurrents. Les motifs correspondent à des similitudes/régularités
69
implicites des données ou de sous-parties des données (Bellon-Maurel et al., 2022). Deux
méthodes exploratoires de fouille de données ont été testées au cours de cette thèse en
collaboration avec le Laboratoire Lorrain de Recherche en Informatique et Applications (LORIA,
INRIA, Nancy) : le biclustering et la Causal Formal Concept Analysis (CFCA) multivariée.
D’après la thèse de Nyoman Juniarta (2019), l'extraction de connaissances dans les

bases de données est un processus composée de plusieurs étapes fondamentales
(Figure 15), à savoir (i) la compréhension du domaine d’étude et l'identification des questions
à répondre ; (ii) la sélection d’un ensemble de données qui sera utilisé dans les analyses ; (iii)
le prétraitement des données retenues, tels que l’enlèvement de bruit ou un traitement de
valeurs manquantes ; (iv) la transformation, où on prépare les données en créant sa
représentation ou transformant des variables ; (v) l’application d’une méthode spécifique de
fouille de données, par exemple classification, regroupement, régression, agrégation, etc.; (vi)
l’exécution d’un algorithme qui résulte à des motifs ; (vii) l'interprétation des motifs, par une
représentation graphique par exemple ; et (viii) la communication des motifs retenus aux
parties concernées, et enfin l’utilisation des connaissances extraites.
Figure 15 : Schéma illustratif des étapes impliquées dans les méthodes de fouille de données,
avec un exemple d’application agronomique. Adapté de la thèse de Nyoman Juniarta (2019).
1.4.3. Réflexion : comment prédire les effets des stress thermiques répétés ?
La modélisation, indépendamment de la méthode choisie, est une approche efficace pour

prévoir le comportement et le rendement des cultures dans une large gamme de pratiques et
de conditions environnementales. Au cours des dernières décennies, un effort particulier a été
fait pour élargir l'utilisation des modèles de culture aux prévisions liées au
70
changement climatique (Asseng et al., 2015b; Chenu et al., 2017; Martre et al., 2015; Tao
et al., 2018; Wang et al., 2017a). Cependant, de nombreux éléments montrent qu'il est
nécessaire d'améliorer les modèles des cultures, et en particulier les fonctions de réponse à la
température, afin de réduire les incertitudes des simulations sous des climats futurs (Rötter et
al., 2011; Wang et al., 2017a).
Le contexte climatique actuel est caractérisé notamment par une fréquence accrue
d’événements extrêmes telles que les vagues de chaleur et, par conséquent, des stress
thermiques répétés, ce qui soulève la question de l’acuité des modèles de culture. D’une part,
les réponses à la température sont calibrées sans considérer les températures
extrêmes, ce qui les rendent inexactes si la température dépasse les seuils critiques. Ce
défaut de prise en compte des évènements extrêmes dans les approches de modélisation peut
être en partie justifié par une disponibilité limitée de jeux de données historiques
associant ces évènements à la performance des cultures dans une même localité
géographique. D’autre part, comme détaillé précédemment, ces erreurs peuvent être la
conséquence d’une mauvaise considération de l'effet d’une séquence des stress
répétés, du fait d’une atténuation ou d’une amplification des effets des stress successifs (i.e.
mémoire du stress bénéfique ou pénalisante). Ces constats incitent à requestionner les
approches de modélisation prédictive des cultures. A notre connaissance, aucune étude de
modélisation n'a tenté de décrypter les biais de simulation au regard des effets des stress
répétés et de la mémoire du stress jusqu’à présent.
La prédiction des effets des stress thermiques : points à retenir

- La modélisation est une représentation conceptuelle d’un système ou d’un organisme plus
ou moins complexe, qui permet à la fois de mieux le comprendre, mais aussi de simuler sa
réponse à des variables indépendantes.
- Les indicateurs écoclimatiques sont définis sur chaque période de croissance de l’espèce
d’intérêt, en considérant ainsi des spécificités liées aux stades phénologiques.
- La modélisation statistique se base sur des relations entre le comportement d’une variable
d’intérêt et des variables explicatives sans hypothèse fonctionnelle.
- La modélisation mécaniste est fondée sur l’intégration de processus biologiques au sein d’un
cadre conceptuel évoluant en un modèle de culture prédictif.
- La modélisation par fouille de données recherche des motifs (i.e. des similitudes/régularités
ou des relations implicites) entre les objets et les attributs d’un jeu de données.
71
Chapitre 2 :
Plan de recherche
Chapitre 2 : Plan de recherche
2.1. Problématique et objectifs

Cette thèse vise à analyser les performances du colza dans un contexte de réchauffement
climatique caractérisé par une fréquence accrue des vagues de chaleur, entraînant
l’exposition à des stress thermiques répétés au cours de la phase de remplissage des
graines. La problématique de la thèse repose sur le postulat que la répétition d’événements
stressants induirait un effet mémoire du stress qui atténuerait ou accentuerait la réponse des
plantes aux stress ultérieurs. Par conséquent, une meilleure connaissance des effets des stress
répétés (en termes de période, intensité, durée et fréquence du stress) pourrait (i) être
explorée dans des protocoles thermo-sensibilisants et (ii) alimenter une réflexion autour
des améliorations à apporter aux approches de modélisation dans un climat futur.
Ainsi, la problématique centrale de la thèse et les questions sous-jacentes sont les suivantes :
Quels sont les impacts de stress thermiques répétés sur le rendement et

la qualité grainière du colza et comment les prendre en compte dans des
approches de modélisation des cultures ?
 Quels sont les impacts intra- et intergénérationnels de protocoles thermiques constitués de
séquences d’évènements chauds différant par leur intensité, durée, période et fréquence, sur
le rendement et la qualité grainière du colza ?
 Existe-t-il des protocoles thermo-sensibilisants indiquant un effet bénéfique de la mémoire
du stress, avec ou sans implication du statut soufré du colza ?
 Les modèles de cultures sont-ils capables de rendre compte de l’effet des stress thermiques
répétés au cours d’un cycle de culture sur le rendement et la qualité grainière du colza ?
 Quelles sont les voies d’amélioration des modèles et/ou les approches de modélisation à
privilégier pour prédire les effets des stress thermiques répétés ?
Dans un contexte de réchauffement climatique, l’effet mémoire du stress pourrait être un levier
à exploiter pour la résistance des cultures à des stress récurrents au cours du cycle et sur
plusieurs des générations. Le premier objectif de cette thèse vise donc à évaluer en
conditions contrôlées les effets de stress thermiques répétés s’approchant des conditions
climatiques réalistes, c’est-à-dire une séquence constituée d’un stress modéré et des pics
thermiques répétés de courte durée (quelques heures/jours) et ce en interaction avec des
apports en S contrastés susceptibles de moduler les effets mémoires (Axe I). Le second
objectif consiste à explorer différentes approches de modélisation pour mieux comprendre et
prédire les effets des stress répétés sur le rendement et la qualité grainière du colza (Axe II).
La réalisation de ces deux objectifs devrait permettre une meilleure compréhension des effets
de stress thermiques répétés.
74
2.2. Axes de recherche et démarches associées

Pour répondre à la problématique et aux questions sous-jacentes, deux axes de recherche
associant des approches expérimentales différentes ont été développés (Figure 16) : une
caractérisation écophysiologique (Axe I), qui repose sur trois expériences in planta en
conditions contrôlées ; et une exploration de trois approches de modélisation numérique
(Axe II). Ce sous-chapitre présente les démarches générales inhérentes à chacun des deux
axes. Les protocoles des expérimentations sont détaillés dans chaque chapitre associé.
Figure 16 : Axes de recherche, démarches expérimentales et chapitres associées. Stress T :

stress thermique ; stress S : stress soufre.
75
2.2.1. Axe I : Caractérisation écophysiologique
Cet axe de recherche vise à analyser l’effet mémoire des stress thermiques au cours du cycle
de la culture (mémoire intragénérationnelle) et à la génération suivante de plantes stressées
(mémoire intergénérationnelle). Pour cela, trois cultures de colza en serre ont été
réalisées selon des protocoles de stress thermique mimant des séquences des
vagues de chaleur réalistes dans un contexte de climat tempéré (Figure 16). Les mesures
ont principalement concerné le rendement et la qualité des graines : nutritionnelle (teneurs en
lipides, profils d’AG et teneurs en protéines) et physiologique (capacité de stockage, dormance
et vigueur germinative).
Plusieurs collaborations ont été mises en place pour mener à bien les analyses, notamment
avec le LEB Aquitaine Transfert (Bordeaux) pour les analyses de lipides, la Chonnam National
University (Corée du Sud) pour les analyses d’hormones, le GEVES (Beaucouzé) pour les
analyses de conductimétrie, le PUDC (Caen) pour des conseils sur la méthode d’analyses
statistiques à deux facteurs et le CMABio3 (Caen) pour les coupes et colorations histologiques.
Cet axe de recherche a été valorisé par la publication de trois articles dans les journaux
internationaux (Magno et al., 2021, 2022a, 2022c), ainsi que plusieurs communications dans
des congrès internationaux et nationaux (voir section « Liste des activités scientifiques »).
Dans ce plan de recherche sont présentées des informations communes aux expérimentations
in planta, les détails relatifs à chaque expérimentation sont donnés dans les Chapitres 3 et 4.
Protocole général de culture
Pour chacune des trois expériences in planta, des graines de Brassica Napus L. du cultivar
Aviso ont été semées dans des terrines sur vermiculite en octobre de l’année correspondante,
puis en novembre les plantules ont été repiquées dans des pots individuels de 2L contenant
un mélange de perlite:vermiculite (2:1). Les plantules ont été alimentées par une solution de
Hoagland ¼ classique pendant 7 semaines, avant d’être vernalisées pendant 12 semaines
dans une chambre froide à 4-5 ºC avec une photopériode 16h/8h (jour/nuit) pendant lesquels
les plantes ont reçu une solution de Hoagland ¼ sans N ni S. Cette étape de vernalisation est
nécessaire pour les variétés d’hiver afin d’induire la floraison. Le protocole général de la culture
du colza d’hiver, ainsi que la composition des solutions nutritives sont présentés dans les
Annexes 2 et 3. À la fin de la vernalisation, les plantes ont été remises en serre en conditions
de photopériode naturelle et ont reçu des apports manuels de N équivalents à 100 unités (U)
sous forme de NH4NO3 et de S sous forme de MgSO4 équivalents à 25U de SO3 pour la condition
limitante en S (Low Sulphur, LS) et à 75U de SO3 pour la condition non limitante (High Sulphur,
HS). Un second apport de 50U de N a eu lieu au stade boutons fermés (Annexe 4).
76
Distinction des cohortes de siliques
En raison de la croissance indéterminée du colza, la floraison et la formation des graines

s’étalent sur plusieurs semaines et des siliques d’âges différents co-existent sur la plante
(Diepenbrock and Geisler, 1979). Puisque l’objectif de la thèse était de cibler les impacts des
stress thermiques répétés sur le rendement et la qualité grainière, il a été nécessaire de
distinguer par étiquetage les siliques selon leur âge en amont de l’exposition aux protocoles
de stress. Pour ceci, nous avons distingué trois cohortes de siliques : (i) les siliques dont
la longueur était supérieure à 5 cm (podsL>5cm) ; (ii) les siliques dont la longueur était inférieure
à 5 cm (podsL<5cm) ; et éventuellement (iii) les fleurs qui ont subi le stress thermique et sont
devenues de jeunes siliques pendant ou après le stress thermique (podsFlo, distingués
uniquement dans la dernière expérience in planta). Cette distinction sur la longueur associée
à une appréciation de l’aspect bosselé ont permis d’estimer l’état d’avancement dans la phase
de maturation, tel que précisé dans les Chapitres 3 et 4. Pour ne pas mélanger les graines de
différentes cohortes, dès le desséchement des siliques déhiscentes les ramifications ont été
ensachées par des pochettes plastiques perforées, puis récoltées séparément.
Protocoles de stress thermique
L’exposition des plantes aux stress thermiques a débuté au stade GS72 (i.e. 20% des siliques
ont atteint leur taille maximale, Lancashire et al., 1991) pour une durée maximale de 17 jours
selon la modalité. En effet, selon la cohorte de siliques ciblée, cette période correspond au
début du stade d’élongation des siliques au cours duquel l’embryon se développe et les
composés de réserve des graines s’accumulent lors du remplissage et de la maturation des
graines. La Figure 17 illustre les modalités thermiques appliquées lors des trois
expérimentations. Les modalités de stress thermique ont été retenues sur la base
d'études précédentes ayant utilisé des seuils de température similaires pour mimer un
stress thermique modéré ou intense chez le colza en conditions contrôlées (Aksouh-Harradj et
al., 2006; Aksouh et al., 2001; Huang et al., 2019; Mácová et al., 2022). Les combinaisons des
stress thermiques (plus la condition contrôle) appliquées ont été les suivantes :
 CTL = Control, plantes exposées à des conditions naturelles pendant les 17 jours ;
 RSS = Repeated Stress Sequence, plantes exposées pendant 5 jours complets à un

stress modéré, suivis de 5 jours en conditions naturelles puis de 7 jours à un stress modéré
avec de pics de chaleur journaliers pendant 5 heures ;
 EMS = Early Mild Stress, plantes exposées pendant 5 jours complets à un stress
modéré, suivis de 12 jours en conditions naturelles ;
77
 4LHP = 4 Late Heat Peaks, plantes exposées pendant 10 jours à des conditions
naturelles, suivis de 7 jours sous stress modéré avec un pic de chaleur journalier appliqué
pendant 5h durant 4 jours, comme pour la modalité RSS ; et
 3LHP = 3 Late Heat Peaks, plantes exposées pendant 14 jours à des conditions
naturelles, suivis de 3 jours sous stress modéré avec un pic de chaleur pendant 5h.
Figure 17 : Illustration des quatre modalités de stress thermique appliquées en conditions

contrôlées. DAV: days after vernalization; CTL: control; RSS: repeated stress sequence; EMS:
early mild stress; 4LHP: 4 late heat peaks; 3LHP: 3 late heat peaks.
Pour chaque modalité de stress thermique, quatre plantes (n=4) ont été cultivées dans la
même chapelle de la serre sous conditions naturelles et transférée quand nécessaire dans une
autre chapelle, où les conditions de température élevée (stress modéré ou pics de chaleur)
ont été appliquées selon la modalité (Figure 17). La liste des différentes mesures et analyses
réalisées dans les graines récoltées à maturité ou au cours de développement dans ces
expérimentations sont présentées dans la Figure 16. Le protocole détaillé des analyses
biochimiques est présenté sous forme d’articles publiés dans les Chapitres 3 et 4.
78
2.2.2. Axe II : Modélisation numérique
Cet axe de recherche vise à explorer différentes approches de modélisation pour améliorer les
prédictions des performances des cultures, en considérant notamment les effets de la
répétition des stress thermiques. L'objectif central des expérimentations numériques pendant
la thèse a été de mieux prédire les performances du colza, qui englobent le rendement et les
divers critères de qualité grainière, dans un contexte de réchauffement climatique qui se
caractérise par une fréquence accrue des vagues de chaleur, exposant ainsi les plantes à des
stress thermiques répétés. Sur la base des travaux ayant identifié des réponses spécifiques à
des stress répétés, cet objectif suppose que les modèles de culture ont été conceptualisés
jusqu’à présent pour suivre et prévoir la réponse des cultures à des contraintes climatiques
qui ont évolué et qui évoluent. Par conséquent, les approches de modélisation doivent
s’adapter à ces nouveaux contextes climatiques pour prévoir avec fiabilité.
Dans un premier temps, nous avons construit des indicateurs écoclimatiques basés sur
des jeux de données du colza au champs (projet RAPSODYN), dans l’objectif de fournir des
informations sur les interactions entre les stress arrivant à différentes périodes du cycle de
culture, ceci pour mettre en évidence d’éventuels effets mémoire. En parallèle, le modèle
écophysiologique (semi-) mécaniste SuMoToRI a été utilisé pour (i) étendre la phase
de prédiction du modèle jusqu’au rendement en siliques et (ii) tester les différents scenarii de
stress répétés des expérimentations in planta pour évaluer le comportement prédictif du
modèle et identifier des pistes d’amélioration. Enfin, nous avons testé des méthodes de
fouille de données sans a priori, dans l’optique de trouver des relations ou des motifs
potentiellement utiles pour la compréhension des effets des stress répétés sur les végétaux.
Dans ce plan de recherche sont présentés des informations générales sur la démarche
expérimentale des approches de modélisation numérique. Les détails de chacune des trois
approches de modélisation est présenté dans le Chapitre 5.
Plusieurs collaborations ont été mises en place dans cet axe de recherche, notamment avec
l’UMR ISPA (Bordeaux) pour le développement du modèle SuMoToRI, l’UMR IGEPP (Le Rheu)
pour l’acquisition des jeux de données et le LORIA (Nancy) pour l’exploration de méthodes de
fouille de données (i.e. CFCA et biclustering). Cet axe de recherche a été valorisé par la
publication d’un article scientifique dans un journal international à comité de lecture (Magno
et al., 2022b), ainsi qu’une communication orale et deux posters dans des congrès
internationaux et nationaux (voir section « Liste des activités scientifiques »).
79
Description du réseau expérimental du projet RAPSODYN
Les approches de modélisation empiriques et de fouille de données (i.e. Chapitres 5.1 et 5.3)
ont reposé sur la définition d’indicateurs écoclimatiques à partir des jeux de données
acquis du projet RAPSODYN. Ce projet a duré 7.5 ans (2012-2019) et avait pour ambition
d'assurer la compétitivité à long terme de la production de colza en France, dans un contexte
de réduction des intrants azotés. Ce projet a associé 16 partenaires français, regroupant des
laboratoires de recherche publique, des entreprises privées de biotechnologie et de sélection,
et un institut technique, afin de représenter les principaux acteurs majeurs de la filière colza
en France (Rapsodyn, 2022). Le projet a été en partie financé par l'Agence Nationale de la
Recherche (ANR) dans le cadre du programme français "Investissements d'Avenir".
A l’origine, ce réseau expérimental était constitué de 32 « environnements », définis

comme des combinaisons de type « lieu de culture × année de récolte » (Corlouer
et al., 2019). Les localisations des expérimentations ont été réparties sur l’ensemble du
territoire français (Figure 18a) afin de représenter de différentes zones climatiques de
production du colza en France (Figure 18b). Dans chaque « environnement », des
expérimentations au champs ont été menées entre 2011 et 2018 en suivant un itinéraire
technique commun et des conditions de fertilisation azotée variant selon les objectifs du projet.
Dans le cadre de cette thèse, seulement les expérimentations conduites sous conditions
optimales de nutrition azotée ont été considérées, dans l’objectif d’isoler au maximum les effets
des stress thermiques répétés. Il est important de souligner que les génotypes Aviso et
Montego sont communs à l’ensemble des expérimentations. Sachant que ces génotypes se
situent dans la moyenne des génotypes de colza, ils ont été considérés comme « témoins »
du comportement du colza au champ. En effet, ils sont contrastés principalement pour leur
précocité de floraison (Montego étant le génotype le plus précoce), particularité qui a été prise
en compte au moment de la définition des indicateurs écoclimatiques.
Des données climatiques journalières ont été nécessaires pour définir ces indicateurs sur
des périodes spécifiques de croissance exprimées en somme de temps thermique,
appelées alors indicateurs écoclimatiques (Caubel et al., 2015). La méthode utilisée pour
définir ces indicateurs écoclimatiques, ainsi que la suite des analyses réalisées dans l’objectif
de comprendre les relations entre ces indicateurs et les variables de performance de plantes
(i.e. composantes de rendement, teneurs en lipides et protéines) sont expliquées sous forme
d’un article publié dans le Chapitre 5.1.
80
Figure 18 : Informations utilisées pour la définition des indicateurs écoclimatiques :

(a) localisation géographique approximative des expérimentations au champs conduites dans
le cadre du projet RAPSODYN (Corlouer et al., 2019) et (b) répartition de la France dans quatre
zones climatiques majeures d’implantation du colza (Terres Inovia, 2019).
81
Chapitre 3 :
Effets des stress répétés au cours
d’un cycle de culture
Chapitre 3 : Effets des stress répétés au cours d’un cycle de culture
3.1. Effets des stress thermiques répétés sur le

rendement et la qualité grainière du colza, dans
des conditions contrastées d’apport en soufre
3.1.1. Préambule
Ce chapitre présente les résultats obtenus suite à l’Expérimentation 1 (EXPE 1, 2016-2017,

projet MYRIAD). Une culture de plantes de colza d’hiver sous différentes modalités de stress
thermique et deux apports contrastés en soufre (High Sulphur [HS] et Low Sulphur [LS]) a été
réalisée en conditions contrôlées, pour l’analyse du rendement et de la qualité grainière à
maturité. Les graines utilisées pour cette culture proviennent du centre de ressources
biologiques BrACySol (Brassica-Allium-Cynara-Solanum), sous la supervision du centre INRAE
de Rennes. Il s’agit donc de l’expérimentation dédiée à l’analyse de l’effet des stress
thermiques répétés au cours d’un cycle de culture du colza (i.e. mémoire intragénérationnelle).
Les analyses biochimiques et l’acquisition des données ont été réalisées lors de mon stage de
fin d’études en 2018, tandis que le traitement statistique des résultats et la rédaction d’un
article scientifique (Magno et al., 2021) ont été réalisés pendant la thèse. Les données
supplémentaires de cet article (i.e. Supplemental Data) sont présentées dans l’Annexe 5.
Article Magno et al, 2021 EEB : principaux résultats

- La fréquence accrue des épisodes de stress thermique conduit à reconsidérer les effets de la
température sur le rendement et la qualité des graines, au regard des effets des stress
thermiques répétés.
- L’exposition aux stress thermiques pendant la floraison et/ou les phases précoces de
développement des graines impacte le rendement (i.e. nombre et/ou poids des graines).
- Plus la durée de la période de stress thermique est longue, plus les critères de qualité sont
affectés négativement avec une diminution de la teneur en acides gras, une augmentation du
ratio ω6:ω3, une dégradation de l'intégrité membranaire et une augmentation de la dormance
des graines présentes sur la plante lors de l’exposition au stress.
- Un stress modéré et précoce peut atténuer les effets négatifs des pics de chaleur tardifs sur
la teneur en azote des graines, la tolérance à la dessiccation et les phytohormones impliquées
dans la thermoinhibition. L'impact positif de la limitation en soufre sur le renforcement de la
réponse oxydative a été annulé lors des pics de chaleur tardifs.
- Les protocoles de thermosensibilisation pour le colza doivent tenir compte à la fois des
caractéristiques de l'événement thermique, mais aussi d'un apport adéquat en soufre, puisque
les deux stress interagissent (atténuation ou amplification des effets).
84
High temperatures during the crop reproductive stage impact seed yield and quality. The
changing climate will require consideration of the effects of high temperature events that differ
from their intensity, their duration and their frequency over the seed quality-building stages.
The impact of these features deserves to be investigated at the light of induced thermo-
sensitization which can lead to alleviate expected negative impacts. In our work, maturing
seeds of the sulphur-demanding crop, oilseed rape, were exposed to several temperature
sequences that varied in intensity, duration and frequency at the onset of seed maturation.
Results-measured in seeds that were at the onset of maturation when the temperature stress
occurred-indicated that (i) the longer the cumulated duration of the temperature stress, the
more negatively impacted the quality criteria with decreased fatty acids (FAs) concentration,
increased ω6:ω3 ratio, lower seed membrane integrity and increased seed dormancy and (ii)
a mild stress event prior to heat peaks had an alleviating effect on the negative impact of the
later heat peaks (priming effect) on seed nitrogen, desiccation tolerance and the
phytohormones involved in thermoinhibition. Sulphur restriction was positive on FAs, protein
concentration and negative on breaking dormancy. In addition, sulphur supply interfered with
temperature modality, features such that positive impact of sulphur limitation on boosting
oxidative response were cancelled with intense late heat peaks. This work provides insights to
define thermopriming protocols in relation to the timing of quality building processes, their
respective optimal temperature and adequate sulphur supply.
Keywords: oilseed rape, seed quality, high temperature, sulphur, repeated stresses, priming,
stress memory, thermotolerance.
85
3.1.2. Introduction
Evidence for increased frequency of stress events such as heat waves has been observed over
recent decades. Based on the last Intergovernmental Panel on Climate Change (IPCC) report
(Hoegh-Guldberg et al., 2018), heat waves are expected to become more frequent, to last
longer and to increase in intensity during the reproductive phase of economically important
crops (Christidis et al., 2015; Trnka et al., 2014). These new climatic patterns have led to
attempts to decipher crop behavior and final performance in the light of recurring stresses.
While the effects of extreme/mild environmental stresses have been widely investigated from
molecular to whole plant levels (Kotak et al., 2007; Ohama et al., 2016; Wahid et al., 2007),
far fewer studies have tackled the issue of understanding the effects of their recurrence
throughout the crop season. Indeed, the overall magnitude of the plant response to successive
stresses might not match the effects induced by individual stressing events because (i) the
first stress triggers physiological and metabolic adjustments that bring the plant to a modified
status (including phenology) when the stress recurs, which leads to different responses to the
second stress and (ii) a mild stress prior to further similar stresses can induce stress memory
that lasts the duration of the crop season (i.e. intra-generational memory, Ding et al., 2012)
and is sometimes transmitted to offspring (i.e. transgenerational memory, Bruce et al., 2007;
Crisp et al., 2016; Hatzig et al., 2018; Kinoshita and Seki, 2014; Kumar, 2018; Molinier et al.,
2006; Wang et al., 2016). Stress memory is defined as the process of storage and retrieval of
information acquired during an initial exposure to stress (Crisp et al., 2016). This information
acts as a priming process with beneficial effects when the stress recurs and it can lead to
earlier, more rapid, intense, and sensitive responses that help plants to acclimate in changing
environments (Kinoshita and Seki, 2014). Underlying mechanisms include epigenetic
regulation, transcriptional priming, primed conformation of proteins, and/or specific hormonal
or metabolic signatures (Groot et al., 2016; Hatzig et al., 2018; Molinier et al., 2006; Wang et
al., 2016). This means that as the climate changes, the effects of repeated stresses should be
harnessed as a crop improvement strategy because this approach has promise for inducing
acclimation to heat stress (Wang et al., 2017b).
In winter oleaginous crops, the reproductive phase occurs during spring, which might expose
flowering, grain filling and grain maturation to high temperature events. Due to its
indeterminate growth, winter oilseed rape plants display flowers and growing pods in different
proportions throughout the reproductive phase. Consequently, heat stress can impact
reproductive organs by limiting number and size, which in turn leads modification to carbon
(C) partitioning in favor of already developed organs that have passed the sensitive stage, and
86
this makes analysis of the direct effects of heat stress on the organs more complex (Guilioni
et al., 1997). While heat stress at flowering limits pollination (Sage et al., 2015) and/or induces
early pod abortion resulting in yield losses in oilseed rape (Morrison and Stewart, 2002; Young
et al., 2004), heat stress that occurs during seed filling and maturation affects seed storage
compounds quantitatively and qualitatively, leading to seed quality alteration. Few studies
have reported the effects on seed quality in oilseed rape of repeated heat stress events that
might be erratic and fluctuate as predicted in climate change models in field conditions (Deng
& Scarth 1998; Baux et al. 2013).
Seed quality encompasses a range of criteria related to nutritional and physiological

characteristics (i.e. germination behaviors and storage capacity). In winter oilseed rape, oil
content, fatty acid (FA) profiles, and protein content are major nutritional criteria for edible oil
and cakes used in human and animal consumption, respectively. Its oil contains higher
unsaturated FA (UFA) content than other oil crops (sunflower, soybean), which makes it a
healthy edible oil for human consumption (Aguirrezábal et al., 2015). Contrasting variations
have been observed in oil content according to the temperature intensity, to the timing of
stress exposure and to the pools of seeds analyzed (main stem vs. bulk) (e.g. increased in
Brunel-Muguet et al., 2015b; decreased in Canvin, 1965; Aksouh et al., 2001; Aksouh-Harradj
et al., 2006). High temperatures are known to induce decreases in poly-UFAs in favor of
saturated FAs (SFA, mainly C16:0 and C18:0) and mono-UFAs, and increases in the ω6:ω3
ratio (i.e. C18:2/C18:3 ratio), as a result of temperature-triggered impairment of desaturase
enzyme activity i.e. oleic and linoleic desaturases (Aksouh-Harradj et al., 2006; Baux et al.,
2008, 2013; Brunel-Muguet et al., 2015b; Gauthier et al., 2017; Schulte et al., 2013). By
contrast, seed nitrogen (N) and protein concentrations in the oil-free meal is usually negatively
correlated with total oil content (Aksouh-Harradj et al., 2006; Aksouh et al., 2001) as observed
in other oil crops (in soybean, N concentration Chebrolu et al., 2016); protein concentration,
Dornbos & Mullen, 1992). Additionally, other seed characteristics related to physiological
quality, i.e. seed storage capacity and germination behavior, were investigated but not to any
great extent (Brunel-Muguet et al., 2015b). A drastic degradation of seed storage capacity has
been observed using seed conductivity and the ratio of soluble sugars ([stachyose and
raffinose]:sucrose), abscisic acid (ABA) and gibberellic acid (GA3) as proxies (Bailly et al.,
2001; Brunel-Muguet et al., 2015b) in seeds from long-term heat-stressed mother plants.
Other phytohormones were shown to be involved in the control of secondary dormancy,
defined as failure in the germination process of mature and non-dormant seeds under adverse
conditions (Pekrun et al., 1997). Recent studies have highlighted the role of indole-3-acetic
acid (IAA), whose concentrations increase in dormancy-induced seeds (Liu et al., 2019b; Shu
87
et al., 2016; Tuan et al., 2019). Although several studies have reported that salicylic acid (SA)
enhanced germination in Arabidopsis seeds by reducing oxidative damage (Chitnis et al., 2014;
Lee and Park, 2010) and inhibited germination because of higher oxidative stress (Xie et al.,
2007).
In Brassica species, sulphur (S) nutrition determines yield components and seed quality
because of their high S requirements throughout the crop cycle (Brunel-Muguet et al., 2015b;
D’Hooghe et al., 2014). In addition to its well-known implication in the synthesis and signaling
of stress tolerance-controlling phytohormones (Hasanuzzaman et al., 2018), S might be
involved in the acquisition of thermotolerance mediated by epigenetic regulation (Bokszczanin
et al., 2013). This is based on evidence for sulphur involvement in DNA methylation (through
the role of S-adenosylmethionine as a donor of methyl groups, Meng et al. 2018), one of the
key epigenetic markers that supports stress memory, thus making the analysis of S supply
relevant in the context of epigenetic memory.
In our study we focused on the effects of high spring temperatures on seeds at the onset of
maturation to deepen our knowledge of this seed quality-determining stage in relation to
sulpur nutrition. Our assumptions were that the effects of high temperature at advanced seed
filling can greatly vary depending on whether plants are exposed to a mild heat stress event
that primes them to withstand later heat peaks and that sulphur nutrition might impact the
ability of the plants to endure heat stress. Overall, our experimental design addresses the
following questions: (i) what are the quantitative effects of different high temperature
sequences applied at advanced seed filling/onset of seed maturation on seed yield, quality
criteria and stress response indicators? (ii) is there any beneficial effect from a mild stress
event that occurs prior to later repeated intense heat peaks? (iii) to what extent do the effects
of successive high temperature events applied to maturing pods differ from the effect of
individual events? (iv) what are the underlying defense pathways triggered by temperature
stress? and (v) how does sulphur nutrition impact heat stress responses through acquisition
of thermotolerance?
3.1.3. Materials and methods
Experimental treatments and growth conditions
Seeds of Brassica napus L. (cv. Aviso) were germinated in vermiculite in October 2016 under
greenhouse conditions. After five weeks the seedlings were transplanted into pots containing
perlite and vermiculite (2:1, v/v) for seven weeks and seedlings were grown as described in
88
Poisson et al. (2019). Afterwards, seedlings were subjected to a 12-week period of

vernalization in a cold chamber (standard model, Froid & Mesures, Beaucouzé, France)
maintained at 4°C (night) and 8°C (day) with artificial light during the day (10h day/14h night)
and supplied with a 25% Hoagland solution without sulphur, to prevent the plants from
building substantial S reserves which would later impact their nutritional status when applying
the contrasting sulphur supplies. Then, the plants were transferred into the greenhouse (Caen,
France, 49°11′09 N, 0°21′32 W) and subjected to a thermoperiod of 20°C (day) and 15°C
(night) without additional light. The plants were manually provided with two N applications
with an NH4NO3 solution: 100 kg N/ha at the end of vernalization (Growing Stage 30 (GS30),
stem elongation, Lancashire et al., 1991) and 50 kg N/ha at early flowering (GS60, bud
formation) assuming a plant density of 40 plants.m-2. The two contrasting S supplies i.e. High
Sulphur and Low Sulphur were manually applied at the end of vernalization (GS30) as usually
provided in the field. Plants were supplied with a solution of MgSO4 containing 75 kg SO3/ha
(High Sulphur) and 25 kg SO3/ha (Low Sulphur), which represent, respectively, 100 % and 33
% of the conventional supply.
Four temperature modalities (Temp-modalities) were applied to plants at stage GS72 (i.e. 20
% of the pods having reached their maximum size) for 17 days. The Temp-modalities were
designed to assess the effects of a mild temperature event prior to a more intense temperature
event including daily heat peaks (Figure 1 (Chap. 3.1.)). In our complete design, we tested
five Temp-modalities which included a Temp-control modality that is natural thermoperiod
conditions in the greenhouse (Figure 1a (Chap. 3.1.)). The other four Temp-modalities were
the following: (i) the early mild stress modality (Figure 1b (Chap. 3.1.)) composed of 5 early
full days under mild warming [i.e. 25.3°C ±1.8 (day, 16h) /21.7°C ± 0.7 (night, 8h)] and
followed by 12 days under natural thermoperiod (mean, maximum and minimum temperatures
over the natural thermoperiod being 15.7°C ±2.7, 28.4°C and 11.5°C, respectively), (ii) the
3 late heat peaks modality composed of 14 days under natural thermoperiod followed by 3
days under mild warming with a daily heat peak applied for 5 h (i.e. 31.4°C ±1.7 between 11
a.m. till 4 p.m., Figure 1c (Chap. 3.1.)), (iii) the 4 late heat peaks modality composed of 10
days under natural thermoperiod followed by 7 days under mild warming with daily heat peaks
on 4 days (Figure 1d (Chap. 3.1.)), and (iv) the priming modality composed of 5 days under
mild warming followed by 5 days under natural thermoperiod and eventually 7 days under mild
warming with daily heat peaks on 4 days (Figure 1e (Chap. 3.1.)).
89
Figure 1 (Chap. 3.1.) : Schematic of the experimental design and recordings of hourly
temperatures in the greenhouse for each temperature modality (Temp-modality). Four
different temperature protocols and the Temp-control were applied under High Sulphur and
Low Sulphur conditions (10 treatments in total). Graphics are organized by level of sequence
complexity: (a) control modality, (b) early mild stress modality, (c) 3 late heat peaks, (d) 4
late heat peaks and (e) priming modality.
For each temperature modality and sulphur condition, four replicates were grown (i.e. 40
plants in total) in the greenhouse under natural thermoperiod and transferred when required
in a separate greenhouse unit, where the higher temperature conditions (mild warming and
heat peaks) were applied and monitored, according to the experimental design (Figure 1
(Chap. 3.1.)). The temperature intensities were chosen according to previous studies that used
90
similar ranges to mimic mild and intense temperature treatments under controlled conditions
(Aksouh-Harradj et al., 2006). Temperatures were recorded hourly with temperature probes
(105T Campbell, Campbell Scientific Ltd., Leicestershire, UK). Throughout the 17 days, the
incident Photosynthetically Active Radiation (PARi) values was recorded (every 15 min) in the
greenhouse and processed to calculate the daily PARi values (Supplemental Data, Table S1
(Chap. 3.1.)). No substantial difference in daily PARi were observed between the greenhouse
units with the natural thermoperiod conditions and the higher temperature conditions (mild
warming and heat peaks). Because mixed-age pods were present throughout the temperature
sequences, on the day before the beginning of the temperature modalities exposure we have
labeled each branch of the plants to identify the two categories of pods: (i) pods whose length
was above 5 cm (podsL≥5cm) and (ii) pods whose length was shorter than 5 cm (podsL<5cm).
Indeed, preliminary experiments (Supplemental Data, Table S2 (Chap. 3.1.)) indicated that
podsL≥5cm (or longer) contain seeds that have reached at least half their final fresh weight
(about 55%), which coincides with advanced seed-filling development and the onset of seed
maturation (Borisjuk et al., 2013). When the pods started desiccating, they were carefully and
individually wrapped with plastic pouches to avoid seed dispersal and the mixing of seeds
between the pod categories.
Seed yield and components
At maturity, the seeds from the two categories of pods were weighed after freeze-drying for
dry weight (DW) measurements. To determine the individual seed weight (Thousand Seed
Weight, TSW), we weighed and photographed seeds from both pod categories so as to score
their number using image analysis algorithms (ImageJ Software, Schindelin et al., 2012).
Biochemical characteristics of seeds from podsL≥5cm
In the following sections, biochemical characteristics of each individual plant (n=4, and n=3
only for hormones) were measured solely on seeds from podsL≥5cm.
 Seed carbon, nitrogen and sulphur concentrations
Seeds of each individual plant were pooled and dried for 48h at 50°C. The dried seeds were
ground manually and the resulting powder (around 3 mg per sample) was placed into tin
capsules for analysis. The percentage of total carbon, nitrogen, and sulphur per mg DW of the
seeds were determined with a C/N/S analyzer (EA3000, Euro Vector, Milan, Italy) linked to a
continuous flow isotope mass spectrometer (IRMS, Isoprime, GV Instrument, Manchester, UK).
91
 Seed fatty acid concentration
Oil and fatty acid profile contents (C16:0, C18:0, C18:1, C18:2, C18:3, C20:0, C20:1 and
C22:1) were determined as described in Marchand et al. (2016). Approximately 200 mg of
seeds from each plant were suspended in 1 mL of methanol/toluene/H2SO4 solution
(100:20:2.5; v/v) containing C17:0 as internal standard (5 µg mL−1), overnight at 85◦C for
transmethylation. After cooling, 500 µL of hexane was added and the hexane phase containing
the resulting fatty acid methyl esters (FAMES) was recovered for gas chromatography analysis
combined with flame ionization detection (GC-FID). The FAMES (1 µL) were injected into an
Agilent 7890 gas chromatograph equipped with a Carbowax column (15 m by 0.53 mm, 1.2
m) (Alltech Associates, Deerfield, IL) and FID system. FAMES were identified by comparing
their retention times with those of commercial standards (Sigma, St. Louis, MO) and quantified
using ChemStation (Agilent) to calculate the peak areas.
 Seed storage protein concentration
Approximately 20 g of ground seeds from plants of each treatment was previously stored at -
20 ºC. Protein analysis was performed in two steps: (i) protein extraction and (ii) the Bradford
assay. The Bradford assay is based on the use of a standard range with several dilutions of
the reference protein (Bovine Serum Albumin, BSA). Thus, after dilution (by 10) the samples
were placed in a microplate and the measure is made at 570 nm after addition of the Bradford
reagent. The calibration straight line allowed the total protein concentrations to be calculated
by considering the mass and volume of the sample. The detailed steps for extraction and the
Bradford assays are described for leaves in Akmouche et al. (2019).
 Seed soluble sugar concentrations
Soluble sugars were extracted from 50 mg lyophilized and ground seeds, with 1 mL
methanol/water (80:20, v/v) and 40 µL melicitose used as the internal sugar standard.
Glucose, fructose, sucrose, raffinose, and stachyose contents were quantified using High
Performance Liquid Chromatography (HPLC) on a cation exchange column (Sugar-PAK, 300 x
6.5 mm, Millipore Waters, Milford, MA, USA) eluted at 0.5 mL min-1 and 85 °C with 0.1 mM
Ca-EDTA in water and quantified using a refractive index detector (2410 Differential
Refractometer, Millipore Waters, Waters Corporation, MA, USA), according to Brunel-Muguet
et al. (2015b). The [raffinose+stachyose]:sucrose ratio was used as an indicator of seed drying
tolerance i.e. the higher the value, the more tolerant the seed is to desiccation (Bailly et al.,
2001).
92
 Analysis of stress signaling and seed dormancy-related phytohormones
For each treatment, 50 mg of ground seeds were used to quantify 2-cis, 4-trans-abscisic acid,
gibberellic acid, indole-3-acetic acid and salicylic acid. Previously freeze-dried samples were
mixed with 500 µL of extraction solvent [2-propanol/H2O/ concentrated HCl (2:1:0.002,
v/v/v)] and then analyzed by HPLC-MS as described in (Pan et al., 2010). Because the
dynamics of ABA and GA3 controls the balance between dormancy and germination, the
ABA:GA3 ratio was used as a proxy for seed dormancy under stress condition (Debeaujon and
Koornneef, 2000; Finkelstein, 2013).
 Seed conductivity measurements
Conductivity measurements were performed according to Brunel-Muguet et al. (2015b). For

each treatment, measurements with the electrolytes were made with 20 pre-weighed seeds.
At room temperature (20ºC), the seeds were placed in 5 mL of ultrapure water for 16 h.
Conductivity was measured with a portable electrochemical analyzer (Consort C931, UK).
 Determination of seed total phenolic content and antioxidant capacity
Prior to the extraction, seeds from plants of each treatment were oven-dried at 60ºC for at
least 48 hours and then ground. The extraction procedure was adapted from (Szydłowska‐
Czerniak et al. (2010) in terms of solvent, extraction time and sample:solvent ratio. Seeds
were extracted with methanol:H2O (50:50, v/v) at a ratio of 20:1 (mg/mL) by using mechanical
stirring for 1 h at 25 ºC. Total phenolic content was spectrophotometrically determined with a
modified Folin-Ciocalteu method (González-Centeno et al., 2015) and was expressed as the
mean of six determinations of sinapic acid in mg equivalents per DW g of seeds. To measure
the antioxidant capacity, seed extracts were diluted at a ratio 1/4 with methanol:H2O (50:50,
v/v) according to the methodology previously described by González-Centeno et al. (2012).
ABTS [2,2'-azino-bis(3-ethylbenzothiazoline-6-sulfonic acid)] assay values were expressed as
mg of Trolox equivalent antioxidant capacity per g of seeds DW.
Statistical analysis
Two-way ANOVAs to test temperature (Temp) stress and S nutrition effects, both considered
as independent factors, were performed on the measured variables. The Temp-modalities,
sulphur condition and Temp x Sulphur interaction effects were analyzed using R software
(version 4.0.2, R Core Team, 2020). Prior to the ANOVAs, residues independency and
normality, and homogeneity of variances were previously tested (Dubin-Watson, Shapiro-Wilk,
Bartlett and Levene tests respectively). ANOVAs tables presented the means for each Temp-
93
modality (gathering the values of both sulphur supplies) and for each sulphur supplies
(gathering the values of the five Temp-conditions including the Temp-control, Tables 1, 2 and
3 (Chap. 3.1.)). Mean comparison tests were performed differently according to whether
interaction effects were detected or not. When no interaction effects were observed, Tukey
tests were performed amongst the five temperature modalities (Tables 1, 2 and 3 (Chap.
3.1.)). Otherwise, when interaction effects were observed, comparison amongst the 10
treatments (crossing the five temperature modalities and the two sulphur conditions) were
performed as one-way ANOVA and considering 10 independent treatments for the Tukey tests
(Figures 2, 3 and 4 (Chap. 3.1.)). The last table in Supplemental Data (Table S3 (Chap. 3.1.))
summarizes the mean ± se of the all measured variables for each of the 10 treatments in
order to provide reference values in a given combination “sulphur supply/temperature
modality”.
3.1.4. Results
Plant growth and yield components
Table 1 (Chap. 3.1.) displays yield and yield components i.e. seed number and TSW for the
overall seeds (Total) and the two categories of seeds collected separately (from podsL≥5cm and
podsL<5cm). No significant Temp x Sulphur interaction effect was observed for any of the yield
related-measured variables. The total seed yield (including seeds from both categories of pods)
ranged from 8.2 to 9.8 g plant-1, with no significant sulphur effect. Decreases in the total seed
yield were observed for all the four Temp-modalities, being significant only in the priming
modality (-16.3 % relative to Temp-control). These decreases were due mostly to the seed
yield from podsL<5cm, (though not significant) since seed yield from podsL≥5cm remained almost
unchanged compared to the Temp-control plants. The total seed numbers were not impacted
by the Temp-modality but a slight sulphur effect was observed (p<0.05), with Low Sulphur
values being 5 % lower than High Sulphur values on average. The TSWs from podsL<5cm ranged
from 3.0 g (3 late heat peaks modality) to 3.4 g (Temp-control), whereas the minimum and
maximum values from podsL≥5cm were 3.2 g (priming modality) and 3.7 g (3 late heat peaks
modality). Under both sulphur supplies, no Temp-modality effects on the TSW were observed
in either pod category. These results confirmed that (i) seeds from podsL≥5cm had reached the
onset of seed maturation and (ii) seeds developing in podsL<5cm or seeds from fertilized flowers
that developed after the temperature sequences all benefited from increased sink strength,
due to young pod abortion or reductions in late flowering.
94
Nutritional seed quality criteria
 Seed C, N and S concentrations
Table 2 (Chap. 3.1.) displays C, N and S seed concentrations. Similar to yield components, no
Temp x Sulphur interaction effect was observed. The seed C concentration was impacted by
Temp-modalities (p<0.001) but no sulphur effect was observed. The priming modality
displayed the lowest value (-5.4 % from Temp-control) whereas the Temp-control displayed
the highest value. Similar to C, the seed N concentration was only affected by Temp-modalities
(p<0.001). Under both sulphur conditions, extreme N values were observed for the priming
modality, which had the highest ranking (+21.9 % compared to Temp-control). These
observations showed that the early mild stress had a positive effect over the late heat peaks,
which suggested an alleviating effect. As expected, the seed sulphur concentration was
significantly impacted by the sulphur supply (p<0.001), with Low Sulphur values being 32 %
lower than High Sulphur values on average. While no significant differences were observed
among the Temp-modalities, the sulphur in the priming modality was slightly higher than in
Temp-control (+19.9 %).
 Fatty acids concentrations and profiles
Total fatty acids, saturated FAs and unsaturated FAs concentrations and the ω6:ω3 ratios are
displayed in Table 2 (Chap. 3.1.) and in Figure 2 (Chap. 3.1.). For total FAs concentration, no
Temp x Sulphur interaction effect was observed on FAs concentration. Effects of Temp-
modalities were observed (p<0.01) with values ranging from 33 % to 41 % of DW for priming
and 3 late heat peaks modalities respectively (Table 2 (Chap. 3.1.)). Values under Low Sulphur
were significantly higher (p<0.001) on average (41 %DW) than values under High Sulphur
(35 %DW). Temp-modality effect was observed in both SFAs and UFAs concentrations, with a
significant effect of Temp x Sulphur interaction only observed on SFAs (p<0.01) (Table 2
(Chap. 3.1.), Figure 2 (Chap. 3.1.)). The SFAs (including C16:0, C18:0, C20:0, C22:0)
concentrations ranged from 3.0 % to 3.6 %DW and the UFAs (including C16:1, C18:1, C18:2,
C18:3, C20:1) concentrations ranged from 30 % to 38 %DW. For both SFAs and UFAs
concentrations, the priming modality and the 3 late heat peaks displayed the lowest and
highest values respectively.
A highly significant sulphur effect was observed in both SFAs and UFAs concentrations, with
values under Low Sulphur (3.6 %DW of SFAs and 38% DW of UFAs) being significantly higher
on average than values under High Sulphur (3.1 %DW of SFAs and 32 % DW of UFAs)
(p<0.001) (Table 2 and Figure 2 (Chap. 3.1.)). Overall, the priming modality had the greatest
95
impact on decreasing FAs concentrations, as a result of the lowest decreases in SFAs and UFAs
concentrations, and the early mild stress event did not alleviate the negative effects of later
heat peaks on total FAs concentration. In addition, the 4 late heat peaks sequence had a
greater impact than the 3 late heat peaks sequence on total FAs, SFAs and UFAs meaning the
more intense events, the more impacting.
The ω6:ω3 ratio (i.e. C18:2/C18:3 ratio) is commonly used as an indicator of the edible quality
of vegetable oils. This ratio was significantly impacted by the Temp-modalities, but no
significant Sulphur nor Temp x Sulphur interaction effects were observed (Table 2 (Chap.
3.1.)). The highest and lowest ratios were observed on the priming and early mild stress
modalities respectively (+9.3 and -8.8 % compared to the Temp-control). In addition, the
temperature effect on 3 late heat peaks modality was less negative than the early mild stress
modality (Table 2 (Chap. 3.1.)). These results indicated that the number of desaturations
decreased with greater duration of stress exposure (priming modality) and intensity and
earliness of the heat stress event (4 late heat peaks modality) under both sulphur conditions.
Figure 2 (Chap. 3.1.) : Boxplot and ANOVA table for saturated FAs (SFAs) measured on
seeds from podsL≥5cm under the 10 treatments (crossing temperature modalities and sulphur
conditions). SFAs displayed highly significant interaction (Temp x Sulphur) effects. Letters
indicate the ranking amongst the 10 treatments. P-values and levels of significance are given
for Temp, Sulphur and Temp x Sulphur interaction effects. Levels of significance: ns non-
significant, p<0.05*, p<0.01**, p<0.001***. SFAs: saturated fatty acids; 3_LHP: 3 late heat
peaks modality; 4_LHP: 4 late heat peaks modality.
96
 Seed storage protein concentrations
The seed storage protein (SSP) concentration ranged from 123 mg/g DW to 168 mg/g DW,
with values under High Sulphur condition being significantly lower on average (106 mg/g DW)
than values under Low Sulphur condition (185 mg/g DW) (Table 2 (Chap. 3.1.), p<0.001). In
contrast, no significant effects of Temp-modalities on SSP were observed although the lowest
values were observed under the late heat peaks modalities (Table 2 (Chap. 3.1.)). The increase
under the early mild stress modality might result from reductions in the number of growing
sinks due to pod abortion, reduced seed filling and/or impaired pollination.
Physiological seed quality-related criteria
 The soluble sugar composition as an indicator of desiccation tolerance acquisition
Table 3 (Chap. 3.1.) presents the concentration of the main soluble sugar in seeds i.e. sucrose,
raffinose and stachyose. For the three main soluble sugars, only temperature effects were
observed (p<0.001). All the Temp-modalities led to decreased soluble sugar concentrations
under both sulphur conditions. Sucrose, raffinose and stachyose concentrations were the
highest in the Temp-control and the lowest in the priming and early mild stress modalities.
Under the priming modality, sucrose, raffinose and stachyose concentrations were respectively
54 %, 55 % and 52% lower than the Temp-control. Similarly, under the early mild stress
modality these concentrations were respectively 59 %, 55 % and 56 % lower than under the
Temp-control. These results indicated that the early mild stress had a negative impact on the
sugar soluble concentrations. The [raffinose+stachyose]:sucrose ratio, used as a proxy of seed
desiccation tolerance, ranged from 0.35 (4 late heat peaks modality) to 0.46 (early mild stress
modality) without significant Sulphur effect (Table 3 (Chap. 3.1.)). These results indicate that
whatever the sulphur supply, the 4 late heat peaks modality was the most detrimental to
acquisition of seed desiccation tolerance. However, these data also highlighted that the prior
event of mild stress alleviated the negative effects of late heat peaks since the value under
the priming modality was higher than under the early mild stress modality.
 Seed conductivity as indicator of membrane permeability
Seed conductivity values ranged from 0.8 µS/mg DW (Temp-control) to 2.9 µS/mg DW
(priming modality), with a highly significant temperature effect (p<0.001, Table 3 (Chap.
3.1.)). No effect of Sulphur nor Temp x Sulphur interaction effects were observed. Extreme
values were observed in Temp-control (the lowest) and in priming modality (the highest, +262
% compared to Temp-control). The other three Temp-modalities (early mild stress, 3 and 4
97
late heat peaks modalities) led to similar values than under the Temp-control. These results
indicate that seed conductivity is highly responsive to the duration of the stressing period,
because seeds from temperature modalities displaying the shortest numbers of days where
temperature was higher than the control temperature, were the least negatively impacted.
 Phytohormone changes as indicators of temperature-induced seed dormancy
Figure 3 (Chap. 3.1.) displays the results of the main hormones involved with dormancy in
seeds (i.e. IAA, SA and ABA:GA3 ratio). Temp-modality effects, as well as Sulphur and Temp
x Sulphur interaction effects were observed for the three variables with highly significance
(p<0.001). The ABA:GA3 ratio ranged from 0.51 (early mild stress modality) to 0.70 (4 late
heat peaks modality), with significant lower values in High Sulphur (0.47 on average) than in
Low Sulphur condition (0.78 on average, that is 66 % higher). The interaction effects pointed
out that according to the sulphur condition, the Temp-modality effect was different i.e. while
the early mild stress modality and the 3 late heat peaks modality under High Sulphur were
ranked the same, these Temp-modalities under Low Sulphur were highly contrasting (with
values being much higher under the 3 late heat peaks modality, Figure 3 (Chap. 3.1.)).
A high ABA:GA3 ratio indicates increased secondary seed dormancy, which is induced by
thermoinhibition. As expected, under high temperature this ratio increased, but under High
Sulphur condition, the modality that displayed the more days with temperature above the
control temperature (priming modality) was the most negatively impacted (highest value),
whereas under Low Sulphur condition, the late heat peaks events (4 or 3) induced the highest
ratios. In addition, under Low Sulphur condition, the early mild stress tended to alleviate the
negative effects of late heat peaks by lowering the ratio (lower values in priming and early
mild stress modalities than in late heat peaks modalities).
Seed concentrations of IAA and SA were measured to investigate their variation under the
different temperature sequences and sulphur supplies. Consistent with the ABA:GA3 ratio, high
concentrations of IAA and SA were observed under high temperatures. IAA and SA ranged
from 147 ng/g DW to 330 ng/g DW and 50 ng/g DW to 109 ng/g DW respectively, with Temp-
control displaying the lowest values and 4 late heat peaks modality displaying the highest
values for both measured variables (Figure 3 (Chap. 3.1.)). Both hormones concentrations
were significantly lower in Low Sulphur than in High Sulphur condition, with High Sulphur
values in IAA being 17 % higher than Low Sulphur and values in SA being 9 % higher than
Low Sulphur. By contrast to the ABA:GA3 ratio, sulphur limitation decreased IAA
concentrations except under Temp-control and under the early mild stress modalities with
values being respectively 16 % and 73 % higher in Low Sulphur than in High Sulphur (Figure
98
3 (Chap. 3.1.)). Under High Sulphur condition, the early mild stress event prior to the 4 late
heat peaks (priming modality) led to alleviate the strong increase in IAA concentration
observed in the late heat peaks solely (4 late heat peaks modality), thus suggesting an
effective priming effect. The interaction effects pointed out that according to the sulphur
condition, the Temp-modality effect was different i.e. while the priming modality led to higher
value than under the early mild stress modality under High Sulphur, it led to lower value than
the early mild stress modality under Low Sulphur (Figure 3 (Chap. 3.1.)).
As observed for IAA concentrations, SA concentrations decreased under Low Sulphur except
under the Temp-control and under the early mild stress modalities. Similar to IAA
concentrations, the early mild stress event prior to the 4 late heat peaks (priming modality)
led to alleviate the strong increase in SA concentration observed under the 4 late heat peaks
solely (4 late heat peaks modality), although this was only observed under the High Sulphur
condition.
99
Figure 3 (Chap. 3.1.) : Boxplots and ANOVA table for seed physiological quality variables
measured on seeds from podsL≥5cm under the 10 treatments (crossing temperature modalities
and sulphur conditions). Hormones (SA, IAA) concentration and ABA:GA3 ratio displayed highly
significant interaction (Temp x Sulphur) effects. For each variable, letters indicate the ranking
amongst the 10 treatments. P-values and levels of significance are given for Temp, Sulphur
and Temp x Sulphur interaction effects. Levels of significance: ns non-significant, p<0.05*,
p<0.01**, p<0.001***. 3_LHP: 3 late heat peaks modality; 4_LHP: 4 late heat peaks modality;
SA: salicylic acid; IAA: indole-3-acetic acid; ABA: abscisic acid; GA3: gibberellic acid.
100
Total phenolic content and antioxidant capacity in seeds as stress response indicators
Figure 4 (Chap. 3.1.) displays phenolic concentrations and the antioxidant activity (ABST
values) measured in mature seeds from podsL≥5cm. Phenolic concentrations ranged from 3.6 to
4.2 mg SA/g seed DW with no significant effect of S supply. By contrast, significant Temp-
modality (p<0.01) and Temp x Sulphur interaction (p<0.05) effects were observed (Figure 4
(Chap. 3.1.)). Under High Sulphur condition, extreme seed phenolic concentrations were
observed under the early mild stress modality (+2 % compared to Temp-control) and under
the 4 late heat peaks modality (-12 % compared to Temp-control); whereas under Low
Sulphur, extreme values were observed under the early mild stress modality (+26 % compared
to Temp-control) and 3 late heat peaks modality (similar value to the Temp-control). These
results illustrate the Temp x Sulphur interactions and the benefits of Sulphur restriction in
specific temperature modalities to boost phenolic concentrations. The antioxidant capacity
measured with the ABTS assays revealed Temp-modality effects (p<0.01), Sulphur effects
(p<0.05) and Temp x Sulphur interaction effects (p<0.05). Temp-modality rankings were
similar to those observed for seed phenolic concentrations with extreme values being observed
in the early mild stress modality (highest values) and late heat peaks modalities (3 or 4, lowest
values). Overall, under both sulphur conditions, increased antioxidant capacities were
observed in the early mild stress modality while decreased antioxidant capacities (or levels
similar to the Temp-control) were observed when the stress occurred later, and despite the
number of heat peaks. In addition, while lower oxidative response than the Temp-control were
observed in the priming modality under High sulphur conditions, a higher response was
observed under Low Sulphur (Figure 4 (Chap. 3.1.)).
The results also indicated that the early mild stress event prior to the 4 late heat peaks (priming
modality) were beneficial to the sharp decrease in ABTS values observed under the 4 late heat
peaks alone, both sulphur conditions. Regarding the effects of Sulphur conditions, limitation
led to decreased antioxidant capacity in the seeds with mean values being 17.9 mg Trolox/g
under High Sulphur and 16.8 mg Trolox/g under Low Sulphur (i.e. -6 %) which suggest a
crucial role for the sulphur supply in favoring oxidative responses, not only under the Temp-
control condition but also in the 3 late heat peaks modality (Figure 4 (Chap. 3.1.)). Eventually,
the Temp x Sulphur interaction effects were observed because sulphur conditions modified the
ranking of the temperature modalities compared the Temp-control, i.e. under High Sulphur
ABTS values were lower in the priming and 4 late heat peaks modalities than the Temp-control
but higher under Low Sulphur. Taking into account the values of all the treatments, antioxidant
capacities of the seeds were positively correlated to both phenolic concentration (r=0.93,
101
p<0.001) and the [raffinose+stachyose]:sucrose ratio (r=0.64, p<0.05) (Supplemental Data,

Figure S1 (Chap. 3.1.)).
Figure 4 (Chap. 3.1.) : Boxplots and ANOVA table for phenolic concentrations and ABTS
values measured on seeds from podsL≥5cm under the 10 treatments (crossing temperature
modalities and sulphur conditions). Both variables displayed highly significant interaction
(Temp x Sulphur) effects. For each variable, letters indicate the ranking amongst the 10
treatments. P-values and levels of significance are given for Temp, Sulphur and Temp x
Sulphur interaction effects. Levels of significance: ns non-significant, p<0.05*, p<0.01**,
p<0.001***. SA*: synaptic acid, ABTS: 2,2'-azino-bis (3-ethylbenzothiazoline-6-sulfonic acid).
102
Table 1 (Chap. 3.1.) : Yield components per plant distinguishing the two pools of pods (i.e. podsL<5cm and podsL≥5cm at the beginning of the
Temp-modality application). Results are presented by factor (Temp-modality, Sulphur condition). For a given variable, different letters (Tukey
multiple comparisons test) indicate the ranking among Temp-modalities (including Temp-control) or between the two sulphur conditions. P-values
and levels of significance are given for Temp, Sulphur and Temp x Sulphur interaction effects. Levels of significance: ns non-significant, p<0.05*,
p<0.01**, p<0.001***. SE: standard error, TSW: Thousand Seed Weight.
Total Pods L < 5cm Pods L ≥ 5cm
Factor\Variables Yield (g) Seed number TSW (g) Yield (g) Seed number TSW (g) Yield (g) Seed number TSW (g)
Temp-modality
Control 9.8 a 2784 ns 3.3 ns 3.2 ns 956 ns 3.4 ns 6.6 ns 1829 ns 3.6 ns
Early mild stress 8.8 ab 2565 ns 3.1 ns 1.9 ns 615 ns 3.1 ns 6.9 ns 1950 ns 3.6 ns
3 late heat peaks 9.2 ab 2723 ns 2.9 ns 2.7 ns 927 ns 3.0 ns 6.5 ns 1796 ns 3.7 ns
4 late heat peaks 9.3 ab 2724 ns 3.1 ns 2.5 ns 785 ns 3.1 ns 6.8 ns 1939 ns 3.5 ns
Priming 8.2 b 2497 ns 3.2 ns 1.9 ns 545 ns 3.2 ns 6.2 ns 1952 ns 3.2 ns
se 0.4 80 0.3 0.5 0.5 0.3 0.6 158 0.2
Sulphur
High Sulphur 9.1 ns 2730 a 3.1 ns 2.6 ns 809 ns 3.1 ns 6.5 ns 1921 ns 3.4 ns
Low Sulphur 9.0 ns 2587 b 3.1 ns 2.3 ns 722 ns 3.2 ns 6.7 ns 1865 ns 3.6 ns
se 0.3 52 0.2 0.3 0.3 0.2 0.4 97 0.1
Temp effect 0.047 * 0.068 0.874 0.309 0.082 0.886 0.944 0.912 0.393
Sulphur effect 0.769 0.048 * 0.981 0.514 0.424 0.745 0.732 0.684 0.372
Temp x Sulphur 0.342 0.573 0.090 0.195 0.061 0.244 0.526 0.130 0.822
103
Table 2 (Chap. 3.1.) : Nutritional seed quality criteria measured on seeds from podsL≥5cm. Results are presented by factor (Temp-modality,
Sulphur condition). For a given measured variable, different letters (Tukey multiple comparisons test) indicate the ranking among Temp-modalities
(including Temp-control) or between the two sulphur conditions. As SFAs are variables with highly significant interaction (Temp x Sulphur) effects,
results for each individual treatment are displayed in Figure 2 (Chap. 3.1.). P-values and levels of significance are given for Temp, Sulphur and
Temp x Sulphur interaction effects. Levels of significance: ns non-significant, p<0.05*, p<0.01**, p<0.001***. SE: standard error, DW: dry
weight, SSP: Seed Storage Protein.
Seed C, N and S concentrations Oil contents and fatty acids Protein

(%DW) (%DW) (mg/g DW)
Carbon Nitrogen Sulphur Fatty acids SFA UFA ω6:ω3 ratio SSP
Temp-modality
Control 59.2 a 3.2 b 0.311 ns 39 a 3.3 - 36 a 2.05 ab 150 ns
Early mild stress 58.2 ab 3.5 b 0.321 ns 40 a 3.3 - 37 a 1.87 b 168 ns
3 late heat peaks 58.2 ab 3.2 b 0.323 ns 41 a 3.6 - 38 a 2.08 ab 136 ns
4 late heat peaks 57.2 bc 3.4 b 0.316 ns 37 ab 3.3 - 34 ab 2.20 a 123 ns
Priming 56.0 c 3.9 a 0.373 ns 33 b 3.0 - 30 b 2.24 a 150 ns
se 0.5 0.1 0.027 2 0.1 2 0.06 21
Sulphur
High Sulphur 57.7 ns 3.5 ns 0.392 a 35 b 3.1 - 32 b 2.05 ns 106 b
Low Sulphur 57.8 ns 3.4 ns 0.266 b 41 a 4.6 - 38 a 2.12 ns 185 a
se 0,4 0,1 0,009 1 0.1 1 0,05 10
Temp effect 0.001 ** 0.000 *** 0.013 * 0.002 ** 0.001 ** 0.003 ** 0.001 ** 0.278
Sulphur effect 0.829 0.550 0.000 *** 0.000 *** 0.000 *** 0.000 *** 0.225 0.000 ***
Temp x Sulphur 0.613 0.574 0.296 0.112 0.009 ** 0.129 0.387 0.233
104
Table 3 (Chap. 3.1.) : Seed physiological quality values measured on seeds from podsL≥5cm. Results are presented by factor (Temp-modality,
Sulphur condition). For a given measured variable, different letters (Tukey multiple comparisons test) indicate the ranking among Temp-modalities
(including Temp-control) or between the two sulphur conditions. P-values and levels of significance are given for Temp, Sulphur and Temp x
Sulphur interaction effects. Levels of significance: ns non-significant, p<0.05*, p<0.01**, p<0.001***. SE: standard error, DW: dry weight.
Soluble sugar Conductivity
Sucrose Raffinose Stachyose [Raffinose+stachyose] : Seed conductivity

Factor\Variables (%DW) (%DW) (%DW) sucrose (µS/mg)
Temp-modality
Control 7.4 a 0.47 a 2.5 a 0.41 b 0.8 b

Early mild stress 3.0 c 0.21 c 1.1 b 0.46 ab 1.0 b
3 late heat peaks 6.1 ab 0.38 ab 2.1 a 0.41 b 1.0 b
4 late heat peaks 4.6 bc 0.26 bc 1.4 b 0.35 c 1.0 b
Priming 3.4 c 0.21 c 1.2 b 0.42 ab 2.9 a
se 0.5 0.03 0.1 0.01 0.2
Sulphur
High Sulphur 4.9 ns 0.32 ns 1.7 ns 0.42 ns 1.4 ns
Low Sulphur 4.8 ns 0.29 ns 1.6 ns 0.40 ns 1.3 ns
se 0.5 0.03 0.2 0.01 0.2
Temp effect 0.000 *** 0.000 *** 0.000 *** 0.000 *** 0.000 ***
Sulphur effect 0.850 0.850 0.620 0.054 0.336
Temp x Sulphur 0.247 0.383 0.431 0.058 0.658
105
3.1.5. Discussion
Yield components were only impacted in reproductive plant parts developed after the stress
Yield components were not drastically impacted by the high temperature sequences applied
at GS72 (Table 1 (Chap. 3.1.)). No effect of temperature was observed on yield of podsL≥5cm,
meaning that these seeds experienced a normal filling period. Therefore, the effect of the heat
sequences on total seed yield (p<0.05) was the consequence of a yield reduction in seeds
from podsL<5cm, which resulted from reduced seed number and individual seed weight, even
though neither component reduction was significant. Indeed, abortions of young pods during
the Temp-modality exposure and/or failure of pollination in the flowers present during this
period might have occurred (Young et al., 2004). The reproductive adaptation might also have
reduced the incidence of late flowering (specific to indeterminate species) to the benefit of
filling seeds in already developed pods. These observations are consistent with prior studies
in pea (another indeterminate growth species) that demonstrated heat-stress modification of
seed distribution along the main stem, which led to larger quantities of seeds on the basal
parts than on the upper parts where reproductive organs are younger. These results explained
the maintenance of seed yield from basal reproductive parts due to a higher allocation rate of
carbohydrates and excluded the direct effects of heat stress on developing seeds (Guilioni et
al., 2003). The non-significant effect of sulphur on seed yield components, other than in the
total seed number, indicates that the Low Sulphur supply in our study satisfied growth rate
and yield requirements.
Priming effects on quality criteria are dependent on the timing of the stress events
Our initial objective was to pinpoint any beneficial effect from a mild stress event that occurs
prior to repeated later intense heat peaks. This could be accounted for by a beneficial heat
stress memory generated by induced thermo-sensitization. Our work highlights that the
alleviating effects of the early mild stress event prior to later heat peaks are not observed for
all the measured quality variables. Our results pointed out that these alleviating effects are
likely determined by (i) whether the expected priming event occurs concomitantly with
biosynthesis of seed storage compounds, and (ii) whether the temperature is adequate to
enhance the targeted process.
Figure 5 (Chap. 3.1.) presented the Temp-modality effects on yield components and nutritional
and physiological quality criteria measured in maturing seeds, for the Temp-modalities (early
mild stress, 3 or 4 late heat peaks and priming modality) and the sulphur limitation. The
106
priming modality significantly decreased seed C, total FAs, SFAs and UFAs concentrations
under both sulphur conditions. These observations suggest that the more the duration of the
heat stress sequence (i.e. sequence that records the more days with temperature higher than
the control temperature), the most detrimental for maintaining C concentration and hence FAs
synthesis, since the priming modality (that cumulated the highest number of days with
temperature above the Temp-control modality) induced a greater decrease than the early mild
stress or the late heat peaks alone. These results correlate with earlier studies (Aksouh-Harradj
et al., 2006; Aksouh et al., 2001) of intense temperature exposure during seed maturation,
but contrast with others that highlighted increased total FAs concentrations under a long mild
stressing event (Brunel-Muguet et al., 2015b).
Disruption of FAs accumulation in oilseed rape was pointed out under intense heat stress
across a range of temperatures similar to those imposed under our heat-peak conditions. This
was shown to be the consequence of photosynthesis inhibition and downregulation of BnWRI1
gene expression, which is a key regulator of FA biosynthesis (Huang et al., 2019; Ruuska et
al., 2002). Our results also revealed higher total FAs, saturated FAs and unsaturated FAs
concentrations under Low Sulphur condition (Table 2 and Figure 2 (Chap. 3.1.)), which
contrasted with prior results (Brunel-Muguet et al., 2015b). These differences can be explained
in the current work by the lower sulphur supply and the different approaches to seed sampling
and analysis (on maturing seeds exposed to the heat stress modalities). The negative effects
of high temperature – mainly of duration of high temperature sequence (Figure 5 (Chap. 3.1.))
– on total FAs and unsaturated FAs also indicated that (i) FA biosynthesis was concomitant
with the 17-days high-temperature treatment starting approximately 3 weeks after the onset
of flowering (Figure 1 (Chap. 3.1.)), with FAs levels rising during the late storage stage (i.e.
20 after pollination (Borisjuk et al., 2013; Niu et al., 2009)) and (ii) the later the heat peaks,
the lower the effects. The increased ω6:ω3 ratio under the priming and 4 late heat peaks
modalities is also detrimental to oil quality, and is known to result from impaired functioning
of the oleic and linoleic desaturases (Aksouh-Harradj et al., 2006).
As usually observed, the accumulation of lipids and proteins (herein linked to seed N
concentration) are negatively correlated because they are competitive processes that have
spatial and temporal overlaps (Borisjuk et al., 2013; Grami and Stefansson, 1977). Therefore,
consistently, while the priming modality decreased the total FA concentration, the seed N
concentration remained similar to Temp-control under both sulphur conditions (Table 2 (Chap.
3.1.)). A decrease in seed storage protein concentrations under the late heat peaks modalities
were observed, although not significant, suggesting that the high concentrations observed in
107
the priming modality could be interpreted as a priming effect that helped to overcome further
negative effects of the late heat peaks. This observation supports the hypothesis of
compensatory effects between the pods that were maturing and the ones that were still
developing during the 17-days temperature sequence. Indeed, seed N accumulation was likely
to be impaired in filling seeds, and this resulted in N reallocation towards filled and maturing
seeds. In contrast, while the seed storage protein concentrations were not significantly
increased under high temperature, they increased under Low Sulphur condition as previously
observed (Brunel-Muguet et al., 2015b).
Ultimately, seed physiological characteristics were also highly dependent on the features of
the high temperature sequences (duration, intensity, frequency), which shapes the dynamics
of biosynthesis of storage compounds involved in seed dormancy and stress tolerance. Seed
storability and desiccation tolerance can be estimated by two proxies i.e. membrane
conductivity and the [raffinose+stachyose]:sucrose ratio. Our results highlighted strong
negative effects of high temperature on seed conductivity, indicating degradation of
membrane permeability (Table 3 (Chap. 3.1.)). However, the [raffinose+stachyose]:sucrose
ratio remained unchanged in the priming and in the early mild stress modalities, which
suggests acquisition of desiccation tolerance irrespective of sulphur supply. The beneficial
effects of the early mild stress on desiccation tolerance were maintained over the late heat
peaks which points out its alleviating effect.
Several phytohormones control seed dormancy, as indicated by the ABA:GA3 ratio, which has
been shown to vary according to stresses imposed on the parent plant during seed
development (Brunel-Muguet et al., 2015b). A high ABA:GA3 ratio indicates higher seed
dormancy, which is expected for efficient seed storage before favorable environmental
conditions permit the seeds to germinate. The priming modality and the late heat peaks
modalities had the greatest impact on the ABA:GA3 ratio (Figures 3 and 5 (Chap. 3.1.)). Along
with the non-significant effect of the early mild stress modality, these observations indicate
that the intensity and timing of the stress exposure are determining on the ABA:GA3 ratio. In
this example, the temperature of the mild stress was not deleterious on the ABA:GA3 ratio, or
this early sequence occurs before the hormone syntheses, thus leading to no observed effects.
These observations also pointed out that the temperature of the late heat peaks was
deleterious on the ABA:GA3 ratio and that these heat peaks occurred when these hormones
were synthetized. Therefore, our results raised questions not only about the compound-specific
biosynthesis/maturation temperatures but also the synchronization between these compound
108
specific-processes and the temperature event applied in the aim to induce an effective thermo-
sensitization effects.
Figure 5 (Chap. 3.1.) : Summary of the effects of the four temperature sequences (early
mild stress, 3 and 4 late heat peaks and priming modality) and the sulphur limitation on yield
components, nutritional and physiological quality criteria. Indicators of quality were measured
on seeds from podsL≥5cm at the beginning of stress exposure. The effects are given in
reference to the ANOVAs in Tables 1, 2, 3 (Chap.3.1.) and Figures 2 and 3 (Chap.3.1.). As
illustrated in the legend, colors indicate the trends by level of increase or decrease to the
Temp-control modality. Numbers in boxes display the relative difference between the Temp-
modality and the Temp-control (for temperature modalities) and between Low Sulphur and
High Sulphur (for Sulphur conditions). FAs: fatty acids, Raff: raffinose, Stach: stachyose, Suc:
sucrose, ABA: abscisic acid, GA3: gibberellic acid.
109
Modulation of antioxidant capacities and thermotolerance acquisition as stress defense strategy
Heat stress is known to trigger oxidative bursts that lead to a wide spectrum of responses
including enzymatic and non-enzymatic components such as polyphenols, hormones and
sugars, which have been shown to scavenge reactive oxygen species (ROS) (Nishizawa et al.,
2008; Serrano et al., 2019; Soares et al., 2019a; Soengas et al., 2018). In our study,
measurements of the antioxidant capacity indicated complex results that differed according to
the sulphur supply (Figure 4 (Chap. 3.1.)). In the High Sulphur condition, the greatest increase
was observed under the early mild stress modality and not under the priming nor the late heat
peaks modalities, likely to phenolic concentrations. These observations contrasted with prior
studies which indicated enhancement of subcellular antioxidant activities using other
antioxidant systems as proxies (such as enzymes superoxide dismutase, glutathione reductase,
and peroxidase in mitochondria and chloroplasts of wheat leaves) under multiple heat priming
sequences prior to later high temperature events (Wang et al., 2014).
Our findings also pointed out that the measured concentrations of raffinose and stachyose,
which have been reported to protect against oxidative damage (Nishizawa et al., 2008), were
not increased under early mild stress modality (irrespective of the sulphur conditions), and so
it was not possible to ascertain their role in the antioxidant defense pathways in our conditions.
But as discussed above, this soluble sugar-related results should be interpreted carefully
regarding their timing and optimal biosynthesis within the maturing seeds (Baud et al., 2002;
Leprince et al., 2017). Indeed, our results might suggest that the temperature events (whether
mild or intense) were above the temperature threshold of the stepwise transfer reactions
involving raffinose synthase and stachyose synthase, leading to impairment of sugar
biosynthesis and thus the sugar-mediated oxidative response (Gangl et al., 2015).
Phytohormones such as IAA and SA have been demonstrated to interact with ROS during
stress tolerance as stress-signaling cues (Balfagón et al., 2019; Bielach et al., 2017; Clarke et
al., 2004; Prerostova et al., 2020; Sharma and Laxmi, 2016) and have also been linked to
stress thermotolerance (Bokszczanin et al., 2013; Clarke et al., 2009; Shu et al., 2016; Tuan
et al., 2019) because increases in the levels of these compounds under high temperature are
associated with greater stress-induced dormancy and thermoinhibition (Toh et al., 2012). SA
was also reported to confer basal thermotolerance, which is defined as the ability to survive
sub- or supra-optimal temperatures (Bokszczanin et al., 2013; Clarke et al., 2009).
In our study, we observed drastic increases in IAA and SA in mature seeds collected from pods
exposed to the longest cumulated high temperature (priming modality) or late heat peaks at
the onset of maturation under High Sulphur conditions and to a lesser extent under Low
110
sulphur conditions (Figure 3 (Chap. 3.1.)). The 4 late heat peaks modality induced the highest
increase in IAA and SA, while the early mild stress modality remained similar to the control
under both sulphur conditions. These observations pointed out that the early mild stress event
prior to 4 late heat peaks allowed their negative effects on IAA and SA concentrations to be
alleviated thus leading to lower thermoinhibition. Our results also highlighted that the 3 late
heat peaks modality had less effect than the 4 late heat peaks on IAA and SA, which suggests
that the shorter the period of intense stressing, the lower the impact on the seed hormones
concentration.
Impact of S availability on thermotolerance acquisition
Firstly, the level of sulphur limitation used in our experiment was mild enough not to impact
seed yield and components as only a slight negative effect on the total seed number was
observed (Figure 5 (Chap. 3.1.)). The effects of sulphur restriction were observed on nutritional
quality criteria i.e. FAs-related variables, seed storage proteins and physiological quality criteria
i.e. ABA:GA3 ratio, which were all increased under sulphur limitation. Interactions effects were
only observed for saturated FAs and the ABA:GA3 ratio. They highlighted that late heat peaks
or early mild stress events led to increased unsaturated FAs concentrations under Low Sulphur
but not under High Sulphur (Figure 2 (Chap. 3.1.)). The ABA:GA3 ratio was only increased
under Low Sulphur with the late heat peaks (Figure 3 (Chap. 3.1.)).
The variables related to thermoinhibition (i.e. phytohormones IAA and SA) and oxidative
responses were globally decreased by sulphur limitation (Figures 3 and 4 (Chap. 3.1.)).
Nevertheless, the sense of variation or the extent of the decreases varied according to the
temperature modality. Indeed, Temp x Sulphur interaction effects were observed for IAA, SA
concentrations and the ABA:GA3 ratio, phenolic concentrations and ABTS values. Our results
pinpointed increased antioxidant capacities with early mild stress event (observed for the
priming modality and the mild stress modality) under Low Sulphur compared to the natural
thermoperiod whereas similar or slightly lower values to the natural thermoperiod were
observed with the early mild stress event under High Sulphur (Figure 4 (Chap. 3.1.)). For
phytohormones IAA and SA, the temperature modalities globally increased the concentrations
under the two sulphur conditions although this trend was more pronounced under High
Sulphur than under Low Sulphur. Nevertheless, only under Low Sulphur, the early mild stress
event alone trigger increased concentrations compared to Temp-control. Sulphur nutrition has
been reported to improve antioxidant defenses due to S-containing antioxidant compounds
such as the redox-active cysteine residues of glutathione and thioredoxin (Mukwevho et al.,
2014) and also specific phytohormones (Bashir et al., 2015; Hasanuzzaman et al., 2018; Xia
111
et al., 2015). IAA biosynthesis relies on the effectiveness of S metabolism via adequate levels
of glutathione (Kopriva et al., 2016) and is improved when S is limiting (Nikiforova et al.,
2003). SA is also known to interact with sulphur during SA homeostasis regulation (Baek et
al., 2010). When comparing both sulphur conditions under the natural thermoperiod, our
results are in line with these findings as a slight increase was observed under Low Sulphur.
Our study also highlighted how the intensity, the timing and the duration of heat stress can
restrict the boosting effects of sulphur restriction.
3.1.6. Conclusion
Our study analyzed the effects of different high temperature protocols applied at the onset of
seed maturation on yield components, seed nutritional and physiological quality under two
sulphur supplies. The initial working hypothesis was to highlight inducing thermotolerance
protocols based on stress memory acquisition. Our results pinpointed that the effects of
duration, timing and intensity of the stressing events that designed the different temperature
protocols were determining as they led to different impacts on the measured quality criteria.
Our results showed that thermo-sensitization protocols must require: (i) the optimal
temperature to promote a targeted process and (ii) the synchronization between the expected
thermopriming event and the underlying biosynthesis and maturation processes specific to the
targeted storage compound. Our experiments were also designed to observe whether sulphur
nutrition (which is essential to Brassica species) interfered with expected thermo-sensitization
effects. The level of sulphur limitation in our assay was mild enough to impact a few nutritional
(fatty acids, seed storage protein concentration) and physiological (IAA, SA, ABA:GA3 ratio)
quality criteria, as well as the antioxidant capacity. This raises the question of the direct role
of sulphur in the cascade of events leading to the hormones biosynthesis and the indirect role
of sulphur in stress memory mediated by epigenetic regulation. In contrast, sulphur restriction
optimized seed oil concentrations in stress-exposed maturing seeds, especially when the stress
was delayed, thus highlighting the need to satisfy sulphur requirements in certain climatic
contexts. Overall, we foresee the need for trade-offs to optimize quality criteria that are
dependent on features of temperature such as intensity, frequency and timing of application.
High temperature acclimation strategies should also include sulphur supply which restricted
levels can either improve seed quality criteria (e.g. total FAs, saturated and unsaturated FAs)
in temperature-stressed maturing seed, lessen the positive effects of a thermopriming profile
(e.g. indicators of desiccation tolerance) or amplify the oxidative responses to high
temperature stress when applied at sensitive stages during the maturation process.
112

développement cinétique des composés de
stockage dans la graine du colza
3.2.1. Préambule

projet COSMOS). Une culture de plantes de colza d’hiver soumise aux mêmes conditions de
stress thermique que dans l’Expérimentation 1 (2016-2017) a été réalisée en conditions
contrôlées, ici en condition non-limitante en soufre. Plusieurs récoltes ont été réalisées entre
la sortie de vernalisation et la maturité des plantes. Les graines utilisées pour cette culture
proviennent également du centre de ressources biologiques BrACySol. Il s’agit donc de
l’expérimentation dédiée à l’analyse cinétique du développement de la graine jusqu’à leur
maturité physiologique, dans l’objectif d’avoir une meilleure compréhension sur les effets des
stress thermiques répétés sur le remplissage des graines. La culture en conditions contrôlées,
les récoltes au cours du développement et de la maturation des graines, les analyses
biochimiques, les analyses statistiques des résultats et la rédaction d’un article scientifique
(Magno et al., 2022c, soumis dans Plant Science) ont été réalisées pendant la thèse. Les
données issues de cette expérimentation ont également été utilisées pour l’évaluation du
module rendement et pour les simulations avec le modèle (semi-)mécaniste SuMoToRI sous
stress thermiques répétés (Axe II). Les données supplémentaires de cet article (i.e.
Supplemental Data) sont présentées dans l’Annexe 6.
Article Magno et al, 2022 soumis dans PSL : principaux résultats

- Les stress thermiques répétés après la floraison ont un impact sur le rendement et la qualité
des graines de colza.
- Les espèces à croissance indéterminée comme le colza sont capables de compenser les effets
des stress thermiques testés, notamment pour maintenir le rendement des graines. Ces
observations soulèvent la question du rôle des effets de compensation dans les mécanismes
et processus associés à la mémoire du stress.
- Les hautes températures diminuent la teneur en huile et augmentent la teneur en protéines
dans des proportions variables selon l'âge des graines et leur période d’exposition au stress.
- Les protocoles de thermosensibilisation doivent tenir compte des caractéristiques
intrinsèques aux évènements thermiques stressants, tels que la fréquence, la durée, la période
et l'intensité de la température.
113
Many studies point out the deleterious effect of high temperatures events during the crop
reproductive phase on seed yield and quality. However, plant responses to repeated stressing
events remain poorly understood, while the increased frequency of extreme abiotic constraints,
such as spring and summer heat waves, has been proven as one feature of the on-going and
future climate change. The responses of oilseed rape plants subjected to three heat stress
sequences that differed in the intensity, the timing of application, the duration and the
frequency of the high temperature events, were investigated throughout the seed
development and maturation phases under controlled conditions. Seed yield and components
were measured in three different harvest dates. Biochemical and histological analyses of seeds
were carried out in order to monitor the evolution of the main storage compounds (fatty acids,
proteins, sugars) involved in seed nutritional and physiological quality. Although the effects of
heat stress were not significant on total yield, differences in seed number and weight
highlighted the strong compensation capacity in indeterminate growth species. Heat stress
induced significant decreases in oil content and increases in protein content in seeds to
different extent according to the age of the pods. Soluble sugars concentrations were impacted
by heat during seed development but not when the seeds reached physiological maturity, thus
indicating compensatory mechanisms that set up after the stress exposure. Our results led to
conclude that the effects of repeated heat stresses on seed yield and quality were tightly
related to (i) the optimal temperature of a given compound biosynthesis process, and (ii) the
synchrony between the temperature event and the period of biosynthesis of the targeted
storage compound. These results highlight the complexity to design thermo-sensitizing
protocols to maintain or even improve the various seed quality related criteria, especially in
species with indeterminate growth.
Keywords: seed quality, seed development, seed maturation, heat stress, oilseed rape.
114
3.2.2. Introduction
Plant phenology, growth and development were affected by environmental conditions, which
in turn impact yield and quality of harvested products. Increased frequency of extreme events
has been pointed out by recent climate reports (IPCC, 2021), thus raising growing concerns
regarding crop adaptation to face repeated stresses in agricultural systems. Heat waves are
one of the most impacting stressful events which were shown to become more frequent, longer
and intense during the reproductive phase of important crop species (Christidis et al., 2015;
Trnka et al., 2014). Therefore, the challenge for the next decades is to maintain (or even
increase) yields while guaranteeing the multi-criteria seed quality in this climatic context. With
a sharply rising production over the past 30 years, winter oilseed rape is the leading
oleoproteaginous crop in terms of cultivated area and grain production in Europe, ahead of
sunflower and soybean (Terres Univia, 2021). Seeds are key products of the oilseed rape
market due to their various uses and transformations into edible oil, biofuel, protein rich-cakes
for cattle feeding and other industrial applications (Von Der Haar et al., 2014). Flowering, seed
filling and seed maturation -as critical stages of development for seed yield and quality- are
highly sensitive to spring-occurring high temperature events. Given the seed’s complex internal
structure that gathers the embryo and other storage organs (Schiebold et al., 2011),
understanding the impact of heat stress events on these developmental stages is a pre-
requisite to better estimate to what extent seed quality can be modified.
Due to its indeterminate growth, oilseed rape can be impacted by spring heat stresses to
variable extents according to the age of pods when they occur. During the flowering stage,
heat stress limits pollination (Sage et al., 2015) and/or induces early pod abortion, thus
impacting seed number, size and/or weight, inducing yield losses (Morrison and Stewart,
2002; Young et al., 2004). Later heat stress exposure impacts nutrient allocation to the pods,
synthesis and storage of seed reserves, embryo growth, and eventually yield components
(Magno et al., 2022a; Magno et al., 2021). Seed quality of oilseed rape encompasses a range
of nutritional (e.g. concentrations and composition in lipid and protein) and physiological (e.g.
storage capacity, germination and seed dormancy) quality criteria. These characteristics might
be quantitatively impacted by heat stresses that occur during seed filling and maturation,
leading to seed quality default (Baux et al., 2013; Baux et al., 2008; Brunel-Muguet et al.,
2015; Gauthier et al., 2017; Magno et al., 2021; Schulte et al., 2013; Zhou et al., 2018). In
mature seeds, contrasting trends were observed in seed quality criteria according to the
features of the heat stress sequence applied during seed development. Indeed, intensity,
duration, timing and frequency of the stressful events are crucial components of the magnitude
115
of stress responses. In particular, repeated heat stresses can promote thermo-sensitization

through the storage and retrieval of stress-induced information, namely beneficial stress
memory, then potentially conferring more rapid, efficient and/or sensitive response to
following stress exposures (Crisp et al., 2016). This so-called priming effect adds a layer of
complexity in analyzing the dynamics of seed storage synthesis and accumulation under such
stressing conditions.
While increased total fatty acids (FA) concentrations were observed under a long lasting mild
stressing period (Brunel-Muguet et al., 2015b), high temperatures were mostly negative on FA
concentration whether they were repeated or not (Aksouh-Harradj et al., 2006; Aksouh et al.,
2001; Magno et al., 2021, 2022a). To some extent, the highest decrease in FA matched the
longest stress duration, in contrast with the lowest decrease which matched the latest stressing
event. These might be a result of the synchrony between the stressing events and the timing
of FA synthesis. Nevertheless, thermopriming effects could be observed on seed protein
concentration such that an early mild stress exposure at the onset of seed maturation (GS72,
Lancashire et al., 1991) alleviated the negative effects of later heat stresses (Magno et al.,
2021). Seed physiological quality was also drastically deteriorated under heat stress, as
observed with the reduction of the soluble sugars ratio i.e. [raffinose+stachyose]:sucrose,
representing a proxy of desiccation tolerance acquisition (Bailly et al., 2001; Brunel-Muguet et
al., 2015b). Similar to protein concentration, thermopriming effects could be observed on
soluble sugar concentration, thus highlighting the fine tuning by multiple stressing event-
sequence (Magno et al., 2021). In line with these observations, Baud et al. (2002) highlighted
the critical period for soluble sugar synthesis, and thus the acquisition of desiccation tolerance,
as being the late maturation stage in Arabidopsis thaliana, with the storage compound
synthesis ending concomitantly with sucrose, stachyose and raffinose accumulation. These
observations underlie the tight interactions between stress effects and spatio-temporal
dynamics of the seed storage compounds accumulation.
Several studies investigated the dynamics of the spatial distribution and accumulation of major
compounds in oilseed rape and its close relative Arabidopsis thaliana (Baud et al., 2002;
Borisjuk et al., 2013; Fait et al., 2006; Leprince et al., 2017). From early to mid-storage phases,
starch is the main accumulated compound in the embryo. In contrast with starch, sucrose
accumulation starts in the later phases which then allows metabolic pathway for the synthesis
of raffinose and stachyose from sucrose to begin (Suarez et al., 1999). Starch and lipid
concentrations follow the same temporal pattern until mid-storage, when starch starts
degrading, while lipids keep following a sigmoidal curve pattern before reaching a plateau as
116
the seed approaches maturity (Woodfield et al., 2017). Studies using NMR-based imaging
illustrated that the embryo bending (due to space limitation) leads to gradients of lipids within
the cotyledons (Borisjuk et al., 2013), which tends to indicate that the regulation of lipids
storage is driven by the seed architecture with different levels of lipid accumulation within the
embryo components. Borisjuk et al. (2013) also pointed out the co-localization of lipid and
protein storage, which implies competition for space, energy and substrate of both synthesis
machineries. This is in line with several studies, protein concentration usually increases as
being negatively correlated with total oil content, which is reduced in oilseed crops exposed to
heat stress (Aksouh-Harradj et al., 2006; Aksouh et al., 2001; Diepenbrock and Geisler, 1979;
Hammac et al., 2017).
In the present study, our assumptions were that the effects of multiple heat stress events
applied to developing seeds of Brassica napus L. can greatly vary according to the timing, the
duration, the intensity and the frequency of each event. For this purpose, spatiotemporal
analyses were performed combining biochemical and histological analyses, to visualize and
quantify the evolution of seed storage compounds that reflect seed quality under three heat
stress sequences. Overall, our experimental design addresses the following questions: (i) what
are the critical periods for seed storage compounds biosynthesis and maturation? and (ii) how
the features of heat stress sequences in terms of intensity, duration, timing and frequency
impact seed development and quality in oilseed rape?
Growth conditions in the greenhouse
Plants were grown between 2019-2020 with seeds of Brassica napus L. (cv. Aviso) provided
by the Center of Biological Resources BrACySol (Brassica-Allium-Cynara-Solanum, INRAE
Center of Rennes, Brittany, France). Five weeks after sowing, the seedlings were transplanted
into 96 pots of 2 L containing an inert substrate (perlite and vermiculite, 2:1, v/v) and grown
under greenhouse conditions (Caen, France, 49°11′09 N, 0°21′32 W). Afterwards, seedlings
were subjected to a 12-weeks period of vernalization in a cold chamber (standard model, Froid
& Mesures, Beaucouzé, France) maintained at 5°C (day/night), with artificial light during the
day (10h/14h, day/night). Then, plants were transferred into the greenhouse and subjected
to a natural thermoperiod without additional light. The experiment was performed under
adequate water and nutrient conditions. Nitrogen (N) was manually provided within two
applications of a NH4NO3 solution: 100 kg N/ha at the end of vernalization (GS30, stem
117
elongation, Lancashire et al., 1991) and 50 kg N/ha at early flowering (GS60, bud formation),
assuming a plant density of 40 plants.m-2. As Brassica species were high sulphur (S)
demanding crops, S was manually applied at the end of vernalization (GS30) with a solution
of MgSO4 containing 75 kg SO3/ha, as usually provided in the field.
 Identification of the three cohorts of pods
Because of the indeterminate growth of oilseed rape, mixed-age pods were present in the
plant throughout the temperature sequences, thus potentially affecting seed filling and
maturation due to its location in the branch (Diepenbrock and Geisler, 1979). Therefore, on
the day before the beginning of the stress exposure, three cohorts of pods were identified and
then specifically labeled in plants, as illustrated in Figure 1a (Chap. 3.2.): (i) pods whose length
was above 5 cm (podsL≥5cm); (ii) pods whose length was shorter than 5 cm (podsL<5cm); and
eventually (iii) flowers which will undergo heat stress and become young pods during or after
the stress (podsFlo). Indeed, preliminary experiments (Magno et al., 2021, 2022a) indicated
that podsL≥5cm or longer contain seeds that have reached at least half their final fresh weight
(about 55%), which coincides with the onset of seed maturation stages (Borisjuk et al., 2013).
When the pods started desiccating, the branches were individually wrapped with transparent
plastic pouches to avoid seed dispersal and the mixing of seeds between the different cohorts
of pods.
 Heat stress sequences applied during the reproductive phase
Following the stress sequences described in Magno et al. (2021), plants were submitted to
four temperature modalities applied for 17 days from the stage GS72 (i.e. 20% of the pods
having reached their maximum size), as illustrated in Figure 1b (Chap. 3.2.): (i) the Control
(Ctrl) exposed to natural thermoperiod conditions in the greenhouse (with mean, maximum
and minimum temperatures being 16.7°C ±1.9, 20.5°C and 13.5°C, respectively); (ii) the
Repeated Stresses Sequence (RSS) composed of 5 early full days under mild warming (26°C
±2.2) followed by 5 days under natural thermoperiod, and exposed to 7 days under mild
warming with daily heat peaks on 4 days (35.5°C ±1.6 from 10 am till 3 pm); (iii) the Early
Mild Stress (EMS) composed of 5 early full days under mild warming, and followed by 12 days
under natural thermoperiod; and (iv) the 4 Late Heat Peaks (4LHP) composed of 10 days under
natural thermoperiod, followed by 7 days under mild warming with a daily heat peak applied
for 5 hours on 4 days as for the RSS modality. For each temperature modality, four replicates
(n=4) were grown in the greenhouse under natural thermoperiod and transferred when
required in a separate greenhouse unit, where the high temperature conditions (mild warming
or heat peaks) were applied and monitored, according to the experimental design (Figure 1c
118
(Chap. 3.2.)). The heat protocols were chosen according to previous studies that used similar
ranges to mimic mild and intense temperature events under controlled conditions (Aksouh-
Harradj et al., 2006; Magno et al., 2021). After the period of stress exposure (depending on
the modality), plants grown in the greenhouse under natural conditions until the corresponding
date of harvest. Air temperatures in the greenhouse were recorded hourly with a temperature
probes (105T Campbell, Campbell Scientific Ltd., Leicestershire, UK).
 Harvests throughout the reproductive phase
Plants of each temperature modality (n=4) were harvested in several days throughout the end
of vernalization (GS30, stem elongation) until the final harvest (GS99, whole plant
senescence/mature grains), thus being differentiated by the number of days after vernalization
(DAV). Five intermediate harvests (50, 55, 60, 67 and 76 DAV), and the final harvest (133
DAV) were made in different times representing key stages during the complete crop cycle.
The main objective of these dynamic harvests was to monitor the evolution of plant growth
and storage compounds biosynthesis in seeds (i.e. fatty acids, proteins and soluble sugars),
which are representative of the nutritional and physiological quality of oilseed rape. For each
harvest, the different plant compartments (i.e. roots, green leaves, fallen leaves, stems and
pods) were separated and weighed after freeze-drying for dry weight (DW) measurements.
Due to the complexity of the plant’s stripping considering the three different cohorts of pods
(i.e. podsL≥5cm, podsL<5cm and podsFlo), seeds from plants of specific harvest times were chosen
to perform each type of analyses, as follows : (i) seeds from plants collected at 60, 76 and
133 DAV were used to perform the seed yield components and the biochemical measurements,
and (ii) seeds from plants collected at 50, 55, 60 and 67 DAV were used to perform microscopic
sections in order to visualize seed development during the stress period.
Yield components measurements
For each harvest date (60, 76 and 133 DAV), seeds from each plant (n=4) separated in three
cohorts of pods (i.e. podsL≥5cm, podsL<5cm and podsFlo) were collected and weighed after freeze-
drying for DW measurements. The seed number and thousand seed weight (TSW) were
determined by image analyses, as detailed in Magno et al. (2022a).
119
Figure 1 (Chap. 3.2.) : Simplified scheme of the temperature stress sequences and the intermediate harvests realized throughout the period
of exposition to stress (i.e. 50, 55, 60 and 67 DAV). (a) illustrates a branch of oilseed rape with the three cohorts of pods identified in this study:
(i) pods whose length was above 5 cm (podsL≥5cm); (ii) pods whose length was shorter than 5 cm (podsL<5cm); and (iii) flowers which will undergo
heat stress and become young pods during or after the stress (podsFlo). (b) illustrates the different temperature protocols for the four temperature
modalities: (i) Control (Ctrl); (ii) Repeated Stresses Sequence (RSS); (iii) Early Mild Stress (EMS); and (iv) 4 Late Heat Peaks (4LHP). (c) displays
the recordings of hourly air temperatures in the greenhouse for each temperature modality. After the stress exposure, plants grown under natural
conditions in the greenhouse until harvest. DAV: days after vernalization.
120
Biochemical characteristics of seeds
In the following sections, biochemical characteristics were performed on seeds from the three
different cohorts of pods (i.e. podsL≥5cm, podsL<5cm and podsFlo). Three homogeneous plants
(n=3) out of the four replicates were used to perform the analyses in each harvest date (60,
76 and 133 DAV). Prior to the biochemical analyses, seeds were freeze-dried for 48h and were
manually ground.
 Oil content and fatty acids composition in seeds
Oil content and fatty acids profiles were determined as described in Marchand et al. (2016).
Seeds powder (about 30 mg per plant) was suspended in 1 mL of methanol/toluene/H2SO4
solution (100:20:2.5; v/v) containing C17:0 (heptadecanoic acid) as internal standard (25 µg
mL−1), remaining 1h at 80°C for transmethylation. After cooling, 750 µL of hexane and 1.5 mL
of water were added. The hexane phase containing the resulting Fatty Acid Methyl Esters
(FAMES) was analyzed as detailed in Magno et al. (2022a). FAMES were identified by
comparing their retention times with those of commercial standards (Sigma, St. Louis, MO),
and quantified using a ChemStation (Agilent). Results were presented by seed total FA, the
Saturated FA (SFA, including C16:0, C18:0, C20:0, C22:0) and the Unsaturated FA (UFA,
including C16:1, C18:1, C18:2, C18:3, C20:1).
 Seed carbon, nitrogen and sulphur concentrations
Seeds powder (about 3 mg per plant) was placed into tin capsules for elemental analysis. The
percentage of total C, N and S were determined with a C/N/S analyzer (EA3000, Euro Vector,
Milan, Italy) linked to a continuous flow isotope mass spectrometer (IRMS, Isoprime, GV
Instrument, Manchester, UK). The N content was used as indicator of the total protein content,
as the nitrogen-to-protein conversion factor of 5.5 can be used to estimate protein in seeds
(Ezeagu et al., 2002).
 Seed soluble sugars concentration
Soluble sugars were extracted from 50 mg of seeds powder under 1 mL of water, with three
stages of water bath and centrifugation. Sucrose, raffinose and stachyose contents were
quantified using High Performance Liquid Chromatography (HPLC), as described in Magno et
al. (2022a). A solution with 40 µL melicitose was used as the internal sugar standard. The
higher the [raffinose+stachyose]:sucrose ratio, the more tolerant to desiccation the seed is
(Bailly et al., 2001).
121
Histological sections and staining protocols of seeds from podsL≥5cm
Histological sections and staining techniques were performed solely on maturing seeds (i.e.
from podsL≥5cm) of each individual plant (n=3) at 50, 55, 60 and 67 DAV. After each harvest,
pods were weighted before being frozen and stored at -80°C. Cutting sections were performed
on frozen seeds carefully separated from pods under liquid nitrogen environment. Previous
tests of cutting and staining were made based in the available literature (Borisjuk et al., 2013;
Schiebold et al., 2011; Villegente et al., 2017), and sections with 11 µm of thickness proved
to be the most appropriate for our approach. The sections were made by cutting passing
transversely to the visible bulge in the seed of oilseed rape (which corresponds to the radicle).
Each section measured about 2.0-2.5 mm, corresponding to the maximum central diameter of
the seed depending on the development stage. Three blades containing 5 slices of seeds from
each plant were prepared using a cryostat (6250 Dakewe, VWR, 2020). Sections were dried
at room temperature and stored at 4°C until staining. The three histological stains used in this
study are detailed below. After staining, the blades containing seed cross-sections were
digitized with an Olympus VS120 scanner (Olympus France, Rungis, France) equipped with a
20x objective (N.A 0.80). Seed sections were visualized using the open source software Qupath
(Bankhead et al., 2017).
 Staining seed tissues with Hematoxylin and Eosin
Blades were immersed in Harris Haematoxylin (RAL Diagnostics, 361070) and Erythrosin B
CI45430 (Merck, 1.15936), respectively. Then, blades were dehydrated and mounted in DePeX
(BDH, 361254D). Hematoxylin and eosin (HE) have been used for a long time as a recognized
stain methods to visualize various tissue types and cell sections (Fischer et al., 2008).
 Staining lipids with Oil Red O
Oil Red O (ORO) is a lysochrome that stains neutral lipids and lipid droplet morphology in
sections from frozen tissues (Mehlem et al., 2013), having already been tested on microalgal
cells for both microscopy assay and lipid quantification (Marquez and Beccaria, 2020). Sections
were fixed with formaldehyde and stained in Oil Red O solution (Sigma, 00625). Mounting was
made in aqueous phase using Hydromount (Electron microscopy Sciences, 17966).
 Detection of polysaccharides with Periodic Acid–Schiff
The Periodic acid–Schiff (PAS) stain allows the visualization of polysaccharide networks
(Puchtler et al., 1975). Blades were immersed in Periodic Acid (Sigma, 8.22288), Schiff's
reagent (Merck, 1.09034) and Harris Hematoxylin (RAL diagnostic, 361070) baths,
respectively. Then, blades were dehydrated and mounted in DePeX (BDH, 361254D).
122
Statistical analyses
Statistical analyses were performed for each cohort of pods separately (STATGRAPHICS
Centurion XVI.II Software). Prior to the ANOVAs, residues independency and normality, and
homogeneity of variances were previously tested (Dubin-Watson, Shapiro-Wilk, Bartlett and
Levene tests respectively). The mean ± se of all measured variables for each temperature
modality were indicated by pod cohort and harvest date in Table 1 and Figure 2 (Chap. 3.2.),
as well as in Supplemental Data (Tables SD1 and SD2 (Chap. 3.2.)). First, one-way ANOVAs
were performed amongst the temperature modalities, to test the effects of temperature on
seed yield and quality criteria. Then, mean comparison tests (Tukey tests) were performed
amongst the four temperature modalities, by considering each performance-related variable
in each harvest date. Finally, t-tests between two successive dates of harvest were performed
to identify the dynamics (increase, decrease or stable) of each seed storage compound (Figure
3 (Chap. 3.2.)).
3.2.4. Results
Impacts of heat stress in the final plant performance-related variables
Table 1 (Chap. 3.2.) displays yield components and quality criteria for seeds collected from
the three cohorts of pods (i.e. podsL≥5cm, podsL<5cm and podsFlo) at the final harvest (133 days
after vernalization, DAV). The main performance-related variables at 133 DAV were also
presented in a graphic illustration in Figure 2 (Chap. 3.2.).
 High temperatures slightly impacted yield components
Seed yield was differently affected by temperature stress according to the pod cohort. For
podsL≥5cm (Table 1 (Chap. 3.2.)), both the seed yield and the seed number did not display
significant differences amongst the temperature modalities, whereas TSW was modulated by
temperature with all of the stressing modalities leading to higher value than the Control. The
early mild stress (EMS) modality led to the highest values at 133 DAV (+20% than the Control).
By contrast, for podsL<5cm the temperature significantly affected seed yield and seed number
at 133 DAV, but not TSW (Table 1 (Chap. 3.2.)). All the stressing modalities displayed a
reduction in seed yield compared to the Control, with RSS and EMS being the most penalizing
modalities (-35% and -55% compared to Control, respectively). This trend was mainly a result
of the reduction in seed number in podsL<5cm, with the EMS being also the most negative
treatment (-58% than the Control). No difference in seed yield, seed number and TSW for
podsFlo was observed (Table 1 (Chap. 3.2.)), thus indicating that both criteria were set up after
123
the stress period in this cohort of youth pods. By comparing the three cohorts of pods, seeds
from podsL<5cm contributed the most to the final total seed yield, followed by podsFlo and
podsL≥5cm (Table 1 and Figure 2a (Chap. 3.2.)). Consistently, at 133 DAV seeds from podsL≥5cm
represented about 22% of the total seed number (considering the mean of the total seed
number as being 2452 seeds, resulting from 544 seeds from podsL≥5cm, 1073 seeds from
podsL<5cm and 835 seeds from podsFlo). This proportion was expected because the different
cohorts of pods were labeled at GS72, that is when 20% of the whole plant pods have reached
final size (i.e. podsL≥5cm).
 Exposition to high temperatures significantly reduced fatty acids
Different trends were observed for the effects of high temperatures on total FA, UFA and SFA
at 133 DAV. Although all the stressing modalities displayed lowest values on FA, UFA and SFA
than the Control for seed from podsL≥5cm (Table 1 (Chap. 3.2.)), these effects were not
statistically significant. By contrast, differences amongst temperature modalities were
significant to FA, UFA and SFA for podsL<5cm (Table 1 (Chap. 3.2.)), with similar rankings
amongst the stressing modalities for the three oil-related variables i.e. Control and 4LHP
displaying the highest values, followed by EMS, and finally RSS that led to the lowest values
(-22%, -23% and -14% for FA, UFA and SFA compared to Control, respectively). As observed
for seeds from podsL≥5cm, no significant temperature effect was observed on the FA and UFA
concentrations of seeds from podsFlo (Table 1 (Chap. 3.2.)). By contrast, SFA was modulated
by temperature in this cohort of pods, with RSS being the most penalizing treatment (-18%
than the Control). By comparing the three cohorts of pods (Figure 2b (Chap. 3.2.)), at 133
DAV the oil content was on average higher for podsFlo, followed by podsL<5cm and then
podsL≥5cm. Similarly, for the three cohorts of pods the RSS and 4LHP were respectively the
most and the least penalizing heat stress sequences to seed oil content. In addition, rankings
amongst temperature modalities were observed for the ω6:ω3 ratio, and the most penalizing
modalities (i.e. highest ratio values) were different over the three cohorts of pods (i.e. RSS
and 4LHP for podsL≥5cm ; Ctrl, RSS and 4LHP for podsL<5cm ; Ctrl, EMS and 4LHP for podsFlo).
Interestingly, at 133 DAV the ω6:ω3 ratio was on average almost equivalent within the three
cohorts of pods (Figure 2c (Chap. 3.2.)).
 Contrasting trends were observed on seed C, N and S concentrations
Temperature did not impact C concentration in seeds at 133 DAV, but differences were
observed amongst the three cohorts as C concentration was on average higher for podsFlo,
followed by podsL≥5cm and podsL<5cm (with means being 54.0, 43.3 and 41.4 %DW respectively;
Table 1 (Chap. 3.2.)). By contrast, temperature significantly impacted N concentration in seeds
124
from podsL≥5cm and podsL<5cm, with RSS and EMS leading to the highest increase in
concentration (+31% and +31% for podsL≥5cm, and +28% and +18% for podsL<5cm compared
to the Control, respectively; Table 1 (Chap. 3.2.)). The effects of heat stress on S concentration
were only significant in seeds from podsL<5cm, with the RSS leading to the highest increase
(+35% than the Control). Seeds from podsFlo were not affected by temperature in terms of C,
N and S concentrations at 133 DAV (Table 1 (Chap. 3.2.)).
 High temperatures impacted soluble sugars in seeds from youth pods
At 133 DAV, the significant effects of the temperature sequences were not observed for any
soluble sugars in seeds from podsL<5cm and podsL≥5cm. Different rankings for raffinose, and
consequently on the [raffinose+stachyose]:sucrose ratio, were observed for the seeds from
podsFlo (Table 1 (Chap. 3.2.)). Indeed, raffinose was modulated by high temperatures with all
the stressing modalities displaying higher values than the Control, and the RSS treatment being
the highest one (+91% compared to Control). The soluble sugars ratio (i.e.
[raffinose+stachyose]:sucrose, Figure 2d (Chap. 3.2.)) displayed the lowest value in podsFlo
under the EMS treatment (-11% compared to Control), which thus turned to be the most
penalizing treatment for the acquisition of the desiccation tolerance. Although no different
ranking was observed on stachyose concentration for all of the cohorts of pods, the RSS and
4LHP modalities led to the greatest values (Table 1 (Chap. 3.2.)), thus indicating downstream
positive impacts of the late heat peaks on the stachyose synthesis.
Dynamics of the performance-related variables over the intermediate harvests
Figure 2 (Chap. 3.2.) and Supplemental Data (Tables SD1 and SD2 (Chap. 3.2.)) display the
yield components and quality criteria for seeds collected from the three cohorts of pods (i.e.
podsL≥5cm, podsL<5cm and podsFlo) at the intermediate harvests (60 and 76 DAV). Figure 3 (Chap.
3.2.) illustrates the dynamic development of seed storage compounds between two successive
dates of harvest (i.e. 60-76 DAV and 76-133 DAV). Figure 4 (Chap. 3.2.) display the seed
histological sections of podsL≥5cm made throughout the stress period for the four temperature
modalities. Finally, Figure 5 (Chap. 3.2.) displays the lipids and polysaccharides localization in
seed tissues under the control conditions collected at 50, 55, 60 and 67 DAV.
 High temperatures mostly impacted seed weight over time
Seed production was not significantly impacted by high temperatures at 60 nor at 76 DAV,
whatever the cohort of pods (Figure 2a (Chap. 3.2.)). Significant increases in seed production
over time were observed between 60-76 DAV and 76-133 DAV for podsFlo, and between 76-
125
133 DAV for podsL≥5cm and podsL<5cm. By comparing seed numbers amongst harvests for a
given cohort of pods, the number of seeds increased significantly between 76-133 DAV for
podsFlo only (Figure 3 (Chap. 3.2.)), but not for podsL≥5cm and podsL<5cm as the number of seeds
in these cohorts were almost set up at the stress application (i.e. onset of the seed maturation
stage). At 60 DAV (Supplemental Data, Table SD1 (Chap. 3.2.)), the only significant effects of
temperature on TSW were observed for seeds from podsL≥5cm (-16% than the Control) and
podsFlo (+39% than the Control), although different rankings were observed for seeds from
podsL≥5cm at later harvests (Table 1 (Chap. 3.2.)). At 76 DAV (Supplemental Data, Table SD2
(Chap. 3.2.)), all of the stressing modalities resulted in reducing TSW of seeds from podsL≥5cm,
with the RSS and EMS being the most penalizing modalities (-28% and -31% than the Control,
respectively). As observed in histological sections given in Figure 4 (Chap. 3.2.), these declines
of TSW in response to heat stress applied after 60 DAV were concomitant with the limitation
of embryo growth and filling process.
 High temperatures impacted oil-related criteria at 76 DAV
As observed in Figure 5a (Chap. 3.2.), the period between 60-67 DAV was critical to the FA
synthesis under Control conditions, in both the embryo and the seed coat. However, its extent
and duration were impacted by temperature effects. At 60 DAV (Supplemental Data, Table
SD1 (Chap. 3.2.)), temperature effects were not significant on any oil-related criteria (i.e. FA,
UFA, SFA and the ω6:ω3 ratio) for all the cohorts of pods, thus indicating that the critical
period for oil content establishment in seeds occurred afterwards. As expected, FA content
was on average higher for podsL≥5cm, followed by podsL<5cm and podsFlo at 60 DAV (Figure 2b
(Chap. 3.2.)). Significant increases in FA were observed for all of the cohorts of pods between
60-76 DAV, while only for podsL<5cm and podsFlo between 76-133 DAV (Figures 2 and 3 (Chap.
3.2.)). At 76 DAV (Supplemental Data, Table SD2 (Chap. 3.2.)), opposite rankings amongst
temperature modalities were observed for FA, UFA and SFA in seeds from podsL≥5cm and
podsFlo. Indeed, for seeds from podsL≥5cm, the 4LHP treatment presented the greatest values,
with FA, UFA and SFA being almost equivalent to the Control, while RSS and EMS were the
most penalizing modalities. By contrast, for seeds from podsFlo all of the stressing modalities
led to greater values in FA, UFA and SFA than the Control. In addition, the UFA concentration
increased over time following the same trends observed to the FA concentration. This was not
observed for SFA, which increased between 60-76 DAV for the three cohorts, but decreased
between 76-133 DAV for podsL<5cm. In line with these observations, the ω6:ω3 ratio was
impacted by temperatures in the three cohorts of pods at 76 DAV (Figure 2c (Chap. 3.2.)). For
podsL≥5cm, 4LHP was the most impacting treatment by increasing the ratio (+20% than the
126
Control). By contrast, the ω6:ω3 ratio was significantly reduced by RSS and EMS events for
podsL<5cm, and by RSS and 4LHP modalities for podsFlo when compared to the Control (Figure
2c (Chap. 3.2.)). By comparing the three cohorts of pods, at 60 and 76 DAV the ω6:ω3 ratio
was on average higher for seeds of podsFlo, followed by podsL<5cm and podsL≥5cm.
 Nitrogen and Sulphur were impacted by high temperatures at 76 DAV, but not Carbon
From 60 DAV until the final harvest, the concentrations in C, N and S almost barely changed
(Figure 3 (Chap. 3.2.)). A significant increase in C concentration over time was observed
between 60-76 DAV for seeds from podsL<5cm only, but temperatures also did not impacted C
in any cohorts of pods at 60, 76 nor 133 DAV. Prior to 60 DAV (Supplemental Data, Table SD1
(Chap. 3.2.)), no temperature effects were observed on N concentrations whereas contrasting
rankings were observed on seeds from podsL≥5cm and podsL<5cm at 76 DAV, with all of the
stressed plants displaying a higher N than the Control (Supplemental Data, Table SD2 (Chap.
3.2.)). N concentration increased between 60 and 76 DAV only on seeds from podsFlo under
RSS; and between 76 and 133 DAV on seeds from podsL≥5cm under EMS, and from podsL<5cm
under RSS. For S concentration, the only significant increases were observed for seeds from
podsFlo between 60-76 DAV under RSS, and between 76-133 DAV under EMS. In addition,
temperature effects were only significant in seeds from this cohort at 76 DAV (Supplemental
Data, Table SD2 (Chap. 3.2.)), with RSS and EMS displaying the greater values of S
concentration (+40% and +50% than the Control, respectively).
 Contrasting trends were observed to sugar-related variables over time
Impacts of heat stress in sugar-related variables were highly dependent on the cohort of pods
and the heat stress sequences. For podsL≥5cm, high temperatures increased the raffinose and
sucrose concentrations at 60 DAV only (+60% and +87% than the Control, respectively,
Supplemental Data, Table SD1 (Chap. 3.2.)). At 76 DAV (Supplemental Data, Table SD2 (Chap.
3.2.)), heat stress impacted stachyose and the soluble sugars ratio (i.e. [raffinose+stachyose]:
sucrose, Figure 2d (Chap. 3.2.)) in this cohort of pods, with RSS and 4LHP displaying the
greatest values for both variables. For podsL<5cm, high temperatures did not impact any sugar-
related criteria, whatever the harvest time (Supplemental Data, Tables SD1, SD2 (Chap. 3.2.)).
For podsFlo, raffinose concentration was impacted at 60 and 76 DAV, with all of the stressed
modalities displaying lower values than the Control. Interestingly, a significant reduction in
raffinose between 76-133 DAV was observed in seeds from plants grown under natural
thermoperiod (Control). For sucrose concentration, differences were observed only at 76 DAV
(Supplemental Data, Table SD2 (Chap. 3.2.)), with the 4LHP treatment displaying the lower
values (-68% compared to the Control). The biosynthesis of stachyose started later in the crop
127
cycle, as its value was zero for the three cohorts of pods at 60 DAV, and remained almost
inexistent for podsFlo and podsL<5cm until 76 DAV whereas it started increasing for podsL≥5cm,
with a pronounced effect under the conditions with heat peaks (RSS and 4LHP). These
observations altogether indicate that the older the pods, the earlier the stachyose biosynthesis
during the filling stage and that high temperature tends to accelerate its occurrence. In
contrast to the effect of temperature on the [raffinose+stachyose]:sucrose ratio in seeds from
podsL≥5cm, seeds from podsFlo displayed a lower [raffinose+stachyose]:sucrose ratio than the
Control under all of the stressed modalities (Figure 2d (Chap. 3.2.)). Regarding the histological
analyses, Figure 5b (Chap. 3.2.) showed that the period between 60-67 DAV was critical to
polysaccharide accumulation in seeds, with glycopolymers being present not only in the
embryo and the seed coat, but also in the other seed tissues (i.e. endosperm, endothelium).
128
Figure 2 (Chap. 3.2.) : Matrix of results by crossing the main seed performance-related variables (a, b, c, d) measured at three different harvest
dates (i.e. 60, 76 and 133 DAV) in the three different pod cohorts in oilseed rape (i.e. podsL≥5cm, podsL<5cm and podsFlo). Colored bars represent
each temperature modality at a given harvest date, and the associated standard error. Letters indicate the ranking amongst the temperature
modalities when the Tukey tests were significant for a given harvest date. DAV: days after vernalization; ns: non-significant; Ctrl: Control; RSS:
Repeated Stresses Sequence; EMS: Early Mild Stress; 4LHP: 4 Late Heat Peaks.
129
Figure 3 (Chap. 3.2.) : Illustration of the dynamic development of seed storage compounds
in the three different cohorts of pods (i.e. podsL≥5cm, podsL<5cm and podsFlo), and over the three
harvest dates (i.e. 60, 76, and 133 DAV). T-tests between two successive dates of harvest (i.e.
60 vs 76 DAV, and 76 vs 133 DAV) were analyzed to determine periods over which the
concentration of a given seed compound remained stable, meaning that its synthesis was
achieved. Tendencies were illustrated by symbols i.e. (+) for increase, (=) for stable, (-) for
reduction, and (na) when not applicable due to the lack of replicates at 60 DAV. DAV: days
after vernalization; FA: fatty acids; UFA: unsaturated FA; SFA: saturated FA; Ctrl: Control;
RSS: Repeated Stresses Sequence; EMS: Early Mild Stress; 4LHP: 4 Late Heat Peaks.
130
Figure 4 (Chap. 3.2.) : Histological sections of seeds from podsL≥5cm stained with Hematoxylin and Eosin (HE) for visualization of the internal
development of seeds exposed to different temperature modalities, collected in four different harvest dates (i.e. 50, 55, 60, and 67 DAV). DAV:
days after vernalization; Ctrl: Control; RSS: Repeated Stresses Sequence; EMS: Early Mild Stress; 4LHP: 4 Late Heat Peaks.
131
Figure 5 (Chap. 3.2.) : Histological sections of seeds from podsL≥5cm exposed to natural thermoperiod in the greenhouse (i.e. the Control)
collected in four different harvest dates (i.e. 50, 55, 60, and 67 DAV). Blades were stained with (a) Oil Red O (ORO) and (b) Periodic acid-Schiff
(PAS) for lipid and polysaccharide visualization, respectively. DAV: days after vernalization.
132
Table 1 (Chap. 3.2.) : Yield components and quality related variables measured in seeds from podsL≥5cm, podsL<5cm and podsFlo (i.e. inflorescences at the
beginning of stress exposure or that appeared after the whole stress sequence), at the final harvest (133 days after vernalization (DAV)). Temperature modalities
were Ctrl: Control, RSS: Repeated Stresses Sequence, EMS: Early Mild Stress, and 4LHP: 4 Late Heat Peaks. Letters indicate the ranking among the temperature
modalities when the Tukey tests were significant for a given date of harvest. The p-values indicate the level of significance of the temperature effect, i.e. ns:
non-significant, p < 0.05*, p < 0.01**, p < 0.001***. se: standard error; nb: number; TSW: thousand seed weight; DW: dry weight; FA: fatty acids; UFA:
unsaturated FA; SFA: saturated FA.
Yield components Oil content and fatty acids Seed C, N and S concentrations Soluble sugars
133 DAV Seed yield Seed nb TSW Total FA UFA SFA ω6:ω3 Carbon Nitrogen Sulphur Raffinose Stachyose Sucrose Sugars
(g.plant-1) (per plant) (g) (%DW) (%DW) (%DW) ratio (%DW) (%DW) (%DW) (%DW) (%DW) (%DW) ratio
Seeds from podsFlo
Ctrl 3.31 1039 3.15 36.80 33.96 2.84 ab 2.02 a 50.17 2.72 0.26 0.11 b 0.54 1.59 0.41 ab
RSS 1.54 565 2.67 29.95 27.61 2.33 c 1.56 b 56.41 3.69 0.41 0.21 a 0.82 2.35 0.45 ab
EMS 2.84 921 3.10 30.26 27.79 2.47 bc 1.81 ab 44.30 2.86 0.33 0.14 ab 0.52 1.91 0.37 b
4LHP 2.27 816 2.77 36.20 33.32 2.88 a 1.84 ab 65.57 2.83 0.23 0.13 ab 0.74 1.88 0.47 a
se 1.11 363 0.30 3.67 3.50 0.19 0.14 12.00 0.43 0.07 0.04 0.23 0.80 0.04
p-value 0.25 ns 0.30 ns 0.21 ns 0.11 ns 0.12 ns 0.03 * 0.05 * 0.28 ns 0.20 ns 0.18 ns 0.13 ns 0.38 ns 0.74 ns 0.15 ns
Seeds from pods L<5cm
Ctrl 5.20 a 1429 a 3.79 35.33 a 32.48 a 2.85 a 1 .88 a 42.08 2.56 c 0.26 c 0.16 0.72 2.43 0.37
RSS 3.38 b 1072 ab 3.17 27.39 b 24.94 b 2.45 b 1.75 ab 39.71 3.29 a 0.35 a 0.23 1.06 3.41 0.38
EMS 2.32 b 605 b 3.79 32.32 ab 29.68 ab 2.63 ab 1.64 b 40.82 3.01 ab 0.31 b 0.14 0.62 2.06 0.40
4LHP 3.95 ab 1187 a 3.37 36.46 a 30.68 a 2.79 a 1.82 ab 43.01 2.88 bc 0.25 c 0.16 0.82 2.41 0.41
se 1.03 347 0.41 2.58 2.48 0.13 0.11 1.92 0.15 0.02 0.06 0.26 0.99 0.03
p-value 0.02 * 0.05 * 0.14 ns 0.04 * 0.04 * 0.04 * 0.15 ns 0.35 ns 0.00 *** 0.00 *** 0.61 ns 0.52 ns 0.69 ns 0.45 ns
Seeds from pods L≥5cm
Ctrl 1.76 497 3.15 b 35.14 32.18 2.96 1.79 b 43.78 2.90 b 0.28 0.10 0.63 2.26 0.31
RSS 1.93 615 3.38 ab 25.07 22.68 2.39 2.12 a 43.31 3.82 a 0.40 0.10 0.34 2.47 0.21
EMS 1.59 418 3.79 a 26.50 24.27 2.22 1.62 b 44.69 3.77 a 0.38 0.06 0.30 1.11 0.31
4LHP 2.24 647 3.46 ab 25.36 22.85 2.51 2.14 a 41.47 3.43 ab 0.35 0.14 0.53 2.38 0.28
se 1.24 355 0.36 4.66 4.27 0.40 0.09 3.06 0.27 0.07 0.08 0.21 1.17 0.07
p-value 0.92 ns 0.84 ns 0.17 ns 0.17 ns 0.15 ns 0.34 ns 0.00 *** 0.67 ns 0.02 * 0.59 ns 0.71 ns 0.37 ns 0.57 ns 0.34 ns
Seeds from the whole plant
Ctrl 7.66 ab 2153 3.70 35.81 a 32.97 a 2.84 a 1.95 a 45.57 ab 2.62 c 0.26 b 0.15 0.69 2.27 0.38
RSS 6.03 ab 1942 3.10 28.14 b 25.75 b 2.39 b 1.71 b 46.47 ab 3.49 a 0.38 a 0.17 0.71 2.23 0.33
EMS 4.77 b 1386 3.55 39.81 b 27.34 b 2.47 b 1.75 ab 39.84 b 3.16 ab 0.35 a 0.12 0.49 1.72 0.37
4LHP 7.73 a 2333 3.31 33.21 ab 20.41 ab 2.80 a 1.91 ab 48.99 a 2.94 bc 0.26 b 0.13 0.66 1.96 0.42
se 1.83 620 0.39 3.90 3.66 0.25 0.15 4.92 0.40 0.06 0.04 0.19 0.66 0.07
p-value 0.13 ns 0.29 ns 0.26 ns 0.03 * 0.04 * 0.02 * 0.10 ns 0.11 ns 0.02 * 0.00 ** 0.51 ns 0.54 ns 0.77 ns 0.63 ns
133
3.2.5. Discussion
The discussion aims to address both central questions of this study: (i) what are the critical
periods for seed storage compounds biosynthesis and maturation? and (ii) how the features
of heat stress sequences in terms of intensity, duration, timing and frequency impact seed
development in oilseed rape?
The major role of the embryo in seed yield and quality acquisition
Oilseed rape shares many similarities with Arabidopsis thaliana, a Brassica model species for
which embryo development from the early embryogenesis to late seed maturation have been
widely documented (Baud et al., 2002; Borisjuk et al., 2013; Fait et al., 2006). As observed in
the histological sections (Figures 4 and 5 (Chap. 3.2.)), the cotyledons keep growing and filling
the volume of the seed during the torpedo stage until the end of embryonic development
(Bewley et al., 2013), and the embryo develops at the expense of the endosperm which is
mostly digested by the two cotyledons. The embryo growth is limited by the available internal
volume in the seed, and at maturity the outer cotyledon can represent more than half of the
fresh weight of the embryo (Borisjuk et al., 2013). Indeed, the period after 60 DAV, which
matched the period of the plant exposure to mild stress and/or heat peaks depending on the
stress sequences, seems to be critical for the embryo growth and the filling process (Figure 4
(Chap. 3.2.)), thus potentially reducing the yield components. Moreover, this spatial occupancy
also underlies the key role of embryo in the deposit of dry matter and seed storage compounds
which are determining for quality-related variables. While flowering is a critical period for seed
set, seed maturation which includes seed reserve accumulation, along with desiccation and
dormancy induction, is determining for seed fresh and dry weights, thus potentially impacting
the total yield (Angadi et al., 2000; Habekotté, 1997b; Leprince et al., 2017). During the seed
filling stage, which is concomitant with late maturation in Brassica species (Leprince et al.,
2017; Righetti et al., 2015), the photosynthetic embryo actively accumulates reserves
(Rolletschek et al., 2003; Tschiersch et al., 2011). Seed filling in Brassica lasts until final
maturation and overlaps the acquisition of physiological quality-related criteria (i.e. longevity,
germinative vigor, storage capacity and dormancy). Therefore, successive stress exposure at
the seed development stages can potentially impacts fatty acids profiles, proteins, soluble
sugars and hormones.
134
Specificities of heat stress-triggered yield changes in indeterminate growth species
Due to the indeterminate growth of oilseed rape, the flowering and seed development stages
overlap and spread over several weeks in the crop cycle. More specifically, this means that
pods, and thus seeds, of different ages are present at the same time on the plant which implies
that when a stressful event occurs, its magnitude effect may differ according to the age of the
pods. Observed results on seed yield and seed components highlighted the age-dependent
features of plant’s critical periods. Seed yield at the final harvest (i.e. 133 DAV) was impacted
by heat stress only for the cohort of podsL<5cm (Table 1 and Figure 2 (Chap. 3.2.)). This was
partially accounted for by a reduction of the seed number in podsL<5cm, as the seed number is
promptly set up over the first 300-400 growing degree days from the onset of flowering
(Angadi et al., 2000; Corlouer et al., 2019; Habekotté, 1997b; Jullien et al., 2011). Indeed,
the most important period for seed set was shown to be concomitant to the flowering period
(Habekotté, 1993), which was also pointed as being a critical period to heat stress for final
yield (Weymann et al., 2015). Consistently, the number of seeds from podsL≥5cm was not
impacted by heat stress, as these older pods contained late maturing seeds during the stress
exposure.
Therefore, stressful events occurring during the embryo growth can potentially impair its
development and the filling of the seed, thus leading to the reduction in individual seed weight
as observed in the other cohorts of pods. Finally, no stress effects were observed on yield
components in seeds from podsFlo, corresponding to the last cohort of pods that developed
from flowers present during or that appeared after the stress sequence. Indeed, the prior heat
stress events might have increased pollen infertility and/or pods abortion in this cohort (Young
et al., 2004), but these effects were eventually not statistically significant in the final seed
production when compared to the Control. Overall, the absence of temperature effects in total
seed yield observed for several harvest dates and specific cohorts of pods highlights
compensatory mechanisms that raise the question of phenotypic plasticity in indeterminate
growth species. As observed in other studies (Aksouh-Harradj et al., 2006; Labra et al., 2017;
Magno et al., 2021; Zheng et al., 2022b), yield losses in oilseed rape caused by environmental
factors can be partially compensated by later-formed pods in terms of seed number and/or
seed weight, thus resulting in a non-significant stress effect on the final seed yield at the plant
scale.
135
Physiological processes involved in the acquisition of seed quality
In oilseed rape, the flowering stage is followed by an increase in leaf senescence, thus reducing
the amount of CO2 fixed by the leaves. From this stage until the end of crop cycle, the pods
ensure most of of the photosynthetic activity, and consequently the production of carbohydrate
reserves to sustain seed development. Seed storage compounds in developing seeds are
mostly synthesized from C and N molecules supplied by the mother plant through the pods,
transferred into the seed mainly in the form of carbohydrates and free amino acids. The
amounts of assimilates imported into the seeds that were synthesized by the pods during their
development can account for 60% of the total assimilate for seed filling (Bennett et al., 2011;
Bewley et al., 2013; Diepenbrock, 2000), whereas only 12–17.5% of reserve carbohydrates
come from the remobilization by the vegetative organs (Habekotté, 1993).
Results in Table 1 (Chap. 3.2.) and Supplemental Data (Tables SD1 and SD2 (Chap. 3.2.))
showed that heat stress did not impact seed C concentration in any cohort of pods. Usually
there is a strong relationship between seed C and FA concentrations, but this was not always
observed in our data (133 DAV, podsFlo vs pods<5cm), probably because heat stress induced
changes in the balance between C used for the synthesis of FA or proteins (Kambhampati et
al., 2020). In addition, translocation of N compounds seems to be a key driver of pods and
seeds ontogenesis (Diepenbrock, 2000). During the filling phase, free amino acids from the
mother plant are metabolized to synthesize the precursors of reserve proteins (Fait et al.,
2006). In contrast to C, which is mostly synthesized by the pods during development, the N
supplied by the mother plant is usually derived from the degradation and the remobilization of
proteins synthesized in vegetative tissues before seed development which represents about
70% of the supplied N at mid-flowering (Diepenbrock, 2000). Our results showed that heat
stress increased N concentration in seeds from podsL≥5cm and podsL<5cm at 76 and 133 DAV
(respectively 9 and 66 days after the end of the heat stress sequence, Table 1 (Chap. 3.2.)
and Supplemental Data, Table SD2 (Chap. 3.2.)), which highlighted that high temperatures
might have favored the degradation of proteins in the plant, the translocation of N compounds
into the seed and, eventually, the metabolism of precursors of reserve proteins, suggesting an
improvement of N remobilization efficiency in oilseed rape. In addition, it is well-known that
the responses of plants to heat stress include the synthesis of heat shock proteins (HSPs) and
other stress-related proteins (Ali et al., 2020; Hassan et al., 2021; Wahid et al., 2007), that
might also contribute to the observed higher protein contents in the present study. As N
concentration in seed is a proxy of total seed protein content (Ezeagu et al., 2002), our results
led to conclude that heat stress can induce a higher protein content in seeds from advanced
136
and intermediate-aged pods exposed to high temperature at the filling stage, as observed in
previous studies (Magno et al., 2021, 2022a). In addition, S concentration increased in seeds
from podsL<5cm, in response to EMS and RSS modalities (up to +35% than the Control; Table
1 (Chap. 3.2.)), thus confirming that protein synthesis is well supported. Moreover, the
synthesis of seed reserve proteins (e.g. mainly napins, rich in S-amino acids, and cruciferins
in oilseed rape) occurs in parallel with the synthesis of lipids (as observed in Arabidopsis
thaliana, Baud et al., 2002). This concomitance results in spatial and energy resources
competition (Borisjuk et al., 2013), which leads to seed negative correlation between protein
and oil concentrations, as highlighted in several previous studies (Kambhampati et al., 2020;
Magno et al., 2021, 2022a; Si et al., 2003). This trade-off between lipids and proteins was also
observed in the present study under heat stress conditions, especially within the EMS and RSS
modalities for which the fatty acid contents decreased while the protein contents increased
(using N content as an indicator) for all of the cohorts at the final harvest (i.e. 133 DAV, Table
1 (Chap. 3.2.)).
Fatty acids metabolism in seeds is also tightly related to starch and oxygen availability. In
seeds of Arabidopsis thaliana, starch is accumulated from the end of embryogenesis and
almost completely degraded during the seed filling phase (Baud et al., 2002), during which
starch represents the first pool of reserves. Oil accumulation is completed when the embryo
reaches its final size and occupies the entire volume of the seed (Borisjuk et al., 2013). The
biosynthesis of FA and its profiles in seeds are determined by the levels of oxygen
concentration. It has been showed that the temperature intensity modifies the unsaturation
degree of FA through its effect on dissolved oxygen levels in the developing seed, which
negatively impacts the desaturases activity and eventually favors linoleic acid content at the
expense of poly-UFAs (Baux et al., 2008; Gauthier et al., 2017; Schulte et al., 2013). Indeed,
Oleoyl-phosphatidylcholine desaturase (FAD2) is a key enzyme involved in fatty acid
desaturation in oilseeds, which was demonstrated to be regulated in vivo via temperature-
dependent endogenous oxygen concentrations in developing seeds of sunflower (Rolletschek
et al., 2007). As this phenomenon seems to be instantaneous, and the effect of temperature
on endogenous oxygen is fully reversible when the temperature intensity returns to non-
stressing levels, it can potentially explain the delayed effect of heat stress in oil concentration
observed in seeds from podsL<5cm (Figure 2b (Chap. 3.2.)). The increase in the ω6:ω3 ratio,
especially in seeds from podsL≥5cm (Figure 2c (Chap. 3.2.)), also highlighted that the
proportions of UFA were reduced under high temperatures. Interestingly, the total oil content
in seeds from podsL≥5cm was reduced from 76 to 133 DAV, in contrast to seeds from podsFlo,
for which oil content continuously increased until the end of the crop cycle. These results
137
highlighted the importance of considering the three cohorts of different age, as they faced
heat stress at different stages of the seed development. As documented in Arabidopsis
thaliana, this decrease in oil content at the end of seed maturation is due to a remobilization
of energy sources at the end of seed development, so as to ensure the final maturation of the
seed independently of the other plant parts (Baud et al., 2002).
As described previously, photo-assimilates are mainly transferred into the seeds in the form of
carbohydrates (i.e. sucrose). During the early embryonic stages, the sucrose is hydrolyzed into
hexoses (i.e. glucose and fructose) by invertases, and it is the main energy supplier (Angeles-
Núñez and Tiessen, 2011). These dynamics were observed in Control seeds from podsL<5cm,
for which the seed sucrose content decreased from 60 to 76 DAV (Supplemental Data, Tables
SD1 and SD2 (Chap. 3.2.)), and then increased at 133 DAV (Table 1 (Chap. 3.2.)) likely due
to a reduction of invertases activity that occurred at the end of the crop cycle. At this stage,
sucrose was directly transferred into the embryo and actively used for the synthesis of storage
compounds as described before. Heat stress increased the sucrose between 60 and 76 DAV
under EMS and 4LHP in seeds from pods<5cm, thus suggesting a heat-induced impairment of
invertase activity (Supplemental Data, Tables SD1 and SD2 (Chap. 3.2.)). In seeds,
carbohydrates can also be present as oligosaccharides, such as the galacto-oligosaccharides
raffinose (trisaccharides composed of fructosyl glucosyl and galatosyl residues) and stachyose
(tetrasaccharide composed of fructosyl, glucosyl and two galactosyl residues). These soluble
sugars were shown to be involved in seed desiccation tolerance and the
[raffinose+stachyose]:sucrose ratio was demonstrated to be a proxy of desiccation tolerance
acquisition (Bailly et al., 2001). Our results highlighted that stachyose was synthetized later in
the developing seeds, such that its presence was detected before the final harvest in seeds
from the oldest cohort of pods only (i.e. podsL≥5cm). Previous results performed in advance-
aged pods showed a decrease in the [raffinose+stachyose]:sucrose ratio under heat stress
compared to control conditions, consistent with the alteration of the integrity of cell
membranes evidenced by a higher seed conductivity measured for this cohort of pods (Brunel-
Muguet et al., 2015b; Magno et al., 2021, 2022a). These observations indicate again the
importance of considering the specific growth patterns of indeterminate growth species.
The effects of heat stress depend on their intrinsic features over time
As expected in long-cycle species, the duration of seed development in oilseed rape is longer
than other economically important crops, which consequently subjects the seed filing and
maturation stages to potential spring heat stresses. Heat events before 60 DAV (Supplemental
138
Data, Table SD1 (Chap. 3.2.)) only impacted TSW, raffinose and sucrose in seeds from old
pods (i.e. podsL≥5cm), and TSW and raffinose in youth pods (i.e. podsFlo). These results indicate
that either there was a direct negative impact of early heat stress on seed development in
podsL≥5cm or indirect delayed effects on seed development in podsFlo. These hypotheses could
be verified when analyzing the effects of the heat stress modalities at 76 DAV (i.e. 9 days after
the end of the stress sequence, Supplemental Data, Table SD2 (Chap. 3.2.)). Indeed, the EMS
and RSS treatments were the most impacting for several performance-related variables, such
as TSW, Total FA, UFA and SFA on seeds from podsL≥5cm, thus highlighting that the early mild
stress probably induced a negative impact on seed development. Finally, the results at the
final harvest (i.e. 133 DAV, Table 1 (Chap. 3.2.)) highlighted the differences between the three
cohorts of pods. Indeed, seeds from the oldest pods (i.e. podsL≥5cm) displayed the lowest oil
content and the highest N content, thus indicating that heat stress impacted seed development
during the filling stage and that these advanced-aged seeds did not compensate the effects of
heat stress after the exposure to the stressing sequences. Seeds from mid-aged pods (i.e.
podsL<5cm) were the most impacted by the heat stress sequences at the final harvest as seed
yield, seed number, all the oil-related variables and nitrogen were penalized. This cohort was
affected by heat stress during the seed set phase, but also at the onset of the filling stage,
thus impacting both yield and quality-related criteria. On the opposite, for youth pods which
underwent heat stress at the flowering stage (i.e. podsFlo), the impacts of heat stress were
observed only on SFA, ω6:ω3 ratio, raffinose and on the soluble sugars ratio. Seed
development for this youth cohort of pods was probably accelerated by heat stress, especially
by the early mild stress event (i.e. in both EMS and RSS protocols). As observed in previous
results (Magno et al., 2021, 2022a), the 4LHP modality was the least penalizing stress
sequence, as seeds from 4LHP had similar characteristics to seeds from Control in several
combinations of cohort of pods and harvest date.
3.2.6. Conclusion
Overcoming heat stress remains a major challenge for sustainable crop production under warm
climate. In general, the survival of plants exposed to heat stress depends on their ability to
perceive the heat stimulus, to generate and transmit signals, and to respond appropriately.
Dynamic harvests combining biochemical and histological analyses were performed under
three heat stress sequences in order to better understand the dynamics of seed development
which are determining for yield components and seed storage compounds signature that
reflects seed quality. The main objective was to demonstrate that the effects of multiple heat
139
stress events applied to developing seeds of Brassica napus L. can greatly vary according to
the timing, the duration, the intensity and the frequency of each event. Our results pointed
out (i) the importance of taking into account the specific features of indeterminate growth
species, as the mixed-aged reproductive organs present in the plant during stress exposition
were not affected within the same range; (ii) possible delayed effects of stressful events as
specific crop performance-related variables were not impacted immediately after the stress
exposure but later in the seed development, as a consequence of downstream events that
involved enzymes, hormones and/or their precursors ; and (iii) intrinsic features of heat waves
i.e. timing, frequency, duration and intensity which impact seed development to varying
extents according to age of pods.
Moreover, this work combines biochemical and histological approaches, which has never been
done before in oilseed rape under repeated heat stress conditions. Indeed, when heat stress
occurs upon seed set - even though its intensity is mild - it affects mostly yield components;
whereas when heat stress occurs later during seed filling, it impacts directly the contents of
primary metabolites (amino acids, organic acids and soluble sugars) and their mobilization for
the synthesis of energy reserves. Interestingly, the heat stress modalities tested in the present
study also induced a re-orchestration of seed metabolism that leads to an accumulation of
proteins at the expense of lipids (RSS and EMS modalities), confirming their strong impact on
seed nutritional quality. Changes in temperature involves a wide range of metabolic processes,
thus suggesting that metabolomics approaches may help to explore the complexity of delayed
effects of successive heat stress on crop performances and seed quality in oilseed rape.
140
Chapitre 4 :
Effets des stress répétés sur deux
générations successives
Chapitre 4 : Effets des stress répétés sur deux générations successives

rendement et la qualité grainière du colza
sur deux générations de plantes stressées
4.1.1. Préambule

projet MEMOSTRESS). Une culture du colza d’hiver sous différentes modalités de stress
thermique et deux apports contrastés en soufre (High Sulphur [HS] et Low Sulphur [LS]) a été
réalisée en conditions contrôlées, pour l’analyse du rendement et de la qualité grainière à
maturité, ainsi que de la vigueur de germination des graines issues de deux générations des
plantes stressées. Les graines utilisées pour cette culture proviennent de plantes soumises aux
stress thermiques lors de l’Expérimentation 1 (EXPE 1, 2016-2017). Il s’agit donc de la culture
dédiée à l’analyse de l’effet des stress thermiques répétés au cours de deux générations
consécutives de plantes stressées (i.e. mémoire intergénérationnelle). La culture en serre a
été réalisée avant mon arrivée au laboratoire pour la thèse, tandis que la récolte à maturité,
les analyses biochimiques, l’acquisition des données, les analyses statistiques des résultats et
la rédaction d’un article scientifique (Magno et al., 2022a) ont été réalisées pendant la thèse.
Puisque les données issues de cette expérimentation concernent des observations au niveau
intergénérationnel, ces données n’ont pas été utilisées à des fins de modélisation. Les données
supplémentaires de cet article (i.e. Supplemental Data) sont présentées dans l’Annexe 7.
Article Magno et al, 2022 EEB : principaux résultats

- L’exposition au stress thermique sur deux générations successives modifient le rendement et
la qualité des graines issues de la seconde génération de plantes stressées.
- Les effets du stress sur la descendance (n+1) sont prédominants par rapport aux effets du
stress sur la plante mère (n) pour la plupart des variables mesurées, indiquant ainsi l'absence
d'effets intergénérationnels associés à nos protocoles de stress. Cependant, l'ampleur des
effets du stress sur la descendance a été modulée par les effets du stress sur la plante mère.
- Les séquences des stress thermiques les plus négatives correspondent à la durée de stress
la plus longue cumulée sur les deux générations. Les variables les plus négativement affectées
sont le poids des graines, la teneur en huile, la capacité de conservation et la dormance des
graines, tandis que la concentration en azote des graines augmente.
- L’application de protocoles de thermo-sensibilisation s’avère une stratégie complexe en raison
de leurs caractéristiques (durée, période, intensité et fréquence de l’événement stressant), qui
sont déterminantes pour induire l’effet sensibilisant sur la variable de performance ciblée.
144
Many studies point out the deleterious effect of high temperatures during the crop reproductive
stages on seed yield and quality. However, the response of plants to repeated stressing events
across plant generations remains poorly investigated, especially in a context of climate change
characterized by increased interseasonal variability frequency in terms of spring and summer
heat waves. In our study, we attempted to gain a better insight on the effects of repeated
heat stresses over two plant generations (i.e. Mother and Progeny plants) on yield
components, seed nutritional and physiological quality criteria, under two contrasting sulphur
supplies. Results measured in seeds that were at the onset of maturation when the
temperature stress was applied indicated that (i) Progeny effects were predominant over
Mother effects on most measured variables, thus indicating no intergenerational effects, (ii)
the extent of the Progeny effects was modulated by the Mother effects e.g. amplified or
attenuated differences on the desiccation tolerance proxy, according to the Mother plant origin,
and (iii) the longer the cumulated duration of the temperature stress over the two plant cycles,
the more negatively impacted the quality criteria with decreased fatty acids concentration,
increased ω6:ω3 ratio, lower desiccation tolerance and increased seed dormancy. Sulphur
limitation had little effect on the Progeny responses to heat stress, thus maintaining similar
trends to those observed under well-supplied plants. This work provides insights to define
thermopriming protocols over multiple plant generations to stabilize or even improve yield and
seed quality in a context of stress exposure fluctuations.
Keywords: intergenerational effect, oilseed rape, seed quality, high temperature, repeated
stresses, priming, stress memory, thermotolerance, sulphur.
145
4.1.2. Introduction
Crop adaptation to ever-changing environment has become one of the major issues for
agriculture to ensure food safety and maintain or improve the quality of harvested products.
The Intergovernmental Panel on Climate Change report (Hoegh-Guldberg et al., 2018)
indicates that extreme events, such as heat waves, are expected to become more frequent,
to last longer and to increase in intensity (Christidis et al., 2015; Trnka et al., 2014). Therefore
the ability to acclimate to repeated and fluctuating environmental stressful conditions has
become a challenging objective in crop breeding, not only at the crop cycle but also across
generations (Delgado et al., 2011; Henry, 2020; Janni et al., 2020; Kakoulidou et al., 2021;
Wang et al., 2017b). Nevertheless, in contrast to single-long lasting or single-short
extreme/mild environmental stresses (Hassan et al., 2021; Janni et al., 2020; Kotak et al.,
2007; Ohama et al., 2016; Wahid et al., 2007; Zhao et al., 2021), repeated stresses remained
much less documented from molecular to the whole plant levels.
Within reasonable limits, the ability to resist to a lethal temperature stress can be conferred
by exposure to a previous mild temperature stress, which induce the ability to survive. This
response is known as acquired thermotolerance in the case of temperature stress (Saidi et
al., 2011; Sung et al., 2003). It underlies that plants are able to store and retrieve information
that they have acquired upon an initial exposure to the stress, which defines stress memory
(Crisp et al., 2016; Hilker and Schmülling, 2019). This information acts as a priming process
with beneficial effects when the stress recurs and it can lead to earlier, more rapid, intense
and sensitive responses that help plants to acclimate in changing environments (Kinoshita and
Seki, 2014). This concept was originally developed to describe plant defence mechanisms
against biotic stresses (Dowen et al., 2012; Frost et al., 2008; Pastor et al., 2013), such that
plants undergoing a second attack by pathogens or herbivores have faster and more robust
responses than upon the first exposure. Then, this concept has been extended to abiotic
stresses in view of other studies which pointed out that repeated mild stressing events, such
as drought, cold, heat or salt stresses, could help stimulating stress memory and alleviating
negative effects of a stressing event alone. A large body of literature described the mechanisms
that contribute to stress memory, which act at different levels of regulation e.g. epigenetic
marks, transcriptional priming, primed conformation of proteins, and/or specific hormonal or
metabolic signatures that are maintained after the stress exposure (Bokszczanin et al., 2013;
Crisp et al., 2017; Groot et al., 2016; Hatzig et al., 2018; Wang et al., 2016). In the case of
heat, it has been found that plants exposed to short periods of mild heat early in their
146
development can later tolerate normally-lethal high temperatures, which is likely to be

explained by epigenetic based regulatory mechanism (Sung et al., 2003).
At the plant cycle level, heat stress memory (i.e. intra-generational or somatic memory) has
been observed in several crops. In bread wheat, pre-anthesis high temperatures improved
carbohydrates remobilization and grain starch accumulation when they faced post-anthesis
intense heat stress (Wang et al., 2014) or heat shock pre-treatment during germination
reduced seed yield losses in post-anthesis heat stressed plants (Zhang et al., 2016). In maize,
exposure to high temperature at the seedling stage was demonstrated to prevent from
permanent damage on plants later subjected to a short heat shock (Sinsawat et al., 2004). In
winter oilseed rape, effects of heat priming applied at the onset of seed maturation led to
higher seed nitrogen content and seed desiccation tolerance for plants later exposed to heat
peaks (Magno et al., 2021).
Beneficial effects of priming have also been investigated across generations to assess whether
positive effects of a pre-acclimation treatment applied on plants could pass on to the offspring
(i.e. inter-generational memory when the memory effect is observed only in the first stress-
free generation, or transgenerational memory when observed in at least two stress-free
generations, Lämke and Bäurle, 2017). To date, few studies have demonstrated the effects
of abiotic stresses across several generations and how stress memory can be transmitted to
offspring (Crisp et al., 2016; Hatzig et al., 2018; Kinoshita and Seki, 2014; Kumar, 2018b;
Molinier et al., 2006; Wang et al., 2016). Most of them characterized responses of Arabidopsis
thaliana as in Whittle et al. (2009), where high temperature on parental and F1 generations
resulted in accelerated flowering and in increased seed yield for plants exposed to heat in the
F3 generation. Likewise, accelerated flowering was also observed in F5 Arabidopsis plants after
two stress-free generations (Suter and Widmer, 2013) and transgenerational effects of mild
heat stress were observed over two generations of heat-stressed Arabidopsis plants on seed
yield (Groot et al., 2017). However, studies of multi-generational heat stress exposure were
much less investigated in valuable crops. In bread wheat, heat priming applied at the pre and
post-anthesis stages to the first generation of plants resulted in greater grain yield and
photosynthesis related parameters in the next generation of plants challenged with post-
anthesis stress (Wang et al., 2016). More transgenerational studies on crops were designed
to assess the effects of other abiotic stresses, such as heavy metals in rice (enhanced tolerance
to mercury of Progenies from stressed Mother plants, Ou et al., 2012) and drought in oilseed
rape (positive effects on seedling vigor of seeds from stressed Mother plants, Hatzig et al.,
2018), or biotic stresses such as herbivory attacks in tomato plants (decreased caterpillars
147
growth on the subsequent generations from parents subjected to caterpillar feeding, Rasmann
et al., 2012).
Because oilseed rape plants display indeterminate growth, different processes will be impacted
by heat stress according to its earliness of occurrence during the reproductive stage. While
heat stress at flowering limits pollination (Sage et al., 2015) and/or induces early pod abortion
resulting in yield losses (Morrison and Stewart, 2002; Young et al., 2004), heat stress that
occurs during seed filling and maturation affects seed storage compounds qualitatively and
quantitatively , leading to seed quality alteration (Aksouh-Harradj et al., 2006; Aksouh et al.,
2001; Baux et al., 2013; Brunel-Muguet et al., 2015b; Magno et al., 2021). In addition, sulphur
(S) nutrition impacts yield components and seed quality in Brassica species because of their
high S requirements (Scherer, 2001; Postma et al., 1999). Sulphur not only contributes to the
synthesis and the signalling of stress tolerance-controlling phytohormones (Hasanuzzaman et
al., 2018), but it might also be associated to epigenetic regulatory mechanisms of
thermotolerance (Bokszczanin et al., 2013), such as DNA methylation which implies S-
adenosylmethionine as a donor of methyl groups (Meng et al., 2018).
In the present study, we analysed the effects of heat stress on the quality of seeds collected
from the second generation of stressed plants (F2, Progeny), also exposed to the same
stressing events as the ones applied to the first generation (F1, Mother). The underlying
hypothesis is that the history of stressful events experienced by the Mother plants would
determine the performances of future generations. Consequently, the monitoring of
temperature sequences in terms of stress intensity, duration and frequency, could be a
promising strategy to design transmissible thermotolerance protocols, along with adequate S
supply in Brassica species.
Experimental treatments and growth conditions
Mother plants (cv. Aviso) were grown under greenhouse conditions in 2016-2017 as described
in Magno et al. (2021). They were subjected to five different temperature modalities (Mother-
modalities) for 17 days from stage GS72. F1 seeds were provided by the Center of Biological
Resources BrACySol (Brassica-Allium-Cynara-Solanum), supervised by the INRAE Center of
Rennes (Brittany, France). For the purpose of our intergenerational study, Progeny plants
(from F1 seeds) were grown under similar conditions as the ones applied to the Mother plants
from October 2018 until July 2019, which included two N applications at the end of
148
vernalization and flowering (100 kg N/ha and 50 kg N/ha respectively) and a single S
application at the end of vernalization (75 kg SO3/ha for the High Sulphur treatment and 25
kg SO3/ha for the Low Sulphur treatment). In the same way as for the Mother plants (F1),
Progeny plants (F2) were subjected to five different temperature modalities (Progeny-
modalities) as illustrated in Figure 1a (Chap. 4.1.). The complete design resulted in 16 Mother
x Progeny stress combinations (Figure 1b (Chap. 4.1.)), that is, 64 plants for each Sulphur
treatment. Because the F1 seeds from the 4LHP Mother-modality were the most negatively
impacted, they were not used as a Mother-modality in the Mother x Progeny combinations.
Figure 1 (Chap. 4.1.) : Experimental design which illustrates the 16 Mother x Progeny stress
combinations from Mother plants grown in 2016-2017 to the Progeny plants grown in 2018-
2019 (a). (b) shows the recordings of hourly temperatures in the greenhouse for each
temperature sequence applied in 2018-2019. As applied on the Mother plants, two contrasting
S conditions (High Sulphur and Low Sulphur) were applied on the Progeny plants (128 plants).
Graphs are displayed by level of sequence complexity: (i) Control modality, (ii) Early Mild Stress
modality (EMS), (iii) 3 Late Heat Peaks (3LHP), (iv) 4 Late Heat Peaks (4LHP) and (v) Priming
modality.
Briefly the different temperature modalities aimed at highlighting any beneficial priming effect
of an early mild stress prior to later heat peaks over the crop cycle (Magno et al., 2021).
Therefore, we applied similar modalities on the Progeny plants as follows: (i) the Control
149
modality with natural thermoperiod conditions, (ii) the Early Mild Stress (EMS) modality that
included 5 mild stress days [i.e. 25.8°C ±1.4 (day, 16h)/22.2°C ± 1.2 (night, 8h)] followed by
12 days under natural thermoperiod (mean, maximum and minimum temperatures being
16.6°C ±2.4, 20.8°C and 12.4°C, respectively), (iii) the 3 Late Heat Peaks (3LHP) modality
that included 14 days under natural thermoperiod followed by 3 mild stress days with one daily
heat peak applied for 5 hours (i.e. 31.1°C ±2.6 between 10 am until 3 pm), (iv) the 4 Late
Heat Peaks (4LHP) modality that included 10 days under natural thermoperiod followed by 7
mild stress days with one daily heat peak on the last 4 days, and (v) the Priming modality
which is the combination of the EMS and the 4LHP modalities.
As described in Magno et al. (2021), we distinguished two categories of pods according to

their developmental stage at the beginning of the temperature modalities exposure. Indeed,
due to their indeterminate growth, oilseed rape plants displayed mixed-aged pods over the 17
day-temperature treatments. Therefore, to avoid any age effect over temperature effect, we
collected two categories of pods separately: pods whose length was greater than 5 cm
(podsL≥5cm), and pods whose length was shorter than 5 cm (podsL<5cm) following the protocol
set up in Magno et al. (2021). When the pods started desiccating, each branch was wrapped
with plastic pouches to avoid the mixing of seeds between the different pod categories.
Seed yield and components
After freeze-drying, the seeds from the two categories of pods were weighed for dry weight
(DW) measurements. To determine the Thousand Seed Weight (TSW), we photographed the
seeds so as to score their number using image analysis algorithms (ImageJ Software,
Schindelin et al., 2012).
Biochemical characteristics of seeds from podsL≥5cm
In the following sections, biochemical characteristics of each individual plant were measured
solely on seeds from podsL≥5cm. Three homogeneous plants out of the four replicates were
harvested and used to perform the analyses (n=3). After harvest, seeds from podsL≥5cm of each
individual plant were pooled and lyophilized for 48h. Then, seeds were manually ground and
the resulting powder was used to perform the biochemical analyses, in different amounts as
indicated in the following detailed protocols.
150
 Seed C/N/S concentrations and protein content
Seed powder (around 3 mg per plant) was placed into tin capsules for elemental analysis. The
percentage of carbon, nitrogen and sulphur was determined with a C/N/S analyser (EA3000,
Euro Vector, Milan, Italy) linked to a continuous flow isotope mass spectrometer (IRMS,
Isoprime, GV Instrument, Manchester, UK). Protein content was calculated using the nitrogen-
to-protein conversion factor of 5.5 (Ezeagu et al., 2002).
 Seed fatty acid concentrations and profiles
Oil content and fatty acids profiles were determined as described in Marchand et al. (2016).
Approximately 30 mg of seeds powder from each plant were suspended in 1 mL of
methanol/toluene/H2SO4 solution (100:20:2.5; v/v) containing C17:0 as internal standard (25
µg mL−1), remaining 1h at 80°C for transmethylation. After cooling, 750 µL of hexane and
1.5 mL of water were added, and the hexane phase containing the resulting Fatty Acid Methyl
Esters (FAMES) was recovered for gas chromatography analysis combined with flame
ionization detection (GC-FID). The FAMES (1 µL) were injected into an Agilent 7890A gas
chromatograph equipped with a DB-WAX column (15m x 1µm, 0.53 mm, Agilent) and FID
system. FAMES were identified by comparing their retention times with those of commercial
standards (Sigma, St. Louis, MO) and quantified using ChemStation (Agilent) to calculate the
peak areas.
 Seed soluble sugar concentrations
Soluble sugars were extracted from 50 mg of seeds powder under water, with three stages of
water bath and centrifugation. A solution with 40 µL melicitose was used as the internal
standard. Sucrose, raffinose and stachyose contents were identified using High Performance
Liquid Chromatography (HPLC), and quantified using a refractive index detector (2410
Differential Refractometer, Millipore Waters, Waters Corporation, MA, USA) as described in
Magno et al. (2021).
 Seed dormancy-related phytohormones
For each treatment, 50 mg of seeds powder were mixed with 500 µL of extraction solvent [2-
propanol/H2O/ concentrated HCl (2:1:0.002, v/v/v)], and then analyzed by HPLC-MS as
described in Pan et al. (2010).
151
Germination time courses at sub (5°C) and optimal (25°C) temperatures
Because the requirements for the germination tests (2 temperatures x 50 seeds per replicate)
were substantial, we used the seeds from podsL<5cm which could provide enough material.
Their developmental stage during the 17 day-stress period (younger stage compared to seeds
from podsL≥5cm) has been considered for the results interpretation. For each tested
temperature, 3 replicates of 50 seeds of each Progeny plants were disposed homogeneously
in a Petri dish, on a double layer of blotting paper and with 10 mL of osmotic water (Ling et
al., 2015). The Petri dishes were sealed with parafilm to maintain constant moisture. They
were put in a growth chamber (Binder KBWF 720, BINDER GmbH, Tuttlingen, Allemagne),
monitored at 5 or 25°C and 80% of humidity. Both temperatures were chosen to track the
germination time courses under a sub-optimal temperature (i.e. 5°C) and an optimal
temperature (i.e. 25°C). Observations and scoring of germinated seeds were regularly carried
out in the light, as prior tests were performed to ensure that the seeds were not photosensitive
(data not shown).
The Gompertz function was fitted to the germination rates for each replicate batch of 50 seeds:
b
G(t) = a exp(− . exp −ct)
c
Were G(t) is the germination percentage at t time (in hour) after sowing. a, b and c are three
parameters of the model: a refers to the maximum germination rate, b and c are shape
parameters of the simulated curve (Brunel et al., 2009). This function is an adjustment model
usually used to simulate the growth of living organisms (Brunel et al., 2009; Dantigny et al.,
2007). Then germination times were deduced and used to compare Progeny-plants
germination behavior. Statistical analyses were performed with Rstudio (R version 4.0.3
Rstudio, PBC) for the final germination rates and for 3 germination times (i.e. T25, T50 and
T75, which correspond to the time to observe 25%, 50% and 75% of germinated seeds
respectively).
Statistical analysis
Both sulphur conditions (i.e. High Sulphur and Low Sulphur) results were analysed separately.
To highlight the intergenerational effects, two-way ANOVAs to test the Mother and Progeny
temperature stress (i.e. the Mother-modalities and the Progeny-modalities) effects were
performed on the measured variables, both considered as independent factors. Residues
independence and normality, and homogeneity of variances were tested before performing
152
the ANOVAs (using Dubin-Watson, Shapiro-Wilk and Bartlett tests respectively). Mother-
modalities, Progeny-modalities and Mother x Progeny interactions effects were analysed using
R software (version 4.0.2, R Core Team, 2020), following a Type III two-way ANOVAs. To
have a complete and balanced model, the [Mother-control x Progeny-control] combination has
been left out, as the Mother-control was only combined to Progeny-control. As interaction
effects were not observed in this experiment, Tukey tests were performed for the significant
factor (i.e. Mother and/or Progeny temperature stress effect) among the 5 Progeny-modalities
or among the 4 Mother-modalities (Tables 1, 2, 3 and 4 (Chap. 4.1.)), also taking in account
the [Mother-control x Progeny-control] treatment. In addition, we performed mean
comparison tests among Progeny-modalities for a given Mother-modality (Supplemental Data,
Tables 1 and 2 (Chap. 4.1.)). Different Progeny-modalities rankings mean that the Mother-
modality modulates the effect of Progeny-modality.
4.1.4. Results
Because S supply is a secondary factor in this study, the results under the Low Sulphur
condition are commented after the results under High Sulphur condition, and the tables and
graphs are given in Supplemental Data (Chap. 4.1.). In doing so, we meant to simply observe
to what extent S limitation modifies the plant performances under heat stress.
Yield components
Table 1 (Chap. 4.1.) displays total yield and yield components (i.e. seed number and TSW) for
the whole plant seeds and for both categories of seeds collected separately (from podsL≥5cm
and podsL<5cm) under the High Sulphur condition. No significant Progeny x Mother interaction
effect was observed for any of the yield-related variables. Total seed yield among the Progeny-
modalities ranged from 5.53 g plant-1 (Progeny-priming) to 7.92 g plant-1 (Progeny-control)
with a significant Progeny effect (p<0.001). The decrease in the total seed yield was only
significant for the Progeny-priming (-30% relative to Progeny-control) as a consequence of
the seed yield penalties for podsL<5cm which was important in this treatment (-43% relative to
Progeny-control) and globally affected by all the Progeny-modalities (p<0.001). A significant
Progeny effect was also observed on TSW for total pods and both pod categories. Decreases
in the TSW were observed for all the Progeny-modalities compared to the Progeny-control,
with the Progeny-priming modality being the most penalizing modality (-29%, -32% and -27%
for total pods, podsL<5cm and podsL≥5cm respectively from the Progeny-control value). No Mother
153
effect was observed except for TSW from podsL≥5cm (p<0.05), with the Mother-EMS being 22%
lower than the Mother-control. Regarding the Progeny-modalities ranking for a given Mother-
modality under High Sulphur condition (Supplemental Data, Table 1 (Chap. 4.1.)), no
difference in rankings were observed for total seed yield nor total TSW, as for every Mother-
modality the Progeny-priming and the Progeny-control were respectively the most and the less
penalizing modalities. For seeds from podsL≥5cm differences can be observed for Mother-3LHP,
with Progeny-control having the lowest values (along with Progeny-priming and Progeny-EMS
for seed yield from podsL≥5cm). For seeds from podsL<5cm, different rankings among Progeny-
modalities were observed for seed yield and TSW i.e. lowest seed yield for Progeny-priming
under Mother-EMS and Mother-priming only, and lowest TSW for Progeny-priming under
Mother-3LHP and Mother-priming only.
As observed under the High Sulphur condition, no significant Progeny x Mother interaction
effect was observed for any of the yield-related variables under Low Sulphur condition
(Supplemental Data, Table 3 (Chap. 4.1.)). Total seed yield among the Progeny-modalities
ranged from 5.60 g plant-1 (Progeny-priming) to 7.25 g plant-1 (Progeny-control) with a
significant Progeny effect (p<0.001). The decrease of seed yield under the temperature
modalities resulted from decreased yield of seeds from podsL<5cm (p<0.01). Seed number (i.e.
total, podsL<5cm and podsL≥5cm) were not impacted by the Progeny nor by the Mother modalities,
although the total seed number displayed a significant Mother effect (p<0.01) with the Mother-
priming having the highest value (+30% from the Progeny-control value). A significant
Progeny effect was observed on TSW for total pods and both pod categories (p<0.001) and a
Mother effect was also observed for total pods and podsL<5cm (p<0.001, Supplemental Data,
Figure 1 (Chap. 4.1.)). Both Progeny and Mother effects led to decreased TSW with the Mother-
priming and Progeny-priming being the most penalizing sequences (Supplemental Data, Table
3 (Chap. 4.1.)). Regarding the Progeny-modalities ranking for a given Mother-modality under
Low Sulphur condition (Supplemental Data, Table 2 (Chap. 4.1.)), differences in rankings were
observed for total seed yield under Mother-EMS and Mother-3LHP, with the Progeny-priming
being the most penalizing modality. The Progeny-priming modality was also the most
impacting on TSW whatever the Mother-modalities. As for the total seed number, Progeny
rankings were different only under the Mother-priming modality, with Progeny-EMS having the
lowest value. For both pods categories, the Mother-priming and Mother-3LHP modalities
impacted the Progenies ranking for TWS while the Mother-EMS modality only affected TSW of
seeds from podsL≥5cm.
154
Nutritional seed quality criteria
 Seed C and S concentrations
Under High Sulphur condition, the seed C and S concentrations (Table 2 (Chap. 4.1.)) were
slightly impacted by Progeny-modalities (p<0.05 and p<0.01, respectively), but neither Mother
nor Progeny x Mother interaction effects were not observed. The Progeny-priming modality
displayed the lowest C concentration (5% lower than the Progeny-control), whereas the
Progeny-EMS modality displayed the highest value. Adversely, the seeds from the Progeny-
priming modality plants displayed the highest seed S concentration (32% higher than the
Progeny-control). Regarding the Progeny-modalities ranking for a given Mother-modality under
High Sulphur (Supplemental Data, Table 1 (Chap. 4.1.)), rankings among Progeny-modalities
differed under Mother-3LHP and Mother-EMS modalities. For C concentration, while Progeny-
control displayed the highest value among the Progeny-modalities for the Mother-3LHP, its
value was the lowest among the Progeny-modalities for the Mother-EMS.
As observed under the High Sulphur condition, only a Progeny effect was observed on C and
S concentrations under the Low Sulphur condition (Supplemental Data, Table 4 (Chap. 4.1.)).
Similarly, the Progeny-priming displayed the lowest C concentration (-7% from the Progeny-
control). By contrast, while the Progeny-priming significantly displayed the highest value in S
under High Sulphur condition, the Low Sulphur condition alleviated the increase under the
Progeny-priming and negatively impacted the value under the Progeny-EMS (-19% from the
Progeny-control). Regarding the Progeny-modalities ranking for a given Mother-modality under
Low Sulphur (Supplemental Data, Table 2 (Chap. 4.1.)), the Progeny-priming was the most
negatively impacted modality regarding the C concentration under the Mother-EMS and
Mother-3LHP modalities, while it was the Progeny-EMS under the Mother-priming modality.
For S concentration, the Progeny-modalities were significantly ranked only under Mother-EMS,
with the Progeny-EMS displaying the lowest value (-36% from the Progeny-control).
 Seed N and total protein concentrations
Table 2 (Chap. 4.1.) displays seed N and protein concentrations. Similar to C and S, the seed
N and protein concentrations were only affected by Progeny-modalities (p<0.001). The highest
N and protein concentration values were observed for the Progeny-priming modality (+24%
compared to Progeny-control). These observations lead to conclude that the early mild stress
had a positive effect over the late heat peaks, which suggested an alleviating effect. Rankings
among the Progeny-modalities under High Sulphur condition (Supplemental Data, Table 1
(Chap. 4.1.)) for N concentrations were not changed whether the Mother-modality, with
155
Progeny-priming and Progeny-control seeds having the highest and the lowest values
respectively. As observed under the High Sulphur condition, only a Progeny effect was
observed to N and protein concentrations under the Low Sulphur condition (Supplemental
Data, Table 4 (Chap. 4.1.)), with the Progeny-priming modality displaying the highest values
(+12% compared to Progeny-control). Rankings among the Progeny-modalities under Low
Sulphur condition (Supplemental Data, Table 2 (Chap. 4.1.)) for N concentrations were not
changed for the Mother-EMS, while Progeny-priming displayed the highest values under
Mother-priming and Mother-3LHP.
 Fatty acids concentration and profiles
Total FAs, saturated FAs (SFAs) and unsaturated FAs (UFAs) concentrations under High
Sulphur condition are displayed in Table 2 (Chap. 4.1.). The 3 variables were strongly impacted
by the Progeny-modalities (p<0.001), but no Mother nor Progeny x Mother interaction effects
were observed. Total FAs ranged from 11.00 %DW (Progeny-priming) to 28.67 %DW
(Progeny-control) among the Progeny-modalities and decreases in total FAs concentration
were observed on seeds from all the heat stressed plants compared to Progeny-control,
although only the Progeny-priming mean was significantly lower (-61% compared to Progeny-
control). The SFAs (including C16:0, C18:0, C20:0, C22:0) concentrations ranged from 1.90
%DW (Progeny-priming) to 2.51 %DW (Progeny-3LHP) and the UFAs (including C16:1, C18:1,
C18:2, C18:3, C20:1) concentrations ranged from 15.11 %DW (Progeny-priming) to 26.26
%DW (Progeny-control). Overall, the Progeny-priming modality had the greatest impact on
decreasing FAs concentration, as a result of both SFAs and UFAs decreased concentrations,
meaning that the early mild stress event did not alleviate the negative effects of the later heat
peaks. These decreases are in line with increased proteins concentration as usually observed
in oilseed crops for which oil and protein contents are inversely proportional. The ω6:ω3 ratio
(i.e. C18:2/C18:3 ratio) is commonly used as an indicator of the health quality of vegetable
oils. This ratio was significantly impacted by the Progeny and Mother-modalities (p<0.001 and
p<0.05, respectively), but no significant Progeny x Mother interaction effects were observed
(Table 2 and Figure 2 (Chap. 4.1.)). The lowest ratios were observed on both Mother-control
and Progeny-control modalities. The highest ω6:ω3 ratios were observed for the Progeny-
priming (+43% compared to Progeny-control) and for the Mother-EMS (+18% compared to
Mother-control). These results indicated that the number of desaturations decreased with
greater duration of stress exposure. Whatever the Mother-modality, ranking among Progeny-
modalities under High Sulphur (Supplemental Data, Table 1 (Chap. 4.1.)) remained unchanged
for the total FAs, SFAs and UFAs concentrations, with the Progeny-priming being the most
156
impacting modality (lowest values). Similarly, extreme rankings among Progeny-modalities for
the ω6:ω3 ratio remained unchanged with Progeny-priming and Progeny-control having the
highest and the lowest values whatever the Mother-modality.
Figure 2 (Chap. 4.1.) : Boxplots of the ω6:ω3 ratio measured in seeds from podsL≥5cm under
High Sulphur condition among mother modalities (top) and progeny modalities (bottom). This
ratio is the main quality criteria impacted significantly by both Mother and Progeny modalities.
Letters indicate the ranking among all the treatments (including the control). P-values and
levels of significance are given on Table 2 (Chap. 4.1.). EMS: Early Mil Stress modality, 3LHP:
3 late heat peaks modality, 4LHP: 4 late heat peaks modality.
157
As observed under the High Sulphur condition, only a Progeny effect was observed on FA, SFA
and UFA concentrations under the Low Sulphur condition (Supplemental Data, Table 4 (Chap.
4.1.)), with the Progeny-priming displaying the lowest values (-44%, -24% and -46%
compared to Progeny-control, respectively). In addition, the Progeny-EMS also led to
significant decrease (-18%, -12% and -19% compared to the Progeny-control, respectively).
Under Low Sulphur, the ω6:ω3 ratio was only affected by Progeny-modalities (unlikely to the
High Sulphur condition, for which a significant Mother effect was observed). As under High
Sulphur condition, the Progeny-control displayed the lowest values and the Progeny-priming
displayed the highest values (+49% compared to Progeny-control). Rankings among the
Progeny-modalities under Low Sulphur condition (Supplemental Data, Table 2 (Chap. 4.1.))
for FA, SFA and UFA were not changed whatever the Mother-modality, with Progeny-priming
having the lowest values, and the Progeny-control and the Progeny-3LHP modalities having
the highest values.
Physiological seed quality-related criteria
 Soluble sugar ratio as indicator of desiccation tolerance
Table 3 (Chap. 4.1.) gives the concentrations of three soluble sugars found in seeds of oilseed
rape (i.e. sucrose, raffinose and stachyose) under High Sulphur condition. For all of them, only
Progeny effects were observed (p<0.01 for sucrose and raffinose, and p<0.001 for stachyose).
Sucrose concentrations ranged from 2.83 %DW (Progeny-priming) to 3.98 %DW (Progeny-
4LHP). The late heat peaks tended to increase the sucrose concentration, as the Progeny-
3LHP and Progeny-4LHP modalities displayed the highest values. The lowest sucrose
concentrations were observed in the Progeny-priming modality (-12% than in the Progeny-
control). Raffinose and stachyose concentrations were the highest in the Progeny-control and
Progeny-EMS modalities. Under the Progeny-priming modality, raffinose and stachyose
concentrations were respectively 25% and 53% lower than under the Progeny-control. The
[raffinose+stachyose]:sucrose ratio was used as an indicator of drying tolerance i.e. the higher
the value, the more tolerant to desiccation (Bailly et al., 2001). Results ranged from 0.21
(Progeny-priming) to 0.39 (Progeny-EMS) (Table 3 (Chap. 4.1.)), thus indicating indicate that
whatever the Mother-modality, the Progeny-priming modality was the most negatively
impacted for the acquisition of seed desiccation tolerance. When comparing the Progeny-
modalities for a given Mother-modality under High Sulphur (Supplemental Data, Table 1 (Chap.
4.1.)), the lowest [raffinose+stachyose]:sucrose ratio was obtained under the Progeny-priming
for all the Mother-modalities, but the highest ratio was not obtained for the same Progeny-
158
modality i.e. the 4 other Progeny-modalities (including Progeny-control) for the Mother-priming
but only the Progeny-EMS for the Mother-EMS and the Mother-3LHP.
As observed under the High Sulphur condition, only a Progeny effect (p<0.001) was observed
to the three soluble sugars and the [raffinose+stachyose]:sucrose ratio under Low Sulphur
condition (Supplemental Data, Table 5 (Chap. 4.1.)), with the Progeny-priming modality
displaying the lowest values. Similarly, the late heat peaks tended to increase the sucrose
concentration, as the Progeny-3LHP and Progeny-4LHP modalities displayed the highest
values. The rankings among the Progeny-modalities under the Low Sulphur condition were
almost similar to those observed under the High Sulphur condition, thus leading to conclude
that the thermal stress is far more impacting on soluble sugars than sulphur limitation as
applied in our experimental conditions (Supplemental Data, Table 5 (Chap. 4.1.)). When
comparing the Progeny-modalities for a given Mother-modality under Low Sulphur
(Supplemental Data, Table 2 (Chap. 4.1.)), the lowest [raffinose+stachyose]:sucrose ratio was
obtained under the Progeny-priming for all the Mother-modalities.
 ABA:GA3 ratio as indicator of temperature-induced seed dormancy
Because the dynamics of ABA and GA3 controls the balance between dormancy and
germination, the ABA:GA3 ratio was used as a proxy for seed dormancy under stress condition
i.e. a high ABA:GA3 ratio indicates increased secondary seed dormancy, which is induced by
thermo-inhibition (Debeaujon and Koornneef, 2000; Finkelstein, 2013). Table 3 (Chap. 4.1.)
displays the values of the ABA:GA3 ratio under High Sulphur condition. As expected, under
high temperature this ratio increased, but only Progeny effects were observed (p<0.01). The
ABA:GA3 ratio ranged from 0.44 (Progeny-3LHP) to 1.66 (Progeny-priming), thus indicating
that the most negatively impacting modality (highest ratio) corresponded to the longest
cumulated heat days during the Progenies generation. Rankings were different according to
the Mother-modality under High Sulphur (Supplemental Data, Table 1 (Chap. 4.1.)). Significant
lower values of the ratio were observed for Progeny-4LHP and Progeny-3LHP under Mother-
priming, and for Progeny-EMS and Progeny-control under Mother-EMS.
Similar to the High Sulphur condition, only a Progeny effect (p<0.01) was observed to the
ABA:GA3 ratio under Low Sulphur condition (Supplemental Data, Table 5 (Chap. 4.1.)). When
comparing the Progeny-modalities for a given Mother-modality under Low Sulphur
(Supplemental Data, Table 2 (Chap. 4.1.)), different rankings can be observed. While under
Mother-priming the highest and lowest values were observed on Progeny-3LHP and Progeny-
priming respectively, under Mother-EMS the highest and lowest values were observed to
159
Progeny-control and Progeny-EMS respectively, and no differences among the Progenies were
observed under the Mother-3LHP.
 Germination capacity as indicator of seed vigor
The germination time courses (T25, T50 and T75) and the final rates obtained at optimum (25
°C) and suboptimum (5 °C) temperatures under the High Sulphur condition are presented in
Table 4 (Chap. 4.1.). The final germination percentages were high (over 90%) under both
temperatures and only the Progeny effect was significant (p<0.01). The short duration
temperature stress (early mild stress or late heat peaks) have not affected the final rate, as
the Progeny-EMS, Progeny-3LHP and Progeny-4LHP modalities displayed the highest values.
However, under both temperatures (i.e. 25 °C and 5 °C) the Progeny-priming displayed the
lowest final rates, thus suggesting that the longer the stress exposure, the more negative the
impacts on final germination rates. Regarding the time courses, only T25 was significantly
affected by the Progeny-modalities at both germination temperatures (p<0.05), with the
Progeny-priming displaying the lowest values (faster germination). When comparing the
Progeny-modalities for a given Mother-modality under High Sulphur (Supplemental Data, Table
6 (Chap. 4.1.)), different Mother effect on Progeny rankings were observed according to the
germination temperature. At 25 °C, the Progeny-priming modality displayed the lowest final
rates whatever the Mother-modality, followed by the Progeny-control. Differences among the
Progeny T25 values were only observed under Mother-EMS, with the Progeny-control and the
Progeny-priming displaying the highest and lowest values respectively. For T50, differences
among the Progeny-modalities were observed under Mother-priming and Mother-EMS, with
the Progeny-control displaying the highest values. The differences in T75 among the Progeny-
modalities were only observed under Mother-priming, with the Progeny-control and the
Progeny-3LHP displaying the highest and lowest values respectively. In contrast to the results
under optimal temperature, the time courses under 5 °C were only affected under Mother-
3LHP, with Progeny-EMS displaying the lowest T25, T50 and T75 values. Globally, heat stress
under High Sulphur condition accelerated germination time (Figure 3 (Chap. 4.1.)). Although
the thermal modalities applied on the Progeny plants were more impacting than those applied
on the Mother plants, the history of the Mother plants modified the Progeny-modality effects
on the germination time courses and final rates of the seeds from the Progeny plants.
Under Low Sulphur condition, no significant Progeny, Mother nor interaction effects were
observed for any germination variables at 25 °C, except for T75 which was impacted by the
Mother modalities (p<0.05) (Supplemental Data, Table 7 (Chap. 4.1.)). By contrast, under 5
°C T25, T50 and T75 were affected by the Progeny-modalities (p<0.01) and a slight Mother
160
effect (p<0.05) can be observed on T75. The Progeny-EMS modality displayed the lowest
values of T25, T50 and T75, thus suggesting a faster germination. The final rates were only
impacted by a Progeny x Mother interaction effect, thus suggesting that the final germination
rate was the result of the stress exposure of both generations. When comparing the Progeny-
modalities for a given Mother-modality under Low Sulphur (Supplemental Data, Table 8 (Chap.
4.1.)), different Mother effects were observed. At 25 °C, differences in the final rate among
the Progenies were observed under Mother-priming and Mother-3LHP, with Progeny-EMS
displaying the highest values in both Mother-modalities. Differences in germination times were
observed only under Mother-priming, with the Progeny-priming displaying the lowest values
to T25, T50 and T75 (faster germination). At 5 °C, the final rates were different under Mother-
priming and Mother-3LHP, with lower values for the Progeny-3LHP and the Progeny-control
respectively. Differences in T25 and T50 were observed only under the Mother-priming, with
Progeny-EMS displayed the lowest values (faster germination). The slowest germination rates
(i.e. higher T75) were observed for Progeny late heat peaks modalities irrespective of the
Mother-modalities. Globally, heat stress under the Low Sulphur condition accelerated
germination to some extent according to the Mother-modalities (Supplemental Data, Figure 8
(Chap. 4.1.)), but these observations were less obvious than under the High Sulphur condition.
161
Figure 3 (Chap. 4.1.) : Germination time courses at 25◦C (left) and 5◦C (right) under High Sulphur condition. Each graph illustrates the
germination time courses for the 5 Progeny-modalities (including the [Mother-Control x Progeny-Control] combination for reference) for a given
Mother modality. Dots are germination observations and lines are fitted Gompertz functions. Vertical bars denote standard errors. P-values of the
germination time courses (T25, T50 and T75) and final germination rates are given in Table 4 (Chap. 4.1.). EMS: Early Mild Stress modality,
3LHP: 3 late heat peaks modality, 4LHP: 4 late heat peaks modality.
162
Table 1 (Chap. 4.1.) : Yield components distinguishing the two pools of pods (i.e. podsL<5cm and podsL≥5cm at the beginning of the temperature
stress application). Results are presented by factor (Progeny-modality and Mother-modality) under High Sulphur condition. For a given variable,
different letters (Tukey multiple comparisons test) indicate the ranking among Progeny or Mother modalities (including the control). P-values and
levels of significance are given for Progeny, Mother and Progeny x Mother interaction effects. Levels of significance: ns non-significant, p<0.05*,
p<0.01**, p<0.001***. SE: standard error, TSW: Thousand Seed Weight.
Total pods Pods L < 5cm Pods L ≥ 5cm

-1 -1 -1
Factor\Variables Yield (g.pl ) Seed number TSW (g) Yield (g.pl ) Seed number TSW (g) Yield (g.pl ) Seed number TSW (g)
Progeny-modalities
Control 7.92 a 1838 ns 4.34 a 5.67 a 1347 ns 4.25 a 2.25 ns 491 ns 4.76 a
Early mild stress 6.84 a 1711 ns 4.04 a 4.50 ab 1150 ns 3.90 a 2.34 ns 560 ns 4.31 a
3 late heat peaks 7.53 a 1911 ns 3.98 a 4.70 ab 1239 ns 3.79 a 2.83 ns 672 ns 4.42 a
4 late heat peaks 6.91 a 1813 ns 3.91 a 3.51 b 970 ns 3.64 ab 3.39 ns 842 ns 4.30 a
Priming 5.53 b 1843 ns 3.10 b 3.24 b 1155 ns 2.91 b 2.29 ns 687 ns 3.48 b
se 0.29 116 0.14 0.34 85 0.17 0.39 82 0.17
Mother-modalities
Control 7.92 ns 1741 ns 4.55 ns 6.15 ns 1394 ns 4.42 ns 1.77 ns 347 ns 5.10 a
Early mild stress 7.17 ns 1951 ns 3.72 ns 4.21 ns 1164 ns 3.61 ns 2.96 ns 786 ns 3.95 b
3 late heat peaks 6.92 ns 1761 ns 3.95 ns 4.14 ns 1100 ns 3.75 ns 2.78 ns 660 ns 4.25 ab
Priming 6.76 ns 1777 ns 3.91 ns 4.54 ns 1243 ns 3.70 ns 2.21 ns 534 ns 4.50 a
se 0.32 91 0.15 0.40 95 0.16 0.32 113 0.14
Progeny effect 0.000 *** 0.856 0.000 *** 0.001 ** 0.169 0.001 ** 0.309 0.187 0.002 **
Mother effect 0.533 0.359 0.375 0.589 0.449 0.797 0.251 0.430 0.044 *
Progeny x Mother 0.604 0.900 0.600 0.283 0.663 0.544 0.529 0.752 0.815
163
Table 2 (Chap. 4.1.) : Nutritional seed quality criteria measured in seeds from podsL≥5cm. Results are presented by factor (Progeny-modality
and Mother-modality) under High Sulphur condition. For a given measured variable, different letters (Tukey multiple comparisons test) indicate
the ranking among Progeny or Mother modalities (including the control). P-values and levels of significance are given for Progeny, Mother and
Progeny x Mother interaction effects. Levels of significance: ns non-significant, p<0.05*, p<0.01**, p<0.001***. SE: standard error, DW: dry
weight, FA: fatty acid, UFA: unsaturated FA, SFA: saturated FA.
Seed C, S, N and protein concentrations (%DW) Oil content and fatty acids (%DW)
-1
Factor\Variables Carbon Sulphur Nitrogen Protein (mg.g ) FA SFA UFA ω6:ω3 ratio
Progeny-modalities
Control 47.53 ab 0.34 b 3.30 b 181.47 b 28.67 a 2.40 a 26.26 a 1.72 d
Early mild stress 48.14 a 0.37 b 3.52 b 193.99 b 26.67 a 2.28 a 24.39 a 1.68 d
3 late heat peaks 47.74 ab 0.35 b 3.39 b 186.53 b 27.99 a 2.51 a 25.48 a 1.87 c
4 late heat peaks 46.89 ab 0.37 b 3.56 b 195.87 b 26.05 a 2.49 a 23.56 a 2.16 b
Priming 45.00 b 0.45 a 4.09 a 225.35 a 17.00 b 1.90 b 15.11 b 2.46 a
se 0.54 0.02 0.25 5.86 0.89 0.07 0.83 0.04
Mother-modalities
Control 48.53 ns 0.35 ns 3.21 ns 176.71 ns 29.15 ns 2.41 ns 26.74 ns 1.72 c
Early mild stress 46.41 ns 0.36 ns 3.57 ns 196.33 ns 25.00 ns 2.33 ns 22.67 ns 2.03 a
3 late heat peaks 47.52 ns 0.37 ns 3.60 ns 198.25 ns 25.77 ns 2.32 ns 23.45 ns 1.91 b
Priming 47.06 ns 0.39 ns 3.57 ns 196.29 ns 24.96 ns 2.30 ns 22.67 ns 1.99 ab
se 0.82 0.02 0.12 6.63 1.15 0.08 1.08 0.07
Progeny effect 0.011 * 0.008 ** 0.000 *** 0.000 *** 0.000 *** 0.000 *** 0.000 *** 0.000 ***
Mother effect 0.269 0.465 0.945 0.943 0.664 0.881 0.631 0.029 *
Progeny x Mother 0.109 0.941 0.132 0.133 0.256 0.286 0.259 0.589
164
Table 3 (Chap. 4.1.) : Seed physiological quality values measured in seeds from podsL≥5cm. Results are presented by factor (Progeny-modality
and Mother-modality) under High Sulphur condition. For a given measured variable, different letters (Tukey multiple comparisons test) indicate
weight, ABA: abscisic acid, GA3: gibberellic acid.
Soluble sugars Hormones

Sucrose Raffinose Stachyose [Raffinose+stachyose] : ABA:GA3
Factor\Variables (%DW) (%DW) (%DW) sucrose ratio ratio
Progeny-modalities
Control 3.23 b 0.20 a 0.99 a 0.37 a 0.58 b
Early mild stress 3.10 b 0.23 a 0.98 a 0.39 a 0.75 b
3 late heat peaks 3.55 ab 0.18 ab 0.97 a 0.32 ab 0.44 b
4 late heat peaks 3.98 a 0.19 ab 0.94 a 0.29 bc 0.65 b
Priming 2.83 b 0.15 b 0.46 b 0.21 c 1.66 a
se 0.17 0.01 0.06 0.01 0.18
Mother-modalities
Control 3.18 ns 0.23 ns 1.09 ns 0.41 ns 0.67 ns
Early mild stress 3.31 ns 0.20 ns 0.86 ns 0.32 ns 0.85 ns
3 late heat peaks 3.23 ns 0.18 ns 0.82 ns 0.31 ns 0.55 ns
Priming 3.47 ns 0.19 ns 0.91 ns 0.32 ns 1.00 ns
se 0.14 0.01 0.06 0.02 0.25
Progeny effect 0.003 ** 0.008 ** 0.000 *** 0.000 *** 0.001 **
Mother effect 0.526 0.493 0.430 0.775 0.212
Progeny x Mother 0.777 0.959 0.547 0.058 0.459
165
Table 4 (Chap. 4.1.) : Germination variables measured at optimal (25◦C) and suboptimal (5◦C) temperatures. Results are presented by factor
(Progeny-modality and Mother-modality) under High Sulphur condition. T25, T50 and T75 represent respectively the time (in hours) for 25%,
50% and 75% of germinated seeds, as adjusted from the observations with the Gompertz functions. Final rate is the observed final rate (in
percentage). For a given measured variable, different letters (Tukey multiple comparisons test) indicate the ranking Progeny or Mother modalities
(including the control). P-values and levels of significance are given for Progeny, Mother and Progeny x Mother interaction effects. Levels of
significance : ns non-significant, p<0.05*, p<0.01**, p<0.001***. SE: standard error.
Germination at 25°C Germination at 5°C
Factor\Variables T25 (h) T50 (h) T75 (h) Final rate (%) T25 (h) T50 (h) T75 (h) Final rate (%)
Progeny-modalities
Control 14.7 a 16.6 ns 19.6 ns 93 b 97.3 a 111.5 ns 131.1 ns 98 a
Early mild stress 13.4 a 15.8 ns 18.9 ns 99 a 81.9 a 98.9 ns 120.8 ns 98 a
3 late heat peaks 14.2 a 15.6 ns 17.5 ns 98 ab 99.7 a 111.4 ns 126.4 ns 99 a
4 late heat peaks 13.2 a 15.1 ns 17.7 ns 98 ab 100.4 a 112.3 ns 127.7 ns 98 a
Priming 12.8 a 15.5 ns 19.3 ns 93 b 79.3 b 104.7 ns 139.3 ns 94 b
se 0.5 0.4 0.5 1.0 5.1 4.7 5.3
Mother-modalities
Control 14.1 ns 16.8 ns 20.6 ns 97 ns 95.6 ns 111.4 ns 133.4 ns 96 ns
Early mild stress 13.9 ns 15.9 ns 18.4 ns 95 ns 93.9 ns 109.1 ns 129.1 ns 98 ns
3 late heat peaks 13.1 ns 15.2 ns 18.0 ns 98 ns 90.3 ns 105.1 ns 125.1 ns 97 ns
Priming 14.0 ns 16.1 ns 19.2 ns 95 ns 91.2 ns 109.1 ns 132.6 ns 98 ns
se 0.4 0.4 0.5 1.4 4.3 4.5 6.1
Progeny effect 0.037 * 0.131 0.063 0.000 *** 0.046 * 0.405 0.302 0.007 **
Mother effect 0.168 0.111 0.178 0.147 0.859 0.765 0.533 0.810
Progeny x Mother 0.226 0.056 0.141 0.254 0.856 0.808 0.687 0.797
166
4.1.5. Discussion
Progeny effects overrule Mother effects in most seed quality criteria
Under both sulphur conditions, Progeny effects were predominant over Mother effects on most
variables. Overall, our findings suggest that the effects of Mother-modalities (as described in
Magno et al., 2021) did not pass on to the next generation, which supports that the stress-
triggered modifications at the Mother level were erased. In consistence with Herman and
Sultan (2011), Mother effects (i.e. herein transgenerational plasticity) do not entail negative
impacts of the history of the Mother plants, such that they could be erased/reset when passed
on to the next generation. This was not observed in Groot et al. (2017), as seed size was
positively affected by Mother effect and to a much lesser extent Progeny effect. Because of
contrasting findings in the literature, fine description of stress sequences i.e. in terms of stress
intensity, duration, frequency and synchrony with phenological stages, are required to
interpret resetting vs. memory strategies from an adaptive perspective at the light of the
metabolic costs that sustain individual and species survival.
Regarding yield components, the Progeny effects were observed on yield and TSW from total
seeds and seeds from podsL<5cm, and TSW of seeds from podsL≥5cm, with the Progeny-priming
being the most penalizing modality under both S conditions. Heat stress during flowering was
shown to reduce seed yield as a consequence of alterations of gametogenesis, fertilization and
damage on post-fertilization structures in canola (Elferjani and Soolanayakanahally, 2018).
Other studies described the trade-off between grains number and grain weight and highlighted
a hierarchy in the plasticities of these components such that the grain number was the only
component able to adjust to massive stressful changes in contrast with grain weight (wheat,
Slafer et al. (2014). By contrast, our results indicated that the number of seeds could not be
adjusted anymore at the time of stress exposure whatever the pod categories and that the
weight of seeds from podsL≤5cm were the most impacted by stresses, in line with our previous
conclusions (Magno et al., 2021). Under Low Sulphur, the other Progeny-modalities also
impacted these seed yield components, but to a lesser extent (Table 1 (Chap. 4.1.) and
Supplemental Data, Table 3 (Chap. 4.1.)). The one-off Mother effects were only observed on
TSW of seeds from podsL≥5cm under High Sulphur, and total TSW and TSW from podsL<5cm
under Low Sulphur. These observations suggest that the Low Sulphur condition applied on the
Progeny plants might have delayed flowering and further seed development and maturation,
thus leading to Mother effects observed on younger seeds (from podsL<5cm) at the timing of
heat stress. They also indicate that two consecutive generations of plants growing in a S
limiting environment are more susceptible to high temperature stress, thus leading to lower
167
thermotolerance compared to well-supplied plants. In addition, although Mother effects were

weak, Mother-modalities impacted the Progenies performances in response to the Priming
treatment in different directions (Supplemental Data, Tables 1 and 2 (Chap. 4.1.)). For
instance, under the High Sulphur condition, while the Mother-3LHP induced contrasting
progeny rankings for seed yield and seed number from podsL≥5cm, the Mother-EMS alleviated
the differences among the Progeny-modalities for TSW of seeds from podsL≥5cm (as the
Progeny-priming did not differ anymore from the other Progeny-modalities). Under the Low
Sulphur condition, the effects of the Mother-modalities on the Progeny rankings were also
observed although distinct Mother-modalities alleviated or exacerbated the Progeny effects
among the Progeny-modalities. The lowest total seed yield was also observed for seeds from
two generations of plants challenged with the Priming treatment i.e. which underwent the
longest cumulated duration of stressing days, as previously shown at the plant cycle level in
Magno et al. (2021).
Similar to the yield-related variables, Progeny effects also prevailed over Mother effects on the
concentrations of FAs-related variables and N under both sulphur conditions, as a one-off
Mother effect was observed on the ω6:ω3 ratio under the High Sulphur condition (Table 2 and
Supplemental Data, Table 4 (Chap. 4.1.)). As observed in Magno et al. (2021), the Progeny-
priming (i.e. the longest stress duration) was also the most negative to FAs, SFAs, UFAs
concentrations (low values) and to ω6:ω3 ratio (high value), which resulted in opposite effects
on seed N and protein concentrations which is a well-known negative relationships in oil crops
(Si et al., 2003 and references herein; Hammac et al., 2017). These observations confirm that
high temperature throughout seed filling induced negative impacts on FAs contents and quality
i.e. decreases in poly-UFAs in favor of SFAs and mono-UFAs, thus leading to high ω6:ω3 ratio
as a result of temperature-triggered impairment of desaturase enzyme activity (Aksouh-
Harradj et al., 2006; Baux et al., 2013; Brunel-Muguet et al., 2015b; Gauthier et al., 2017).
In consistence with the observations on yield components and nutritional quality criteria, seed
desiccation tolerance, seed dormancy and germination behaviour were only impacted by
Progeny-modalities. For both sulphur conditions, Progeny values pointed out that the longest
the cumulated stress duration (over the two generations), the more negative the effects i.e.
low [raffinose+stachyose]:sucrose ratio suggesting low desiccation tolerance, and high
ABA:GA3 ratio indicating high seed dormancy. Nevertheless, under Low Sulphur Mother effects
were observed on T75 at both germination temperatures along with interaction effects on the
final rate at 5°C (Supplemental Data, Table 7 (Chap. 4.1.)). A slight positive effect of short
heat stress applied on the Progeny plants (EMS, 3LHP and 4LHP) was observed on the final
168
rate at both temperatures under High Sulphur in contrast to the sulphur limiting conditions,
for which the germination times courses were slowed down (Supplemental Data, Table 8,
Figure 2 (Chap. 4.1.)), in line with prior studies (Brunel-Muguet et al., 2015b; D’hooghe et al.,
2019). Consistently with most prior results, the lowest final germination rates at the optimal
temperature were observed for seeds from the modalities combination that matched the
longest stress duration over the two plant generations (Supplemental Data, Table 6 (Chap.
4.1.)). In terms of features of the stress events, the shortest duration combination over the
two generations, which also matched with the latest events [Mother-3LHP x Progeny-3LHP]
tended to be the least penalizing scenario for the yield and FAs- related variables (except for
the ω6:ω3 ratio), which was less remarkable for N concentration, soluble sugars and the
ABA:GA3 ratio under High Sulphur. As expected, the longest stress duration over the two
generations which also matched with the earliness of stress application [Mother-priming x
Progeny-priming] tended to be the most negative, except on N concentration. Under the
sulphur limiting conditions, these observations slightly differed as a consequence of a delay in
the phenology which impacted younger pods than under the non-limiting sulphur condition
(e.g. total seed yield).
Intergenerational thermopriming protocols as climate acclimation strategy
One outcome of our study deals with the identification of Mother x Progeny stress combinations
that penalize or improve yield and quality of seeds from two stressed generations, hence
guiding towards thermotolerance acquisition breeding schemes. Figure 4 (Chap. 4.1.) displays
the values of yield components and nutritional and physiological quality criteria for the 15
Mother x Progeny modalities combinations, expressed as the relative difference to the [Mother-
control x Progeny-control] combination (i.e. both Mother and Progeny plants were grown under
natural conditions). Similar patterns of responses to these combinations were observed for
both sulphur conditions, such that the results will be discussed regardless of the S conditions
and specifications will be provided when differences are observed.
Regarding yield components, slight increases in total yield were only observed under Progeny-
control that derived from Mother-priming or Mother-EMS, which also demonstrate the
overruling effect of the Progeny-modalities. The most negative combinations implied either the
longest stress duration over the two generations or late stress events which impaired the filling
phase of seeds from lately-fertilized flowers. In contrast, the number of seeds increased at the
expense of averaged seed weight as usually observed for R-selected species such as the wild
relative Arabidopsis that favors the dispersal of a large number of seeds which is not
169
predetermined before the reproductive stage as a consequence of adjustments to later

stresses (Bennett et al., 2011). This trade-off between seed size and number was particularly
exacerbated under our stressing conditions as it was also observed under drought stress
(sesame, Najafabadi and Ehsanzadeh, 2017; wheat, Slafer et al., 2014). As previously
mentioned, grain number appears to be a coarse-tuning stress-adjustment variable where
grain weight might to act as a fine-tuning mechanism.
Under Low Sulphur, the features of the combinations that led to decreased yield and decreased
seed weight gathered late events over the two generations which also matched the most
intense events. This was likely explained by the delay and slowdown in the phenology induced
by sulphur limitation (although moderate) which extended the seed development period until
the late heat peaks event, thus resulting in longer heat stress sensitive window and penalties
on later-formed pods and seeds.
The total FA concentration was negatively impacted under almost all combinations, with the
most pronounced effects being induced by a high cumulated duration (i.e. for Progeny-priming
modalities regardless of the history of the Mother plants). Indeed, two combinations under
High Sulphur, led to unchanged concentrations i.e. [Mother-EMS x Progeny-EMS] and [Mother-
3LHP x Progeny-3LHP] which indicates that the shortest the duration over the two generations,
the less impacting. The little impact of an early stress is consistent with the mismatch with
timing of seed storage compounds biosynthesis which starts by lipids along with starch (Baud
et al., 2002; Borisjuk et al., 2013). As expected, the concentrations in SFA benefited from high
temperature as a consequence of the impairment in the desaturase enzyme activity (Menard
et al., 2017) with logically more pronounced effects upon late events during the Progeny cycle,
regardless of the history of the Mother plants. Therefore, increased values of the ω6:ω3 ratio,
which is a negative diet characteristic (Simopoulos, 2006), were more prone to be observed
under the late heat peaks modalities. By contrast, an early mild stress on the Progenies,
regardless of the history of the Mother plants, slightly decreased the ω6:ω3 ratio, thus
improving this targeted characteristic. As expected, due to the extension of the heat stress
sensitive window resulting from sulphur limitation, these negative effects on FAs
concentrations were exacerbated especially when late heat peaks were applied over the two
generations. By contrast with FA concentrations, the Progeny-priming displayed expectedly
the highest N concentrations regardless of the history of the Mother plants, under both sulphur
conditions. This effect was more pronounced under High Sulphur. The effective priming effect
observed on N concentration on the first stressed plants generation (Magno et al., 2021) was
not reset under the temperature modalities applied to the offspring, as the values of the
170
different Progeny-modalities from the Mother-priming plants were higher than the [Mother-
control x Progeny-control] combination except for seeds from Progeny-control. There might
be a slight dilution of the beneficial priming effect, as the value of the seeds from the Priming
treatment at the first generation (Magno et al., 2021) was higher than the values of the seeds
from the [Mother-priming x Progeny-control] combination. This dilution effect over successive
generations was also observed in Groot et al. (2017), where transgenerational effects were
usually weaker and less commonly observed than effects observed of the stress applied on the
last generation of plants (offspring).
The priming effect observed on the first stressed plants generation for the
[raffinose+stachyose]:sucrose ratio used as a proxy of seed desiccation tolerance (Magno et
al., 2021) was not observed on the offspring as lower values were observed for all the
combinations compared to the [Mother-control x Progeny-control] combination, except for
seeds from two generations of plants challenged with early mild stress only under High
Sulphur. These results also suggested that the late heat peaks were the most detrimental
events to the acquisition of desiccation tolerance under both sulphur supplies, whether they
occurred at the first or the second plant generation, as the soluble sugars biosynthesis was
likely to overlap the timing of the soluble sugars biosynthesis and/or maturation.
Regarding seed S concentrations under High Sulphur, higher values were mostly observed,
meaning that heat stress did not impair sulphur allocation to the seeds while the seed weight
decreased. Whether the amount of S in the seeds was assimilated or stored under mineral
forms remains to be investigated so as to claim the benefits of heat stress on S-containing
proteins (including napins sand cruciferins) which are of interest in high protein-oil cakes used
for cattle feeding. Seed dormancy was the most impacted by heat stress at both sulphur
conditions although in contrasting ways, since relative increased ABA:GA3 ratios were mainly
observed under High Sulphur unlike under Low Sulphur. However, several combinations led to
reduce the relative ABA:GA3 ratio, thus breaking seed dormancy, but no straightforward
features (in terms of timing, duration nor intensity) could be identified. As observed in Magno
et al. (2021), the Progeny-priming led to the highest increases regardless of the Mother-
modalities under High Sulphur. Low Sulphur had negative impact on the ratio, which was also
observed when comparing the [Mother-control x Progeny-control] modalities under both
sulphur supplies. However, heat sequences tended to alleviate the negative impact of S
limitation as for most combination, the relative ABA:GA3 ratios increased. This might be
another consequence of the delay in the phenology thus making the developing seeds more
171
prone to germinate as already observed under heat stress and eventually to undergo pre-
harvest sprouting (Brunel-Muguet et al., 2015b).
Finally, the final germination rate remained almost unchanged under both sulphur conditions.
The early mild stress applied on the Mother plants led to a slight decrease in final rates at
optimal temperature under High Sulphur. Although little effects on relative final rates were
observed, germination times courses were much more affected (Supplemental Data, Tables 6
and 7 (Chap. 4.1.)) which is important for base temperature calculations, thus meaning that
repeated stresses over several plant generations can lead to changes in the base temperature
value usually defined at the species, and sometimes, genotype levels. Overall, increases times
courses were observed under heat stress meaning that the germination behaviour is tightly
related to the history with the seed’s ancestors and that their environmental conditions could
help interpreting the germination behaviour of seedlots produced in the fields.
These results clearly pointed out the complexity of priming effects which are criteria-dependent
in addition to stress features-determined. Indeed, as observed in other inter/transgenerational
studies, the beneficial effects of prior stress exposures are observed on specific behavior and
stage on the progeny. Yadav et al. (2020) demonstrated positive impacts of multigenerational
exposure to heat stress at the mature plant-stage (i.e. survival rate under heat stress at
bolting) but not at the germination stage in Arabidopsis. In addition, although we observed
that the offspring performances were mainly driven by the stress sequence applied on the
Progeny, the history of the Mother plants leads to different extent of the Progeny responses
to heat stress. For some variables, the accumulation of stress days over the two generations
leads to amplified negative impact (e.g. seed weight, ω6: ω3 ratio), or to a negative impact
while the stress sequence at the Mother plant level had a priming effect (e.g.
[raffinose+stachyose]: sucrose ratio). For other variables, the negative effect of the stress
sequence applied on the Mother plants disappeared when the Progenies were not stressed
(e.g. total fatty acids), which might indicate that the effects were not memorized and rather
reset when passed on to the next generation. However, although positive effects of heat
treatment across multiple generations could be highlighted on reproductive outputs (e.g. seed
production) in Arabidopsis (Whittle et al., 2009), in our conditions, no priming effect of a stress
sequence applied on the Mother plants, could be observed on the offspring performances when
challenged with heat stress.
172
Figure 4 (Chap. 4.1.) : Summary of the effects of the combined temperature sequences (Mother x Progeny) in yield components, nutritional
and physiological quality criteria under both High Sulphur (a) and Low Sulphur (b) conditions. Numbers in boxes display the relative difference
between the stressed modality and the [Mother- control x Progeny-control] modality. As illustrated in the legend, colours indicate the trends by
level of increase or decrease. SN: seed number, TSW: Thousand Seed Weight, FA: fatty acid, UFA: unsaturated FA, SFA: saturated FA, C: carbon,
N: nitrogen, S: sulphur, ABA: abscisic acid, GA3: gibberellic acid, SS: soluble sugars.
173
4.1.6. Conclusion
The underlying objective of this work was to pinpoint, in a crop species, whether the
temperature stress history experienced by the Mother plants impacted the Progeny responses
to heat stress. Our results highlighted several significant results: (i) the Progeny effects
overruled the Mother effects on most criteria, but the history of the Mother plants had an
impact on the extent of the offspring responses to heat stress; (ii) the effects of heat stress
sequences were strongly correlated with the duration of high temperature events over the two
generations and they should be interpreted regarding the synchrony between the timing of
the stress event and the dynamics of the seed storage compound synthesis; (iii) priming effects
observed on the first stressed-plant generation for specific quality criteria (seed N
concentrations and soluble sugar ratio used as a proxy of desiccation tolerance) were not
systematically maintained (for the proxy of desiccation tolerance only) as a result of negative
accumulated effects of late heat peaks or a reset of the stress induced modifications; and (iv)
sulphur limitation had little effect on the Progeny responses to heat stress, and when the
effects were amplified, it was due to the delay and slowdown in the phenology which resulted
in a longer heat stress sensitive window. Interestingly, S restriction led to lower heat stress-
induced seed dormancy.
Eventually, these highlights should be bear in mind in the perspective to define multiple
generations priming protocols in oilseed rape, and more widely demonstrated the challenge of
defining priming-based acclimation strategies due to trade-offs between criteria and the fine
tuning (i.e. in terms of heat sequence features and adequate S-fertilization supply to target
the desired seed characteristics). In conclusion, our results suggest different processes that
support intergenerational memory, as their extent, persistence and impact (positive or
negative) vary according to seed characteristics.
174
Chapitre 5 :
Modélisation des effets des stress
thermiques répétés
Chapitre 5 : Modélisation des effets des stress thermiques répétés
5.1. Utilisation des indicateurs écoclimatiques

pour améliorer la prise en compte des stress
thermiques répétés dans les approches de
modélisation
5.1.1. Préambule
Ce chapitre présente les résultats obtenus suite au traitement des données issues du projet
RAPSODYN, qui a permis de définir des indicateurs écoclimatiques. Cette approche repose sur
(i) le décompte de jours de stress (dont l’intensité a été fixée sur la base de la littérature) sur
des intervalles de croissance les plus critiques aux stress thermiques, entre la floraison et la
maturité du colza ; et (ii) l’analyse des interactions entre les stress répétés précoces et tardifs
dans le cycle de culture. D’abord les jeux de données ont été analysés par des Focused
Principal Components Analysis (FPCA) dans l’objectif de visualiser les corrélations entre les
indicateurs écoclimatiques pour chaque variable de performance des plantes disponible dans
les jeux de données. Ensuite, des modèles de type régression linéaire multiple mettant en
relation les indicateurs écoclimatiques (variables explicatives) et les performances du colza
(variables d’intérêt) ont été créés en se basant sur l’Akaike Information Criterion (AIC). Mes
travaux sur la définition des indicateurs écoclimatiques et la prédiction des performances par
ces indicateurs ont servi à valoriser ces jeux de données colza. Cette démarche originale a été
mise à disposition pour la communauté scientifique grâce à la publication d’un article valorisant
ces travaux (Magno et al., 2022b).
Article Magno et al, 2022 EJA : principaux résultats

- Les stress thermiques répétés après la floraison impactent le rendement et la qualité des
graines de colza, notamment les teneurs en lipides et protéines.
- Les indicateurs écoclimatiques permettent une analyse plus fine des stades de croissance
critiques des plantes associés à des seuils de température spécifiques.
- L’utilisation de ces indicateurs écoclimatiques a permis de démontrer de façon mathématique
que l’effet d’une succession d’événements stressants n'est pas égal à la somme des effets
individuels de chaque événement stressant.
- La prise en compte de la mémoire des stress peut aider à améliorer les modèles prédictifs de
culture dans un contexte d’augmentation de la fréquence des vagues de chaleur.
178
Modelling is an obligate approach to predict crop yield under a wide range of environmental
conditions. The present work aims to improve predictions of crop performance under repeated
high temperature events by (i) demonstrating that ecoclimatic indicators (i.e. calculated for a
given phenological stage) allow a finer description of the plant critical stages, and (ii)
highlighting the non-additive effects of these successive stressful events. For this purpose,
statistical models based on large datasets in oilseed rape were developed to look for
correlations between ecoclimatic indicators and the plant performance-related variables (i.e.
seed yield, lipid and protein content), as follows: (i) the plant cycle was divided into four
intervals after flowering, according to the physiological stages of development in oilseed rape;
(ii) the number of warm days (i.e. above 25°C and 30°C, respectively) in each interval for 26
combinations of location x year in France was scored; (iii) several statistical models that
differed from the combination of ecoclimatic indicators were evaluated; and (iv) the best fit
model for each plant performance-related variable was selected following a stepwise approach
based on the Akaike Information Criterion. The results highlighted that contrasting final crop
performances were tightly related to the timing, frequency and intensity of high temperature
events after flowering. In addition, specific combinations of these ecoclimatic indicators were
much more predictive of the crop performance-related variables than a single cumulative
indicator which reflects the sum of all stresses in the same period. These results support our
prior assumption that the outcome of several successive stressful events is not equal to the
sum of each individual effect. The proposed approach is a proof of concept of the need to
consider stress memory (i.e. the capacity of plants to store and retrieve information acquired
during an initial exposure to stress) in predictive crop models, so as to better estimate the
effects of repeated stresses and their consequences on crop yield and quality of harvested
products.
Keywords: oilseed rape, heat stress, stress memory, crop modelling, indicators.
179
5.1.2. Introduction
Climate change is a key driver of crop performances, which makes it an obligate component
to predict the quantity and quality of harvested products. Simulations under different climatic
scenarios can provide useful information to adapt management practices (i.e. earlier sowings,
new cultivars, innovative fertilization strategies) in order to maintain, or even improve, crop
performances under changing environments. Prior studies estimated that about 30% of the
interannual yield variations of the main field crops are the result of variations in temperature
and rainfall (Lobell and Field, 2007; Ray et al., 2015). For instance, extreme events such as
heat waves are expected to become more frequent, to last longer and to increase in intensity
according to the last IPCC report (IPCC, 2021) and other prospective works (Bador et al., 2017;
Christidis et al., 2015; Lemonsu et al., 2014; Trnka et al., 2014). These new climatic patterns
impel to unravel their complex effects for predictive crop modeling purposes, which remains a
challenging task because it requires to integrate the effects of the 4-fold features of a climatic
event (i.e. intensity, timing, duration and frequency), as well as their synchrony with crop
phenological stages).
Plant responses to heat stress are tightly related to its development stage when the climate
stressful event occurs. It is well known that a short period of extreme temperature at some
critical stage can be as impacting to crop production (or even more) as a mild temperature
stress over a longer period (Aksouh-Harradj et al., 2006; Aksouh et al., 2001; Angadi et al.,
2000; Chen et al., 2020; Wu et al., 2020). The reproductive stage is the most susceptible stage
to temperature stress in most crops, including oilseed rape (Angadi et al., 2000; Gan et al.,
2004; Habekotté, 1997a). Because winter oilseed rape varieties - which are mainly grown in
Europe - have a long crop cycle, plants are more likely to be exposed to a wide range of climate
conditions from freezing periods to heat waves. High temperature events often coincide with
the critical flowering and pod development periods in oilseed rape, thus impacting seed yield
and quality. Most studies have highlighted threshold values above which flowering and pod
development are impaired, and thus provide important indications with respect to the
maximum cumulated high temperature exposition for a given development stage (Aksouh-
Harradj et al., 2006; Angadi et al., 2000; Brunel-Muguet et al., 2015b). However, few studies
were designed to assess whether the response of plants to a climate extreme event was
modified when they were previously exposed to similar stresses, i.e. if they memorize and
retrieve the first stress exposure-triggered information that will interfere with the subsequent
response to a following stress (Crisp et al., 2016; Kinoshita and Seki, 2014). Important
advances in understanding stress memory have been made in the perspective of priming crops
180
to face future climate (Liu et al., 2021a). In oilseed rape, intra and intergenerational effects of
high temperature exposures were observed thus raising the importance of considering the
repetitive features of heat stress exposures to better understand the crop responses (Magno
et al., 2021, 2022a). These observations on stress memory raise the question of how to
characterize and to take into account the effects of repeated stress events into the predictions
of crop performances.
So far, to quantify the effects of future climate change on crop phenology and production,
mechanistic and statistical modelling approaches have been developed and extensively used
(Asseng et al., 2015a; Chenu et al., 2017; Kumar, 2016; Martre et al., 2015; Rötter et al.,
2013; Tao et al., 2018; Wang et al., 2017a; Zhai et al., 2017). While the first one attempts to
capture the effects of environmental factors on major biological processes through the
conceptualization and calibration of process-based models (crop models), the second approach
seek correlations between agroclimatic indicators and output variables such as growth indices,
phenology and other crop performance-related criteria (Hundal et al., 2003). These
agroclimatic indicators derived directly from climatic variables (e.g. number of heat or cold
days and the number of water excess or deficit over specific calendar periods), and provide
synthetic information on the effects of climate on crop functioning (Caubel et al., 2015). These
modelling approaches are usually implemented from mean climate parameters and/or
cumulated effects over the crop cycle, without considering changes in climatic variability
through extreme events, such as drought and heat waves (Luo et al., 2010; Wilcox and
Makowski, 2014). Lines of evidence support the necessity of improving crop climate models,
and especially the temperature response functions in order to reduce uncertainty in yield
simulations before further decision-making on agriculture management (Rötter et al., 2011;
Wang et al., 2017a). Nevertheless, no process-based modelling studies have attempted to
consider the effects of repeated heat stresses, especially because of the complexity to reflect
the memory effects on the biological processes in the models and the feedback loops. An
alternative to this approach relies on the development of relevant agroclimatic indicators into
statistical models, which are easier to implement and manipulate under large field conditions
(Rötter et al., 2013; Trnka et al., 2011). However, most agroclimatic indicators fail to focus on
specific development stages, which is an issue considering that the plant responses to climatic
stresses are stage-dependent. As proposed by Caubel et al. (2015), accurate information could
be provided using agroclimatic indicators that are calculated given a particular plant processes
over phenological periods, thus called ecoclimatic indicators. So far, no use of these ecoclimatic
indicators attempt to represent the effects of repeated stresses that could be explained by the
181
interactions between these indicators, i.e. how the effect of one event is modulated by the
effect of a previous event.
In the present work, we aim to improve predictions of crop performance under repeated high
temperature stresses by (i) demonstrating that ecoclimatic indicators (i.e. calculated for a
given phenological stage) allow a finer description of the plant critical stages to high
temperature stress, and hence a better prediction of crop performances than cumulated
indicators over the crop season, and (ii) highlighting the non-additive effects of successive
high temperature stressing events, thus indicating the benefits of considering stress memory
for better crop performance-related predictions. Overall, we highlight the need to consider
both plant physiological stages and stress memory into modelling approaches, so as to better
predict crop performances under climate change condition.
Plants growth conditions in the field trials
Field experiments were conducted between 2011 and 2018 in 16 different locations in France.
Experiments were conducted using conventional crop management practices (i.e. fertilization,
weeds, pests, and pathogens control) for winter oilseed rape. Each trial was designed as a
randomized block with two to four repetitions in the field. Three genotypes (i.e. Aviso, Montego
and Alpaga), mainly contrasted for earliness at flowering and height (Corlouer et al., 2019),
were characterized at maturity by measuring the seed yield (in q.ha-1), seed number (in nb.m-
2
), and thousand seed weight (TSW, in grams), as well as the seed quality criteria defined by
the lipid content (%DW) and protein concentration (%DW). As the original field datasets were
provided by an independent experimental network, data was manually sorted prior to the
analysis to remove the years of harvest in which particular field management practices were
tested (e.g. induced nitrogen limitation) and the datasets with well-known climate
abnormalities that might prevent the effects of heat stress to be studied solely (e.g. 2017, a
year with severe drought in several areas in France). This data selection resulted in datasets
representing 26 combinations of a given location by the year of harvest, hereafter named
environment (as described in Corlouer et al. 2019), thus totalizing 170 individuals (combining
environment, genotype and repetition). The range of variations of the performance-related
variables in the 26 environments are presented in Table 1 (Chap. 5.1.), with maximum,
minimum and mean values of the three genotypes pooled altogether.
182
Definition of ecoclimatic indicators based on key periods after flowering
The goals of this work were (i) to build high temperature indicators associated to specific
physiological stages in oilseed rape, namely ecoclimatic indicators, and (ii) to correlate and
model their effects on the seed yield and quality criteria in oilseed rape. For this purpose, the
crop cycle was divided into four consecutive and non-overlapping periods from flowering until
harvest (Figure 1 (Chap. 5.1.)), as defined in Corlouer et al. (2019). Dates of sowing and
harvest for each of the 26 environments were provided in the original datasets. The number
of days until flowering for each environment was also provided, thus allowing to calculate the
specific flowering date considering the earliness of each genotype (i.e. Aviso, Montego and
Alpaga). The four post-flowering periods were defined on the base of growing degree days
(GDD), by accumulating the thermal time from the specific flowering date using a base
temperature of 0°C (Corlouer et al., 2019; Jullien et al., 2011). The P300 period lasts 300 GDD
after the onset of flowering, when the seed set is established (Habekotté, 1997b). The P600
period starts at the end of P300 and lasted 300 GDD, resulting in 600 GDD accumulated from
flowering, when reserve allocation to the pods growth occurs. The P1000 period starts at the
end of P600 and lasts 400 GDD, resulting in 1000 GDD accumulated from flowering, and
matches the period when reserves are primarily allocated to seeds growth. Finally, the Pharv
period starts at the end of P1000 and ends at the harvest date, then representing the seed
final maturation stage. These intervals (i.e. P300, P600, P1000 and Pharv) were defined as
key periods of the oilseed rape reproductive stage. The sum of these intervals resulted in the
construction of two additional indicators considering the whole period post-flowering, hereafter
named Ptot.
The climatic data that cover the whole plant cycle collected in each in the 26 environments
were obtained from the public data catalogues of Météo France (Corlouer et al., 2019) and/or
from the INRAE CLIMATIK platform (https://agroclim.inrae.fr/climatik/, in French) managed
by the AgroClim laboratory of Avignon, France. The daily temperature thresholds of 25°C and
30°C were chosen based on previous studies that highlight negative impacts in oilseed rape
production (i.e. reduced yield and seed quality degradation) when plants were exposed to daily
temperatures over to 25°C, also with temperatures over to 30°C representing heat peaks late
on the crop cycle (Aksouh et al., 2001; Magno et al., 2021, 2022a). Then the number of warm
days (i.e. above 25°C and 30°C, respectively) in each of the 26 environments was scored using
R (version 4.0.2, R Core Team, 2020). Therefore, 10 ecoclimatic indicators were defined
(Figure 1 (Chap. 5.1.)), considering the distribution of the warm days over the pre-defined
intervals after flowering (i.e. P300, P600, P1000 and Pharv) and within the whole post-
183
flowering period (i.e. Ptot), as follows: (i) those representing the number of warm days above
25°C in each crop interval (named P300_25, P600_25, P1000_25 and Pharv_25); (ii) those
representing the number of warm days above 30°C in each crop interval (named P300_30,
P600_30, P1000_30 and Pharv_30); and finally (iii) those representing the total number of
warm days above 25°C and 30°C from flowering until harvest (named Ptot_25 and Ptot_30).
Figure 1 (Chap. 5.1.) : Simplified scheme of oilseed rape growth stages after flowering,
displaying the physiological intervals based on key periods (in green). Ten ecoclimatic
indicators were created (in gray), being eight of them based on the physiological intervals and
two of them considering the whole period post-flowering. GDD: growing degree days; Tmax:
daily maximum temperature; harv: harvest; tot: total.
Statistical approach to model crop performances
A Principal Component Analysis (PCA) was performed to establish relationships between the
final performance-related variables (i.e. seed yield, seed number, thousand seed weight, seed
lipid and protein concentrations) and the 10 pre-defined ecoclimatic indicators using packages
FactoMineR and factoextra from R (Figure 2 (Chap. 5.1.)). In addition, a Focused Principal
Component Analysis (FPCA, Figure 3 (Chap. 5.1.)) was performed to highlight the relationships
between each performance-related variables (i.e. the plant’s responses) and the ecoclimatic
indicators (i.e. the explanatory parameters), as detailed in Falissard (1999). Then, three
statistical models were built and tested for each of the five plant final performance-related
variables, as follows: (i) Model 1, which includes the cumulative ecoclimatic indicators from
flowering to harvest (i.e. Ptot_25 and Ptot_30); (ii) Model 2, which considers the additive
184
relationship between the ecoclimatic indicators defined by intervals; and (iii) Model 3, which
considers all the individual parameters from Model 2 and also the interactions between the
early (defined over P300 and P600) and the late (defined over P1000 and Pharv) ecoclimatic
indicators. To select the best fit predictive parameters to each tested model, we used an
automatic stepwise approach based on the Akaike Information Criteria (AIC), performed with
the stepAIC function from the MASS package in R (Akmouche et al., 2019). This approach
allows the sequential selection of parameters with a significant effect (p< 0.05), as described
in Zhang (2016). If the indicator contributes to the predictive power of the model then it is
retained; otherwise, if it no longer contributes significantly, the indicator is excluded. This
method ensures that only significantly predictor indicators are included in the model, as
detailed in Rötter et al. (2013). This approach allows to analyze to what extent the predictions
of plant performances can be improved by considering (i) stressful events over intervals based
on crop physiological stages rather than post-flowering cumulative indicators (Model 1 vs.
Model 2), thus demonstrating that the outcome of several successive stressful events is not
equal to the sum of each individual effect; and (ii) interactions between early and late stage
ecoclimatic indicators (Model 2 vs. Model 3), as a way to reflect the effects of repeated
stresses, and eventually capture stress memory effects. The genotype was not considered as
an explanatory indicator in the construction of the models, because the genotype clusters were
not discriminant in the PCA analyses (as shown in the individual’s factor map, data not shown).
To compare the three models tested to predict each final performance-related variable, we
looked into the R-squared (the larger the values, the better the prediction power of the model),
and the p-values (the smaller the values, the more significant the parameters).
5.1.4. Results
Relationships between ecoclimatic indicators and final performance-related variables
The PCA (Figure 2 (Chap. 5.1.)) was used to identify relationships among the final
performance-related variables and the pre-defined ecoclimatic indicators, thus allowing to
highlight their relevance as predictive parameters regardless of the genotype. The first four
components accounted for 78.8% of the variance (Figure 2a (Chap. 5.1.)). The PC1, which
contributed to 31.3% of the total variance, was mainly associated with the climate indicators
such as Ptot_25 (20.5%), Ptot_30 (17.2%), Pharv_25 (17.5%) and Pharv_30 (17.0%). The
PC2, which contributed to 23.5% of the total variance, was mainly explained by TSW (21.6%),
seed lipid concentration (17.3%) and seed protein concentration (10.9%) for plant variables,
and only P300_25 (19.8%) as ecoclimatic indicator. PC3 and PC4 contributed to 13.6% and
185
10.5% of the total variance, respectively. As expected, P300_30 and P600_30 did not
contribute to any principal component, as heat peaks over to 30°C do not likely occur during
the first two pre-defined intervals after flowering in winter oilseed rape. As their contribution
was non-existent, these two ecoclimatic indicators were removed from the composition of
Models 2 and 3. The individual’s factor map (Figure 2b (Chap. 5.1.)) highlighted four clusters
that illustrate the four climate types for oilseed rape production in France, as defined by the
French oilseed technical institute Terres Inovia (https://www.terresinovia.fr/-/date-de-semis-
colza-semer-avant-la-pluie, 2019). Because ecoclimatic indicators explained PC1, this axis
clearly discriminates these four climate types which spread out along the axis. The PC2 allowed
the discrimination of the Mediterranean climate type as a consequence of the major
contribution of the P300_25 to this component. These observations are consistent with
expected features of the Mediterranean climate type more prone to heat peaks over 25°C that
occur early in the crop cycle compared to other locations. Overall, the PCA highlight
straightforward correlations between the final performance-related variables and the majority
of the pre-defined ecoclimatic indicators, excluding only those related to the P600 and P1000
intervals which do not seem to be very determinant to PC1 and PC2.
To analyze to what extend each ecoclimatic indicator contributed positively or negatively to

the plant performance-related variable, a FPCA (Figure 3 (Chap. 5.1.)) was performed to each
variable of interest according to Falissard (1999). In contrast with PCA, the FPCA allows to
visualize both the correlations between the ecoclimatic indicators for a given variable and the
correlations among the ecoclimatic indicators themselves (Canuto et al., 2010). Figure 3a
(Chap. 5.1.) shows that the correlations between ecoclimatic indicators and seed yield were
predominantly negative (yellow dots) rather than positive (green dots), although not significant
as the dots were mainly plotted in concentric circles representing r ≤ 0.4 (correlation
coefficient), thus indicating that the majority of the correlations were weak. Interestingly, three
independent clusters of ecoclimatic indicators can be observed, according to temperature
intensity (i.e. 25°C vs. 30°C) and the earliness of stress exposure (i.e. contrasting positions
for {P300 and P600} and {P1000 and Pharv}). For seed number (Figure 3b (Chap. 5.1.)) and
TSW (Figure 3c (Chap. 5.1.)), significant relationships can be observed with the same
ecoclimatic indicators (i.e. P300_25 and P1000_25). Nevertheless, their effects were opposite
as they were both positive on TSW and negative on seed number. Similar to TSW, lipids (Figure
3d (Chap. 5.1.)) were also negatively impacted by P300_25 and P1000_25, while proteins
(Figure 3e (Chap. 5.1.)) were mostly negatively impacted by high temperature events arriving
at the end of the plant cycle (Pharv_25 and Pharv_30) and positively impacted by P300_25.
186
Figure 2 (Chap. 5.1.) : Principal Component Analysis (PCA) of the final plant performance-
related variables (i.e. seed yield, seed number, thousand seed weight, seed lipid and protein
concentrations) and the 10 pre-defined ecoclimatic indicators (i.e. P300_25, P300_30,
P600_25, P600_30, P1000_25, P1000_30, Pharv_25, Pharv_30, Ptot_25 and Ptot_30) of the
first two components PC1 and PC2. (a) the variable factors map, and (b) the individual’s factor
map distinguishing the four climate types for oilseed rape production in France according to
Terres Inovia (2019).
187
Figure 3 (Chap. 5.1.) : Focused Principal Component Analysis (FPCA) of the final
performance-related variables (i.e. seed yield (a), seed number (b), thousand seed weight (c),
seed lipid (d) and protein concentrations (e)) and the 10 pre-defined ecoclimatic indicators
(i.e. P300_25, P300_30, P600_25, P600_30, P1000_25, P1000_30, Pharv_25, Pharv_30,
Ptot_25 and Ptot_30). Negative and positive correlations between ecoclimatic indicators and
the variable of interest are differentiated in the graph by colors (yellow and green,
respectively). Two points close to one another indicate a strong positive correlation between
ecoclimatic indicators. Inversely, two diametrically opposed points indicate a strong negative
correlation. The red lines mark the limit of significance to the 5% level.
188
Predictive correlations based on multiple regressions models
To analyze to what extend the ecoclimatic indicators could be used as indicators of the final
performance-related variables, three models were built and tested for each plant variable
(Table 2 (Chap. 5.1.)) and the best fit parameters was selected based on the stepwise AIC
(Table 3 (Chap. 5.1.)). By comparing Model 1 with Model 2, predictions were improved with r-
squared values about twice higher for most of the plant variables when considering the additive
relationship between plant physiological intervals (Model 2) instead of the sum of all the
stressful events in the same period (Model 1). For seed yield, Model 2 explained 13.4% of the
observed variation, while Model 1 explained 9.2% only. For seed number, the difference
between both models was even more pronounced, with 42.3% for Model 2 against 7.7% for
Model 1. For TSW, Model 2 explained 56.2% against 24.4% for Model 1. Same trends were
founded for the seed quality criteria, with Model 2 explaining 45.8% for the seed lipid
concentration and 38.0% for the seed protein concentration, as against 22.1% and 11.6% for
the seed lipid and protein concentrations with Model 1. Furthermore, when comparing Model
3 to Model 2, the best prediction levels for the five plant performance-related variables were
founded using Model 3, which considers additionally the interactions between the ecoclimatic
indicators. Indeed, results show that the best predictive model for seed yield is Model 3, which
explains 54.5% of the observed variation (p< 0.001). This model is explained by a several
ecoclimatic indicators and their interactions (Table 3a (Chap. 5.1.)). Interestingly, for seed
yield, the indicator over P300 (P300_25) seems to have more impacts on later stressing period
than the indicator over P600 (P600_25), as the interactions between P300_25 and the late
ecoclimatic indicators (i.e. P1000 and Pharv) were all significant, while a solely significant
interaction was observed between P600_25 and the late ecoclimatic indicators (i.e.
P600_25:P1000_30). As expected, the best fit models for seed number and TSW were also
Model 3, which explains 65.2% and 65.8% of the observed variation (p< 0.001), respectively.
As with seed yield, Model 3 for seed number is explained by several ecoclimatic indicators and
their interactions (Table 3b (Chap. 5.1.)), with the indicator over P300 also interacting with
late indicators more than the indicator over P600 did. For TSW (Table 3c (Chap. 5.1.)), the
most important periods in the Model 3 seem to be P300 and P1000, both being significant
alone (i.e. P300_25 and P1000_30) and involved in the interactions. Regarding the seed quality
criteria, the seed lipid and protein concentrations were respectively 58.2% and 51.1%
explained by Model 3. While P300 seems to be an important period for the lipid concentration
(Table 3d (Chap. 5.1.)), P600 seems to be the most important period for seed protein
concentration (Table 3e (Chap. 5.1.)), although their respective biosynthesis potentially lasts
189
until the late periods, over which indicators (i.e. P1000 and Pharv) are showed to be also
significant in Model 3.
5.1.5. Discussion
The extent of the impacts on crop performances depends on the timing of heat stress events
Crop performance-related variables include a wide range of criteria, including yield components
and the quality of harvested products, which can be degraded by the exposure to high
temperatures (Kumar, 2016). Several in planta and in silico approaches have brought to light
detailed effects of temperature stress on yield (Angadi et al., 2000; Asseng et al., 2013;
Habekotté, 1993; Wang et al., 2017a; Weymann et al., 2015; Wheeler et al., 2000), while far
fewer references on seed quality criteria can be found. Studies comparing high temperature
effects on yield at different crop growth stages highlighted that the earlier the stress occurs,
the greater the opportunity to recover, especially for indeterminate growth species (Angadi et
al., 2000; Gan et al., 2004). However, short-term extreme temperature events, especially
during key stages of plant development, can be much more critical for crop growth. Even if
the effects of high temperature on crops have been extensively documented, the effects of
extreme events such as heat waves still remain poorly documented. This work aims to clarify
the effects of repeated heat stress on both yield and quality criteria in oilseed rape.
A few days of extreme temperature at the critical stages drastically reduce yields in many
crops (Holzkämper et al., 2013; Wheeler et al., 2000). In oilseed rape, the critical period for
seed set was shown to be concomitant to the flowering period (Habekotté, 1993), which was
also pointed as being the most sensible period to temperature stress (Weymann et al., 2015).
Because of its indeterminate growth, the long-lasting duration of the flowering period can
expose plants to stressful temperature regimes that impact dry matter production and
eventually seed set. Many studies pointed out that as temperature increases, the number of
seeds produced per plant increases whereas the individual seed weight decreases, as observed
in our previous results (Brunel-Muguet et al., 2015b; Magno et al., 2021, 2022a). However,
the effects of high temperature on yield components depend on the characteristics of the
stress protocol, notably timing, intensity and duration. If the stress exposure lasts several days
and weeks, yield and its components will probably be affected as the stress may damage
pollination and shorten the cycle (as GDDs accumulate faster), so the seeds have less time to
fully fill-in. Otherwise, if the stress exposure is short and arrives throughout a less-critical
physiological stage for seed yield establishment, plants may set up trade-off mechanisms. This
trade-off between the different yield components can be explained by the regulation of each
physiological phase by resource availability. Considering the plasticity of the plants,
190
compensatory mechanisms are set up in relation to source–sink relationships (Jullien et al.,

2011).
Our results highlighted that the P300_25 was the most significant ecoclimatic indicator that
explains the variation of yield components (i.e. increase for seed number and decrease for
TSW, Figure 3 (Chap. 5.1.)), thus confirming that the P300 interval is the most critical to
determine seed number. These observations are consistent with prior predictive modelling
studies that indicated that the variation in seed density was better simulated when considering
the critical period of 350 GDD from the onset of flowering rather than the whole flowering
period (Habekotté, 1997b). According to Angadi et al. (2000), high temperatures at flowering
affect yield formation more than heat stress at the pod development stage, because pods
become autotroph about 400 GDD after the beginning of flowering (Leterme, 1985), which
allows autonomous carbohydrate production for seed filling. However, our results also
indicated significant effects of the later indicator P1000_25 on yield components (Figure 3
(Chap. 5.1.)). These observations can be explained by the complexity of seed set in oilseed
rape due to its indeterminate growth. Therefore, while significant effects of early ecoclimatic
indicators can be observed as expected, late indicators also contribute significantly to explain
final yield components as flowers, pods and seeds were continuously formed until pod
desiccation. In addition, interactions between early and late ecoclimatic indicators were also
observed (Table 3 (Chap. 5.1.)). These interactions reflect that (i) the effect of one early stress
is significant on the effect of a later one, in line with the stress memory concept; (ii) the final
value of the performance-related variables results from the effect of several stresses, whose
respective effects are not additive; and (iii) the compensation between pods of different ages
due to source–sink relationships are complex in plants with indeterminate growth. Indeed, as
plant performance-related variables were scored at the scale of the whole plant and do not
consider different ages of pods, memory effect and compensatory mechanisms may intertwine.
The negative impact of an early stressful event is likely to lead to compensation for
indeterminate growth species, such as late flowering to counterbalance heat triggered -
pollination impairment earlier. At the same time, the plant might trigger sustained molecular
changes upon the first stress which will modify responses to later stresses (Ahuja et al., 2010;
Probst and Mittelsten Scheid, 2015). Therefore, alleviated effects of a short-term stressing
event that are triggered by compensatory mechanisms cannot rule out stress memory’s
responses in plastic species/varieties.
Like other commercial crops, seed quality in oilseed rape encompasses many criteria that
depend on the intended market (e.g. seed size, protein concentration, lipids concentration and
191
profiles). The present study focused on protein and lipid concentrations, which are major
variables of the nutritional quality in oleaginous crops. Generally, as temperature increases,
the lipid content in seeds decreased and seed protein increases, as observed in previous results
(Aksouh et al., 2001; Canvin, 1965; Magno et al., 2021, 2022a), although different trends can
be observed depending on the duration and intensity of the heat stress (Aksouh-Harradj et
al., 2006; Brunel-Muguet et al., 2015b). Because of the inverse correlation between seed
protein and lipid concentrations in oilseed crops (Hammac et al., 2017; Kambhampati et al.,
2020; Si et al., 2003), contrasting tendencies to predict these variables were expected.
Consistently, Figure 3 (Chap. 5.1.) shows that the early stage stress (i.e. P300_25 indicator)
was more decisive for lipids synthesis than proteins synthesis, for which late ecoclimatic
indicators (i.e. Pharv_25 and Pharv_30) were more determinant. In addition, opposite
correlation trends were identified to both compounds. While P300_25 was negatively
correlated to lipids, it was positively correlated to proteins. Contrarily, both Pharv indicators
were positive to lipids and negative to proteins. These trends can be explained by the timing
of seed storage compounds biosynthesis. Although there is some overlap, lipids synthesis
starts first and is followed by proteins synthesis which continues until the end of the late
maturation stage (Baud et al., 2002; Borisjuk et al., 2013). This impact on seed lipids content
was also observed in Weymann et al. (2015), as temperature stress at the onset of pods and
seeds (i.e. from the beginning of inflorescence emergence until mid-flowering) was negatively
associated to oil content. These findings highlight the complex relationship between lipid and
protein in oilseeds, even more under abiotic stress condition which imposes prioritizing one
compound over another due to limited resources availability, such as carbohydrates, which is
determined by the duration the reproductive phase throughout which pods are the main
photosynthetic organs (Kambhampati et al., 2020).
The interactions model can capture the effects of a multiple stress events sequence
The construction of models considering the interactions between ecoclimatic indicators (i.e.
Model 3) allowed to better understand how the effect of one early stress modulates the effect
of another later stress, although the differentiation of beneficial stress memory from
compensation phenomena remains hard to unravel. Details about Model 3 were displayed in
Table 3 (Chap. 5.1.), thus allowing a mathematical analysis of the interactions between early
and late heat stress events by comparing the estimate (Est) values (whether positive or
negative) and the p-value for each parameter in the model. Firstly, interactions that were
statistically significant (i.e. p<0.05) indicated that the effect of an early stress modulates the
192
effect of a later one. Therefore, the estimate associated with each interaction provides
conclusions about whether this interaction is beneficial (positive estimate) or disadvantageous
(negative estimate), according to each plant performance-related variable.
When the interaction is beneficial, we can conclude that the effect of one stress alleviated the
effect of another stress, thus suggesting a beneficial stress memory and/or compensatory
regulation. Two scenarii resulting in beneficial effects of successive stressful events (i.e. a
positive estimate for interactions) can be observed (i) either the combination of an early stress
indicator that had a positive estimate alone and a late stress indicator that had a negative
estimate alone, or (ii) an early stress indicator that had a negative estimate alone and a late
stress indicator that had a positive estimate alone or no effect. The first scenario is illustrated
with protein concentration (Table 3e (Chap. 5.1.)), as the estimate of the interaction
P600_25:P1000_30 was statistically significant (p<0.01) and positive (2.288), whereas the
individual estimates of the ecoclimatic indicators alone were positive for P600_25 (2.055) and
negative for P1000_30 (-2.157). This trend highlights the potential of considering thermo-
sensitizing schemes to improve protein content in oilseed rape under increasing heat waves
condition, in line with our previous results (Magno et al., 2021). The second scenario is
illustrated with seed yield (Table 3a (Chap. 5.1.)) as the estimate of the interaction
P300_25:P1000_30 was positive (0.612), whereas P300_25 alone had a negative estimate (-
6.082) and P1000_25 had no effect (not significant). In this case, the hypothesis is that the
warm days in the P300 interval had a negative effect on pollination and/or the start of pods
formation, thus inducing pod abortion. The plants attempted to compensate it by producing
more flowers/pods following the stress period. The warm days during the interval P1000
probably came too late to have a negative effect on these new organs. This same trend can
be observed for seed number (Table 3b (Chap. 5.1.)). When the interaction is not beneficial
(i.e. negative estimates such as for P300_25:P1000_25 for TSW and lipids), it suggests that
in some cases the effect of one early stress can amplify the negative effects of another stress,
thus indicating a disadvantageous interaction between repeated heat stress events. Although
these cases do not highlight the beneficial effects of repeated stresses, they are in line with
the hypothesis that a stressing event can modulate the response of the plant upon a later one.
Overall, this provides insights about the critical period of compound biosynthesis in oilseed
rape. Finally, a cumulative effect of the succession of stressful events could be observed if the
interactions vary in the same direction as each individual effect, whether positive or negative.
However, this pattern is not observed in any of our results, thus indicating that the outcome
of a succession of stressful events can rarely be associated with the sum of individual events.
193
Predictions were improved by using indicators based on the plant physiological stages
Climatic features are essential for predicting crop performance-related variables, and they have
been extensively used in both mechanistic and statistical modelling approaches. As observed
in other crops (e.g. wheat in Chenu et al., 2017), original oilseed rape crop models were
developed to better understand plant’s responses to crop management practices, and climate
change impacts were mainly estimated by using basic climate variables (e.g. average
temperature). In statistical approaches, the potential impacts of climate were mainly
considered in a generic way, as the agroclimatic indicators were usually defined over the whole
cycle and/or considering mean climate variables, thus weakening the effects of extreme events
over the crop cycle. Although this approach is useful to better understand the effects of high
temperatures on crop growth, because the physiological stages were defined in terms of the
sum of thermal time, it does not reflect to what extent extreme events beyond the thresholds
can impact crop performances. Recently, a special attention has been paid to realistic future
climate projections (Asseng et al., 2015b; Rötter et al., 2011), in order to reduce uncertainties
in climate impact studies. However, considerable work remains to be done to take into account
extreme climate events such as heat waves in crop modelling approaches. This study
contributes to the understanding of the effects of repeated high temperature stressful events
during the reproductive phase in oilseed rape, and eventually highlights stress memory effects.
Firstly, the selection process of the best fit predictive models allowed the identification of the
most relevant ecoclimatic indicators, which could be used to estimate the crop performance-
related variables. Table 2 (Chap. 5.1.) displays the determination coefficient (ranging from 7.1
to 65.8%) and the associated significance of the best fit model for a given variable of interest.
Although they were identified as the best fit ones, their respective power of prediction was
moderate. Model 1, which considers the sum of high temperature events throughout the whole
period between flowering and harvest, was the least predictive model, thus indicating that the
use of climate indicators covering a long period of plant growth cycle is not an appropriated
method to take in account extreme stressful events in crop modelling approaches. As
highlighted in many studies (Ben-Ari et al., 2016; Caubel et al., 2015; Luo et al., 2010; Wilcox
and Makowski, 2014; Zhai et al., 2017), the focus on mean climatic parameters and calendar
periods has surely provided useful, but even not complete, information on how climate change
might affect crop production. Then, Model 2 was built considering specific intervals based on
plant’s physiology. By comparing Model 1 and 2, a clear improvement in prediction could be
observed owing to consideration of stressful events in critical intervals (i.e. Model 2).
Eventually, Model 3 considered the interactions between early (i.e. P300 and P600) and late
194
(i.e. P1000 and Pharv) ecoclimatic indicators. Our initial assumption was that the global effect
of several stressing events did not equal the sum of the individual effects, either because of
the alleviating effects of repetitive stress events that can prime/sensitize crops, and thus help
them facing later stress exposure by means of the stress memory, or because of amplification
of the impact of later stresses due to non-recovery from the first stress. The better predictive
power of Model 3 compared to the other models, true for all the variables of interest, supports
the idea that one stressing events interacts with another regarding the plant’s responses,
which means that their individual effects are not additive.
As observed in previous studies using the AIC approach (Akmouche et al., 2019; Ben-Ari et
al., 2016; Chandio et al., 2020; Nasrullah et al., 2021; Wilcox and Makowski, 2014; Zhai et al.,
2017), our results indicated that indicators-based models are accurate enough to estimate
climatic risks throughout the crop season. Although our models were developed with past
climatic datasets, our analysis provides insights about the critical periods to heat stress over
the reproductive phase in winter oilseed rape, which should be helpful to predict the responses
of plants under future climate conditions by both mechanistic and statistical modelling
approaches. In mechanistic models, further implementation would be required to consider heat
stress memory either by integrating lower mechanistic scales or by introducing forcing
variables and parameters. In statistical models, the stress memory concept could be extended
to the other environmental stresses for realistic purposes. The present approach is generic
enough to be extended to other climatic risks (drought, frost), thus being useful to predict
trends in crop performances under different future climate patterns. Indeed, the options for
improving the models could rely on considering other abiotic stresses. For example, heat stress
was selected amongst other abiotic stresses, so the ecoclimatic indicators were only related to
high temperature events that can be easily measured and acquired by analyzing local weather
datasets. Although a special attention was paid to remove any dataset that displayed other
measured stressing features (e.g. nitrogen deficiency, water limitation), it can be assumed
that some limitations remained due to the limited number of climate scenarios that were
considered. Because our intention was to focus on the repetition of stresses of same nature,
we did not intend to get powerful predictions. In the future, predictions could be improved by
taking in account the effects of other climate variables (e.g. rainfall, radiation). Overall, this
approach is presented as a proof of concept to further improve predictive models by
considering more realistic climate conditions in relation to crop physiological stages of growth,
as well as the non-additive effects of successive stressful events.
195
5.1.6. Conclusion
The initial assumption was that climate indicators measured within a specific crop physiological
stage (i.e. ecoclimatic indicators) could be reliable parameters to better predict the final
performance-related variables in oilseed rape (i.e. seed yield, seed number, thousand seed
weight, seed lipid and protein concentrations), independent of genotype and locality. By
measuring the number of high temperature days (Tmax > 25°C and Tmax > 30°C) in 26
different environments, and comparing the variations of the plant performance-related
variables, contrasting performances were associated with specific combinations of early and
late ecoclimatic indicators.
The results highlighted three major conclusions: (i) climate indicators calculated for a given
physiological stage allow a better prediction of crop performances than cumulated indicators
over the crop season; (ii) the effect of successive temperature stressing events are non-
additive, which highlight stress memory and/or compensatory effects; and (iii) crop modelling
approaches would benefit from refining models in the context of repeated stresses over the
crop season. The prediction power of our models was satisfying bearing in mind that these
models were focused on heat stress related indicators, without taking in account other climate
parameters nor field management practices. In order to improve our models, an extensive
characterization could be done (including additional ecoclimatic indicators linked to other
climate variability parameters) to provide highly predictive models. This work is a proof of
concept that demonstrates the potential of simple climate indicators (i.e. number of days with
Tmax over to a given threshold) measured during the crop critical periods (i.e. flowering to
harvest in the case of oilseed rape) to predict yield losses and seed quality degradation under
climate change, in order to better consider the effects of repeated stresses.
196
Table 1 (Chap. 5.1.) : Range of variation of the original datasets, with maximum, minimum and average values for each performance-related
variable (i.e. seed yield, seed number, thousand seed weight, lipid and protein concentrations) measured in the 26 environments (in rows,
combination of location x harvest year). Values in columns represent the average of the three genotypes and the repetitions in each environment.
The different colors indicate the largest (green) and smallest (yellow) values in each column. Missing values, for which measurements at the
harvest time were not available, are indicated by a line and were not taken into account in the analysis. Min: minimum; Max: maximum; q.ha-1:
quintal per hectare; nb: number; DW: dry weight.
Seed Yield (q.ha-1) Thousand Seed Weight (g) Seed Number (nb.m-2) Lipids (%DW) Proteins (%DW)
Reference
Min Max Mean Min Max Mean Min Max Mean Min Max Mean Min Max Mean
AU217 39,1 46,3 42,5 - - - - - - 49,9 51,8 50,8 16,4 18,2 17,2
BLO17 38,9 39,2 39,1 5,2 5,5 5,4 - - - 48,0 48,3 48,2 20,6 21,0 20,8
BLO18 25,0 37,8 32,0 4,0 5,0 4,4 - - - 46,1 49,0 47,3 18,6 20,5 19,7
CH14 26,3 32,7 29,4 4,3 4,9 4,5 59702 68452 65350 48,4 50,9 49,4 17,7 18,8 18,4
CH218 27,7 32,3 29,6 - - - - - - 44,7 45,4 45,1 15,9 16,7 16,3
CHR18 34,2 47,6 40,9 - - - - - - 42,9 45,7 44,1 15,5 18,4 17,3
CHX17 28,3 30,1 29,2 4,1 4,5 4,3 - - - 50,9 51,9 51,4 16,6 17,4 17,0
CV18 22,3 32,6 26,7 3,9 4,2 4,1 - - - 46,7 48,0 47,4 18,3 20,9 19,5
DIJ17 42,8 50,1 46,4 - - - - - - 49,5 53,6 51,6 15,2 20,1 17,7
LIV18 25,5 28,8 27,5 4,3 4,9 4,5 - - - 47,5 47,9 47,8 18,6 20,2 19,2
LOU18 29,7 43,1 35,6 - - - - - - 49,9 52,2 50,7 16,7 19,2 18,0
LR11 37,8 55,1 42,8 3,9 4,5 4,2 84953 140813 101913 50,8 52,1 51,5 16,4 17,9 17,2
LR12 25,2 45,2 33,2 4,2 5,2 4,5 55531 103090 73739 42,7 49,8 46,5 20,0 24,3 21,9
LR13 27,5 41,6 33,6 4,0 5,6 4,8 55242 95679 71262 46,7 51,4 49,2 18,4 20,9 19,3
LR15 28,3 37,1 31,6 4,4 5,3 4,9 53466 77977 64805 47,7 52,3 50,1 17,2 19,2 18,0
LR16 28,3 38,5 32,6 3,9 4,9 4,4 59897 84833 73627 46,4 50,5 49,0 17,7 21,0 19,5
LR18 22,4 28,3 24,9 - - - - - - - - - - - -
MD11 25,3 34,9 29,2 2,5 3,0 2,8 83573 131367 104535 40,6 44,2 42,5 22,0 25,2 23,3
MD15 24,0 34,1 29,2 4,1 4,3 4,2 58745 83054 70242 49,2 50,2 49,8 17,6 19,3 18,5
PRE14 21,1 27,8 24,4 4,1 4,7 4,5 45935 56178 52176 49,3 50,2 49,7 20,9 21,9 21,4
PRE15 36,8 44,2 40,2 4,6 5,2 4,9 78253 85069 81993 48,7 51,5 50,2 18,1 19,8 19,0
SEL15 20,8 31,7 27,4 - - - - - - 48,0 53,0 50,5 16,7 19,9 18,4
VER14 32,9 38,2 35,7 4,3 4,8 4,6 69911 85328 78203 46,5 47,2 46,8 14,0 14,4 14,2
VER15 35,2 37,6 36,0 4,1 4,7 4,4 74814 86463 80639 44,7 47,2 46,3 14,0 15,6 14,7
VER17 20,7 28,1 24,8 - - - - - - 42,8 44,4 43,7 17,0 18,8 17,9
YEB15 36,5 39,7 38,2 4,2 4,7 4,4 78502 95357 87204 48,9 49,9 49,3 18,2 19,8 18,9
197
Table 2 (Chap. 5.1.) : Summary of the r-squared and p-value of the three fit models used to predict each of the five final performance-related
variables (i.e. seed yield, seed number, thousand seed weight, lipid and protein contents). P300_30 and P600_30 were not taken into account in
the composition of the models because their value was zero. Levels of significance were p < 0.05*, p < 0.01** and p < 0.001***.
The tested models were the following ones:
Model 1: Final variable = Ptot_25 + Ptot_30
Model 2: Final variable = P300_25 + P600_25 + P1000_25 + P1000_30 + Pharv_25 + Pharv_30
Model 3: Final variable = Model 2 + interactions between early (i.e. P300 and P600) and late (i.e. P1000 and Pharv) ecoclimatic indicators
Model 1 Model 2 Model 3

Variables
r-squared p-value r-squared p-value r-squared p-value
Seed yield 0.092 0.000 *** 0.134 0.000 *** 0.545 0.000 ***
Seed number 0.071 0.014 * 0.423 0.000 *** 0.652 0.000 ***
Thousand Seed Weight 0.244 0.000 *** 0.562 0.000 *** 0.658 0.000 ***
Seed lipid concentration 0.221 0.000 *** 0.458 0.000 *** 0.582 0.000 ***
Seed protein concentration 0.116 0.000 *** 0.380 0.000 *** 0.511 0.000 ***
198
Table 3 (Chap. 5.1.) : Tables (a) to (e) display the summary of the multiple linear regression models used to test the additive and/or interaction
effects of the ecoclimatic indicators on final performance-related variables (i.e. seed yield, seed number, thousand seed weight, lipid and protein
contents). Slots colored in gray correspond to parameters that were tested to each model. Parameters with a hyphen were rejected from the
stepAIC selection process, due to non-significant effect. P300_30 and P600_30 were not taken into account in the composition of the models
because their value was zero. The t-value is the estimate divided by its standard error. The p-value tests the null hypothesis that the coefficient
is equal to zero (no significant effect). Levels of significance were p<0.05*, p<0.01**, p<0.001*** and non-significant (ns). Est: estimate; SE:
standard error.
(a) Seed yield

Ecoclimatic indicators
Est SE t-value p-value Est SE t-value p-value Est SE t-value p-value
(Intercept) 32.981 0.832 39.622 0.000*** 33.409 0.867 38.542 0.000*** 37.392 0.834 44.852 0.000***
Ptot_25 -0.140 0.065 -2.170 0.031*
Ptot_30 0.965 0.235 4.105 0.000***
P300_25 - - - ns -6.082 1.887 -3.223 0.001**
P600_25 - - - ns -3.038 1.107 -2.743 0.007**
P1000_25 -0.414 0.179 -2.314 0.022* - - - ns
P1000_30 - - - ns 9.818 1.733 5.665 0.000***
Pharv_25 - - - ns -1.292 0.147 -8.767 0.000***
Pharv_30 1.405 0.293 4.792 0.000*** 4.112 0.386 10.662 0.000***
P300_25 : P1000_25 0.612 0.189 3.231 0.001**
P300_25 : P1000_30 -4.065 0.795 -5.115 0.000***
P300_25 : Pharv_25 0.832 0.134 6.200 0.000***
P300_25 : Pharv_30 -3.163 0.426 -7.416 0.000***
P600_25 : P1000_25 - - - ns
P600_25 : P1000_30 -6.415 2.087 -3.073 0.002**
P600_25 : Pharv_25 - - - ns
P600_25 : Pharv_30 - - - ns
199
(b) Seed number

(Intercept) 70866 2747 25.798 0.000*** 7452 2330 31.973 0.000*** 80869 3127 25.863 0.000***
Ptot_25 672 245 2.739 0.007**
Ptot_30 - - - ns
P300_25 - - - ns -4634386 1439362 -3.220 0.001**
P600_25 - - - ns 330059 107778 3.062 0.003**
P1000_25 3007 458 6.554 0.000*** - - - ns
P1000_30 - - - ns 19301 5784 3.337 0.001**
Pharv_25 -3282 574 -5.719 0.000*** -4067 1020 -3.988 0.000***
Pharv_30 11369 2160 5.263 0.000*** 8528 3073 2.775 0.006**
P300_25 : P1000_25 397610 123548 3.218 0.001**
P300_25 : P1000_30 2367583 739541 3.201 0.001**
P300_25 : Pharv_25 1588359 493019 3.222 0.001**
P300_25 : Pharv_30 -6880768 2136684 -3.220 0.001**
P600_25 : P1000_25 -196690 61789 -3.183 0.001**
P600_25 : P1000_30 - - - ns
P600_25 : Pharv_25 24565 7421 3.310 0.001**
P600_25 : Pharv_30 - - - ns
200
(c) Thousand Seed Weight

(Intercept) 4.716 0.088 53.244 0.000*** 4.704 0.062 75.579 0.000*** 4.585 0.077 59.196 0.000***
Ptot_25 -0.060 0.009 -6.290 0.000***
Ptot_30 0.250 0.044 5.648 0.000***
P300_25 -0.135 0.041 -3.292 0.001** 0.493 0.217 2.266 0.025*
P600_25 - - - ns - - - ns
P1000_25 -0.124 0.021 -5.815 0.000*** - - - ns
P1000_30 - - - ns 0.316 0.159 1.986 0.049*
Pharv_25 - - - ns - - - ns
Pharv_30 0.125 0.031 4.079 0.000*** - - - ns
P300_25 : P1000_25 -0.086 0.022 -3.925 0.000***
P300_25 : P1000_30 - - - ns
P300_25 : Pharv_25 - - - ns
P300_25 : Pharv_30 0.209 0.093 2.256 0.026*
P600_25 : P1000_25 - - - ns
P600_25 : P1000_30 -0.741 0.273 -2.718 0.007**
P600_25 : Pharv_25 - - - ns
P600_25 : Pharv_30 - - - ns
201
(d) Seed lipid concentration

(Intercept) 48.688 0.357 136.369 0.000*** 49.234 0.317 155.007 0.000*** 49.174 0.351 140.110 0.000***
Ptot_25 -0.142 0.028 -5.099 0.000***
Ptot_30 0.667 0.101 6.583 0.000***
P300_25 - - - ns 2.144 0.485 4.415 0.000***
P600_25 - - - ns -1.119 0.528 -2.118 0.036*
P1000_25 -0.639 0.065 -9.744 0.000*** -0.610 0.169 -3.594 0.000***
P1000_30 - - - ns - - - ns
Pharv_25 - - - ns - - - ns
Pharv_30 0.978 0.107 9.090 0.000*** 0.820 0.150 5.464 0.000***
P300_25 : P1000_25 -0.207 0.072 -2.893 0.004**
P300_25 : P1000_30 - - - ns
P300_25 : Pharv_25 - - - ns
P300_25 : Pharv_30 -0.363 0.147 -2.476 0.0144*
P600_25 : P1000_25 0.285 0.072 3.977 0.000***
P600_25 : P1000_30 - - - ns
P600_25 : Pharv_25 - - - ns
P600_25 : Pharv_30 - - - ns
202
(e) Seed protein concentration

(Intercept) 20.309 0.313 64.810 0.000*** 20.241 0.269 750.37 0.000*** 19.572 0.354 55.308 0.000***
Ptot_25 -0.051 0.024 -2.069 0.040*
Ptot_30 -0.184 0.089 -2.069 0.040*
P300_25 0.388 0.117 3.304 0.001** -1.667 0.413 -4.032 0.000***
P600_25 - - - ns 2.055 0.534 3.850 0.000***
P1000_25 0.183 0.057 3.199 0.002** - - - ns
P1000_30 - - - ns -2.157 0.586 -3.680 0.000***
Pharv_25 -0.217 0.024 -9.058 0.000*** - - - ns
Pharv_30 - - - ns -0.602 0.216 -2.781 0.006**
P300_25 : P1000_25 0.312 0.066 4.717 0.000***
P300_25 : P1000_30 - - - ns
P300_25 : Pharv_25 - - - ns
P300_25 : Pharv_30 - - - ns
P600_25 : P1000_25 - - - ns
P600_25 : P1000_30 2.288 0.755 3.030 0.003**
P600_25 : Pharv_25 -0.127 0.038 -3.323 0.001**
P600_25 : Pharv_30 0.288 0.109 2.641 0.009**
203
5.2. Prise en compte des stress répétés dans les

modèles (semi-) mécanistes
5.2.1. Préambule
Ce chapitre présente les résultats obtenus suite à l’ajout de formalismes pour prédire le
rendement, à la calibration, à l’évaluation et aux simulations avec le modèle (semi)-mécaniste
SuMoToRI (Brunel-Muguet et al., 2015a). Le travail réalisé avec le modèle a visé à répondre à
deux objectifs majeurs, à savoir (i) augmenter la période de prédiction du modèle en
introduisant un module de rendement, et (ii) réaliser des simulations en conditions de stress
thermiques, pour identifier les paramètres et/ou équations sensibles aux effets des stress
thermiques répétés. Un jeu de données issu des expérimentations réalisées en 2011 (expé
2011) a été utilisé pour la calibration du module rendement. Le jeu de données issu de
l’expérimentation in planta de l’Axe I (i.e. EXPE 3, 2019-2020) a été utilisé pour l’évaluation
du module rendement (modalité contrôle) et pour réaliser les simulations en condition de stress
thermiques répétés (modalités soumises aux stress thermiques). Ces travaux ont été conduits
principalement en collaboration avec l’UMR ISPA (INRAE, Bordeaux).
Effets des stress répétés dans un modèle (semi-) mécaniste : principaux résultats
- Le modèle SUMO YIELD est capable de bien simuler les variables de sortie relatives aux
siliques et celles relatives aux autres compartiments de la plante à l’issue de la calibration avec
le jeu de données du génotype Yudal (expé 2011).
- L’évaluation du modèle avec des données indépendantes (génotype Aviso, expé 3, 2020) a
mis en évidence d’une part la nécessité d’améliorer la formalisation de certains processus au
sein du modèle (relatifs notamment à la croissance foliaire et aux règles d’allocation du C entre
les siliques et les feuilles vertes), et d’autre part que les valeurs de certains paramètres sont
potentiellement génotype-dépendants.
- Les simulations en conditions de stress thermiques répétés ont mis en évidence que (i) l’effet
des stress répétés n’est pas égal à la somme des effets individuels de chaque évènement
stressant, en raison d’un effet d’amplification ou d’atténuation des effets consécutifs lié au
phénomène de mémoire du stress ; (ii) les modèles de culture sont capables de reproduire
l’effet non additif des stress répétés, mais l’amplitude de la réponse simulée ne correspond
pas aux observations, et (iii) les modèles de culture ne sont pas capables de prendre en compte
les modulations fines des protocoles de stress thermique (ni les modulations du climat réel,
par conséquent), du fait de l’utilisation des variables climatiques trop intégratives (e.g.
moyenne de température journalière, temps thermique cumulé).
204
5.2.2. Fonctionnement du modèle SuMoToRI
Le modèle écophysiologique « Sulphur Model Towards Rapeseed Improvement » (SuMoToRI,

Brunel-Muguet et al., 2015a) est un modèle (semi)-mécaniste fondé sur des processus
biologiques de croissance du colza d’hiver. La version publiée en 2015 (collaboration
UMR EVA et UMR ISPA) permet de prédire la croissance végétative du colza (i.e. biomasse des
différents compartiments) et les variables indicatrices du potentiel de remobilisation du soufre
(i.e. teneurs en S total, S organique et S minéral des différents compartiments) vers les siliques
en début de formation. Ce modèle a été paramétré pour le colza d’hiver en utilisant des jeux
de données issus des expérimentations avec le génotype Yudal (expé 2011). Il fonctionne à
pas de temps journalier, à l’échelle de la plante et les variables d’entrée sont la température,
le rayonnement photosynthétiquement actif (Photosynthetically Active Radiation, PAR) et le
prélèvement en S. Ces variables combinées pilotent trois modules au sein du modèle, à savoir
(i) le potentiel de croissance du colza, (ii) la dynamique du C et (iii) la dynamique du
S dans chacun des compartiments de la plante avec des règles d’allocation fondées sur la
confrontation de l’offre et de la demande. SuMoToRI, tel que publié en 2015, était focalisé sur
la dynamique du S dans la culture du colza jusqu’à la floraison. Les prédictions de la croissance
post-floraison et du rendement n’étaient pas incluses dans la version du modèle 2015.
Les principaux processus et règles sous-jacentes intégrées dans le modèle SuMoToRI sont
indiquées dans la Figure 1 (Chap. 5.2). La production et la répartition des composés carbonés
est déterminante pour la dynamique du C, tandis que la dynamique du S est déterminée par
les besoins structurels en S (prioritaire aux feuilles) et la constitution du pool mobile de S
(lequel est réparti entre les feuilles et le reste de la plante selon des règles d'allocation). Trois
compartiments majeurs sont explicités : les feuilles photosynthétiques regroupées dans
une seule structure dite « big leaf », les feuilles chutées suite à leur senescence et
l’ensemble des autres organes de la plante (tiges, ramifications et inflorescences). La
croissance effective des organes est calculée chaque jour sur la base du temps thermique
cumulé pendant la journée i (dTTi) à partir de la croissance potentielle des organes (calculée
en fonction du temps thermique), de la disponibilité en composés carbonés (offre en C) et de
la disponibilité en souffre (offre en S). L’offre en S est calculée en additionnant les quantités
de S prélevées quotidiennement et les quantités issues de la fraction mobile de S dans la
plante. Dans SuMoToRI, la surface d’interception de la lumière (Leaf Area Index, LAI) et la
totalité de l’activité photosynthétique sont attribuées aux feuilles vertes en appliquant le
modèle de Monteith (Goudriaan and Monteith, 1990). L’augmentation journalière effective du
LAI correspond au minimum des trois augmentations journalières calculées en fonction
205
des facteurs limitants (i.e. température, offre en C ou offre en S), selon la loi du minimum de
von Liebig. Les règles d’allocation régissent les fonctions d’offre et de demande en C et S, avec
une priorité accordée aux feuilles photosynthétiques. Ainsi, le modèle est capable de simuler
le LAI et la biomasse des organes, l’allocation du S total aux organes et la répartition entre les
fractions de S minérale et organique. Deux processus écophysiologiques majeurs pilotent le
modèle, à savoir (i) la photosynthèse, par biais de l’assimilation du PAR pour la synthèse des
composés carbonés, qui seront alloués aux différents organes en croissance, et (ii)
l’assimilation, la remobilisation et l’allocation du S prélevé par la plante (Figure 1 (Chap. 5.2.)).
Figure 1 (Chap. 5.2.) : Représentation du fonctionnement du modèle SuMoToRI, version

2015 (Brunel-Muguet et al., 2015a). Paramètres et équations présentés dans l’Annexe 8.
206
Les étapes de développement et d’utilisation du modèle
La première étape de travail avec le modèle mécaniste SuMoToRI (Brunel-Muguet et al.,

2015a) concerne l’introduction des formalismes de prédiction du rendement, en vue
d’augmenter sa période de prédiction (i.e. développement de la version 2021, SUMO YIELD,
Figure 2 (Chap. 5.2.)). L’objectif est de pouvoir prédire le rendement en siliques en partant
des trois facteurs limitants initialement introduits dans SuMoToRI (i.e. l'assimilation de C, la
température journalière et l’apport en S), et en modifiant les relations source-puits et les règles
de priorité d’allocation. Le travail de thèse a consisté à (i) formaliser la croissance des siliques
suivant ces règles ; (ii) calibrer le modèle SUMO YIELD en incluant des règles liées au
rendement en siliques ; et (iii) évaluer la nouvelle version du modèle en confrontant les
observations aux simulations.
La deuxième étape de travail vise à réaliser des simulations avec le modèle SUMO YIELD en
conditions de stress thermiques répétés (Figure 2 (Chap. 5.2.)), dans l’objectif d’identifier des
règles à modifier pour améliorer les capacités prédictives du modèle dans ces conditions
climatiques particulières. Le postulat central fondé sur mes résultats expérimentaux in planta
est que l’effet d’une succession d’événements stressants n’est pas égal à la somme des effets
individuels de chaque événement individuel, en lien avec les effets de la mémoire du stress,
ce qui doit donc être considéré dans les modèles de culture prédictifs. Le travail de thèse a
consisté à confronter les observations aux simulations pour les quatre différents protocoles de
stress thermique testés et à présenter une réflexion sur des potentiels ajustements.
Figure 2 (Chap. 5.2.) : Comparaison entre la version publiée du modèle SuMoToRI et les
étapes de développement et utilisation proposées dans le cadre de cette thèse.
207
5.2.3. Extension de la période de prédiction du modèle
Ce sous-chapitre présente les règles conceptuelles et la calibration du module rendement lors

de la première étape de travail avec modèle (semi-) mécaniste SuMoToRI, dans l’objectif de
développer une nouvelle version du modèle (i.e. SUMO YIELD, Figure 2 (Chap. 5.2.)). Cette
étape de développement et de calibration a été réalisée en utilisant un jeu de données issu
d’expérimentations en conditions contrôlées conduites entre 2010-2011 à l’UMR EVA (i.e. expé
2011), avec le génotype Yudal. L’implémentation du module rendement a impliqué la
distinction d’un compartiment supplémentaire au sein du modèle original de façon
à inclure les variables relatives aux siliques. Ainsi, SUMO YIELD considère quatre
compartiments, à savoir les feuilles vertes, les feuilles chutées, les siliques (regroupant les
péricarpes et les graines) et le reste de la plante (tiges, ramifications, racines, inflorescences).
Les entrées du modèle restent identiques à celles de SuMoToRI (i.e. le rayonnement, la
température journalière et le prélèvement de S). Le modèle SUMO YIELD est capable de
simuler les biomasses et les quantités de S total, minéral et mobile des compartiments de la
plante, en incluant les siliques. En comparaison avec SuMoToRI, les principales modifications
concernent l’introduction des processus physiologiques liés à la croissance des siliques (Figures
3 et 4 (Chap. 5.2.), ainsi que Tableaux 1 et 2 (Chap. 5.2.)), notamment :
 La prise en compte du temps thermique de floraison estimé à partir des observations

de l’expé 2011. Cette expérimentation a indiqué la période de floraison étant entre 758 et
954°Cd après le semis (avec Tbase = 4°C) pour le génotype Yudal, donc débutant à environ
376°Cd après la sortie de la vernalisation (Tableau 1 (Chap. 5.2.), paramètre TT.flowering).
Le temps thermique de floraison est estimé dans des conditions d’approvisionnement
nutritionnel non-limitant (notamment en azote et soufre). Une éventuelle variabilité
génotypique et/ou l’effet de stress abiotiques (i.e. facteurs pédoclimatiques, limitation en
nutriments) pourraient modifier l'initialisation de la floraison et/ou avoir un impact sur la
phénologie et le développement post-floraison.
 La prise en compte de la croissance potentielle des siliques, dont la fonction est

calculée à partir du temps thermique, en utilisant une équation de Hill (Tableau 1 (Chap.
5.2.), paramètres PAmax, aPA, bPA).
 La prise en compte des surfaces photosynthétiques des siliques dans le calcul de

la contribution des surfaces d’interception du rayonnement pour l’activité photosynthétique :
SUMO YIELD utilise l’indice de surface totale, en considérant à la fois les feuilles (LAI), mais
aussi la surface des siliques (PAI, Tableau 1 (Chap. 5.2.), paramètres k.ext.PAI et RUE.PAI).
208
 La considération des phases d’hétérotrophie et d’autotrophie des siliques. Le calcul

du temps thermique pour l'autotrophie des siliques a été estimé à partir des observations de
l’expé 2011. La valeur de 350°Cd (Tbase = 4°C) post-floraison a été retenue (Tableau 1 (Chap.
5.2.), paramètre TT.autotrophy.postflo), en se basant sur la littérature (Leterme, 1985).
 L’ajustement de l’offre en carbone, qui est calculée en considérant que les siliques
deviennent photosynthétiquement actives lorsqu’elles deviennent autotrophes, et ainsi les
feuilles ne sont pas la source unique de production de biomasse, donc leur contribution à
l'offre de C est réduite. Lorsque les siliques sont hétérotrophes, leur contribution à l’offre
totale de C ne représente qu’un faible pourcentage (Tableau 1 (Chap. 5.2.), paramètre
contrib.pod.heterotrophy), car les feuilles vertes contribuent majoritairement à l’offre qui est
consacrée à la respiration et à la croissance. A l’inverse, quand les siliques deviennent
autotrophes, elles contribuent majoritairement à l'offre totale de C (Tableau 1 (Chap. 5.2.),
paramètre contrib.LA.autotrophy), qui va principalement contribuer à satisfaire les demandes
des nouveaux puits (i.e. siliques) au détriment des organes végétatifs. Les règles qui
régissent la répartition de l’offre en C entre les siliques et les feuilles ont été définies de façon
empirique, en se basant sur les observations expérimentales (expé 2011) et sur la littérature
disponible (Leterme, 1985).
 L’ajustement de la demande en soufre structural prend en compte la compétition

pour les besoins en S structurel entre les feuilles vertes et les siliques après la floraison. Le
calcul de la demande en S est réalisé à partir des courbes de dilution critique (i.e. le S du
SO42-) en fonction du poids de chaque organe (feuilles vertes, siliques et le reste de la plante).
 L’ajustement du pool de soufre mobile, qui est calculé en considérant que les siliques
deviennent photosynthétiquement actives lorsqu’elles deviennent autotrophes, ainsi les
feuilles ne sont plus le premier puits à recevoir du S mobile. La quantité de S mobile dans les
feuilles est égale à la quantité de S total moins les quantités de S structural (des feuilles,
siliques, reste de la plante) et la quantité de S mobile alloué aux siliques. Ainsi, lorsque les
siliques sont hétérotrophes, elles contiennent 60% du S mobile total (Tableau 1 (Chap. 5.2.),
paramètre frac.SO4.pod.heterotrophy) et le reste appartient au pool mobile dans les feuilles
vertes, qui peut être utilisé pour les besoins critiques de la plante (respiration et croissance).
Quand les siliques sont autotrophes, elles contiennent 90% (Tableau 1 (Chap. 5.2.),
paramètre frac.SO4.pod.autotrophy) du S mobile total et le reste appartient au pool mobile
dans les feuilles vertes, dont la demande est fortement réduite à ce stade de développement.
Les règles qui régissent la répartition du S mobile entre les siliques et les feuilles ont été
définies de façon empirique, en se basant sur les observations expérimentales (expé 2011).
209
Figure 3 (Chap. 5.2.) : Schéma simplifié des modifications introduites pour la calibration du
module rendement (SUMO YIELD), par rapport à la version 2015 du modèle SuMoToRI.
Tableau 1 (Chap. 5.2.) : Liste des paramètres ajoutés dans la version SUMO YIELD, par
rapport à la version 2015 du modèle SuMoToRI (Annexe 8).
Symbol Definition Value Unit Equation

Plant growth stages
TT.flowering Cumulated thermal time to flowering 376 °Cd-1 post vernal. Eq 8
TT.autotrophy.postflo Cumulated thermal time to pods autotrophy 350 °Cd-1 post flowering Eq 3
Dynamics of C
PAmax Pod area expansion parameter 0.025 m² plant-1 Eq 1
aPA Pod area expansion parameter 897 °Cd-1 Eq 1
bPA Pod area expansion parameter 3.48 dimensionless Eq 1
k.ext.PAI PAR extinction coefficient of pods 0.80 m2 m-2 Eq 2
RUE.PAI Radiation use efficiency of pods 2.00 g DW MJ-1 Eq 2
contrib.pod.heterotrophy C offer of pods during heterotrophy 0.20 dimensionless Eq 3
contrib.LA.autotrophy C offer of leaves during autotrophy 0.05 dimensionless Eq 3
beta.pods Coefficient of dry weight allocation to pods 0.37 dimensionless Eq 4
inv.SLA.pods Inverse of the specific pod area 38.6 g DW m-² Eq 5
Dynamics of S
αS.crit.pods Parameter to estimate critical S content in pods 5.85 mg S plant-1 Eq 6
βS.crit.pods Parameter to estimate critical S content in pods -0.144 dimensionless Eq 6
αS.crit.rest Parameter to estimate critical S content in rest 1.68 mg S plant-1 Eq 7
βS.crit.rest Parameter to estimate critical S content in rest -0.386 dimensionless Eq 7
frac.SO4.pod.heterotrophy Fraction of mobile S in pods during heterotrophy 0.60 dimensionless Eq 12
frac.SO4.pod.autotrophy Fraction of mobile S in pods during autotrophy 0.90 dimensionless Eq 12
210
Tableau 2 (Chap. 5.2.) : Liste des variables et équations rajoutées dans le modèle SUMO
YIELD, par rapport à SuMoToRI (Annexe 8). La croissance journalière effective des siliques
correspond au minimum des trois croissances journalières calculées selon des facteurs
limitants (i.e. température, offre en C ou offre en S), en s’appuyant sur la loi du minimum de
von Liebig. Les règles d’allocation régissent les fonctions d’offre et de demande en C et S, avec
une priorité accordée aux siliques, notamment suite à leur passage en phase d’autotrophie.
Process Main variables and equations Equation
Main variables:
dPARabs.PAI : daily PAR absorbed by pods (Mj/m2/day)
dTDWPAI : daily potential increase in total dry weight of pods (g/pl/day)
dPDW : daily increase in dry weight of pods (g/pl/day)
dPDWeffect : daily effective increase in dry weight of pods (g/pl/day)
Dynamics of C Main equations:

dTDWPAI [t] = dPARabs.PAI x RUE.PAI
Eq 2
with dPARabs.PAI = PARi 1-e-k.ext.PAI
If heterotrophy: dDWTOT [t] = (contrib. pod. heterotrophy x dTDWPAI) + dTDWLAI

Eq 3
If autotrophy: dDWTOT [t] = (contrib.LA.autotrophy x dTDWLAI) + dTDWPAI
dPDW[t] = dDWTOT x beta.pods Eq 4
dPAeffect = max (0, [min (dPATT, dPAc, dPAS)]) Eq 9
dPDWeffect [t] = dPAeffect x inv.SLA.pods Eq 10
Main variables:
dQSpods.SO4 : daily amount of S-mobile in pods (mg S-SO4/pl/day)
dQSrest.SO4 : daily amount of S-mobile in the rest (mg S-SO4/pl/day)
dQSrest.SO4 : daily total amount of S-mobile in the plant (mg S-SO4/pl/day)
Main equations:
dQSpods.SO4 [t] = [S]crit.pods [t] x dPDWeffect [t] Eq 6
with [S]crit.pods [t] = αS.crit.pods x PDWeffectβS.crit.pods
Dynamics of S
dQSrest.SO4 [t] = [S]crit.rest [t] x dDWrest [t] Eq 7
with [S]crit.rest [t] = αS.crit.rest x DWrestβS.crit.rest
dQStot.SO4 = dQSuptake + QSpot.remob.FL - dQSFL.SO4 - ∑ dQSstruc Eq 11
Before flowering: dQSpods.SO4 = 0

If heterotrophy: dQSpods.SO4 = dQStot.SO4 x frac.SO4.pod.heterotrophy Eq 12
If autotrophy: dQSpods.SO4 = dQStot.SO4 x frac.SO4.pod.autotrophy
Expansion rate according to:

PAmax x TTcumbPA
(i) Pod potential growth dPATT  Eq 1
aPAbPA  TTcum
(ii) C offer and growth demand dPDW[t] Eq 5

dPAC 
inv.SLA.pods
(iii) S offer and growth demand Before flowering: 0
After flowering: dQS offer [t] Eq 8
dPAS 
 [S]crit.pods[t] 
 
 inv.SLA.pods 
211
Figure 4 (Chap. 5.2.) : Illustration des principales relations utilisées pour la calibration du
module rendement de SUMO YIELD, en se basant sur des observations issues de
l’expérimentation de 2011. (a) La croissance potentielle des siliques est le résultat de
l’augmentation graduelle de la surface des siliques en fonction du temps thermique,
notamment pendant les stades de développement et remplissage. (b) Le poids relatif des
plantes en fonction du poids des siliques met en évidence l’importance de ces derniers dans la
détermination de la croissance des plantes, puisque les siliques représentent en moyenne
37,5% du poids total de la plante, l’ensemble des autres organes représentant donc environ
62,5% du poids total.
212
5.2.4. Implémentation du modèle et évaluation des performances
Le module rendement a été implémenté comme décrit auparavant sous R (version 4.0.2, R
Core Team, 2020). Après les étapes de calibration, le comportement du modèle a été testé en
comparant les observations issues du jeu de données de calibration (expé 2011) et les
simulations effectuées avec les équations paramétrées pour chaque processus (Tableau 2
(Chap. 5.2.)). Ensuite, les enregistrements journaliers de PAR et de température de la modalité
contrôle de l'expé 3 (2020) ont été utilisées comme variables d’entrées pour les simulations
d’évaluation du modèle. La qualité prédictive des simulations avec les données de calibration
(expé 2011) et avec les données servant à l’évaluation du modèle (expé 3, 2020) a été évaluée
à l'aide de l'erreur quadratique moyenne (Root Mean Square Error, RMSE), qui calcule la
différence moyenne entre les valeurs prédites et observées, et de l'indice d'accord (d-
values), qui indique le degré d'accord entre les valeurs simulées et les valeurs observées
correspondantes (Tableau 3 (Chap. 5.2.)). Des valeurs RMSE faibles et une d-value proche de
1 signifient une très bonne qualité prédictive du modèle.
La Figure 5 (Chap. 5.2.) illustre le comportement du modèle SUMO YIELD lors des
simulations avec le jeu de données de calibration du module rendement (génotype
Yudal, expé 2011). Les biomasses de chaque compartiment de la plante (i.e. DW total, DW
pods, DW green leaves et DW rest) simulés avec SUMO YIELD correspondent relativement
bien aux valeurs observées, avec des valeurs RMSE faibles et des d-values proches de 1
(Tableau 3 (Chap. 5.2.)). Logiquement, le DW total a augmenté graduellement après la sortie
de la vernalisation, résultant de la croissance foliaire intense avant floraison. Suite au début
de la floraison (i.e. 376 °Cj après la sortie de vernalisation), le DW pods reste égal à zéro
jusqu’à environ 500 °Cj (post-verna), quand la courbe de DW pods commence à croître,
associée à la vitesse d’expansion de la surface des siliques (PA). La croissance des siliques
post-floraison voit sa dynamique modifiée vers 726 °Cj (post-verna), lors de l’autotrophie.
Contrairement à la dynamique observée pour la croissance des siliques, la croissance des

feuilles vertes (DW green leaves) augmente jusqu'à la pleine floraison, puis diminue
drastiquement lors du passage en autotrophie des siliques. Ces tendances (observées et
simulées) sont la conséquence de la chute séquentielle des feuilles sénescentes, qui n'est pas
compensée par la production de nouvelles feuilles dans la fin du cycle de la culture. La quantité
totale de soufre dans les siliques (QS pods) simulée avec SUMO YIELD correspond relativement
bien aux valeurs observées (RMSE faible et d-value proche de 1, Tableau 3 (Chap. 5.2.)). Le
soufre n’étant pas un facteur limitant dans les conditions testées ni le facteur central dans le
travail de modélisation présenté dans la thèse, nous allons nous concentrer seulement sur la
213
quantité totale de S dans les siliques. Les simulations en condition non-limitante en S

reproduisent bien l’augmentation exponentielle de la quantité de soufre dans les organes
pendant la croissance végétative et le plateau à la pleine floraison, même si le processus
d’allocation du S aux siliques semble plus rapide en comparaison avec les observations (i.e. le
début de l’augmentation exponentielle en S des simulations arrive vers 500 °Cj post-
vernalisation, tandis que dans les observations la quantité de S dans les siliques augmente à
partir du passage en autotrophie, vers 726 °Cj post-vernalisation). Ce décalage cinétique
pourrait s’expliquer par une moindre calibration des fonctions de répartition du pool de S
(pourcentages d’allocation estimés de façon empirique et sur un unique jeu de données) entre
les feuilles et les siliques pendant les phases d’hétérotrophie et d’autotrophie de ces derniers.
Figure 5 (Chap. 5.2.) : Test du comportement du modèle SUMO YIELD avec le jeu de
données de calibration (expé 2011). Ces données incluent des variables mesurées sur les
siliques, mais pas sur les graines. Observations (points bleus) et simulations (lignes noires).
214
La Figure 6 (Chap. 5.2.) illustre les simulations avec le jeu de données indépendant
d’évaluation (génotype Aviso, expé 3, 2020). Globalement le modèle SUMO YIELD est
capable de prédire des tendances de croissance des plantes, telles que l’augmentation
graduelle de la biomasse totale (DW total) après la sortie de la vernalisation et la croissance
accrue des feuilles vertes (DW green leaves) jusqu'à la pleine floraison, suivie par la croissance
des siliques. Mais le modèle ne simule pas correctement les cinétiques des variables. Les
biomasses des compartiments végétatifs (i.e. DW total, DW green leaves et DW rest) sont
largement surestimées (valeurs RMSE élevées et des d-values non calculable). La biomasse
des siliques est sous-estimée, notamment après le passage en autotrophie (i.e. 839 °Cj après
la sortie de vernalisation), même si les simulations de DW pods restent acceptables avec les
valeurs de RMSE faible et le d-value proche de 1 (Tableau 3 (Chap. 5.2.)).
Les observations indiquent des cinétiques de croissance des feuilles vertes différentes entre
les données ayant servi à la calibration (génotype Yudal, expé 2011) et à l’évaluation (génotype
Aviso, expé 3, 2020). En effet, les observations de l’expé 3 (2020) indiquent une forte
croissance foliaire à partir de la sortie de la vernalisation en atteignant son maximum vers 500
°Cj (qui correspond au début de la floraison), tandis que le DW green leaves maximum est
atteint vers 726 °Cj (qui correspond au passage en autotrophie) dans les observations de
l’expé 2011. De plus, il a été observé au sein du modèle que le carbone est le facteur limitant
pour la croissance des siliques, notamment à partir de la floraison. Par conséquent, une
surestimation de la biomasse des compartiments végétatifs réduit l’offre en C pour la
croissance journalière effective des siliques, puisque le module rendement s’appuie sur la loi
du minimum entre la température, l’offre en C ou l’offre en S. Cette surestimation de biomasse
végétative peut être la conséquence d’une approximation des règles d’allocation qui régissent
les fonctions d’offre et de demande en C, du fait des proportions empiriques ajustées.
Les résultats observés lors de l’évaluation du modèle indiquent que certains paramètres au
sein du modèle sont potentiellement génotype-dépendants et pourraient être améliorés par la
suite, notamment avec des ajustements en considérant plusieurs jeux de données contrastants
dans l’objectif de créer un modèle applicable à un large éventail de génotypes de colza d’hiver.
215
Figure 6 (Chap. 5.2.) : Evaluation du modèle SUMO YIELD avec le jeu de données
indépendant (expé 3, 2020, modalité thermique contrôle). Observations (points bleus) et
simulations (lignes noires). La quantité totale de soufre dans les siliques (QS pods) n’a pas pu
être confrontée aux observations, puisque ces analyses n’étaient pas réalisées dans les siliques
dans le cadre du projet.
Tableau 3 (Chap. 5.2.) : Valeurs des deux principaux critères de qualité prédictive du
modèle. Root mean square (RMSE) et d-values des principales variables de sortie du modèle
SUMO YIELD simulés avec (a) le jeu de données de calibration (expé 2011) et (b) le jeu de
données d’évaluation (expé 3, 2020, modalité thermique contrôle). NA indique les valeurs
manquantes dans expé 3 et les traits indiquent une impossibilité de calculer le critère.
(a) Calibration (b) Evaluation

Main variables
RMSE d RMSE d
DW total (g/pl) 3.17 0.90 14.71 -
DW pods (g/pl) 2.00 0.82 3.15 0.73
DW green leaves (g/pl) 1.18 0.80 3.26 -
DW rest (g/pl) 3.61 0.78 15.68 -
Pod Area (m²/pl) 0.04 0.66 0.12 0.34
QS pods (mg S/pl) 32.57 0.76 NA NA
216
5.2.5. Simulations en conditions de stress thermiques répétés
L’objectif central de cette thèse étant de mieux comprendre les effets des stress thermiques
répétés sur le rendement et la qualité grainière du colza, des simulations sous différents
protocoles composés par des évènements chauds ont été réalisés avec le modèle SUMO YIELD,
en s’appuyant sur les modalités stressées issues de l’expé 3 (2020, détails de l’expérimentation
en conditions contrôlées et des protocoles de stress disponibles dans le Chapitre 3.2.). Ce
chapitre présente les résultats concernant la biomasse des siliques (DW pods) des observations
(expé 3, 2020) et des simulations avec le modèle SUMO YIELD pour chacune des modalités
de stress. La Figure 7 (Chap. 5.2.) illustre l’évolution observée et simulée du DW pods au cours
des récoltes successives pendant et après l’exposition aux stress (T3 à T8), ainsi que le temps
thermique cumulé (°C) aux dates de récolte pour chacune des modalités. Le Tableau 4 (Chap.
5.2.) indique les différences relatives entre les résultats de DW pods observées et simulées
pour chaque modalité thermique et ceux du contrôle, sous forme de pourcentages.
Concernant les observations (Figure 7a (Chap. 5.2.)), les résultats montrent une
augmentation graduelle du DW pods entre T3 et T8, avec des différences significatives entre
les modalités thermiques à T5 (p<0.01), T7 (p<0.01) et T8 (p<0.05). Les différences entre
les modalités thermiques observées dans les autres temps de récolte (i.e. T3, T4 et T6) ne
sont pas statistiquement significatives. De façon intéressante, à T3 les modalités CTL et 4LHP
présentent des valeurs de DW pods plus faibles que celles les modalités qui ont subi le stress
modéré pendant la floraison (RSS et EMS), ce qui indique que le stress modéré a probablement
accéléré le développement des siliques en raison d’un cumul de thermique plus important. En
effet, à la maturité physiologique des graines (T8), les différences de temps thermique cumulé
par rapport au contrôle (CTL) ont atteint +123 °Cj pour RSS, +47 °Cj pour EMS et + 75 °Cj
pour 4LPH. A partir de T4 et jusqu’à T8, la modalité CTL présente une valeur moyenne de DW
pods plus importante que celles des modalités de stress, même si ces différences ne sont
toujours pas statistiquement significatives. A T7 et T8 les tendances semblent fixées, et les
modalités CTL et RSS présentent respectivement les plus fortes et plus faibles valeurs de DW
pods. Tel qu’observé dans nos résultats précédents (Magno et al., 2021, 2022a), la modalité
4LHP est la moins pénalisante de toutes les modalités de stress concernant le rendement.
Concernant les simulations (Figure 7b (Chap. 5.2.)), le modèle SUMO YIELD est capable
de prédire l’augmentation graduelle du DW pods entre T3 et T8, mais les différences entre les
modalités stressées et le contrôle ne sont pas évidentes. Le modèle prédit bien la tendance
plus haute des valeurs de DW pods pour le contrôle (CTL) à partir de T5, ainsi que la tendance
217
moins pénalisante de la modalité 4LHP, même si les variations entre modalités pour les valeurs
observées sont beaucoup plus importantes que celles pour les valeurs simulées.
Harvest date T3 T4 T5 T6 T7 T8
CTL 728 791 881 1000 1379 1820
RSS 776 852 1005 1123 1502 1943
EMS 776 839 929 1047 1426 1867
4LHP 728 804 957 1075 1454 1895
Figure 7 (Chap. 5.2.) : Comparaison entre (a) valeurs observées de poids sec (dry weight,
DW) des siliques (g/pl) et (b) valeurs simulées de poids sec (dry weight, DW) des siliques
(g/pl) avec le modèle SUMO YIELD, en utilisant le jeu de données indépendant (expé 3, 2020,
modalités stressées). Le tableau indique le temps thermique cumulé (°Cj, Tb = 4°C) pour
chaque modalité lors des récoltes. CTL: Control; RSS: Repeated Stress Sequence; EMS: Early
Mild Stress; 4LHP: 4 Late Heat Peaks.
Le Tableau 4 (Chap. 5.2.) indique les effets relatifs de chaque modalité de stress (RSS, EMS
et 4LHP) et les effets additionnés des modalités EMS et 4LHP, afin de les comparer à l’effet de
RSS. Ces effets sont exprimés en pourcentage relatif du contrôlé (négatifs si diminution ou
positifs si augmentation). L’objectif de cette analyse est d’observer si les effets des stress
répétés sont additifs ou non, et le cas échéant dans quelle ampleur. Aux récoltes T3 et T4,
étant donné que les plantes n’ont pas encore été exposées aux pics thermiques, les modalités
RSS et EMS sont identiques (i.e. stress modéré uniquement). Logiquement, les observations
indiquent donc que la somme des effets de EMS et de 4LHP (i.e. EMS+4LHP) correspond aux
effets de RSS (+42% et -13% par rapport au contrôle, respectivement). Pour ces deux dates,
le modèle ne simule aucune différence entre les modalités de stress et le contrôle. Par
conséquent, la somme des effets simulés de EMS et de 4LHP correspond également aux effets
218
simulés de RSS. Les différences entre toutes les modalités thermiques sont observées à partir
de T5, date qui coïncide avec la fin des modalités de stress (17 jours au total entre T2 et T5).
A partir de T5, qu’ils s’agissent des observations ou des simulations, la somme des effets de
EMS et de 4LHP (i.e. EMS+4LHP) est différente des effets de RSS, ce qui indique donc que les
effets individuels des événements successifs (EMS et 4LHP) ne sont pas additifs. L’hypothèse
sous-jacente de la non additivité est qu’il y a une mémoire du stress thermique qui se traduit
soit par une amplification de l’effet négatif des pics tardifs (4LHP) suite au stress précoce
modéré (EMS), soit par un effet bénéfique d’atténuation du stress tardif (4LHP) suite au stress
précoce modéré (EMS). Dans les deux cas, l'impact cumulé des effets respectifs de chaque
stress diffère de l'effet des stress répétés. Il est également intéressant d’observer que à partir
de T5 les différences relatives observées entre le RSS et le contrôle sont toujours plus faibles
(-22.4%, -19.2%, -32.9%, -20.2%, respectivement à T5, T6, T7 et T8) que les différences
relatives observées entre EMS+4LHP et le contrôle (-30.6%, -28.3%, -34.4%, -20.9%
respectivement à T5, T6, T7 et T8). Ces tendances sont également vraies pour les différences
relatives simulées, mais avec une moindre ampleur de l’impact du stress (-8.5%, -7.3%, -
5.1%, -3.8% respectivement à T5, T6, T7 et T8 pour RSS ; et -10.3%, -8.9%, -6.1% et -4.6%
respectivement à T5, T6, T7 et T8 pour EMS+4LHP).
Ces résultats mettent en évidence trois points importants à considérer lors de l’ajustement des
modèles de culture pour la prise en compte des effets des stress thermiques répétés, à savoir
(i) l’effet des stress répétés n’est pas égal à la somme des effets de chaque évènement
stressant individuel, en conséquence d’un effet d’amplification ou d’atténuation des effets
consécutifs liés au concept de mémoire du stress ; (ii) les modèles de culture sont
conceptuellement capables de rendre compte des effets non additifs des stress
répétés, mais l’amplitude des variations ne correspond pas aux observations, avec les impacts
des stress étant sous-estimés ; et (iii) les modèles de culture ne sont pas capables de
simuler les modulations fines des schémas de stress thermique, en raison notamment
du fait que les données thermiques d’entrée sont des moyennes de la température journalière
et que les processus de développement de la plante sont pilotés par le temps thermique
cumulé, les évènements stressants étant par conséquent « dilués » dans l’ensemble de
données journalières.
219
Tableau 4 (Chap. 5.2.) : Calculs des effets relatifs de chaque modalité de stress (RSS, EMS
et 4LHP) et les effets additionnés des modalités EMS et 4LHP (EMS+4LHP), pour le DW pods
à plusieurs dates de récolte (T3 à T8). Le tableau présente les valeurs de DW pods pour la
modalité contrôle, et la différence relative entre les modalités stressées et le contrôle pour les
observations (OBS EXPE 3) et les simulations (SIM SUMO YIELD). Les effets EMS+4LHP (en
gris) ont été calculés en multipliant les deux effets individuels pour tenir compte de l'effet
séquentiel (qui théoriquement devrait correspondre aux effets de RSS si les effets successifs
des stress répétés étaient égaux à la somme des effets individuels). CTL: contrôle; RSS:
Repeated Stress Sequence; EMS: Early Mild Stress; 4LHP: 4 Late Heat Peaks.
obs/sim Harvest date T3 T4 T5 T6 T7 T8

CTL 3,9 7,4 11,0 13,5 16,1 16,8
OBS RSS +42,0% -13,0% -22,4% -19,2% -32,9% -20,2%
EXPE 3 EMS +42,0% -13,0% -13,0% -16,3% -23,6% -13,9%
(2019-20) 4LHP 0,0% 0,0% -20,2% -14,3% -14,1% -8,1%
EMS + 4LHP +42,0% -13,0% -30,6% -28,3% -34,4% -20,9%
CTL 3,5 4,6 5,6 6,7 9,9 13,5
SIM RSS 0,0% 0,0% -8,5% -7,3% -5,1% -3,8%
SUMO EMS 0,0% 0,0% -5,8% -4,9% -3,3% -2,5%
YIELD 4LHP 0,0% 0,0% -4,8% -4,2% -2,8% -2,2%
EMS + 4LHP 0,0% 0,0% -10,3% -8,9% -6,1% -4,6%
220
5.2.6. Conclusions et pistes d’amélioration
Ce chapitre a présenté les travaux réalisés avec le modèle (semi-) mécaniste SuMoToRI
(Brunel-Muguet et al., 2015a) avec pour objectif d’étendre la période de prédiction du modèle
en intégrant un module prédictif du rendement (Etape 1 : calibration de SUMO YIELD) et de
tester le comportement du modèle SUMO YIELD en réalisant des simulations sous conditions
de stress thermiques répétés (Etape 2, Figure 2 (Chap. 5.2.)).
Concernant la calibration du module rendement, le modèle est capable de bien simuler

les sorties relatives aux siliques (i.e. DW pods et QS pods), ainsi que celles relatives aux autres
compartiments de la plante, lors des tests de comportement avec le jeu de données de
calibration (expé 2011). Cependant, l’évaluation avec un jeu de données indépendantes (expé
3, 2020) a mis en évidence notamment que (i) le modèle surestime la croissance des feuilles
vertes (DW green leaves) pendant la période de floraison, ce qui génère une forte demande
en C des feuilles au détriment du C alloué pour la croissance des siliques ; (ii) la répartition de
biomasse entre siliques et feuilles est médiocre, notamment pendant la période d’autotrophie
des siliques, indiquant le besoin d’améliorer les règles d’offre et demande de C entre les
siliques et feuilles. L’analyse de ces résultats de simulation démontre la nécessité d’améliorer
certains processus inclus dans le modèle et d’identifier les paramètres, variables et équations
qui sont potentiellement génotype-dépendants, dans l’objectif d’ajuster le modèle de façon
plus généraliste par rapport la variabilité génétique du colza d’hiver.
En effet, les calibrations initiales du modèle SuMoToRI et du modèle SUMO YIELD ont été
réalisées avec un jeu de données issus des expérimentations avec le génotype Yudal, une
variété coréenne printanière qui se comporte comme un type hivernal à floraison précoce dans
les climats tempérés (Delourme et al., 2006). Sa floraison précoce comparée aux autres
variétés d’hiver (e.g. Aviso, génotype utilisé lors des expérimentations qui ont servi à
l’évaluation du modèle, expé 3, 2020), peut expliquer en partie les différences dans les
processus simulés au sein du modèle, notamment en ce qui concerne la date d’entrée en
floraison (e.g. 376 °Cj et 498 °Cj après la fin de la vernalisation pour Yudal et Aviso,
respectivement). De plus, il a été démontré que la variété Yudal répond différemment aux
stress abiotiques (e.g. limitation en azote, Laperche, 2021) et biotiques (e.g. attaques de
pathogènes, Hackenberg et al., 2020). Ces informations suggèrent donc que certains
processus écophysiologiques calibrés pour Yudal peuvent présenter des différences
significatives par rapport d’autres génotypes d’hiver. Ceci met en évidence la nécessité de
tester le modèle sur un panel de génotypes plus large pour mieux identifier les paramètres
génotype-dépendants.
221
Au-delà des améliorations potentielles des formalismes du module rendement, il serait

envisageable de prévoir la formalisation future d’un module qualité au sein du
modèle, dans l’objectif de prédire les critères majeurs de la qualité de la graine du colza (e.g.
teneurs en huile et protéines, profils d’acides gras). Ce module qualité de la graine pourrait se
baser sur les concepts et formalismes développés chez le colza, le tournesol et/ou le soja par
exemple, en se focalisant dans un premier temps sur la teneur en huile et les profils d’AG
(Aguirrezábal et al., 2015, 2003; Baux et al., 2008; Durruty et al., 2016; Gauthier et al., 2017;
Pereyra-Irujo and Aguirrezábal, 2007). Des travaux précédents ont mis en évidence des règles
envisageables pour la formalisation d’un module qualité au sein du modèle, comme par
exemple des relations empiriques entre la variation naturelle du rayonnement solaire et de la
température avec la concentration en acide alpha-linolénique (C18:3) des graines du colza à
différents stades de croissance (Gauthier et al., 2017) ; les courbes de teneur en huile et
teneur en acide linoléique (C18:2) dans les graines du colza en fonction du temps thermique
cumulé (Tbase = 0 °C) à partir du début de la floraison (Baux et al., 2008) ; ou encore les
courbes de teneur en huile dans les graines du tournesol en fonction de la température, de la
radiation intercepté ou du temps thermique cumulé (Tbase = 6 °C) à partir du début de la
floraison (Aguirrezábal et al., 2015). Par ailleurs, l’intérêt de développer un formalisme robuste
de la teneur en huile est de pouvoir extrapoler la teneur en protéines de façon empirique,
puisque la corrélation négative entre la teneur en huile et la teneur en protéines des graines
chez le colza est bien documentée (Aksouh-Harradj et al., 2006; Aksouh et al., 2001; Brunel-
Muguet et al., 2015b; Elferjani and Soolanayakanahally, 2018; Hammac et al., 2017; Magno
et al., 2021, 2022a). Il serait donc potentiellement possible de prédire la teneur en protéines
des graines sans la nécessité d’introduire un module azote dans le modèle (Hammac et al.,
2017; Piper and Boote, 1999).
Concernant les simulations sous conditions de stress thermiques répétés, on

observe que le modèle n’est pas assez sensible à des modulations de température relativement
faibles en ampleur et durée (quelques heures, jours), puisque les données d’entrée du modèle
comprennent des températures moyennes journalières et que la majorité des processus de
développement de la plante sont pilotés par le cumul du temps thermique. Ces résultats
incitent à mener une réflexion sur la prédiction des effets des évènements climatiques
ponctuels (e.g. exposition de quelques heures par jour à une température létale, qui ne peut
pas être particulièrement identifiée par des cumuls de temps thermique calculés avec des
données thermiques journalières). Le fait de mal prendre en compte les effets des stress
répétés (y compris les effets de mémoire du stress) dans les modèles de culture a deux impacts
majeurs : (i) la sous- ou surestimation des effets du stress, avec des gammes de variations
222
simulées peu cohérentes avec celles des variations observées ; et (ii) les performances finales
(telles que le rendement) des plantes soumises plusieurs fois aux stress thermiques au cours
de leur cycle ne peuvent pas être prédites avec précision, puisque les effets des stress
successifs n’est pas égal à la somme de chaque stress individuel. Dans l’objectif d’améliorer la
prise en compte des effets des stress répétés dans les modèles mécanistes, il serait intéressant
d’introduire des lois de réponse avec des seuils plus fins (e.g. liés aux valeurs limites de
température et/ou aux stades critiques de croissance tels que les indicateurs écoclimatiques,
Magno et al., 2022b), avec des « fonctions/indices de stress » qui soient capables de
reproduire les effets des stress sur des processus particuliers.
L’intégration d’un grain d’analyse plus fin de la température dans le modèle pourrait également
être utile pour le développement du module qualité, avec la possibilité de prendre en compte
des processus physiologiques impliqués dans la cinétique des composées de la graine (e.g.
synthèse des lipides, désaturation des acides gras, synthèse des protéines). Enfin, il est
néanmoins important de souligner que l’introduction d’une échelle plus fine dans le modèle
implique aussi une augmentation de son niveau de complexité. D’un point de vue
écophysiologique, il serait intéressant d’envisager l’intégration des relations complexes qui
restent le plus mécanistes possibles. Le défi repose donc sur la construction d’un modèle qui
soit suffisamment fin pour rendre compte des variations ponctuelles de la température, mais
qui reste compréhensible et manipulable par une communauté scientifique large (agronomes,
modélisateurs, écophysiologistes).
223
5.3. Analyses exploratoires avec des modèles de

fouille de données
5.3.1. Préambule
La fouille de données est une discipline qui vise à extraire des informations pertinentes d’un
ensemble de données. Différentes méthodes sont possibles pour réaliser ce processus
d’extraction de connaissances, en incluant des étapes préalables de traitement des jeux de
données et de sélection des algorithmes appropriés pour les exploiter. Dans l’objectif de mieux
comprendre les effets des stress thermiques répétés au cours du cycle de culture, nous nous
sommes prioritairement tournés vers des méthodes cognitives, plutôt que des méthodes
prédictives. Ainsi, les méthodes de Causal Formal Concept Analysis (CFCA) et biclustering ont
été utilisées en parallèle, à partir des jeux de données RAPSODYN prétraités comme décrit
précédemment (i.e. Chapitres 2 et 5.1.). Notre objectif central a été d’identifier et de regrouper
des séquences thermiques constituées d’une combinaison spécifique d’évènements thermiques
chauds, dont les effets sur les critères de performance des cultures étaient similaires. Les
analyses de CFCA ont été réalisées en utilisant des algorithmes d’inférences causales
multivariées publiées par Bazin et al. (2022), tandis que les analyses de biclustering ont utilisé
le logiciel BicPAMS (Henriques and Madeira, 2014). Les analyses par fouilles de données
réalisées dans le cadre de cette thèse possèdent un caractère exploratoire et représentent une
première ouverture de l’UMR EVA à des travaux de « big data » appliqué à l’agriculture. Ces
travaux ont été réalisés principalement en collaboration avec le LORIA (INRIA, Nancy).
Méthodes exploratoires de fouille de données : principaux résultats

- Plusieurs tendances observées dans les résultats issus de la fouille de données sans a priori
indiquent les mêmes comportements observés lors des caractérisations écophysiologiques du
colza soumis aux stress thermiques répétés avec des mesures in planta, tel que la sensibilité
des composantes de rendement aux stress thermiques arrivant en début de floraison et les
interactions entre la teneur en huile et protéines dans les graines.
- Ces travaux exploratoires ouvrent un nouveau champ d’analyse de données agronomiques
sans a priori complémentaire aux analyses écophysiologiques plus conventionnelles fondées
sur des cadres conceptuels élaborés à partir de l’accumulation de connaissances scientifiques
sur les processus élémentaires. La fouille de données peut faire émerger des relations
complexes entre certaines variables difficiles à mettre en place expérimentalement.
Inversement, les approches expérimentales ou de modélisation mécaniste peuvent aider à
écarter certaines relations non réalistes issues de la fouille de données, engendrées
notamment par une structure de données particulière ou restreinte.
224
5.3.2. Préparation des données et méthodologie
Dans l’objectif de découvrir des tendances par les méthodes CFCA et biclustering, les jeux de
données prétraités de RAPSODYN (i.e. sous forme de matrice, en considérant les indicateurs
écoclimatiques) ont été utilisés en tant que jeu de données d’entrée. La première version de
ce jeu de données était constituée de 174 objets (lignes, représentant chaque parcelle
d’expérimentation) et 17 attributs (colonnes, représentant les caractéristiques spécifiques à
chaque objet, e.g. génotype, conditions climatiques formalisées par les indicateurs
écoclimatiques et variables de performance des plantes). Pour augmenter la finesse des
résultats, une deuxième version de ce jeu de données a été créée avec un nombre plus
important de subdivisions des indicateurs écoclimatiques, qui ont été définis en utilisant la
même méthodologie décrite auparavant, mais avec des nouveaux seuils de température (i.e.
comptage du nombre de jours avec Tmax<20°C, Tmax entre 20-25°C, Tmax>25°C, Tmax
entre 25-30°C et Tmax>30°C dans chaque intervalle critique de croissance de la plante, c’est-
-à-dire P300, P600, P1000 et Pharv, Chapitre 5.1.). La deuxième version du jeu de données
comptait 174 objets et 30 attributs. Ainsi, les analyses réalisées en collaboration avec le LORIA
ont consisté à extraire des relations de causalité entre les variables « climat » (i.e. sous
forme d’indicateurs écoclimatiques dans la matrice) et les variables « plante » (i.e.
rendement total, nombre de graines, PMG, teneur en lipides et protéines). La méthodologie
utilisée dans le cadre des deux méthodes testées est résumée dans la Figure 1 (Chap. 5.3.).
Figure 1 (Chap. 5.3.) : Résumé des étapes réalisées pour les analyses avec les méthodes
de fouille de données. À partir d’un jeu de données sous forme de matrice, plusieurs
algorithmes d’exploration de données ont été testés dans le but de rechercher de potentielles
règles causales de la forme X → Y. Chacune des deux méthodes fourni une liste d’implications
X → Y, qui doit ensuite être épurée pour s’assurer de la bonne direction de la causalité (i.e.
« climat » → « plante »). Schéma adapté d’après Assoumani (rapport de stage, 2022).
225
5.3.3. Méthode CFCA : concept et résultats
De façon générale, l’inférence causale englobe des méthodes permettant d’établir des
relations entre causes et effets. La méthode CFCA repose particulièrement sur l'inférence
de relations causales à partir de données d'observation, même si cela reste est une tâche assez
complexe (Bazin et al., 2022). La CFCA rejoint la méthode de biclustering dans la mesure où
les deux méthodes essaient de trouver des sous-matrices ayant des similitudes entre
les objets et leurs attributs. Il est important de souligner que la plupart des travaux sur la
causalité publiés jusqu’à présent se concentrent sur l'inférence causale univariée, c’est-à-dire
en démontrant une relation causale existante entre deux variables X et Y dans une direction
spécifique (i.e. relation cause et effet), la structure causale étant alors représentée par un
graphe couramment appelé diagramme causal (Bazin et al., 2022). Cependant, l’analyse des
effets nécessite souvent d’introduire l'interaction de plusieurs causes dans la pratique, c’est
pourquoi Bazin et al. (2022) ont développé et publié des algorithmes basés sur la Formal
Concept Analysis (FCA) appliqués à l’inférence causale (i.e. Causal FCA), permettant ainsi de
découvrir de relations causales multivariées.
Dans l’exemple de la Figure 2 (Chap. 5.3.), la ligne « 4 12 -> 10 » indique que les attributs
n°4 (P600_25) et n°12 (PMG) ont une inférence causale sur l’attribut n°10 (seed_yield). D’un
point de vue écophysiologique, cette relation s’explique du fait que l’intervalle P600 correspond
à la période d’allocation des réserves pour la croissance des siliques et graines (Corlouer et
al., 2019; Magno et al., 2022b), la chaleur impactant ainsi la masse des graines et par
conséquent le rendement. Dans la même logique, la ligne « 10 12 14 -> 13 » indique que les
attributs n°10 (seed_yield), n°12 (PMG) et n° 14 (proteins) ont une inférence causale sur
l’attribut n°13 (lipids). Cette relation s’explique par le fait que les lipides représentent une
fraction importante du poids individuel des graines (environ 43%, Terres Univia, 2021) et par
la corrélation négative entre les teneurs en lipides et protéines dans les graines du colza. De
façon intéressante, cette dernière inférence concerne seulement les variables « plante », pas
les variables « climat ». Il est important de souligner que les méthodes de CFCA infèrent un
nombre important de relations causales (environ 40 dans le cadre de notre étude), ce qui
implique un travail postérieur de sélection des inférences les plus pertinentes par les
agronomes et écophysiologistes. La majorité des algorithmes permet également d’orienter des
arêtes de diagramme causal, dans l’objectif de visualiser une structure causale dans sa
globalité. La Figure 3 (Chap. 5.3.) illustre un diagramme causal de type « forward-backward »
avec des résultats d’analyse très exploratoires car les liaisons entre nœuds et arêtes retrouvés
ne présentent pas des directions de causalité logiques et restent donc peu conclusifs.
226
Figure 2 (Chap. 5.3.) : Exemple des résultats obtenus par les analyses CFCA. Les relations
de causalité en vert ont été sélectionnés en étant les plus intéressantes et cohérentes d’un
point de vue écophysiologique. Les chiffres indiquent le numéro de la colonne de chaque
attribut dans le jeu de données d’entrée (en gris).
Figure 3 (Chap. 5.3.) : Diagramme causal. Les nœuds rouges sont des variables « climat »,
les verts sont des variables « plante » et les flèches représentent les liens de causalité inférés.
Figure d’après les travaux d’Assoumani (rapport de stage, 2022).
227
5.3.4. Méthode biclustering : concept et résultats
Le clustering (ou classification non supervisée) est une méthode d’apprentissage qui a pour
objectif d’identifier des classes homogènes dans les données, par le biais des
regroupements par similarité ou par proximité entre leurs attributs (Bellon-Maurel et
al., 2022). Cette méthode peut parfois être problématique, car certains objets peuvent
partager des similarités avec d'autres objets à travers un sous-ensemble d’attributs seulement.
Ce problème a conduit à l'émergence du biclustering, méthode appliquée initialement pour des
jeux de données d'expression génétique (Cheng and Church, 2000).
De façon simplifiée, le biclustering est un regroupement simultané de lignes (objets) et de

colonnes (attributs) dans une matrice, en suivant une relation spécifique prédéfinie (e.g.
addition, multiplication, binaire, etc ; Figure 4 (Chap. 5.3.)). L'objectif est de trouver des sous-
matrices, c'est-à-dire des sous-groupes d’objets et des sous-groupes d’attributs, dans
lesquelles les données sont fortement corrélées pour chaque condition (Madeira and Oliveira,
2004). Dans le cadre de la thèse, l’objectif central a été d’identifier et de regrouper des
séquences thermiques constituées d’une combinaison spécifique d’évènements thermiques
chauds, ayant des effets similaires (i.e. bénéfiques ou pénalisants) sur des critères de
performance ciblés (Figure 5 (Chap. 5.3.)). Ainsi, ces séquences pourraient indiquer des
relations additives, multiplicatives et/ou d’autres relations selon la méthode de biclustering
choisie. Ces séquences thermiques pourraient ainsi être utilisées en tant que pistes pour
l’amélioration de la prise en compte des stress répétés au sein des modèles de culture.
Figure 4 (Chap. 5.3.) : Exemples de différents types de biclusters : (a) valeur constante, (b)
lignes constantes, (c) colonnes constantes, (d) additif, (e) multiplicatif, (f) évolution cohérente
globale, (g) évolution cohérente des lignes et (h) évolution cohérente des colonnes (Madeira
and Oliveira, 2004).
228
Figure 5 (Chap. 5.3.) : Illustration de la méthode de biclustering basée sur l’identification

de séquences d’évènements thermiques chauds ayant des effets similaires sur des critères de
performance ciblés. Les séquences d’évènements thermiques chauds sont nommées « T°C seq
n », et les caractéristiques de performance des plantes sont le rendement en graines (SY), la
teneur en huile des graines (SO), la teneur en protéines des graines (SP), la capacité de
stockage des graines (SSc), d’entre autres caractéristiques (n).
Analyses avec le logiciel BicPAMS
Le logiciel BicPAMS permet des analyses de biclustering basées sur des motifs constants,
additifs, multiplicatifs ou symétriques. A la différence des méthodes classiques de clustering,
cette approche permet de détecter les biclusters qui se chevauchent et de traiter les valeurs
manquantes. L'ensemble des processus de BicPAMS a été résumé en trois étapes (Juniarta,
thèse de doctorat, 2019) : cartographie, exploration et fermeture. Dans l'étape de
cartographie, la normalisation (i.e. définition d’une valeur moyenne nulle entre les biclusters)
et la discrétisation (i.e. proposition des classes en fonction de la valeur de l'écart-type et de la
moyenne des données) sont effectuées. L'étape d'exploration lors de laquelle les biclusters
sont définis, est la partie principale. Lors de cette étape, BicPAMS utilise la paramétrisation par
défaut ou celle sélectionnée par l’utilisateur dans l’interface du logiciel (Annexe 9). L'étape
finale est une étape de post-traitement dans BicPAMS, avec l'extension des biclusters
découverts sous certains critères d'homogénéité. Ensuite, une fusion de biclusters combine
ceux ayant de nombreuses lignes et colonnes partagées. La dernière étape consiste en un
filtrage, où certains biclusters qui sont contenus dans d'autres biclusters plus grands sont
229
éliminés. Chaque bicluster identifié par BicPAMS est composé d’une liste X de lignes du tableau
(objets) et une liste Y de colonnes (attributs). La liste de lignes est principalement utile par sa
taille, qui représente le nombre de parcelles expérimentales concernées par cette variation
conjointe. Les colonnes répertorient les attributs concernés par les corrélations du bicluster. Il
est important de souligner que les méthodes de biclustering infèrent un nombre important de
biclusters (plus de 700 dans le cadre de notre étude), ce qui implique un travail de sélection
des inférences les plus pertinente réalisé par les agronomes et écophysiologistes.
Deux types de biclusters sont illustrés dans la Figure 6 (Chap. 5.3.), à savoir les biclusters à
colonne constante (a et b) et les biclusters multiplicatifs (c et d). Les biclusters à colonne
constante (a et b) sont utilisés dans l’objectif de trouver un ensemble d'objets (ici d’essais
expérimentaux) qui partagent des attributs constants (ici d’indicateurs écoclimatiques et
variables de performance des plantes). Le bicluster (a) indique un nombre d’objets X = 35
pour un ensemble de 5 attributs constants (Y = [P300_25, P600_25, P1000_25, P1000_30,
proteins]). Ceci indique que, dans l’ensemble de notre jeu de données d’entrée, 35
observations avaient des résultats similaires pour ces 5 attributs, qui sont reliés par des
relations causales. Dans la même logique, le bicluster (b) indique un nombre d’objets X = 42
pour un ensemble de 4 attributs constants (Y = [P300_25, P1000_25, P1000_30, PMG]), qui
sont reliés par des relations causales. Les biclusters à colonne constante pourraient être utiles
dans l’objectif de définir des protocoles thermo-sensibilisants avec une échelle de variation
précise d’une variable de performance des plantes (le taux de protéine ou le PMG par exemple),
mais son utilisation dans l’objectif de mieux comprendre les effets des stress thermiques
répétés reste assez limitée.
Les biclusters multiplicatifs (c et d) sont utilisés dans l’objectif de trouver des modifications
proportionnelles dans l’ensemble des attributs appartenant à un nombre représentatif d'objets.
Le bicluster (c) indique un nombre d’objets relativement faible (X = 6) pour un ensemble de
3 attributs (Y = [P600_25, P1000_25, proteins]), qui ont une relation causale multiplicative.
Ce bicluster indique que, en gardant l’indicateur P600_25 égal à zéro, si le nombre de jours
avec Tmax>25°C dans l’intervalle P1000 augmente de 8 à 11 (+ 38%), il est possible d’espérer
que le taux de protéines dans les graines de colza augmente de 16,7% à 23,0% (+ 38%, en
moyenne), ce qui indique un effet d’ampleur proportionnelle entre l’augmentation de la
température et l’augmentation de la teneur en protéines. Dans la même logique, le bicluster
(d) indique que si le nombre de jours avec Tmax>25°C dans l’intervalle P1000 augmente de
9 à 11 (+7%), il est possible d’espérer que le PMG augmente de 2,7 à 2,9 g (+ 7%, en
moyenne), effet observé pour un nombre d’objets X = 11.
230
Figure 6 (Chap. 5.3.) : Exemples de biclusters à colonnes constantes (a et b) et de biclusters

multiplicatifs (c et d) inférés à partir des analyses avec BicPAMS.
5.3.5. Conclusions et pistes d’amélioration
La CFCA et le biclustering ont été les méthodes cognitives retenues pour ces analyses, dans
l’objectif de d’apporter des éléments de réflexion et de compréhension des effets des stress
thermiques répétés complémentaires, pouvant également améliorer la prédiction par les autres
approches de modélisation. Ces méthodes de fouilles de données sont particulièrement utiles
pour identifier des relations qui ne sont pas encore prises en compte dans les
approches de modélisation classiques (i.e. modèles empiriques et/ou mécanistes).
L’objectif n’étant pas de prédire les variables de performance des plantes à partir du jeu de
données, le choix des méthodes cognitives été basé sur l’objectif central de mieux comprendre
notre jeu de données.
Quel que soit la méthode de fouille de données choisie, les étapes en amont de nettoyage
et préparation des données semblent être essentielles pour garantir la qualité des analyses.
Au cours de cette étape, les défis le plus importants ont été (i) d’identifier des données
aberrantes et/ou peu fiables, puisque les données collectées lors des expérimentations au
champ sont nombreuses et donc sujettes à de multiples sources d’hétérogénéité ; (ii) de créer
231
une matrice à partir de notre jeu de données brutes, puisque les deux méthodes utilisées
nécessitent une structuration des données spécifique; et (iii) d’établir une relation cohérente
entre les connaissances extraites des jeux de données et le savoir des experts. Concernant le
jeu de données d’entrée, un gros travail de prétraitement a été fait avant (e.g. tri des données
aberrantes, définition des indicateurs écoclimatiques) et pendant les analyses de fouille de
données (e.g. traitement des valeurs manquantes). Cependant, la taille du jeu de données
a constitué un frein pour l’ensemble des méthodes que nous n’avons pas pu lever,
n’ayant eu accès qu’aux jeux de données d’un unique projet (regroupant pourtant 10 ans
d’expérimentation avec le colza dans plusieurs localités géographiques). De plus, peu de
biclusters ont inféré des relations causales par rapport aux indicateurs écoclimatiques avec
Tmax>30°C, probablement du fait que ces analyses ont été réalisées avec des jeux de données
passés (2011-2018) et acquis dans de localités géographiques principalement situées dans la
moitié Nord de la France, pour lesquelles le nombre de jours avec Tmax>30°C était souvent
faible dans la période considerée lors de la définition des indicateurs écoclimatiques (et donc
pas assez représentatifs du nombre d’objets au sein du jeu de données).
De façon intéressante, plusieurs tendances observées dans les résultats issus des analyses par
méthodes de fouille de données indiquent les mêmes tendances observées dans les travaux
publiés auparavant concernant les expérimentations in planta (Magno et al., 2021) et in silico
(Magno et al., 2022b), notamment les conséquences du stress thermique en début de floraison
(i.e. intervalle P300) sur les composantes de rendement ; les effets compensatoires de la
chaleur sur le rendement en résultant des effets bénéfiques sur le nombre de graines et
pénalisants sur le poids individuels des graines ; ou encore la corrélation négative entre la
teneur en huile et protéines dans les graines du colza. Ceci démontre le potentiel des
approches de « big data » dans la compréhension des effets des stress dans la
perspective d’optimiser les protocoles de stress thermique et/ou d’introduire des
règles de stress dans les modèles de culture mécanistes pour améliorer la prise en
compte des stress répétés. D’un point de vue des applications, il semblerait que les
biclusters multiplicatifs sont les résultats les plus intéressants, puisqu’ils sont capables de
rendre compte de coefficients multiplicatifs directs entre les variables « climat » et les variables
« plante », ceci pouvant être utile pour définir des fonctions avec des seuils de température
au sein des modèles mécanistes.
Les résultats trouvés dans le cadre de ma thèse sont exploratoires et peu conclusifs pour le
moment, mais le développement de ces méthodes autour de la problématique des stress
répétés chez les végétaux aura servi à créer une culture scientifique commune entre des
232
agronomes et des mathématiciens/statisticiens/informaticiens. Ceci m’a permis de me

confronter à plusieurs défis : (i) scientifiques, tels que la limitation de la taille du jeu de
données, l’organisation des données sous forme de matrice, le manque d’expertise et de
pratique par rapport aux méthodes utilisées ; et (ii) de communication, en ce qui concerne
l’interaction avec un nouveau domaine de connaissances et la mise en relation avec des
membres extérieurs à ma thèse. Ces échanges étaient très riches et les résultats obtenus,
même si peu conclusifs en l’état, fournissent des pistes pour des travaux dans la continuité de
la collaboration avec le LORIA, dans le cadre de nouveaux projets. Ainsi, ces résultats serviront
de base pour des analyses futures qui pourront potentiellement inclure d’autres espèces
végétales (sorgho, blé, soja) et d’autres variables (radiation, pluviométrie, caractéristiques du
sol) dans une gamme de conditions agro-pédo-climatiques plus large.
233
Chapitre 6 :
Discussion générale et perspectives
Chapitre 6 : Discussion générale et perspectives
Discussion générale et perspectives

Dans l’objectif d’approfondir les connaissances sur les effets des stress thermiques répétés
(inhérents au réchauffement climatique) sur le rendement et la qualité grainière du colza,
cette thèse a proposé une démarche intégrative comprenant deux axes de recherche
complémentaires (Figure 19) : (i) une analyse écophysiologique des effets intra- et
intergénérationnels des stress thermiques répétés sur le colza fondée sur des
caractérisations issues d’expérimentations in planta conduites en conditions contrôlées, et (ii)
l’exploration de trois approches de modélisation numérique reposant sur l’utilisation
d’indicateurs écoclimatiques, d’un modèle (semi-) mécaniste calibré pour le colza et de
différentes méthodes de fouille de données.
Les trois expérimentations en conditions contrôlées conduites dans l’Axe I nous ont fourni une
vision complète des effets de nos protocoles de stress thermiques répétés à l’échelle d’un cycle
de culture avec des récoltes à maturité physiologique des graines (Chapitre 3.1.), mais aussi
des récoltes cinétiques au cours du stade reproducteur (Chapitre 3.2.). De plus, nous avons
également étudié ces effets sur deux générations consécutives de plantes stressées (Chapitre
4). Comme précisé dans la synthèse bibliographique (Chapitre 1), peu de travaux sur les effets
des stress thermiques répétés existent chez le colza, et aucune étude n’a porté sur les effets
intergénérationnels des stress thermiques auparavant, ce qui justifie l’intérêt d’approfondir
cette caractérisation écophysiologique en étudiant finement les effets de différentes séquences
thermiques. De plus, une partie des données issues de ces expérimentations in planta a été
utilisée pour l’évaluation du modèle SUMO YIELD et pour les simulations en conditions des
stress thermiques répétés dans le cadre de l’Axe II.
Les différentes approches de modélisation utilisées dans l’Axe II nous ont permis à la fois de
mieux comprendre la prise en compte des effets des stress thermiques répétés dans les
modèles, mais elles ont également mis en évidence la nécessité d’améliorer certains
formalismes pour rendre compte des effets des stress successifs. Les expérimentations
conduites au champ dans le cadre du projet RAPSODYN nous ont fourni des profils thermiques
divers, du fait que les essais au champ ont été conduits sur plusieurs localités du territoire
français (sud-ouest, nord-ouest, nord-est) entre 2011-2018. Ces jeux de données ont d’abord
été traités pour définir des indicateurs écoclimatiques, ce qui a permis d’analyser les effets
d’événements thermiques à des stades de développement spécifiques sur des variables de
performance observées au champ (Chapitre 5.1.). Les indicateurs écoclimatiques issus du
traitement de ces jeux de données ont également servi aux analyses reposant sur les méthodes
de fouille de données (Chapitre 5.3.). Enfin, le travail réalisé avec le modèle (semi-) mécaniste
236
SuMoToRI a consisté à étendre sa calibration pour prédire le rendement en siliques du colza,

à valider cette calibration et à réaliser de nouvelles simulations pour explorer les effets de
conditions de stress thermiques qui miment des scénarios climatiques futurs (Chapitre 5.2.).
Les apports cognitifs et méthodologiques de mes travaux, ainsi que leurs limites et
perspectives, seront discutées dans les deux parties suivantes : 6.1. Les stress répétés et
la mémoire du stress et 6.2. Apports et applications de la modélisation.
Figure 19 : Synthèse des principaux résultats, limites et perspectives associées.
237
6.1. Les stress répétés et la mémoire du stress

Tel que présenté dans les Chapitres 3 et 4, le premier objectif de cette thèse a visé à évaluer
en conditions contrôlées les effets des stress thermiques répétés s’approchant de conditions
climatiques réalistes, et ce en interaction avec des apports en S contrastés susceptibles de
moduler les effets mémoires (Axe I). Les expérimentations et analyses in planta réalisées dans
l’Axe I ont été proposées pour répondre à deux questions majeures :
 Quels sont les impacts intra- et intergénérationnels de protocoles thermiques

constitués de séquences d’évènements chauds différant par leur intensité, durée,
période et fréquence, sur le rendement et la qualité grainière du colza ?
 Existe-t-il des protocoles thermo-sensibilisants indiquant un effet bénéfique de la

mémoire du stress, avec ou sans implication du statut soufré du colza ?
6.1.1. Effets intra- et intergénérationnels des stress thermiques
L’ensemble de nos résultats acquis sur les effets intragénérationnels des différents protocoles
thermiques testés dans le cadre de la thèse suggère des effets importants sur la qualité des
graines du colza, mais peu significatifs sur le rendement total.
Concernant les composantes de rendement, nous avons mis en évidence des capacités
de compensation du colza à différentes échelles dans des conditions de stress thermiques
répétés (Magno et al., 2022c). Ces effets compensatoires semblent être mis en place après
l’exposition aux stress thermiques via deux stratégies principales : (i) la compensation entre
les composantes de rendement au sein d’une même cohorte de siliques (e.g. le stress induit
une réduction du poids individuel des graines, compensée par une augmentation du nombre
de graines), et/ou (ii) la compensation entre les différentes cohortes de siliques qui n’ont pas
subi le stress dans le même stade de développement (e.g. le stress impacte le rendement en
graines de la cohorte qui était en cours de remplissage pendant la période de stress, mais pas
le rendement de la cohorte qui était en cours de maturation pendant la période de stress).
L’ampleur de ces tendances n’était pas forcement attendue au début des travaux, il a été donc
intéressant de mettre en évidence cette résilience du colza face aux stress thermiques
printaniers en termes de rendement, du fait notamment de sa forte plasticité (Jullien et al.,
2011; Labra et al., 2017).
Concernant la qualité nutritionnelle, les effets le plus intéressants du stress thermique

concernent la réduction de la teneur en lipides et l’augmentation de la teneur en protéines
238
dans les graines issues des plantes stressées (Magno et al., 2021). En effet, la teneur totale
en huile dans ces graines a toujours été inférieure à la teneur en huile des graines des plantes
contrôle. De plus, une augmentation des proportions d’AG saturés et mono‐insaturés (i.e. acide
oléique, C18:1) au détriment des AG polyinsaturés, et plus spécifiquement de l’acide
linolénique (C18:3), a été observée en conditions de stress thermique, ce qui a conduit à une
augmentation défavorable du ratio ω6:ω3, selon les préconisations pour une alimentation
équilibrée (Simopoulos, 2006). A l’inverse, la teneur en N et/ou en protéines des graines
stressées a toujours été supérieure à la teneur en N/protéines des plantes contrôle. Ces
résultats mettent en évidence non seulement la corrélation négative connue (Elferjani and
Soolanayakanahally, 2018; Hammac et al., 2017; Kambhampati et al., 2020) entre les teneurs
en lipides et protéines dans la graine du colza, mais aussi l’impact des stress thermiques
récurrents sur le changement de la composition standard des graines du colza.
Dans un scénario où les vagues de chaleur sont de plus en plus fréquentes, on pourrait
imaginer que ces modifications systématiques, i.e. la réduction de la teneur en huile et
l’augmentation de la teneur en protéines, pourraient impliquer des changements dans la
valorisation des filières « huile » et « protéine » des graines du colza, potentiellement en
privilégiant certains débouchés au détriment d’autres. Par exemple, l’augmentation des
teneurs en AG monoinsaturés des graines sous l’effet de la chaleur permettrait d’avoir des
huiles avec une meilleure stabilité oxydative à la chaleur et par conséquent plus adaptées à la
friture (Gauthier et al., 2017). Ainsi, l’utilisation de variétés « high-oleic low-linolenic » (HOLL)
connues pour leur forte teneur en acide oléique et leur faible teneur en acide linolénique serait
moins justifiée, puisque les variétés conventionnelles auraient le même comportement dans
un climat futur. Une caractérisation écophysiologique approfondie en considérant d’autres
génotypes de colza pourrait être réalisée à titre complémentaire pour confirmer les tendances
observées. De plus, du fait que les températures élevées peuvent également modifier la
composition des protéines en induisant la formation des heat shock proteins (HSP) et perturber
l'intégrité structurale de la membrane des vacuoles de stockage des protéines (tel que
démontré pour le soja, Krishnan et al., 2020), il serait intéressant de réaliser des analyses
portant aussi sur la qualité de ces protéines, pas uniquement sur la quantité.
Concernant la qualité physiologique, les effets le plus importants de la chaleur sur les
graines concernent la réduction de leur aptitude à la conservation, caractérisée par une
augmentation de la perméabilité membranaire et une diminuition des ratios de sucres solubles
(i.e. [stachyose and raffinose]:sucrose), qui traduisent une moindre tolérance à la dessiccation
(Bailly et al., 2001). Par ailleurs, nos travaux portant sur la mémoire intragénérationnelle ont
239
indiqué peu d’effets bénéfiques de la mémoire du stress, ces effets étant significatifs
uniquement sur la tolérance à la dessiccation et la teneur en N des graines (Magno et al.,
2021). De plus, les résultats mettent en évidence une accélération des cinétiques de
germination et des fortes teneurs en acide abscissique, une phytohormone impliquée dans le
contrôle de la dormance (Ali et al., 2022) et la résistance aux stress abiotiques (Bita and
Gerats, 2013; Wahid et al., 2007; Wang et al., 2021b). Tels que décrits dans d’autres études
(Fan et al., 2018; Serrano et al., 2019; Tankari et al., 2021; Wang et al., 2019), les effets
bénéfiques de la mémoire du stress intragénérationnelle semblent être souvent identifiés sur
des variables relatives à la qualité physiologique des graines en lien avec la concentration en
sucres solubles, hormones et/ou également sur d’autres changements métaboliques en
réponse au stress.
Enfin, nos travaux portant sur la mémoire intergénérationnelle ont indiqué des effets des
stress thermiques que se transmettent entre les générations. Bien que les effets sur les plantes
mères ne soient pas prépondérants sur les effets sur les plantes filles, nous avons pu montrer
qu’ils modifiaient l’ampleur de la réponse au stress au cours de la deuxième génération des
plantes stressées (Magno et al., 2022a). Peu de travaux se sont emparés de la question de la
transmissibilité de la mémoire du stress aux générations suivantes (i.e. mémoire
inter- ou transgénérationnelle) chez les espèces de grandes cultures dans un contexte de
dérèglement climatique. Les résultats publiés sont souvent contradictoires notamment à cause
des différences de protocoles thermiques testés, ce qui souligne l’importance des
caractéristiques des schémas thermiques pour observer des effets thermo-sensibilisants. En
effet, alors que certains travaux illustrent des effets intergénérationnels bénéfiques de
la mémoire de stress abiotiques (e.g. Wang et al., 2016 : rendement, photosynthèse, activité
antioxydant des membranes chez le blé sous stress thermique ; Hatzig et al., 2018 : vigueur
germinative chez le colza sous stress hydrique), d’autres sont davantage mitigés sur la
persistance de ces effets bénéfiques entre générations (e.g. Groot et al., 2016 :
Arabidopsis sous stress salin ; Suter and Widmer, 2013 : Arabidopsis sous stress thermique).
Ces résultats contrastants conduisent également à une réflexion sur les mécanismes de
transmission de la mémoire du stress, ainsi que sa persistance, au cours des générations. Ces
questions doivent être approfondies dans l’objectif de développer des protocoles
potentiellement thermo-sensibilisants.
240
6.1.2. Caractéristiques des protocoles thermo-sensibilisants
Les caractérisations et les interprétations des réponses des plantes aux stress thermiques
répétés ne sont pas évidentes, notamment pour les espèces à croissance indéterminée comme
indique l’ensemble de nos résultats sur les effets intra- et intergénérationnels des stress
thermiques sur le colza. En effet, au-delà des caractéristiques de tolérance/sensibilité aux
stress de chaque espèce (e.g. périodes critiques du développement, seuils de température),
l’impact des stress répétés sur le rendement et la qualité des graines dépend aussi des
caractéristiques intrinsèques aux séquences d’évènements chauds en termes d’intensité, de
durée et de fréquence. Ces caractéristiques de l’événement stressant (e.g. modéré ou
intense, court ou long, fractionné ou continu) combinées à la période d’exposition (en lien
avec la phénologie de la plante et donc ses phases sensibles) sont à prendre en compte lors
de la définition des protocoles de stress thermo-sensibilisants potentiellement applicables en
conditions contrôlées pour la création de lignées en sélection végétale, ou pour la production
d'espèces horticoles et maraichères.
Nos résultats portant sur le développement cinétique des graines nous ont permis de
démontrer qu’il n’existait pas un protocole thermo-sensibilisant unique, tel que présenté dans
nos hypothèses initiales, et ainsi de soulever la question de la spécificité des schémas ther mo-
sensibilisants aux composés de réserve de la graine, du fait du synchronisme nécessaire entre
les événements thermo-sensibilisants et les processus de synthèse/maturation des composés
de réserve au sein de la graine, eux même séquentiels. Ainsi, un stress modéré précoce
pourrait arriver avant que la synthèse/maturation d’un composé « x » débute, ce qui ne
produirait donc aucun effet de mémoire du stress pour ce composé « x ». Ou encore, un stress
intense tardif pourrait arriver après la fin des processus de synthèse/maturation du composé
« y », n’ayant donc aucun effet puisque la teneur du composé « y » serait déjà établie.
De plus, nos résultats confirment que les valeurs seuils des températures stressantes et
sensibilisantes sont également spécifiques au composé de réserve, même si nous ne
pouvons pas comparer directement le stress modéré et le stress intense, puisqu’ils n’étaient
pas appliqués au même stade de développement dans les protocoles testés dans le cadre de
la thèse. Ainsi, il serait intéressant d’approfondir ces travaux en testant des nouveaux
protocoles avec d’autres seuils de températures et/ou d’autres séquences d’évènements
chauds (en variant leur intensité, durée et fréquence), qui soient appliqués à des stades
phénologiques identiques ou différents. Cependant, si l’objectif est d’identifier des protocoles
thermo-sensibilisants pour permettre au colza de s’acclimater, il serait pertinent de définir
241
plusieurs protocoles en visant spécifiquement chacun des débouchés de la filière (e.g. des
protocoles thermo-sensibilisants spécifiques pour les lipides ou les protéines).
Ainsi, la construction des protocoles thermo-sensibilisants doit s’appuyer sur les

caractéristiques des évènements stressants, les exigences en termes de
température de l’espèce végétale considérée et les critères de valorisation de la
filière. La construction de ces protocoles thermo-sensibilisants est encore peu formalisée et
débattue dans la littérature disponible, du fait que (i) la période de stress est normalement
accompagnée d'une période de « récupération », qui peut durer de quelques heures à
quelques jours ; (ii) une première période de stress modéré peut préparer la plante pour une
période de stress ultérieure plus intense (effet mémoire bénéfique) ; (iii) lorsque les plantes
ne parviennent pas à récupérer après une première période de stress, les effets d'un stress
ultérieur peuvent être amplifiés par rapport au premier (effet mémoire pénalisant) ; et (iv)
certaines études montrent qu’une augmentation graduelle des conditions abiotiques
stressantes peut aussi induire l’acclimatation (Aksouh et al., 2001; Mareri and Cai, 2022),
même si cela reste complexe à interpréter d’un point de vue moléculaire.
De façon plus générale, il serait intéressant de considérer que le stress thermique est
souvent concomitant à d’autres stress dans des conditions normales de production
végétale (Jagadish et al., 2020), notamment ceux liés aux facteurs abiotiques (e.g. d’ordre
nutritionnel, hydrique et/ou lumineux), mais également associés à des facteurs biotiques (e.g.
la multiplication des cycles de ravageurs avec l’augmentation de température). En prenant la
fertilisation comme exemple, Ostmeyer et al. (2020) ont montré que les effets pénalisants d’un
stress hydrique pouvaient être partiellement atténués par des itinéraires techniques améliorés,
tandis que les effets pénalisants du stress thermique seraient davantage atténués par la
sélection végétale et l’utilisation de variétés thermotolérantes. Des interactions entre
température et limitation en S ont été mises en évidence (Brunel-Muguet et al., 2015b; Magno
et al., 2021), avec le stress S amplifiant certains effets pénalisants du stress thermique. Tout
comme l’augmentation de la température, les stress nutritionnels peuvent décaler la
phénologie des plantes et par conséquent les fenêtres de sensibilisation à des stress biotiques
et abiotiques. Ces résultats mettent en évidence l’impact de divers stress sur la phénologie des
plantes et donc sur la modification de la coïncidence entre les périodes critiques de croissance
et des épisodes de stress. Concernant le colza, des apports adéquats en S doivent aussi
garantir la qualité des graines en termes de protéines, en augmentant la proportion relative
en napines (protéines de réserve des graines riches en S).
242
6.1.3. Perspectives sur l’étude de la mémoire du stress
Nos travaux sur la caractérisation des effets des stress thermiques répétés sur le colza par des
expérimentations in planta en conditions contrôlées ont un caractère pionnier, du fait (i) du
suivi cinétique des caractéristiques et composés pendant les séquence de stress au cours du
cycle (effets intragénérationnels), et (ii) de l’analyse sur deux générations successives de
plantes stressées (effets intergénérationnels). Ces travaux nous ont permis d’une part de
mieux comprendre les effets des séquences de chaleur sur le rendement et la qualité grainière
du colza, mais aussi d’améliorer la compréhension de la mémoire du stress sur une espèce de
grande culture. Cependant, du fait d’un nombre limité de séquences thermiques testées et sur
un seul génotype, il est difficile de conclure sur des actions pratiques à mettre en place pour
réduire les effets négatifs des stress thermiques répétés, d’une part dans des conditions de
production contrôlées ou semi contrôlées pour étudier les processus de réponse au stress, ou
encore en modulant l’itinéraire technique et le choix variétal dans un contexte de production
agricole au champ.
Une des priorités suite à ce travail de thèse serait d’approfondir les caractérisations des
réponses des végétaux aux stress répétés à des échelles moléculaires, i.e.
métabolomiques, transcriptomiques et épigénétiques afin d’identifier les processus
métaboliques et les régulations transcriptomiques et épigénétiques associées à la mémoire du
stress, pouvant expliquer les modifications observées. En effet, la caractérisation
écophysiologique menée dans le cadre de cette thèse s’est concentrée principalement sur les
résultats en termes de rendement et de qualité grainière en conditions de stress thermiques
répétés. A cette échelle d’étude, les effets bénéfiques ou pénalisants de la mémoire du stress
ont été observés directement sur les variables de performance des plantes (i.e. nombre et
poids des graines, rendement total, teneurs en lipides et protéines), sans information sur les
mécanismes moléculaires impliqués dans l’acquisition de la mémoire du stress. Par exemple,
dans la perspective de développer des variétés thermotolérantes, l’analyse des modifications
épigénétiques impliquées dans les effets bénéfiques de la mémoire du stress induite par des
protocoles thermiques spécifiques permettrait d’identifier des marqueurs épigénétiques
utilisables en sélection végétale (Bilichak et al., 2015; Brzezinka et al., 2019; Byeon et al.,
2019; Song et al., 2021). Par ailleurs, les expérimentations conduites en combinant le stress
thermique et la limitation en S pourraient être utilisées pour mieux définir et mesurer l’ampleur
du rôle de la SAM (S‐Adénosyl‐Méthionine) dans les processus de méthylation de l’ADN, l’une
des principales marques épigénétiques, en tant que donneur de groupes méthyle (-CH3).
243
Ces analyses soulèvent plus largement la question des interactions entre les leviers
d’acquisition de la tolérance au stress, puisque si des modifications épigénétiques s’avèrent
contribuer à l’acquisition d’une mémoire bénéfique du stress, les interactions avec les pratiques
culturales pourraient les promouvoir ou les annuler. Ainsi, même si les modifications
épigénétiques induites par l’environnement s’avèrent être une nouvelle source de diversité
favorisant la plasticité environnementale (Gallusci et al. (2017), les conditions
environnementales dans lesquelles elles sont induites doivent être très bien connues et/ou
maîtrisées pour induire une mémoire bénéfique. En parallèle à ces caractérisations acquises à
des échelles plus fines, il pourrait être envisageable d’intégrer de nouveaux modules liés aux
régulations épigénétiques dans les modèles de culture mécanistes, ceci étant aussi lié au Axe
II de cette thèse. Gallusci et al. (2017) ont démontré la faisabilité du couplage entre un modèle
écophysiologique mécaniste et un modèle de contrôle épigénétique en utilisant comme
exemple un modèle simulant la production de Lycopène chez la tomate, en incluant des
régulations épigénétiques. Cette approche de modélisation pourrait aider à évaluer et à
quantifier les impacts de ces régulations épigénétiques sur les performances des cultures, dans
l’objectif de guider la décision de les induire ou de les réprimer dans des stratégies de sélection.
Cependant, ceci relève d’un niveau supplémentaire de complexité dans les modèles qui reste
discutable, et qui pourrait être envisagée uniquement sur le long terme puisqu’il serait d’abord
nécessaire de réaliser des analyses épigénétiques dans les échantillons issus des plantes
stressées.
244
6.2. Apports et applications de la modélisation

Tel que présenté dans le Chapitre 5, le deuxième objectif de cette thèse a visé à explorer
différentes approches de modélisation pour mieux comprendre et prédire les effets des stress
thermiques répétés sur le rendement et la qualité grainière du colza (Axe II). Les
expérimentations et analyses in silico de l’Axe II ont été réalisées pour répondre à deux
questions majeures :
 Les modèles de cultures sont-ils capables de rendre compte de l’effet des stress
thermiques répétés au cours d’un cycle de culture sur le rendement et la qualité
grainière du colza ?
 Quelles sont les voies d’amélioration des modèles et/ou les approches de modélisation
à privilégier pour prédire les effets des stress thermiques répétés ?
6.2.1. Effets des stress répétés au sein des modèles de culture
Il est évident que l’augmentation de la fréquence des épisodes de stress thermique résultante
des changements globaux représente un défi pour la production agricole. Cependant, jusqu’à
présent peu de travaux se sont intéressés sur la façon dont les stress répétés
impactent la croissance et la production des grandes cultures. Au cours des dernières
décennies, l'amélioration des modèles de culture a fait l'objet de plusieurs initiatives (e.g.
AgMIP au niveau international, MACSUR au niveau européen), notamment dans l’objectif
d’améliorer les fonctions de réponse à la température afin de réduire l'incertitude des
simulations de rendement combinant plusieurs stress environnementaux (e.g. température
élevée, sécheresse et CO2 élevé, Holzworth et al., 2014; Vanuytrecht and Thorburn, 2017). En
revanche, à notre connaissance aucun formalisme spécifique prenant en compte les effets des
stress répétés n'a encore été développé, alors que les modèles de culture sont connus pour
être particulièrement peu performants dans la prédiction des rendements des cultures
soumises à des stress thermiques répétés au cours de leur cycle.
Tel qu’illustré par les simulations réalisées sous plusieurs séquences de stress thermique avec
SUMO YIELD dans le cadre de cette thèse, les formalismes classiquement employés dans
modèles de culture dans leur forme actuelle permettent de rendre compte des effets non
additifs de stress successifs. Néanmoins, l’ampleur des variations simulées reste encore très
approximative des valeurs observées dans les expérimentations in planta. Ceci peut être lié à
la complexité des stratégies d’adaptation mises en place pour les plantes, notamment en ce
qui concerne les modifications dans leur phénologie, les rapports source-puit de carbone et/ou
245
les divers mécanismes de réponse aux stress (e.g. modifications morpho-anatomiques,

production d’hormones, capacité antioxydant). La mise en place de ces stratégies lors d’un
stress précoce et pendant la phase de récupération rend encore plus complexe l’interprétation
des effets des stress tardifs. A ce jour, les modèles de culture n’intègrent pas de processus à
des échelles fines qui permettraient d’introduire de façon mécaniste les effets d’atténuation
(bénéfique) ou d’amplification (pénalisant) d’un stress lorsque celui‐ci arrive plusieurs fois dans
le cycle de la culture et au cours de plusieurs cycles, ce qui contribue aux biais importants
entre simulations et observations dans des conditions de stress thermiques récurrents.
6.2.2. Amélioration de la prédiction des effets des stress répétés
Avant de proposer des changements dans les formalismes des modèles de culture mécanistes,
il semble important d’acquérir des jeux de données testant davantage de séquences
d’évènements chauds (variant en termes d’intensité, période, durée et fréquence) par des
expérimentations in planta avec des protocoles contrastants. Cette caractérisation en amont
est indispensable pour améliorer notre compréhension de certaines lois de réponse à la
température (par exemple les seuils de température qui sont stressants pour des variables
d’intérêt spécifiques), ou encore des lois de réponse qui semblent être modifiées dans des
conditions de stress répétés, qui incluent des phases de récupération pendant lesquelles la
mémoire du stress peut être consolidée ou effacée (Crisp et al., 2016).
Dans le cadre de cette thèse, nous avons testé des schémas couvrant un plus large spectre
de conditions climatiques via les approches de modélisation basées sur l’utilisation des jeux de
données du projet RAPSODYN. La modélisation empirique (i.e. indicateurs écoclimatiques) et
la fouille de données (i.e. CFCA et biclustering) sont intéressantes d’un point de vue
exploratoire, puisque ces approches permettent d’analyser une quantité importante de
données complexes, sans la nécessité de formuler des hypothèses a priori. Ainsi, il est possible
de faire émerger des lois/hypothèses de réponse encore non rencontrées (e.g. l’augmentation
de la fréquence des stress thermiques précoces), qui peuvent potentiellement être intégrées
dans les modèles mécanistes et/ou guider des expérimentations pour les tester. Cependant,
certaines limites sont inhérentes à ces approches, notamment la disponibilité de données
nombreuses, la complexité des interactions entre plusieurs facteurs biotiques et abiotiques au
champ et le besoin d’un expert pour la sélection des inférences pertinentes.
Les étapes d’amélioration des modèles de culture consisteraient alors (i) à tester leur
robustesse en comparant les observations acquises dans ces conditions contrastées de stress
246
répétées avec les simulations réalisées dans ces mêmes conditions thermiques ; (ii) à évaluer
l’ampleur des écarts en identifiant les formalismes et processus sous‐jacents à l’origine des
différences entre simulations et observations; et (iii) à implémenter les modèles, en incluant
de nouveaux formalismes, notamment des « fonctions/indices de stress ». Ces fonctions ou
indices de stress doivent rendre compte des périodes critiques de développement de la plante
et des températures seuils inhérentes aux processus ciblés. La difficulté de cette approche
repose sur la nécessité d’acquérir de nouveaux jeux de données climatiques contrastés en
conditions contrôlées et/ou au champ, mais aussi sur la nécessité de gérer simultanément les
différentes échelles de temps de réponse des plantes dans les modèles (e.g. réponse
ponctuelle à un évènement de stress intense, réponse à plus long terme conditionnée par la
répétition des stress).
6.2.3. Perspectives sur la modélisation des stress répétés
Nos travaux sur la caractérisation des effets des stress thermiques répétés chez le colza par
expérimentations numériques ont un caractère pionnier, puisqu’il n’existe pas de travaux de
modélisation ayant cherché à remettre en question les formalismes de réponse à la
température pour rendre compte de effets des stress répétés jusqu’à présent. Dans le cadre
de cette thèse, trois approches de modélisation ont été testées (i.e. indicateurs écoclimatiques,
modèle de culture (semi-) mécaniste et fouille de données), chacune fournissant des
informations sur les périodes critiques de développement de la plante, ou encore sur les
différences de performances des plantes en réponse aux divers schémas de stress thermiques
testés. Du fait d’un nombre limité de jeux de données disponibles et testés par ces
trois approches, il est difficile de proposer des implémentations prioritaires.
Néanmoins, la définition des « fonctions/indices de stress » au sein des modèles mécanistes,
ainsi que la calibration de paramètres du modèle pour rendre compte des caractéristiques de
variétés thermotolérantes s’avèrent des pistes pour améliorer les modèles dans ces contextes
de stress thermiques répétés. Tel que discuté dans le Chapitre 6.1., il serait également possible
d’améliorer les modèles en introduisant d’autres échelles analyses (e.g. régulations
épigénétiques, Gallusci et al., 2017), mais ceci reste discutable du fait de rendre les modèles
plus complexes (et donc plus difficiles à construire et à comprendre).
Dans la continuité de l’objectif d’améliorer la performance de prédiction des modèles de culture

en conditions de stress thermiques répétés, il serait intéressant de transférer nos
connaissances acquises sur le colza et sa réponse à la température à d’autres modèles
agronomiques. En effet, l’utilisation des modèles de culture plus holistiques (e.g.
247
STICS, APSIM) permettrait (i) d’améliorer notre compréhension des interactions entre les
stress thermiques répétés et d’autres facteurs de stress concomitants (inclus dans ces
modèles, e.g. limitation en nutriments, sécheresse, stress biotiques) ; et (ii) de tester
différentes pratiques culturales/systèmes de cultures pour identifier d'éventuels effets
atténuateurs du stress thermique (e.g. successions de cultures, culture associées, utilisation
de variétés précoces ou tardives).
248
Liste des activités scientifiques
ResearchGate : www.researchgate.net/profile/Lethicia-Magno
LinkedIn : www.linkedin.com/in/lethicia-magno/
Liste des publications et communications
Articles dans des journaux internationaux à comité de lecture
Magno, L., Coquemont-Guyot, M., Elie, N., Morvan-Bertrand, A., Avice, J.-C., Mollier, A., and
Brunel-Muguet, S. (2022c). Repeated heat stress events during the reproductive phase impact
the dynamic development of seeds in Brassica napus L. Article soumis le 05 septembre 2022
dans Plant Science.
Magno, L., Corlouer, E., Laperche, A., Nesi, N., Mollier, A., and Brunel-Muguet, S. (2022b).
To what extent can ecoclimatic indicators assist crop performance predictions in oilseed rape
upon repeated heat stresses? European Journal of Agronomy, EJA, 141, 126622. DOI:
/10.1016/j.eja.2022.126622.
Magno, L., Coulon, M., Avice, J.-C., Morvan-Bertrand, A., Bessoule, J.-J., Le Guédard, M.,
Kim, T.H., Niare, A., Mollier, A., Bertin, N., and Brunel-Muguet, S. (2022a). Effects of two-
generational heat stress exposure at the onset of seed maturation on seed yield and quality in
Brassica napus L. Environmental and Experimental Botany, EEB, 195, 104788. DOI :
10.1016/j.envexpbot.2022.104788.
Magno, L., Avice, J.C., Morvan-Bertrand, A., Wagner, M.H., González-Centeno, M.R.,
Teissedre, P.L., Bessoule, J.J., Le Guédard, M., Kim, T.H., Mollier, A., and Brunel-Muguet, S.
(2021). High temperature patterns at the onset of seed maturation determine seed yield and
quality in oilseed rape (Brassica napus L.) in relation to sulphur nutrition. Environmental and
Experimental Botany, EEB, 185. DOI : 10.1016/j.envexpbot.2021.104400.
Communications dans des colloques internationaux
Magno et al. (2022), oral. To what extent can ecoclimatic indicators assist crop performance
predictions in oilseed rape upon repeated heat waves?. European Society for Agronomy
Congress (ESA 2022), Potsdam, Allemagne.
Magno et al. (2022), oral. Impacts of heat stress on seed quality in oilseed rape : analysis
of the dynamic development of seed storage compounds. 31st International Horticultural
Congress (IHC 2022), Angers, France.
Magno et al. (2022), poster (Annexe 10). The use of ecoclimatic indicators as a strategy
to take into account the effects of repeated heat waves in crop performance predictions.
Phenology at the crossroads Congress (PHENOLOGY 2022), Avignon, France.
252
Magno et al. (2021), oral. High temperature patterns determine seed yield and quality in
oilseed rape in relation to sulphur nutrition. Plant Biology Europe 2021 (PBE 2021), en
distanciel.
Magno et al. (2020), poster (Annexe 10). Memory Modelling: do crop models need to
become nostalgic?. Crop Modelling for Agriculture and Food Security under Global Change
Congress (iCROPM 2020), Montpellier, France.
Communications dans des colloques nationaux
Magno et al. (2022), oral. New insights into plant stress memory : a case study in oilseed
rape. Journées de la SFR Normandie Végétal (NORVEGE), Saint-Malo, France.
Magno et al. (2022), oral. What are the impacts of heat waves on the dynamic development
of seed storage compounds in oilseed rape?. Journées de l'Ecole Doctorale Normande de
Biologie Intégrative, Santé, Environnement (JED nBISE 2022), en distanciel.
Magno et al. (2021), poster (Annexe 10). Impact du stress thermique sur le
développement cinétique des composés dans la graine de colza. Colloque GRAINES 2021,
INRAE, en distanciel.
Magno et al. (2021), poster (Annexe 10). High temperature patterns determine seed
yield and quality in oilseed rape in the context of climate change. Journées de l'Ecole Doctorale
Normande de Biologie Intégrative, Santé, Environnement (JED nBISE 2021), en distanciel.
Autres communications
Magno et al. (2022), oral. Les indicateurs écoclimatiques peuvent-ils aider à prédire la
performance des cultures exposées à des stress répétés?. Yield under Abiotic Challenges
Labmeeting, Le Rheu, France. Communication dans le cadre d’une visite à l’IGEPP.
Magno et al. (2021), oral. Crop modelling : how can numbers help us better understand
the effects of climate change?. Séminaire de MAthématique et LOgique pour l'exTraction et le
traitEment de Connaissances (MALOTEC), Nancy, France. Communication dans le cadre d’un
séjour au LORIA, INRIA.
Magno et al. (2021), oral. Impact du stress thermique sur le rendement et la qualité
grainière du colza en interaction avec la fertilisation soufrée : caractérisation écophysiologique
et modélisation, Caen, Feance. Communication lors des « Séminaires du Jeudi » à l’UMR EVA.
253
Liste des activités complémentaires
Actions scientifiques
2022 : Finaliste du concours « Ma Thèse en 180 secondes » (MT180) en Normandie.

Présentation disponible sur < https://www.youtube.com/watch?v=-rRowgeCJ5Y >.
2022 : Participation au projet « Equations » par Olivia Gay, projet de recherche-création sur
l'image du travail, à travers la pratique d’une photographie compréhensive. Projet disponible
sur < https://www.oliviagay.com/index/G0000BUsU1nBy6XM >.
2019-2022 : Membre du CSI de Mélanie Fortier, doctorante au laboratoire Glycomev (Rouen).
Missions d’enseignement
2022-2023 : 2h de CM et 4h de TD de modélisation au Master 2 « Biosciences, Agrosciences,

Ecoproduction, Biotechnologies végétales et Biovalorisation » (EcoBioValo), Université de Caen
Normandie. Total de 7 HETD.
2021-2022 : 4h de CM et 4h de TD de modélisation au Master 2 « Biosciences, Agrosciences,

Ecoproduction, Biotechnologies végétales et Biovalorisation » (EcoBioValo) + 10h de CM
d’agronomie au Master 2 « Agrosciences, Environnement, Territoires, Paysage, Forêt, parcours
Gestion et Valorisation Agri-environnementales » (Ecocaen) + 34h de cours de portugais au
Carré International (LANSAD), Université de Caen Normandie. Total de 61 HETD.
2020-2021 : 10h de CM d’agronomie au Master 2 « Agrosciences, Environnement,

Territoires, Paysage, Forêt, parcours Gestion et Valorisation Agri-environnementales »
(Ecocaen), Université de Caen Normandie. Total de 15 HETD.
Mission de conseil et expertise
2021 : Analyse des impacts des systèmes agrivoltaïques sur 13 cultures de fruits et légumes
en France pour l’entreprise Technique Solaire. La mission consistait en une veille
bibliographique, la création de fiches techniques et la restitution des résultats auprès de
l’entreprise.
254
Encadrement de stagiaires
2022 : Apport d'expertise en agronomie et écophysiologie dans le cadre du stage M2 de

Zachary Assoumani sur la Causal Formal Concept Analysis (LORIA, INRIA, Nancy).
2022 : Apport d'expertise en modélisation dans le cadre du stage M2 de Guillaume Serafin

sur les effets des stress abiotiques sur le soja (UMR EVA, INRAE, Caen).
2021 : Encadrement de Candice Kerdreux pour son stage de M1 sur la germination des graines
du colza et sur les sucres solubles (UMR EVA, INRAE, Caen).
Prix et distinctions
2022 : Lauréate d’une bourse de voyage pour la participation des jeunes chercheurs aux
congrès nationaux de la Société Française de Biologie Végétale (SFBV) et lauréate du
financement de l'inscription du congrès 31st International Horticultural Congress (IHC 2022)
par le Réseau Français de Biologie des Graines (RFBG).
2021 : Lauréate d'une bourse de mobilité pour un déplacement au LORIA (Nancy) de l'École
doctorale Normande de Biologie Intégrative, Santé, Environnement (EDnBISE) et lauréate
d'une bourse de mobilité pour un déplacement à l’UMR ISPA (Bordeaux) de l’Organisation pour
les docTorants Interdisciplinaires de Caen (OPTIC).
2020 : Lauréate d’une bourse de voyage pour la participation des jeunes chercheurs aux
congrès internationaux de la Federation of European Societies of Plant Biology (FESPB).
Engagement bénévole
Mai 2022 – présent : Membre du Young Scientists Group (YSG), initiative globale de la part
du World Food Forum (WFF) et de la Food and Agriculture Organization of the United Nations
(FAO, ONU). Participation active dans la rédaction du rapport « Transforming crises into
opportunities on agri-food systems ». Informations disponibles sur < https://www.world-food-
forum.org/youth-action/young-scientists-group/en/ >.
Mai 2019 – Juin 2022 : Membre actif de l’ONG Thought For Food (TFF), occupant les rôles
d’Ambassadrice, Coordinatrice Régionale Europe et Lider Stratégique Europe. Organisation des
webinaires, mise en place des partenariats au niveau européen et participation au Global
Summit à Rome, en Italie. Informations disponibles sur < https://thoughtforfood.org/ >.
255
Annexes
Annexe 1 : Fiche informative sur les chiffres de la production du colza.

Annexe 2 : Protocole général de la culture du colza d’hiver en serre à l’UMR EVA.
Annexe 3 : Composition des solutions nutritives Hoagland 1/4 et Hoagland 1/4 sans N et S.
Annexe 4 : Protocole des apports manuels en N et S à la sortie de la vernalisation.
Annexe 5 : Supplemental data de l’article Magno et al. 2021 EEB (Chapitre 3.1.)
Annexe 6 : Supplemental data de l’article Magno et al. 2022 PSL (Chapitre 3.2.)
Annexe 8 : Variables, paramètres et équations de la version publiée de 2015 du modèle
SuMoToRI (Brunel-Muguet et al., 2015b).
Annexe 9 : Interface interactive du logiciel BicPAMS (Henriques and Madeira, 2014).
Annexe 10 : Ensemble des posters présentés lors des congrès nationaux et internationaux
dans le cadre de la thèse (voir « Liste des activités scientifiques »).
Annexes
Annexe 1 : Fiche informative sur les chiffres de la production du colza.
258
Annexes
Annexe 2 : Protocole général de la culture du colza d’hiver en serre à l’UMR EVA.
259
Annexes
Annexe 2 : Protocole général de la culture du colza d’hiver en serre à l’UMR EVA (cont.).
260
Annexes
Annexe 3 : Composition des solutions nutritives Hoagland 1/4 et Hoagland 1/4 sans N et S.
261
Annexes
Annexe 4 : Protocole des apports manuels en N et S à la sortie de la vernalisation.
APPORTS DE N (densité de plantes de 40/m²)
- À la sortie de la vernalisation :
100U de N = 0,710 g de NH4NO3 (poudre/plante)
Préparer 1.5 L de solution de NH4NO3, en diluant 107.1 g de NH4NO3 (poudre) dans 1.5 L de
H2O. Apporter 10ml de cette solution dans chaque pot.
- Au stade boutons fermées :
50U de N = 0,355 g de NH4NO3 (poudre/plante)
Préparation deux fois moins concentré que la solution ci-dessus. Préparer 1.5 L de solution de
NH4NO3, en diluant 53.55 g de NH4NO3 (poudre) dans 1.5 L de H2O. Apporter 10ml de cette
solution dans chaque pot.
APPORTS DE S (densité de plantes de 40/m²)
- À la sortie de la vernalisation :
Pour le traitement High Sulphur (HS) :
75 U de SO3 = 75 mg S/plante, soit 2.34 ml de MgSO4, 7 ml H2O à 1M soit 246.37 g/L
Préparer 1L de solution pour HS avec 234.37 ml de solution mère de MgSO4 + 765.63 ml de

H2O. Apporter 10 ml dans chaque pot HS.
Pour le traitement Low Sulphur (LS) :
25 U de SO3 = 25 mg S/plante soit 0.78 ml de MgSO4, 7 ml H2O + compensation avec 1.56 ml

de MgCl2, 6 ml H2O à 1M
Préparer 600 ml de solution HS avec 46.9 ml de solution mère de MgSO4 + 93.7 ml de solution
de MgCl2, 6 ml de H2O à 203.31 g/L + 439.4 ml de H2O. Apporter 10 ml dans chaque pot LS.
NB: la solution de MgCl2 a été apportée à la condition LS pour compenser les apports de Mg
(dans MgSO4) par rapport à la condition HS.
262
Annexes
Table S1 (Chap. 3.1.) : Daily incident Photosynthetically Active Radiation values (PARi,
MJ/day) in the heated unit and in the control unit throughout the 17 days of Temp- modality
application (from the 27th of April until the 15th of May).
Period covering the 17 Daily PARi in the Daily PARi

Ratio
day of heat treatment heated unit (MJ/day) in the control unit (MJ/day)
April 27th 5.1 7.4 1.4
April 28 th
5.2 7.2 1.4
April 29 th
3.3 3.7 1.1
April 30 th
5.0 5.9 1.2
May 1st 5.5 7.1 1.3
May 2nd 6.7 7.1 1.0
May 3rd 5.3 5.3 1.0
May 4 th
5.8 5.8 1.0
May 5 th
3.5 3.4 1.0
May 6 th
6.5 7.5 1.1
May 7 th
4.4 5.0 1.1
May 8 th
4.4 10.1 2.3
May 9 th
4.8 9.8 2.0
May 10 th
4.8 4.5 0.9
May 11 th
5.7 5.5 1.0
May 12 th 6.7 5.4 0.8
May 13 th 6.1 9.4 1.5
May 14 th 5.1 7.4 1.4
May 15 th
5.2 7.2 1.4
Table S2 (Chap 3.1.) : Mean individual seed (n) fresh weight (FW, mg/seed) at the beginning
(Harvest 1, n=212) and at the end of Temp-modality exposure (Harvest 2, n=250) over 17
days. FWs are given for Temp-control plants. Standard deviation into brackets. Level of
significance of the ANOVA test for the date effect: p<0.05*.
Harvest date Harvest 1 Harvest 2

Mean Seed FW 3.31 (0.76) 5.98 (0.99)
p-value 0.02*
263
Annexes
Annexe 5 : Supplemental data de l’article Magno et al. 2021 EEB (Chapitre 3.1., cont.)
Table S3 (Chap. 3.1.) : Summary of the mean value ± se of the all measured variables for each of the 10 treatments in order to provide
reference values in a given combination “Sulphur supply/Temperature modality”. Standard deviation into brackets. P-values and levels of
significance are given for Temp, Sulphur and Temp x Sulphur interaction effects. Levels of significance: ns non-significant, p<0.05*, p<0.01**,
p<0.001***. DW: dry weight.
Sulphur condition High Sulphur Low Sulphur
Early Mild 3 Late Heat 4 Late Heat Early Mild 3 Late Heat 4 Late Heat Temp Sulphur Temp x
Temp-modality Control Priming Control Priming
Stress Peaks Peaks Stress Peaks Peaks effect effect Sulphur
Yield components (per plant)
Total Seed Yield (g) 9.92 (0.57) 8.82 (0.82) 9.55 (0.74) 9.61 (0.55) 7.52 (0.91) 9.70 (1.35) 8.71 (0.64) 8.77 (1.61) 8.95 (0.46) 8.78 (1.87) 0.04* 0.77 0.34
Total Seed Number 2774 (203) 2672 (184) 2802 (249) 2882 (192) 2519 (168) 2794 (328) 2457 (253) 2643 (183) 2565 (121) 2474 (124) 0.07 0.04* 0.57
Thousand Seed Weight (g) 3.53 (0.29) 3.21 (0.34) 3.42 (0.34) 3.35 (0.28) 2.85 (0.65) 3.36 (0.46) 3.40 (0.34) 3.17 (0.62) 3.31 (0.15) 3.54 (1.51) 0.87 0.98 0.09
Seed C. N and S concentrations (%DW)
Carbon 59.8 (0.7) 58.1 (0.9) 57.9 (1.7) 57.3 (1.6) 55.4 (1.3) 58.7 (1.8) 58.3 (1.2) 58.4 (1.9) 57.0 (1.0) 56.6 (1.8) 0.00*** 0.83 0.61
Nitrogen 3.36 (0.23) 3.44 (0.22) 3.22 (0.34) 3.32 (0.24) 3.97 (0.19) 3.11 (0.50) 3.51 (0.09) 3.18 (0.20) 3.46 (0.25) 3.79 (0.33) 0.00*** 0.55 0.57
Sulfur 0.39 (0.05) 0.38 (0.05) 0.39 (0.05) 0.40 (0.04) 0.42 (0.02) 0.24 (0.04) 0.27 (0.03) 0.26 (0.01) 0.24 (0.01) 0.33 (0.04) 0.01* 0.00*** 0.30
Oil contents and fatty acids (%DW)
Total Fatty Acid 39.3 (4.5) 36.4 (1.1) 37.3 (1.1) 31.2 (4.8) 30.1 (3.2) 39.2 (8.1) 44.5 (1.0) 45.1 (4.1) 42.6 (5.0) 35.0 (1.9) 0.00** 0.00*** 0.11
ω6:ω3 ratio 2.03 (0.12) 1.83 (0.10) 2.05 (0.11) 2.08 (0.20) 2.29 (0.21) 2.07 (0.29) 1.91 (0.08) 2.11 (0.14) 2.33 (0.21) 2.19 (0.09) 0.00** 0.22 0.38
Protein concentration (mg/g DW)
Seed Storage Protein 91.0 (15.2) 149.9 (55.6) 79.9 (48.7) 93.2 (13.0) 118.3 (16.6) 208.3 (48.4) 186.3 (66.7) 192.5 (36.2) 153.7 (38.2) 182.6 (33.7) 0.28 0.00 *** 0.23
Soluble sugars concentrations (%DW)
Sucrose 6.52 (0.80) 2.95 (0.25) 6.42 (2.17) 5.04 (1.76) 3.69 (0.82) 8.28 (0.84) 2.99 (0.88) 5.80 (2.10) 4.14 (1.06) 3.02 (0.38) 0.00*** 0.85 0.25
Raffinose 0.44 (0.08) 0.21 (0.02) 0.41 (0.13) 0.30 (0.13) 0.25 (0.07) 0.50 (0.05) 0.21 (0.05) 0.35 (0.15) 0.21 (0.05) 0.17 (0.02) 0.00*** 0.85 0.38
Stachyose 2.35 (0.38) 1.15 (0.15) 2.09 (0.52) 1.51 (0.58) 1.40 (0.41) 2.71 (0.25) 1.14 (0.32) 2.11 (0.76) 1.21 (0.31) 1.00 (0.10) 0.00*** 0.62 0.43
[raff+stach]:sucr 0.43 (0.02) 0.46 (0.02) 0.40 (0.03) 0.35 (0.03) 0.44 (0.04) 0.39 (0.02) 0.45 (0.03) 0.42 (0.02) 0.34 (0.01) 0.39 (0.02) 0.00*** 0.05 0.06
Seed conductivity (µS/mg DW)
Seed Conductivity 0.87 (0.45) 1.28 (0.73) 1.19 (0.55) 0.97 (0.50) 2.86 (1.57) 0.78 (0.16) 0.66 (0.13) 0.81 (0.27) 1.08 (0.78) 3.01 (0.93) 0.00*** 0.34 0.66
Hormone concentrations (ng/g DW)
Indole-3-Acetic Acid 134.3 (1.2) 121.7 (1.1) 278.2 (6.6) 380.3 (1.8) 268.9 (4.3) 160.1 (6.9) 211.5 (1.9) 164.6 (1.2) 279.5 (3.6) 192.7 (1.9) 0.00*** 0.00*** 0.00***
Salicylic Acid 40.8 (0.6) 42.6 (0.3) 96.6 (1.6) 135.6 (0.5) 103.1 (2.5) 59.3 (2.6) 76.1 (0.7) 73.5 (0.9) 82.5 (0.9) 96.1 (1.1) 0.00*** 0.00*** 0.00***
ABA:GA3 ratio 0.28 (0.01) 0.41 (0.00) 0.42 (0.01) 0.49 (0.01) 0.74 (0.01) 0.79 (0.03) 0.60 (0.01) 0.95 (0.00) 0.91 (0.01) 0.63 (0.02) 0.00*** 0.00*** 0.00***
Phenolic content and antioxidant capacity
Polyphenols 3.96 (0.15) 4.12 (0.18) 3.79 (0.23) 3.44 (0.49) 3.76 (0.30) 3.34 (0.48) 4.26 (0.20) 3.35 (0.26) 3.71 (0.36) 4.11 (0.15) 0.00** 0.60 0.01*
ABST 18.70 (1.04) 19.14 (0.87) 18.18 (1.93) 15.66 (1.97) 17.72 (0.76) 15.29 (1.31) 18.68 (1.91) 15.47 (0.96) 16.40 (1.75) 18.17 (0.84) 0.00** 0.01* 0.00**
264
Annexes
Figure S1 (Chap. 3.1.) : Illustration of the correlation between ABTS value related to (a) polyphenols and (b) soluble sugars ratio. SA: synaptic
acid, ABTS: 2,2'-azino-bis (3-ethylbenzothiazoline-6-sulfonic acid).
265
Annexes
Annexe 6 : Supplemental data de l’article Magno et al. 2022 PSL (Chapitre 3.2.)
Table SD1 (Chap. 3.2.) : Yield components and quality related variables measured in seeds from podsL≥5cm, podsL<5cm and podsFlo (i.e. inflorescences at
the beginning of stress exposure or that appeared after the whole stress sequence), at an intermediate harvest (60 days after vernalization, DAV). Temperature
modalities were Ctrl: Control, RSS: Repeated Stresses Sequence, EMS: Early Mild Stress, and 4LHP: 4 Late Heat Peaks. Letters indicate the ranking among the
temperature modalities when the Tukey tests were significant for a given date of harvest. The p-values indicate the level of significance of the temperature
effect, i.e. ns: non-significant, p < 0.05*, p < 0.01**, p < 0.001***. se: standard error; nb: number; TSW: thousand seed weight; DW: dry weight; FA: fatty
acids; UFA: unsaturated FA; SFA: saturated FA.
Seeds from podsFlo
Ctrl/4LHP 0.09 377 0.22 b 1.57 0.69 0.88 3.81 41.69 2.47 0.24 0.31 a na 1.35 0.23
RSS/EMS 0.09 289 0.31 a 1.74 0.89 0.85 3.66 45.88 2.64 0.28 0.08 b na 0.46 0.18
se 0.09 332 0.02 0.02 0.01 0.01 0.13 3.12 0.03 0.01 0.00 na 0.08 0.02
p-value 0.94 ns 0.74 ns 0.02* 0.21 ns 0.11 ns 0.51 ns 0.72 ns 0.68 ns 0.27 ns 0.33 ns 0.03 * na 0.14 ns 0.54 ns

Ctrl/4LHP 0.71 871 0.80 3.02 2.02 1.00 3.31 36.88 2.42 0.24 0.22 na 1.34 0.18
RSS/EMS 0.67 850 0.79 5.36 4.05 1.31 2.82 36.36 2.80 0.31 0.23 na 1.24 0.18
se 0.33 360 0.09 1.19 1.06 0.15 0.21 0.99 0.25 0.04 0.11 na 0.69 0.02
p-value 0.87 ns 0.93 ns 0.87 ns 0.09 ns 0.09 ns 0.09 ns 0.05 ns 0.63 ns 0.14 ns 0.14 ns 0.98 ns na 0.87 ns 0.98 ns

Ctrl/4LHP 0.56 301 1.86 a 7.96 6.20 1.75 3.04 41.79 2.78 0.31 0.10 b na 0.39 b 0.27
RSS/EMS 0.74 473 1.57 b 13.02 11.05 1.97 2.58 40.70 3.01 0.41 0.16 a na 0.73 a 0.21
se 0.43 264 0.10 3.91 3.49 0.60 0.38 1.85 0.12 0.08 0.02 na 0.07 0.05
p-value 0.66 ns 0.51 ns 0.01 * 0.31 ns 0.28 ns 0.69 ns 0.22 ns 0.55 ns 0.10 ns 0.21 ns 0.02 * na 0.00** 0.19 ns
266
Annexes
Annexe 6 : Supplemental data de l’article Magno et al. 2022 PSL (Chapitre 3.2., cont.)
Table SD2, (Chap. 3.2.) : Yield components and quality related variables measured in seeds from podsL≥5cm, podsL<5cm and podsFlo (i.e. inflorescences at
the beginning of stress exposure or that appeared after the whole stress sequence), at an intermediate harvest (76 days after vernalization, DAV). Temperature
modalities were Ctrl: Control, RSS: Repeated Stresses Sequence, EMS: Early Mild Stress, and 4LHP: 4 Late Heat Peaks. Letters indicate the ranking among the
temperature modalities when the Tukey tests were significant for a given date of harvest. The p-values indicate the level of significance of the temperature
effect, i.e. ns: non-significant, p < 0.05*, p < 0.01**, p < 0.001***. se: standard error; nb: number; TSW: thousand seed weight; DW: dry weight; FA: fatty
acids; UFA: unsaturated FA; SFA: saturated FA.
Seeds from podsFlo
Ctrl 1.16 860 1.30 14.43 b 12.21 b 2.22 b 2.62 a 52.82 2.89 0.32 c 0.49 a na 2.17 a 0.24 a
RSS 0.90 596 1.54 24.96 a 22.13 a 2.83 ab 2.05 b 49.47 3.54 0.45 ab 0.12 b na 2.57 a 0.05 b
EMS 1.10 738 1.46 22.07 a 19.36 a 2.71 ab 2.32 ab 42.82 3.08 0.48 a 0.15 b na 1.45 ab 0.08 b
4LHP 1.06 736 1.23 25.91 a 22.76 a 3.15 a 2.14 b 54.70 2.99 0.35 bc 0.07 b na 0.70 b 0.11 b
se 0.67 459 0.21 3.46 3.12 0.34 0.20 8.87 0.36 0.06 0.07 na 0.65 0.04
p-value 0.95 ns 0.88 ns 0.40 ns 0.02 * 0.01 * 0.08 ns 0.04 * 0.50 ns 0.24 ns 0.04 * 0.00 *** na 0.05 ns 0.00 ***
Ctrl 3.28 1225 2.70 31.19 27.80 3.37 2.39 a 40.90 2 .36 b 0.26 0.05 0.01 0.58 0.09
RSS 3.72 1402 2.66 32.27 29.13 3.13 1.90 b 41.24 3.04 a 0.30 0.11 0.00 0.91 0.12
EMS 2.60 981 2.69 32.14 28.96 3.18 1.93 b 41.35 3.07 a 0.32 0.11 0.00 1.50 0.08
4LHP 3.19 1247 2.55 28.78 25.71 3.10 2.36 a 40.72 2.98 a 0.29 0.11 0.03 1.54 0.11
se 1.08 435 0.14 1.91 1.81 0.15 0.19 1.09 0.25 0.07 0.05 0.01 0.69 0.02
p-value 0.66 ns 0.68 ns 0.56 ns 0.25 ns 0.22 ns 0.22 ns 0.04 * 0.90 ns 0.05 * 0.79 ns 0.43 ns 0.51 ns 0.41 ns 0.86 ns
Ctrl 1.66 444 3.76 a 37.94 a 34.37 a 3.57 a 2.03 bc 44.52 2.65 b 0.25 0.14 0.01 c 1.26 0.14 b
RSS 0.79 269 2.69 b 25.63 b 23.07 b 2.56 c 2.31 ab 41.65 3.43 a 0.43 0.46 0.26 a 2.13 0.33 a
EMS 1.10 358 2.58 b 29.98 b 27.24 b 2.73 bc 1.80 c 41.23 2.98 ab 0.38 0.41 0.06 bc 1.95 0.18 ab
4LHP 1.31 435 2.97 ab 32.37 ab 29.07 ab 3.30 ab 2.41 a 42.50 2.97 ab 0.38 0.38 0.18 ab 1.84 0.32 a
se 0.91 283 0.57 3.52 3.28 0.29 0.18 2.02 0.24 0.11 0.20 0.06 0.86 0.08
p-value 0.64 ns 0.83 ns 0.07 ns 0.03 * 0.03 * 0.01 * 0.01 * 0.40 ns 0.06 ns 0.33 ns 0.38 ns 0.00 ** 0.67 ns 0.07 ns
267
Annexes
Figure SD1, (Chap. 3.2.) : Histological sections of seeds from podsL≥5cm stained with Oil Red O (ORO) for visualization of lipids storage in
different temperature modalities, collected in four different harvest dates (i.e. 50, 55, 60, and 67 DAV). DAV: days after vernalization; Ctrl:
Control; RSS: Repeated Stresses Sequence; EMS: Early Mild Stress; 4LHP: 4 Late Heat Peaks.
268
Annexes
Figure SD2, (Chap. 3.2.) : Histological sections of seeds from podsL≥5cm stained with Periodic acid-Schiff (PAS) for visualization of
polysaccharides in different temperature modalities, and collected in four different harvest dates (i.e. 50, 55, 60, and 67 DAV). DAV: days after
vernalization; Ctrl: Control; RSS: Repeated Stresses Sequence; EMS: Early Mild Stress; 4LHP: 4 Late Heat Peaks.
269
Annexes
SD, Table 1 (Chap. 4.1.) : Values of each Mother-modality x Progeny-modality combination for the measured variables in the High Sulphur
condition. Letters indicate the ranking among Progeny-modalities for a given Mother-modality (mean pairwise comparison test, LSD test). TSW:
Thousand Seed Weight, DW: dry weight, FA: fatty acid, UFA: unsaturated FA, SFA: saturated FA, C: carbon, N: nitrogen, S: Sulphur, ABA: abscisic
acid, GA3: gibberellic acid.
Mother-modalities Control Priming EMS 3LHP

Progeny-modalities Control Control Priming EMS 4LHP 3LHP Control Priming EMS 4LHP 3LHP Control Priming EMS 4LHP 3LHP
Seed yield - pods L≥5cm (g/pl) 1.77 2.05 a 2.69 a 2.02 a 2.98 a 1.35 a 3.07 a 2.21 a 2.73 a 3.72 a 3.07 a 2.11 b 1.97 b 2.27 b 3.49 ab 4.06 a
Seed number - pods L≥5cm (per pl) 347 402 a 791 a 467 a 701 a 312 a 751 a 704 a 691 a 1017 a 770 a 464 b 568 ab 525 ab 810 ab 935 a
TSW - pods L≥5cm (g) 5.10 5.16 a 3.54 b 4.46 ab 4.82 a 4.50 ab 4.20 a 3.28 a 4.17 a 3.72 a 4.40 a 4.58 a 3.64 b 4.31 a 4.38 a 4.37 a
Seed yield - pods L<5cm (g/pl) 6.15 5.90 a 2.47 b 4.26 ab 4.09 ab 5.95 a 5.62 a 3.28 b 4.79 ab 2.98 b 4.37 ab 5.0 a 3.97 a 4.45 a 3.48 a 3.79 a
Seed number - pods L<5cm (per pl) 1394 1333 a 1155 a 1086 a 1079 a 1562 a 1438 a 1088 a 1265 a 904 a 1126 a 1222 a 1224 a 1100 a 927 a 1029 a
TSW - pods L<5cm (g) 4.42 4.57 a 2.38 b 3.90 a 3.74 ab 3.91 a 3.93 a 3.08 a 3.76 a 3.44 a 3.85 a 4.07 a 3.29 b 4.05 a 3.76 ab 3.60 ab
Total seed yield (g/pl) 7.92 7.98 a 5.16 b 6.28 ab 7.07 ab 7.29 a 8.69 a 5.49 c 7.52 ab 6.69 bc 7.45 ab 7.11 ab 5.93 b 6.72 ab 6.97 ab 7.85 a
Total seed number (per pl) 1741 1735 a 1946 a 1552 a 1780 a 1875 a 2190 a 1792 a 1956 a 1921 a 1896 a 1686 a 1792 a 1625 a 1738 a 1965 a
Total TSW (g) 4.55 4.66 a 2.75 b 4.07 a 4.09 a 3.97 a 3.97 a 3.16 b 3.91 ab 3.59 ab 3.97 a 4.19 a 3.39 b 4.14 a 4.05 a 3.99 a
Fatty acids (%DW) 29.15 28.99 a 16.73 b 25.11 a 27.25 a 26.75 a 28.71 a 14.68 b 29.14 a 24.36 a 28.11 a 27.83 a 19.61 b 25.77 a 26.55 a 29.12 a
UFA (%DW) 26.74 26.55 a 14.87 b 22.97 a 24.66 a 24.29 a 26.23 a 12.92 b 26.64 a 21.97 a 25.56 a 25.52 a 17.54 b 23.55 a 24.05 a 26.60 a
SFA (%DW) 2.41 2.43 ab 1.86 c 2.14 bc 2.59 a 2.46 ab 2.48 a 1.76 b 2.50 a 2.39 a 2.55 a 2.31 ab 2.07 b 2.21 ab 2.50 a 2.52 a
ω6:ω3 ratio 1.72 1.72 b 2.51 a 1.70 b 2.13 b 1.91 b 1.76 cd 2.57 a 1.68 d 2.29 b 1.88 c 1.68 c 2.32 a 1.68 c 2.06 b 1.84 bc
C concentration (%DW) 48.5 47.2 a 45.2 a 47.6 a 47.3 a 47.9 a 44.2 c 44.8 bc 49.0 a 46.2 abc 47.8 ab 50.2 a 44.9 b 47.8 ab 47.2 ab 47.5 ab
N concentration (%DW) 3.21 3.11 b 4.00 a 3.71 ab 3.51 ab 3.51 ab 3.26 b 4.37 a 3.18 b 3.59 b 3.45 b 3.62 ab 3.91 a 3.69 ab 3.59 ab 3.21 b
S concentration (%DW) 0.35 0.33 a 0.49 a 0.38 a 0.39 a 0.37 a 0.33 b 0.43 a 0.34 b 0.36 b 0.36 b 0.35 ab 0.43 a 0.38 ab 0.36 ab 0.32 b
Protein (mg/g DW) 176.7 170.8 b 220.3 a 204.1 ab 192.9 ab 193.3 ab 179.3 b 240.5 a 174.9 b 197.3 ab 189.6 ab 199.0 ab 215.2 a 203.0 ab 197.4 ab 176.6 b
[Raff+stach] : suc ratio 0.41 0.39 a 0.2 b 0.35 a 0.32 a 0.33 a 0.37 b 0.2 d 0.46 a 0.26 cd 0.31 bc 0.31 ab 0.25 b 0.37 a 0.28 ab 0.33 ab
ABA:GA3 ratio 0.67 1.21 ab 2.09 a 0.87 ab 0.63 b 0.24 b 0.31 b 1.68 a 0.66 b 0.79 ab 0.79 ab 0.25 a 0.99 a 0.75 a 0.53 a 0.28 a
270
Annexes
SD, Table 2 (Chap. 4.1.) : Values of each Mother-modality x Progeny-modality combination for the measured variables in the Low Sulphur
condition. Letters indicate the ranking among Progeny-modalities for a given Mother-modality (mean pairwise comparison test, LSD test). TSW:
Thousand Seed Weight, DW: dry weight, FA: fatty acid, UFA: unsaturated FA, SFA: saturated FA, C: carbon, N: nitrogen, S: Sulphur, ABA: abscisic
acid, GA3: gibberellic acid.

Seed yield - pods L≥5cm (g/pl) 2.29 2.48 a 2.88 a 3.54 a 3.01 a 3.17 a 2.50 abc 1.32 c 2.36 bc 3.02 ab 3.69 a 2.02 a 2.22 a 2.72 a 2.90 a 2.84 a
Seed number - pods L≥5cm (per pl) 465 574 a 862 a 871 a 818 a 844 a 593 bc 400 c 629 bc 805 ab 1063 a 434 a 689 a 696 a 771 a 631 a
TSW - pods L≥5cm (g) 4.92 4.60 a 3.40 b 4.06 ab 3.77 ab 3.96 ab 4.30 a 3.32 b 3.79 ab 3.94 ab 3.49 ab 4.80 a 3.35 b 4.10 ab 3.89 ab 4.57 a
Seed yield - pods L<5cm (g/pl) 4.78 5.16 a 3.16 a 3.01 a 3.9 a 4.29 a 4.58 a 3.87 a 3.33 a 3.88 a 3.48 a 5.16 a 3.48 a 3.35 a 3.30 a 3.32 a
Seed number - pods L<5cm (per pl) 1087 1310 a 1392 a 887 a 1165 a 1364 a 1222 a 1206 a 940 a 1161 a 1000 a 1238 a 1037 a 928 a 930 a 827 a
TSW - pods L<5cm (g) 4.40 3.93 a 2.35 c 3.39 ab 3.37 ab 2.98 bc 3.73 a 3.21 a 3.57 a 3.36 a 3.53 a 4.16 a 3.23 d 3.07 bc 3.48 cd 4.03 ab
Total seed yield (g/pl) 7.07 7.65 a 6.05 a 6.55 a 6.92 a 7.46 a 7.08 a 5.19 c 5.69 bc 6.90 ab 7.18 a 7.18 a 5.56 b 6.20 ab 6.20 ab 6.17 ab
Total seed number (per pl) 1552 1884 ab 2255 a 1759 b 1983 ab 2208 a 1815 a 1607 a 1570 a 1966 a 2063 a 1672 a 1727 a 1624 a 1701 a 1459 a
Total TSW (g) 4.57 4.09 a 2.70 c 3.72 ab 3.52 ab 3.36 b 3.90 a 3.24 b 3.65 ab 3.56 ab 3.50 ab 4.29 a 3.25 c 3.86 ab 3.66 bc 4.24 a
Fatty acids (%DW) 29.83 29.40 a 17.64 b 25.58 a 26.14 a 30.70 a 30.12 a 16.87 c 23.60 b 24.16 b 27.22 ab 31.51 a 16.12 c 25.09 b 23.80 b 28.91 ab
UFA (%DW) 27.39 26.91 a 15.71 b 23.33 a 23.54 a 27.90 a 27.61 a 15.00 c 21.45 b 21.72 b 24.80 ab 28.86 a 14.17 c 22.87 b 21.36 b 26.28 ab
SFA (%DW) 2.44 2.49 ab 1.93 c 2.25 bc 2.60 ab 2.80 a 2.51 a 1.87 c 2.16 bc 2.43 ab 2.42 ab 2.65 a 1.95 b 2.22 ab 2.44 a 2.63 a
ω6:ω3 ratio 1.73 1.78 b 2.61 a 1.78 b 2.36 a 1.92 b 1.75 c 2.65 a 1.85 c 2.42 b 1.93 c 1.80 b 2.62 a 1.76 b 2.47 a 2.04 a
C concentration (%DW) 45.43 45.99 a 43.41 ab 42.60 b 45.37 ab 45.41 ab 45.43 a 42.34 b 45.42 a 44.54 ab 45.82 a 45.59 a 41.52 b 44.29 a 44.09 a 45.59 a
N concentration (%DW) 3.48 3.19 ab 3.61 a 3.60 a 3.54 ab 3.13 b 3.46 a 3.77 a 3.59 a 3.61 a 3.48 a 3.36 c 3.90 a 3.67 abc 3.79 ab 3.44 bc
S concentration (%DW) 0.34 0.28 a 0.28 a 0.26 a 0.29 a 0.26 a 0.36 a 0.29 ab 0.23 b 0.31 a 0.32 a 0.27 a 0.31 a 0.26 a 0.32 a 0.27 a
Protein (mg/g DW) 191.1 175.4 ab 198.3 a 197.8 a 194.7 ab 171.8 b 190.0 a 207.2 a 197.4 a 198.8 a 191.2 a 184.6 c 214.8 a 201.9 abc 208.2 ab 189.2 bc
[Raff+stach] : suc ratio 0.33 0.32 ab 0.21 d 0.34 a 0.24 cd 0.27 bc 0.35 a 0.19 c 0.26 b 0.22 bc 0.27 b 0.29 ab 0.18 c 0.34 a 0.23 bc 0.27 ab
ABA:GA3 ratio 1.21 0.88 ab 0.27 b 0.22 b 0.26 b 1.23 a 0.90 a 0.32 ab 0.27 b 0.29 b 0.36 ab 0.47 a 0.31 a 0.19 a 0.24 a 1.13 a
271
Annexes
SD, Table 3 (Chap. 4.1.) : Yield components distinguishing the two pools of pods (i.e. podsL< 5cm and podsL≥ 5cm at the beginning of the
temperature stress application). Results are presented by factor (Progeny-modality and Mother-modality) under Low Sulphur condition. For a
given variable, different letters (Tukey multiple comparisons test) indicate the ranking among Progeny or Mother modalities (including the control).
P-values and levels of significance are given for Progeny, Mother and Progeny x Mother interaction effects. Levels of significance: ns non-
significant, p<0.05*, p<0.01**, p<0.001***. SE: standard error, TSW: Thousand Seed Weight.
Total pods Pods L < 5cm Pods L ≥ 5cm
Factor\Variables Yield (g.pl-1) Seed number TSW (g) Yield (g.pl-1) Seed number TSW (g) Yield (g.pl-1) Seed number TSW (g)
Progeny-modalities
Control 7.25 a 1731 ns 4.21 a 4.92 a 1214 ns 4.06 a 2.32 ns 516 ns 4.65 a
Early mild stress 6.15 bc 1651 ns 3.74 b 3.27 b 918 ns 3.56 b 2.87 ns 732 ns 3.98 b
3 late heat peaks 6.93 ab 1909 ns 3.70 b 3.70 ab 1063 ns 3.52 b 3.23 ns 845 ns 4.00 b
4 late heat peaks 6.67 abc 1883 ns 3.58 b 3.70 ab 1085 ns 3.40 bc 2.98 ns 798 ns 3.87 b
Priming 5.60 c 1862 ns 3.06 c 3.46 b 1212 ns 2.93 c 2.14 ns 650 ns 3.35 b
se 0.26 103 0.11 0.31 91 0.13 0.30 96 0.16
Mother-modalities
Control 7.07 ns 1552 b 4.57 a 4.78 ns 1087 ns 4.42 a 2.29 ns 465 ns 4.92 ns
Early mild stress 6.41 ns 1804 ab 3.57 bc 3.83 ns 1106 ns 3.48 bc 2.58 ns 697 ns 3.77 ns
3 late heat peaks 6.26 ns 1636 b 3.86 b 3.72 ns 992 ns 3.72 b 2.54 ns 644 ns 4.14 ns
Priming 6.93 ns 2017 a 3.47 c 3.91 ns 1223 ns 3.21 c 3.02 ns 793 ns 3.96 ns
se 0.39 100 0.11 0.47 116 0.11 0.30 82 0.13
Progeny effect 0.001 ** 0.268 0.000 *** 0.014 * 0.113 0.000 *** 0.143 0.254 0.001 **
Mother effect 0.081 0.002 ** 0.006 ** 0.886 0.094 0.001 ** 0.366 0.426 0.177
Progeny x Mother 0.807 0.206 0.251 0.877 0.787 0.154 0.722 0.659 0.793
272
Annexes
SD, Figure 1 (Chap. 4.1.) : Boxplot to the Thousand Seed Weight (TSW) criteria measured in seeds from total pods under Low Sulphur
condition. The TSW is the most important yield component impacted significantly by both Mother and Progeny modalities. Letters indicate the
ranking amongst all the treatments (including the control). P-values and levels of significance are given on Supplemental Data (SD, Table 3 (Chap.
4.1.)). EMS: Early Mil Stress modality, 3LHP: 3 late heat peaks modality, 4LHP: 4 late heat peaks modality.
273
Annexes
SD, Table 4 (Chap. 4.1.) : Nutritional seed quality criteria measured in seeds from podsL≥ 5cm. Results are presented by factor (Progeny-modality
and Mother-modality) under Low Sulphur condition. For a given measured variable, different letters (Tukey multiple comparisons test) indicate
weight, FA: fatty acid, UFA: unsaturated FA, SFA: saturated FA.
Seed C, S, N and protein concentrations (%DW) Oil content and fatty acids (%DW)
Factor\Variables Carbon Sulphur Nitrogen Protein (mg.g-1) FA SFA UFA ω6:ω3 ratio
Progeny-modalities
Control 45.61 a 0.31 a 3.37 b 185.29 b 30.22 a 2.52 a 27.69 a 1.76 d
Early mild stress 44.10 ab 0.25 b 3.62 ab 199.04 ab 24.76 b 2.21 b 22.55 b 1.79 cd
3 late heat peaks 45.61 a 0.28 ab 3.35 b 184.06 b 28.94 a 2.62 a 26.33 a 1.96 c
4 late heat peaks 44.65 a 0.31 a 3.65 ab 200.57 ab 24.70 b 2.49 a 22.21 b 2.41 b
Priming 42.43 b 0.29 ab 3.76 a 206.78 a 16.88 c 1.91 c 14.96 c 2.62 a
se 0.40 0.01 0.08 4.57 0.85 0.06 0.78 0.04
Mother-modalities
Control 45.43 ns 0.34 ns 3.48 ns 191.12 ns 29.83 ns 2.44 ns 27.39 ns 1.73 ns
Early mild stress 44.71 ns 0.30 ns 3.58 ns 196.94 ns 24.40 ns 2.28 ns 22.12 ns 2.12 ns
3 late heat peaks 44.22 ns 0.28 ns 3.62 ns 199.74 ns 25.08 ns 2.38 ns 22.71 ns 2.14 ns
Priming 44.56 ns 0.27 ns 3.41 ns 187.60 ns 25.89 ns 2.41 ns 23.48 ns 2.09 ns
se 0.57 0.01 0.11 6.04 1.33 0.08 1.25 0.08
Progeny effect 0.000 *** 0.017 * 0.004 ** 0.004 *** 0.000 *** 0.000 *** 0.000 *** 0.000 ***
Mother effect 0.584 0.170 0.069 0.067 0.394 0.243 0.407 0.703
Progeny x Mother 0.262 0.231 0.950 0.950 0.915 0.848 0.915 0.983
274
Annexes
SD, Table 5 (Chap. 4.1.) : Seed physiological quality values measured in seeds from podsL≥ 5cm. Results are presented by factor (Progeny-
modality and Mother-modality) under Low Sulphur condition. For a given measured variable, different letters (Tukey multiple comparisons test)
indicate the ranking Progeny or Mother modalities (including the control). P-values and levels of significance are given for Progeny, Mother and
weight, ABA: abscisic acid, GA3: gibberellic acid.
Soluble sugars Hormones

Sucrose Raffinose Stachyose [Raffinose+stachyose] : ABA:GA3
Factor\Variables (%DW) (%DW) (%DW) sucrose ratio ratio
Progeny-modalities
Control 3.75 b 0.16 a 1.03 a 0.32 a 0.87 a
Early mild stress 3.59 b 0.17 a 0.64 a 0.31 a 0.24 a
3 late heat peaks 4.78 a 0.18 a 1.12 a 0.27 ab 0.91 a
4 late heat peaks 4.65 a 0.15 ab 0.93 a 0.23 bc 0.27 a
Priming 3.35 b 0.13 b 0.52 b 0.19 c 0.30 a
se 0.16 0.01 0.05 0.01 0.10
Mother-modalities
Control 3.69 ns 0.17 ns 1.05 ns 0.33 ns 1.21 ns
Early mild stress 3.89 ns 0.15 ns 0.84 ns 0.25 ns 0.43 ns
3 late heat peaks 4.17 ns 0.16 ns 0.92 ns 0.26 ns 0.53 ns
Priming 4.03 ns 0.15 ns 0.96 ns 0.28 ns 0.60 ns
se 0.20 0.01 0.08 0.02 0.29
Progeny effect 0.000 *** 0.000 *** 0.000 *** 0.000 *** 0.005 **
Mother effect 0.334 0.388 0.133 0.212 0.596
Progeny x Mother 0.068 0.477 0.853 0.129 0.362
275
Annexes
SD, Table 6 (Chap. 4.1.) : Values of each Mother-modality x Progeny-modality combination for the germination variables in the High Sulphur
condition. Letters indicate the ranking among Progeny-modalities for a given Mother-modality (mean pairwise comparison test, LSD test). T25,
T50 and T75 represent respectively the time (in hours) for 25%, 50% and 75% of germinated seeds, as adjusted from the observations with the
Gompertz functions. Final rate is the observed final rate (in percentage). EMS: Early Mil Stress modality, 3LHP: 3 late heat peaks modality, 4LHP:
4 late heat peaks modality.

25°C T25 (h) 14.1 15.3 a 14.3 a 13.8 a 13.4 a 13.4 a 15.8 a 12.0 c 14.5 ab 13.0 bc 14.3 ab 13.6 a 12.1 a 11.8 a 13.1 a 14.8 a
T50 (h) 16.8 17.3 a 16.5 ab 16.5 ab 15.4 ab 14.9 b 17.3 a 14.5 c 16.7 ab 15.0 bc 15.9 abc 15.2 a 15.6 a 14.2 a 15.1 a 16.1 a
T75 (h) 20.6 21.2 a 19.8 ab 20.0 ab 17.9 bc 16.9 c 19.2 a 17.9 a 19.6 a 17.5 a 17.9 a 15.2 a 15.6 a 14.2 a 15.1 a 16.1 a
Final rate (%) 97 91 b 91 b 100 a 98 a 98 a 87 b 95 ab 100 a 99 a 98 a 99 a 95 b 99 a 99 a 100 a
5°C T25 (h) 95.6 95.5 a 84.6 a 84.3 a 98.6 a 93.1 a 107.0 a 82.9 a 85.4 a 94.9 a 99.5 a 91.0 ab 70.3 b 76.0 b 107.7 a 106.5 a
T50 (h) 111.4 111.8 a 111.7 a 102.6 a 113.6 a 105.7 a 118.9 a 103.4 a 105.4 a 105.9 a 111.9 a 103.7 ab 99.0 ab 88.7 b 117.5 a 116.6 a
T75 (h) 133.4 134.6 a 147.3 a 126.6 a 132.7 a 121.8 a 134.9 a 131.8 a 130.8 a 119.8 a 128.0 a 121.6 ab 138.9 a 105.0 b 130.7 a 129.4 a
Final rate (%) 96 98 a 96 a 98 a 99 a 99 a 99 a 93 b 99 a 100 a 100 a 98 a 94 a 99 a 97 a 99 a
276
Annexes
SD, Table 7 (Chap. 4.1.) : Germination variables measured at optimal (25◦C) and suboptimal (5◦C) temperatures. Results are presented by
factor (Progeny-modality and Mother-modality) under Low Sulphur condition. T25, T50 and T75 represent respectively the time (in hours) for
25%, 50% and 75% of germinated seeds, as adjusted from the observations with the Gompertz functions. Final rate is the observed final rate
(in percentage). For a given measured variable, different letters (Tukey multiple comparisons test) indicate the ranking Progeny or Mother
modalities (including the control). P-values and levels of significance are given for Progeny, Mother and Progeny x Mother interaction effects.
Levels of significance: ns non-significant, p<0.05*, p<0.01**, p<0.001***. SE: standard error.
Germination at 25°C Germination at 5°C
Factor\Variables T25 (h) T50 (h) T75 (h) Final rate (%) T25 (h) T50 (h) T75 (h) Final rate (%)
Progeny-modalities
Control 17.2 ns 18.8 ns 21.1 ns 95 ns 97.2 ab 110.6 ab 128.7 abc 98 ns
Early mild stress 16.8 ns 19.1 ns 22.1 ns 98 ns 83.7 b 98.3 b 117.1 c 99 ns
3 late heat peaks 16.8 ns 19.1 ns 21.8 ns 98 ns 100.3 a 116.3 a 136.9 ab 99 ns
4 late heat peaks 16.9 ns 19.1 ns 21.9 ns 97 ns 98.8 a 115.9 a 138.2 a 98 ns
Priming 15.8 ns 18.0 ns 20.8 ns 96 ns 88.2 ab 101.7 ab 119.3 bc 99 ns
se 0.4 0.4 0.6 0.9 3.5 3.6 4.3 0.5
Mother-modalities
Control 16.7 ns 18.5 ns 20.8 a 96 ns 89.8 ns 104.3 ns 123.8 a 98 ns
Early mild stress 16.2 ns 18.3 ns 20.9 a 98 ns 90.7 ns 104.7 ns 123.1 a 98 ns
3 late heat peaks 16.9 ns 19.4 ns 22.6 a 96 ns 95.1 ns 112.4 ns 135.0 a 99 ns
Priming 17.1 ns 18.9 ns 21.3 a 97 ns 96.6 ns 109.8 ns 127.1 a 99 ns
se 0.6 0.6 0.7 1.2 4.3 2.5 6.1 0.5
Progeny effect 0.172 0.261 0.577 0.075 0.009 ** 0.003 ** 0.002 ** 0.936
Mother effect 0.116 0.060 0.047 * 0.262 0.346 0.182 0.046 * 0.379
Progeny x Mother 0.250 0.166 0.333 0.114 0.959 0.772 0.259 0.016 *
277
Annexes
SD, Table 8 (Chap. 4.1.) : Values of each Mother-modality x Progeny-modality combination for the germination variables in the Low Sulphur
condition. Letters indicate the ranking among Progeny-modalities for a given Mother-modality (mean pairwise comparison test, LSD test). T25,
T50 and T75 represent respectively the time (in hours) for 25%, 50% and 75% of germinated seeds, as adjusted from the observations with the
Gompertz functions. Final rate is the observed final rate (in percentage). EMS: Early Mil Stress modality, 3LHP: 3 late heat peaks modality, 4LHP:
4 late heat peaks modality.

25°C T25 (h) 16.7 18.2 a 14.9 b 16.9 ab 17.7 a 17.3 a 16.1 a 15.2 a 16.4 a 16.7 a 16.3 a 17.7 a 17.2 a 17.1 a 16.3 a 16.5 a
T50 (h) 18.5 19.5 a 16.7 b 18.7 a 19.8 a 19.8 a 17.3 a 18.1 a 18.9 a 18.7 a 18.1 a 19.8 a 19.1 a 19.7 a 18.8 a 19.2 a
T75 (h) 20.8 21.3 ab 19.3 b 21.0 ab 22.4 a 22.3 a 18.9 a 21.5 a 22.2 a 21.4 a 20.5 a 23.3 a 21.7 a 23.0 a 22.1 a 22.7 a
Final rate (%) 96 95 b 95 b 100 a 99 ab 99 ab 100 a 97 a 97 a 97 a 99 a 90 b 96 ab 99 a 98 ab 97 ab
5°C T25 (h) 89.9 104.9 a 90.5 ab 83.9 b 99.1 ab 104.5 a 92.8 a 82.2 a 80.8 a 101.5 a 96.1 a 101.2 a 91.9 a 86.5 a 95.9 a 100.2 a
T50 (h) 104.3 115.3 a 103.8 ab 95.8 b 114.3 ab 120.3 a 101.7 a 96.6 a 97.2 a 119.2 a 108.9 a 121.2 a 104.9 a 101.9 a 114.5 a 119.7 a
T75 (h) 123.8 128.6 ab 120.9 ab 110.8 b 133.8 a 141.3 a 113.1 b 115.7 b 118.8 ab 142.7 a 125.2 ab 149.4 a 121.4 b 121.8 b 138.1 ab 144.4 a
Final rate (%) 98 100 a 99 a 100 a 99 a 98 b 100 a 99 a 98 a 97 a 100 a 97 b 100 a 100 a 100 a 100 a
278
Annexes
SD, Figure 2 (Chap. 4.1.) : Germination time courses at 25◦C (left) and 5◦C (right) under Low Sulphur condition. Each graph represents one
Mother-modality and each curb represents one Progeny-modality. Lines are fittings to a Gompertz function. Vertical bars denote standard errors.
P-values of the germination time courses (T25, T50 and T75) and final germination rates are given in Supplemental Data (SD, Table 7 and 8).
EMS: Early Mil Stress modality, 3LHP: 3 late heat peaks modality, 4LHP: 4 late heat peaks modality.
279
Annexes

SuMoToRI (Brunel-Muguet et al., 2015b).
280
Annexes

SuMoToRI (Brunel-Muguet et al., 2015b, cont.).
281
Annexes

SuMoToRI (Brunel-Muguet et al., 2015b, cont.).
Process and symbol Equation Unit

C acquisition and plant offer dTDWds [t]=RUE PARi 1-e-k LAIBL Eq 2
with PARabs= PARi 1-e-k LAIBL
C allocation to leaves dLDWTOTpot [t] = β dTDW[t] Eq 3
Growth S Demand
αBL dQSorg BL [t] = [SBL]crit [t] dLDW effective BL [t] Eq 6
βBL [SBL]crit [t] = αBL LDWeffective BLβBL Eq 7
dQS org rest [t] = [Srest]crit [t] dDWrest [t] Eq 8
αrest [Srest] crit [t] = αrest DWrestβrest Eq 9
βrest
Plant S offer dQSoffer [t] = dQSuptake[t]+QSFL pot remob [t]+QSmobile pool [t] Eq 10
(i) S uptake dQS uptake [t] Eq 5

 aQS bQS e bQS TTcum
dTT i
(ii) S remobilization from fallen QSFL pot remob [t] = dLDWFL [t] [SBL] mobile [t-1] Eq 11
leaves
dLDW FL [t] Eq 12
with  (aLDW FL) (bLDW FL ) e bLDW FL TTcum
dTT i
(iii) S mobile pool dQSmobile pool [t]= {dQSuptake [t]+(QSFL pot remob [t]-dQSFL mobile [t])}-(dQSorg BL[t]+dQSorg rest [t]) Eq 13
with dQSFL mobile [t] = QSFL pot remob [t] if dQSuptake [t]- dQSorg TOT[t] > 0
or else dQSFL mobile [t] = QSFL pot remob [t] + dQSuptake [t]- dQSorg TOT[t] Eq 14
Leaf area expansion rate

according to: n 1
 LA K n  n
(iv) Potential growth LAmax n K n  
 LAmax  LA 
dLATT    dTTi
2 Eq 1
 n n 
 K  LA K 
 LA  LA 
 max 
(v) C offer and leaf C demand Eq 4

dLAcarb = dLDWTOTpot SLA
(vi) S offer and leaf growth demand dQSoffer[t] Eq 15

dLAS  SLA[t]
[SGL]crit[t]
Mobile S allocation to leaves and dQSmobile BL = ε(t) dQSmobile pool Eq 16
to the rest of the plant
If dQSuptake [t]-dQSorg TOT [t]> 0.2 dQSuptake [t], then ε(t) = εopt
otherwise ε(t) = 0.4 εopt
dQSmobile rest = dQSmobile pool – dQSmobile BL Eq 17
Effective leaf area expansion dLATOT effective = min (dLATT, dLAcarb, dLAS)
dLATOTeffective[t] Eq 18
dLDWTOT effective[t] 
SLA[t]
282
Annexes
Annexe 9 : Interface interactive du logiciel BicPAMS (Henriques and Madeira, 2014).
283
Annexes
dans le cadre de la thèse (voir « Liste des activités scientifiques »).
284
Annexes
dans le cadre de la thèse (voir « Liste des activités scientifiques », cont.).
285
Annexes
286
Annexes
287
Références
Références
Références
Aguirrezábal, L., Martre, P., Pereyra-Irujo, G., Echarte, M.M., and Izquierdo, N. (2015). Improving grain quality:
ecophysiological and modeling tools to develop management and breeding strategies. Crop Physiol. 423–465.
Aguirrezábal, L.A.N., Lavaud, Y., Dosio, G.A.A., Izquierdo, N.G., Andrade, F.H., and González, L.M. (2003).
Intercepted solar radiation during seed filling determines sunflower weight per seed and oil concentration. Crop
Sci. 43, 152–161.
Ahuja, I., De Vos, R., Bones, A., and Hall, R. (2010). Plant Molecular Stress Responses Face Climate Change. Trends
Plant Sci. 15, 664–674.
Akmouche, Y., Cheneby, J., Lamboeuf, M., Elie, N., Laperche, A., Bertheloot, J., D’Hooghe, P., Trouverie, J., Avice,
J.-C., Etienne, P., et al. (2019). Do nitrogen- and sulphur-remobilization-related parameters measured at the onset
of the reproductive stage provide early indicators to adjust N and S fertilization in oilseed rape (Brassica napus L.)
grown under N- and/or S-limiting supplies? Planta 250, 2047–2062.
Aksouh-Harradj, Campbell, L.C., and Mailer, R.J. (2006). Canola response to high and moderately high temperature
stresses during seed maturation. Can. J. Plant Sci. 86, 967–980.
Aksouh, N.M., Jacobs, B.C., Stoddard, F.L., and Mailer, R.J. (2001). Response of canola to different heat stresses.
Aust. J. Agric. Res. 52, 817–824.
Ali, F., Qanmber, G., Li, F., and Wang, Z. (2022). Updated role of ABA in seed maturation, dormancy, and
germination. J. Adv. Res. 35, 199–214.
Ali, S., Rizwan, M., Arif, M.S., Ahmad, R., Hasanuzzaman, M., Ali, B., and Hussain, A. (2020). Approaches in
Enhancing Thermotolerance in Plants: An Updated Review. J. Plant Growth Regul. 39, 456–480.
Alsajri, F.A., Wijewardana, C., Bheemanahalli, R., Irby, J.T., Krutz, J., Golden, B., Reddy, V.R., and Reddy, K.R.
(2022). Morpho-Physiological, Yield, and Transgenerational Seed Germination Responses of Soybean to
Temperature. Front. Plant Sci. 13, 1–11.
Angadi, Cutforth, H.W., Miller, P.R., McConkey, B.G., Entz, M.H., Brandt, S.A., and Volkmar, K.M. (2000). Response
of three brassica species to high temperature stress during reproductive growth. Can. J. Plant Sci. 80, 693–701.
Angeles-Núñez, J.G., and Tiessen, A. (2011). Mutation of the transcription factor LEAFY COTYLEDON 2 alters the
chemical composition of Arabidopsis seeds, decreasing oil and protein content, while maintaining high levels of
starch and sucrose in mature seeds. J. Plant Physiol. 168, 1891–1900.
Arnell, N.W., and Freeman, A. (2021). The effect of climate change on agro-climatic indicators in the UK. Clim.
Change 165, 1–26.
Asseng, S., Ewert, F., Rosenzweig, C., Jones, J.W., Hatfield, J.L., Ruane, A.C., Boote, K.J., Thorburn, P.J., Rötter,
R.P., Cammarano, D., et al. (2013). Uncertainty in simulating wheat yields under climate change. Nat. Clim. Chang.
3, 827–832.
Asseng, S., Ewert, F., Martre, P., Rötter, R.P., Lobell, D.B., Cammarano, D., Kimball, B.A., Ottman, M.J., Wall, G.W.,
White, J.W., et al. (2015a). Rising temperatures reduce global wheat production. Nat. Clim. Chang. 5, 143–147.
Asseng, S., Zhu, Y., Wang, E., and Zhang, W. (2015b). Chapter 20 - Crop modeling for climate change impact and
adaptation. V.O. Sadras, and D.F.B.T.-C.P. (Second E. Calderini, eds. (San Diego: Academic Press), pp. 505–546.
Assoumani, Z. (2022). A First Study in Causal Formal Concept Analysis. Rapport de stage de fin d’études pour
l’obtention de Master 2 MFLS.
Bador, M., Terray, L., Boé, J., Somot, S., Alias, A., Gibelin, A.L., and Dubuisson, B. (2017). Future summer mega-
heatwave and record-breaking temperatures in a warmer France climate. Environ. Res. Lett. 12.
Baek, D., Pathange, P., Chung, J., Jiang, J., Gao, L., Oikawa, A., Hirai, M.Y., Saito, K., Pare, P.W., and Shi, H.
(2010). A stress‐inducible sulphotransferase sulphonates salicylic acid and confers pathogen resistance in
Arabidopsis. Plant. Cell Environ. 33, 1383–1392.
Bailly, C., Audigier, C., Ladonne, F., Wagner, M.H., Coste, F., Corbineau, F., and Côme, D. (2001). Changes in
oligosaccharide content and antioxidant enzyme activities in developing bean seeds as related to acquisition of
drying tolerance and seed quality. J. Exp. Bot. 52, 701–708.
Bakhshi, B. (2021). Heat and Drought Stress Response and Related Management Strategies in Oilseed.
Agrotechniques Ind. Crop. 1, 170–181.
Balfagón, D., Sengupta, S., Gómez-Cadenas, A., Fritschi, F.B., Azad, R.K., Mittler, R., and Zandalinas, S.I. (2019).
290
Références
Jasmonic Acid Is Required for Plant Acclimation to a Combination of High Light and Heat Stress. Plant Physiol. 181,
1668–1682.
Bankhead, P., Loughrey, M.B., Fernández, J.A., Dombrowski, Y., McArt, D.G., Dunne, P.D., McQuaid, S., Gray, R.T.,
Murray, L.J., Coleman, H.G., et al. (2017). QuPath: Open source software for digital pathology image analysis. Sci.
Rep. 7, 1–7.
Bashir, H., Ibrahim, M.M., Bagheri, R., Ahmad, J., Arif, I.A., Baig, M.A., and Qureshi, M.I. (2015). Influence of sulfur
and cadmium on antioxidants, phytochelatins and growth in Indian mustard. AoB Plants 7.
Baud, S., Boutin, J.P., Miquel, M., Lepiniec, L., and Rochat, C. (2002). An integrated overview of seed development
in Arabidopsis thaliana ecotype WS. Plant Physiol. Biochem. 40, 151–160.
Baulcombe, D.C., and Dean, C. (2014). Epigenetic regulation in plant responses to the environment. Cold Spring
Harb. Perspect. Biol. 6, 1–20.
Baux, A., Hebeisen, T., and Pellet, D. (2008). Effects of minimal temperatures on low-linolenic rapeseed oil fatty-
acid composition. Eur. J. Agron. 29, 102–107.
Baux, A., Colbach, N., Allirand, J.M., Jullien, A., Ney, B., and Pellet, D. (2013). Insights into temperature effects on
the fatty acid composition of oilseed rape varieties. Eur. J. Agron. 49, 12–19.
Bazin, A., Couceiro, M., Devignes, M.D., and Napoli, A. (2021). An Approach to Identifying the Most Predictive and
Discriminant Features in Supervised Classification Problems. Lect. Notes Comput. Sci. (Including Subser. Lect. Notes
Artif. Intell. Lect. Notes Bioinformatics) 12879 LNAI, 48–56.
Bazin, A., Couceiro, M., Devignes, M.D., and Napoli, A. (2022). Steps towards causal Formal Concept Analysis. Int.
J. Approx. Reason. 142, 338–348.
Bellon-Maurel, V., Brossard, L., and Garcia, F. (2022). Agriculture et numérique. Livre Blanc, INRAIA, INRAE, N°6.
Ben-Ari, T., Adrian, J., Klein, T., Calanca, P., Van der Velde, M., and Makowski, D. (2016). Identifying indicators for
extreme wheat and maize yield losses. Agric. For. Meteorol. 220, 130–140.
Bennett, E.J., Roberts, J.A., and Wagstaff, C. (2011). The role of the pod in seed development: Strategies for
manipulating yield. New Phytol. 190, 838–853.
Bewley, J.D., Bradford, K., Hilhorst, H., and Nonogaki, H. (2013). Seeds: Physiology of development, germination
and dormancy, 3rd edition.
Bi, A., Wang, T., Wang, G., Zhang, L., Wassie, M., Amee, M., Xu, H., Hu, Z., Liu, A., Fu, J., et al. (2021). Stress
memory gene FaHSP17.8-CII controls thermotolerance via remodeling PSII and ROS signaling in tall fescue. Plant
Physiol. 187, 1163–1176.
Biancetti, G. (2021). Impacts de stress biotique et abiotique sur l’acquisition de la qualité nutritionnelle et
physiologique de la graine de colza (Brassica napus L.). Thèse de Doctorat. 600, 1–182.
Bielach, A., Hrtyan, M., and Tognetti, V.B. (2017). Plants under stress: Involvement of auxin and cytokinin. Int. J.
Mol. Sci. 18.
Bilichak, A., Ilnytskyy, Y., Woycicki, R., Kepeshchuk, N., Fogen, D., and Kovalchuk, I. (2015). The elucidation of
stress memory inheritance in Brassica rapa plants. Front. Plant Sci. 6, 1–20.
Bita, C.E., and Gerats, T. (2013). Plant tolerance to high temperature in a changing environment: Scientific
fundamentals and production of heat stress-tolerant crops. Front. Plant Sci. 4, 1–18.
Bokszczanin, K., Fragkostefanakis, S., Bostan, H., Bovy, A., Chaturvedi, P., Chiusano, M.L., Firon, N., Iannacone,
R., Jegadeesan, S., Klaczynskid, K., et al. (2013). Perspectives on deciphering mechanisms underlying plant heat
stress response and thermotolerance. Front. Plant Sci. 4, 315.
Borisjuk, L., Neuberger, T., Schwender, J., Heinzel, N., Sunderhaus, S., Fuchs, J., Hay, J.O., Tschiersch, H., Braun,
H.P., Denolf, P., et al. (2013). Seed architecture shapes embryo metabolism in oilseed rape. Plant Cell 25, 1625–
1640.
Boyko, A., and Kovalchuk, I. (2011). Genome instability and epigenetic modification-heritable responses to
environmental stress? Curr. Opin. Plant Biol. 14, 260–266.
Bruce, T.J.A., Matthes, M.C., Napier, J.A., and Pickett, J.A. (2007). Stressful “memories” of plants: Evidence and
possible mechanisms. Plant Sci. 173, 603–608.
Brunel-Muguet, S., Mollier, A., Kauffmann, F., Avice, J.-C., Goudier, D., Sénécal, E., and Etienne, P. (2015a).
SuMoToRI, an Ecophysiological Model to Predict Growth and Sulfur Allocation and Partitioning in Oilseed Rape
(Brassica napus L.) Until the Onset of Pod Formation. Front. Plant Sci. 6, 993.
291
Références
Brunel-Muguet, S., D’Hooghe, P., Bataillé, M.-P., Larré, C., Kim, T.H., Trouverie, J., Avice, J.-C., Etienne, P., and
Dürr, C. (2015b). Heat stress during seed filling interferes with sulfur restriction on grain composition and seed
germination in oilseed rape (Brassica napus L.). Front. Plant Sci. 6, 1–12.
Brunel, S., Teulat-Merah, B., Wagner, M.-H., Huguet, T., Prosperi, J.M., and Dürr, C. (2009). Using a model-based
framework for analysing genetic diversity during germination and heterotrophic growth of Medicago truncatula.
Ann. Bot. 103, 1103–1117.
Brzezinka, K., Altmann, S., and Bäurle, I. (2019). BRUSHY1/TONSOKU/MGOUN3 is required for heat stress memory.
Plant Cell Environ. 42, 771–781.
Byeon, B., Bilichak, A., and Kovalchuk, I. (2019). Transgenerational Response to Heat Stress in the Form of
Differential Expression of Noncoding RNA Fragments in Brassica rapa Plants . Plant Genome 12, 180022.
Canuto, R., Camey, S., Gigante, D.P., Menezes, A.M.B., and Olinto, M.T.A. (2010). Análise de componente principal
focada: Um método gráfi co para explorer padrões alimentares. Cad. Saude Publica 26, 2149–2156.
Canvin (1965). The Effect of Temperature on the Oil Content and Fatty Acid Composition of the Oils from several
Oil Seed Crops. Can. J. Bot. 43, 63–69.
Caubel, J., de Cortázar-Atauri, I.G., Launay, M., de Noblet-Ducoudré, N., Huard, F., Bertuzzi, P., and Graux, A.I.
(2015). Broadening the scope for ecoclimatic indicators to assess crop climate suitability according to
ecophysiological, technical and quality criteria. Agric. For. Meteorol. 207, 94–106.
Ceccarelli, S., Grando, S., Maatougui, M., Michael, M., Slash, M., Haghparast, R., Rahmanian, M., Taheri, A., Al-
Yassin, A., Benbelkacem, A., et al. (2010). Plant breeding and climate changes. J. Agric. Sci. 148, 627–637.
Chandio, A.A., Ozturk, I., Akram, W., Ahmad, F., and Mirani, A.A. (2020). Empirical analysis of climate change
factors affecting cereal yield: evidence from Turkey. Environ. Sci. Pollut. Res. 27, 11944–11957.
Charng, Y.Y., Liu, H.C., Liu, N.Y., Hsu, F.C., and Ko, S.S. (2006). Arabidopsis Hsa32, a novel heat shock protein, is
essential for acquired thermotolerance during long recovery after acclimation. Plant Physiol. 140, 1297–1305.
Chaudhary, S., Devi, P., Bhardwaj, A., Jha, U.C., Sharma, K.D., Prasad, P.V.V., Siddique, K.H.M., Bindumadhava,
H., Kumar, S., and Nayyar, H. (2020). Identification and Characterization of Contrasting Genotypes/Cultivars for
Developing Heat Tolerance in Agricultural Crops: Current Status and Prospects. Front. Plant Sci. 11.
Chebrolu, K.K., Fritschi, F.B., Ye, S., Krishnan, H.B., Smith, J.R., and Gillman, J.D. (2016). Impact of heat stress
during seed development on soybean seed metabolome. Metabolomics 12, 1–14.
Chen, S., Stefanova, K., Siddique, K.H.M., and Cowling, W.A. (2020). Transient daily heat stress during the early
reproductive phase disrupts pod and seed development in Brassica napus L. Food Energy Secur. 1–15.
Cheng, Y., and Church, G.M. (2000). Biclustering of expression data. Proc. Int. Conf. Intell. Syst. Mol. Biol. 8, 93–
103.
Chenu, K., Porter, J.R., Martre, P., Basso, B., Chapman, S.C., Ewert, F., Bindi, M., and Asseng, S. (2017).
Contribution of Crop Models to Adaptation in Wheat. Trends Plant Sci. 22, 472–490.
Chitnis, V.R., Gao, F., Yao, Z., Jordan, M.C., Park, S., and Ayele, B.T. (2014). After-ripening induced transcriptional
changes of hormonal genes in wheat seeds: The cases of brassinosteroids, ethylene, cytokinin and salicylic acid.
PLoS One 9, 1–14.
Christidis, N., Jones, G.S., and Stott, P.A. (2015). Dramatically increasing chance of extremely hot summers since
the 2003 European heatwave. 5, 46–49.
Clarke, S.M., Mur, L.A.J., Wood, J.E., and Scott, I.M. (2004). Salicylic acid dependent signaling promotes basal
thermotolerance but is not essential for acquired thermotolerance in Arabidopsis thaliana. Plant J. 38, 432–447.
Clarke, S.M., Cristescu, S.M., Miersch, O., Harren, F.J.M., Wasternack, C., and Mur, L.A.J. (2009). Jasmonates act
with salicylic acid to confer basal thermotolerance in Arabidopsis thaliana. New Phytol. 182, 175–187.
Conrath, U., Beckers, G.J.M., Langenbach, C.J.G., and Jaskiewicz, M.R. (2015). Priming for Enhanced Defense.
Annu. Rev. Phytopathol. 53, 97–119.
Corlouer, E. (2020). Identification des déterminants génétiques et moléculaires contrôlant la stabilité du rendement
chez le colza d’hiver. Thèse de doctorat. 1–182.
Corlouer, E., Gauffreteau, A., Bouchet, A.S., Bissuel-Bélaygue, C., Nesi, N., and Laperche, A. (2019). Envirotypes
based on seed yield limiting factors allow to tackle G × e interactions. Agronomy 9, 1–18.
Couceiro, M., and Napoli, A. (2019). Elements About Exploratory, Knowledge-Based, Hybrid, and Explainable
Knowledge Discovery. ICFCA 2019 - 15th Int. Conf. Form. Concept Anal. Jun 2019, Frankfurt, Ger. pp.3-16.
292
Références
Crisp, P.A., Ganguly, D., Eichten, S.R., Borevitz, J.O., and Pogson, B.J. (2016). Reconsidering plant memory:
Intersections between stress recovery, RNA turnover, and epigenetics. Sci. Adv. 2, e1501340.
Crisp, P.A., Ganguly, D.R., Smith, A.B., Murray, K.D., Estavillo, G.M., Searle, I., Ford, E., Bogdanović, O., Lister, R.,
Borevitz, J.O., et al. (2017). Rapid recovery gene downregulation during excess-light stress and recovery in
arabidopsis. Plant Cell 29, 1836–1863.
D’hooghe, P., Picot, D., Brunel-Muguet, S., Kopriva, S., Avice, J.C., and Trouverie, J. (2019). Germinative and post-
germinative behaviours of Brassica napus seeds are impacted by the severity of s limitation applied to the parent
plants. Plants 8, 5–7.
D’Hooghe, P., Escamez, S., Trouverie, J., and Avice, J.C. (2013). Sulphur limitation provokes physiological and leaf
proteome changes in oilseed rape that lead to perturbation of sulphur, carbon and oxidative metabolisms. BMC
Plant Biol. 13, 1.
D’Hooghe, P., Dubousset, L., Gallardo, K., Kopriva, S., Avice, J.-C., and Trouverie, J. (2014). Evidence for Proteomic
and Metabolic Adaptations Associated with Alterations of Seed Yield and Quality in Sulfur-limited Brassica napus L.
Mol. Cell. Proteomics 13, 1165–1183.
Dantigny, P., Marín, S., Beyer, M., and Magan, N. (2007). Mould germination: Data treatment and modelling. Int.
J. Food Microbiol. 114, 17–24.
Dat, J.F., Lopez-Delgado, H., Foyer, C.H., and Scott, I.M. (1998). Parallel Changes in H2O2 and Catalase during
Thermotolerance Induced by Salicylic Acid or Heat Acclimation in Mustard Seedlings. Plant Physiol. 116, 1351–
1357.
Debeaujon, I., and Koornneef, M. (2000). Gibberellin Requirement for Arabidopsis Seed Germination Is Determined
Both by Testa Characteristics and Embryonic Abscisic Acid 1.
Delgado, J.A., Groffman, P.M., Nearing, M.A., Goddard, T., Reicosky, D., Lal, R., Kitchen, N.R., Rice, C.W., Towery,
D., and Salon, P. (2011). Conservation practices to mitigate and adapt to climate change. J. Soil Water Conserv.
66, 118–129.
Delourme, R., Falentin, C., Huteau, V., Clouet, V., Horvais, R., Gandon, B., Specel, S., Hanneton, L., Dheu, J.E.,
Deschamps, M., et al. (2006). Genetic control of oil content in oilseed rape (Brassica napus L.). Theor. Appl. Genet.
113, 1331–1345.
Deng, X., and Scarth, R. (1998). Temperature effects on fatty acid composition during development of low-linolenic
oilseed rape (Brassica napus L.). J. Am. Oil Chem. Soc. 75, 759–766.
Deryng, D., Conway, D., Ramankutty, N., Price, J., and Warren, R. (2014). Global crop yield response to extreme
heat stress under multiple climate change futures. Environ. Res. Lett. 9.
Diepenbrock, W., and Geisler, G. (1979). Compositional Changes in Developing Pods and Seeds of Oilseed Rape
(Brassica Napus L.) As Affected By Pod Position on the Plant. Can. J. Plant Sci. 59, 819–830.
Diepenbrock, W. (2000). Yield analysis of winter oilseed rape (Brassica napus L.): A review. F. Crop. Res. 67, 35–
49.
Ding, Y., Fromm, M., and Avramova, Z. (2012). Multiple exposures to drought “train” transcriptional responses in
Arabidopsis. Nat. Commun. 3, 740.
Ding, Y., Virlouvet, L., Liu, N., Riethoven, J.J., Fromm, M., and Avramova, Z. (2014). Dehydration stress memory
genes of Zea mays; comparison with Arabidopsis thaliana. BMC Plant Biol. 14, 1–15.
Diodato, N., and Bellocchi, G. (2008). Drought stress patterns in Italy using agro-climatic indicators. Clim. Res. 36,
53–63.
Dornbos, D.L., and Mullen, R.E. (1992). Soybean seed protein and oil contents and fatty acid composition
adjustments by drought and temperature. J. Am. Oil Chem. Soc. 69, 228–231.
Dowen, R.H., Pelizzola, M., Schmitz, R.J., Lister, R., Dowen, J.M., Nery, J.R., Dixon, J.E., and Ecker, J.R. (2012).
Widespread dynamic DNA methylation in response to biotic stress. Proc. Natl. Acad. Sci. U. S. A. 109, E2183-91.
Dubousset, L., Etienne, P., and Avice, J.C. (2010). Is the remobilization of S and N reserves for seed filling of winter
oilseed rape modulated by sulphate restrictions occurring at different growth stages? J. Exp. Bot. 61, 4313–4324.
Duempelmann, L., Skribbe, M., and Bühler, M. (2020). Small RNAs in the Transgenerational Inheritance of
Epigenetic Information. Trends Genet. 36, 203–214.
Durruty, I., Aguirrezábal, L.A.N., and Echarte, M.M. (2016). Kinetic modeling of sunflower grain filling and fatty acid
biosynthesis. Front. Plant Sci. 7, 1–15.
Elferjani, R., and Soolanayakanahally, R. (2018). Canola responses to drought, heat, and combined stress: shared
293
Références
and specific effects on carbon assimilation, seed yield, and oil composition. Front. Plant Sci. 9, 1–17.
Esquinas-Alcázar, J. (2005). Protecting crop genetic diversity for food security: Political, ethical and technical
challenges. Nat. Rev. Genet. 6, 946–953.
Ezeagu, I.E., Petzke, J.K., Metges, C.C., Akinsoyinu, A.O., and Ologhobo, A.D. (2002). Seed protein contents and
nitrogen-to-protein conversion factors for some uncultivated tropical plant seeds. Food Chem. 78, 105–109.
Fait, A., Angelovici, R., Less, H., Ohad, I., Urbanczyk-Wochniak, E., Fernie, A.R., and Galili, G. (2006). Arabidopsis
seed development and germination is associated with temporally distinct metabolic switches. Plant Physiol. 142,
839–854.
Falissard, B. (1999). Focused Principal Component Analysis: Looking at a Correlation Matrix with a Particular Interest
in a Given Variable. J. Comput. Graph. Stat. 8, 906–912.
Fan, Y., Ma, C., Huang, Z., Abid, M., Jiang, S., Dai, T., Zhang, W., Ma, S., Jiang, D., and Han, X. (2018). Heat
priming during early reproductive stages enhances thermo-tolerance to post-anthesis heat stress via improving
photosynthesis and plant productivity in winter wheat (Triticum aestivum L.). Front. Plant Sci. 9, 1–17.
Finkelstein, R. (2013). Abscisic Acid Synthesis and Response. Arab. B. 11, e0166.
Fischer, A.H., Jacobson, K.A., Rose, J., and Zeller, R. (2008). Hematoxylin and eosin staining of tissue and cell
sections. CSH Protoc. 2008, pdb.prot4986.
Folland et al. (2001). Climate change 2001: The scientific basis. Contribution of working group I to the third
assessment report of the intergovernmental panel on climate change. Weather 57, 267–269.
Frost, C.J., Mescher, M.C., Carlson, J.E., and De Moraes, C.M. (2008). Plant Defense Priming against Herbivores:
Getting Ready for a Different Battle. PLANT Physiol. 146, 818–824.
Gabrielle, B., Denoroy, P., Gosse, G., Justes, E., and Andersen, M.N. (1998a). A model of leaf area development
and senescence for winter oilseed rape. F. Crop. Res. 57, 209–222.
Gabrielle, B., Denoroy, P., Gosse, G., Justes, E., and Andersen, M.N. (1998b). Development and evaluation of a
CERES-type model for winter oilseed rape. F. Crop. Res. 57, 95–111.
Gallusci, P., Dai, Z., Génard, M., Gauffretau, A., Leblanc-Fournier, N., Richard-Molard, C., Vile, D., and Brunel-
Muguet, S. (2017). Epigenetics for Plant Improvement: Current Knowledge and Modeling Avenues. Trends Plant
Sci. 22, 610–623.
Gan, Y., Angadi, S. V., Cutforth, H., Potts, D., Angadi, V. V., and McDonald, C.L. (2004). Canola and mustard
response to short periods of temperature and water stress at different developmental stages. Can. J. Plant Sci. 84,
697–704.
Gangl, R., Behmüller, R., and Tenhaken, R. (2015). Molecular cloning of AtRS4, a seed specific multifunctional RFO
synthase/galactosylhydrolase in Arabidopsis thaliana. Front. Plant Sci. 6, 789.
Gauthier, M., Pellet, D., Monney, C., Herrera, J.M., Rougier, M., and Baux, A. (2017). Fatty acids composition of
oilseed rape genotypes as affected by solar radiation and temperature. F. Crop. Res. 212, 165–174.
Ge, J.C., Yoon, S.K., and Choi, N.J. (2017). Using canola oil biodiesel as an alternative fuel in diesel engines: A
review. Appl. Sci. 7.
Gitz, V., Meybeck, A., Lipper, L., Young, C., and Braatz, S. (2016). Climate change and food security: Risks and
responses.
González-Centeno, M.R., Jourdes, M., Femenia, A., Simal, S., Rosselló, C., and Teissedre, P.-L. (2012).
Proanthocyanidin Composition and Antioxidant Potential of the Stem Winemaking Byproducts from 10 Different
Grape Varieties (Vitis vinifera L.). J. Agric. Food Chem. 60, 11850–11858.
González-Centeno, M.R., Comas-Serra, F., Femenia, A., Rosselló, C., and Simal, S. (2015). Effect of power
ultrasound application on aqueous extraction of phenolic compounds and antioxidant capacity from grape pomace
(Vitis vinifera L.): Experimental kinetics and modeling. Ultrason. Sonochem. 22, 506–514.
Goudriaan, J., and Monteith, J.L. (1990). A mathematical function for crop growth based on light interception and
leaf area expansion. Ann. Bot. 66, 695–701.
Grami, B., and Stefansson, B. (1977). Gene action for protein and oil content in summer rape. Can. J. Plant Sci. 57.
Groot, M.P., Kooke, R., Knoben, N., Vergeer, P., Keurentjes, J.J.B., Ouborg, N.J., and Verhoeven, K.J.F. (2016).
Effects of Multi-Generational Stress Exposure and Offspring Environment on the Expression and Persistence of
Transgenerational Effects in Arabidopsis thaliana. PLoS One 11, 1–16.
Groot, M.P., Kubisch, A., Ouborg, N.J., Pagel, J., Schmid, K.J., Vergeer, P., and Lampei, C. (2017).
294
Références
Transgenerational effects of mild heat in Arabidopsis thaliana show strong genotype specificity that is explained by
climate at origin. New Phytol. 215, 1221–1234.
Gruber, S., Pekrun, C., and Claupein, W. (2004). Population dynamics of volunteer oilseed rape (Brassica napus L.)
affected by tillage. Eur. J. Agron. 20, 351–361.
Guilioni, L., Wery, J., and Tardieu, F. (1997). Heat stress-induced abortion of buds and flowers in pea: Is sensitivity
linked to organ age or to relations between reproductive organs? Ann. Bot. 80, 159–168.
Guilioni, L., Wéry, J., and Lecoeur, J. (2003). High temperature and water deficit may reduce seed number in field
pea purely by decreasing plant growth rate. Funct. Plant Biol. 30, 1151–1164.
Von Der Haar, D., Müller, K., Bader-Mittermaier, S., and Eisner, P. (2014). Rapeseed proteins-Production methods
and possible application ranges. OCL - Oilseeds Fats 21, 1–8.
Habekotté, B. (1993). Quantitative analysis of pod formation, seed set and seed filling in winter oilseed rape
(Brassica napus L.) under field conditions. F. Crop. Res. 35, 21–33.
Habekotté, B. (1997a). Evaluation of seed yield determining factors of winter oilseed rape (Brassica napus L.) by
means of crop growth modelling. F. Crop. Res. 54, 137–151.
Habekotté, B. (1997b). A model of the phenological development of winter oilseed rape (Brassica napus L.). F.
Crop. Res. 54, 127–136.
Hackenberg, D., Asare-Bediako, E., Baker, A., Walley, P., Jenner, C., Greer, S., Bramham, L., Batley, J., Edwards,
D., Delourme, R., et al. (2020). Identification and QTL mapping of resistance to Turnip yellows virus (TuYV) in
oilseed rape, Brassica napus. Theor. Appl. Genet. 133, 383–393.
Hammac, W.A., Maaz, T.M., Koenig, R.T., Burke, I.C., and Pan, W.L. (2017). Water and Temperature Stresses
Impact Canola (Brassica napus L.) Fatty Acid, Protein, and Yield over Nitrogen and Sulfur. J. Agric. Food Chem. 65,
10429–10438.
Hasan, M., Seyis, F., Badani, A.G., Pons-Kühnemann, J., Friedt, W., Lühs, W., and Snowdon, R.J. (2006). Analysis
of genetic diversity in the Brassica napus L. gene pool using SSR markers. Genet. Resour. Crop Evol. 53, 793–802.
Hasanuzzaman, M., Nahar, K., Alam, M.M., Roychowdhury, R., and Fujita, M. (2013). Physiological, biochemical,
and molecular mechanisms of heat stress tolerance in plants. Int. J. Mol. Sci. 14, 9643–9684.
Hasanuzzaman, M., Bhuyan, M.H.M.B., Mahmud, J.A., Nahar, K., Mohsin, S.M., Parvin, K., and Fujita, M. (2018).
Interaction of sulfur with phytohormones and signaling molecules in conferring abiotic stress tolerance to plants.
Plant Signal. Behav. 13, 1–5.
Hassan, M.U., Chattha, M.U., Khan, I., Chattha, M.B., Barbanti, L., Aamer, M., Iqbal, M.M., Nawaz, M., Mahmood,
A., Ali, A., et al. (2021). Heat stress in cultivated plants: nature, impact, mechanisms, and mitigation strategies—a
review. Plant Biosyst. - An Int. J. Deal. with All Asp. Plant Biol. 155, 211–234.
Hatzig, S. V., Nuppenau, J.N., Snowdon, R.J., and Schießl, S. V. (2018). Drought stress has transgenerational
effects on seeds and seedlings in winter oilseed rape (Brassica napus L.). BMC Plant Biol. 18, 1–13.
Henriques, R., and Madeira, S.C. (2014). BicPAM: Pattern-based biclustering for biomedical data analysis.
Algorithms Mol. Biol. 9, 1–30.
Henry, R.J. (2020). Innovations in plant genetics adapting agriculture to climate change. Curr. Opin. Plant Biol. 56,
168–173.
Herman, J.J., and Sultan, S.E. (2011). Adaptive transgenerational plasticity in plants: Case studies, mechanisms,
and implications for natural populations. Front. Plant Sci. 2, 1–10.
Hilker, M., and Schmülling, T. (2019). Stress priming, memory, and signalling in plants. Plant Cell Environ. 42, 753–
761.
Hills, P.N., and Van Staden, J. (2003). Thermoinhibition of seed germination. South African J. Bot. 69, 455–461.
Hoegh-Guldberg, O., Jacob, D., Taylor, M., Bindi, M., Brown, S., Camilloni, I., and Zhou, G., et al. (2018). Impacts
of 1.5°C Global Warming on Natural and Human Systems. In Global Warming of 1.5°C, V. Masson-Delmotte, P.
Zhai, H. Pörtner, D. Roberts, J. Skea, P. Shukla, A. Pirani, W. Moufouma-Okia, C. Péan, R. Pidcock, et al., eds. pp.
175–312.
Holzkämper, A., Calanca, P., and Fuhrer, J. (2013). Identifying climatic limitations to grain maize yield potentials
using a suitability evaluation approach. Agric. For. Meteorol. 168, 149–159.
Holzworth, D.P., Huth, N.I., deVoil, P.G., Zurcher, E.J., Herrmann, N.I., McLean, G., Chenu, K., van Oosterom, E.J.,
Snow, V., Murphy, C., et al. (2014). APSIM - Evolution towards a new generation of agricultural systems simulation.
Environ. Model. Softw. 62, 327–350.
295
Références
Huang, R., Liu, Z., Xing, M., Yang, Y., Wu, X., Liu, H., and Liang, W. (2019). Heat Stress Suppresses Brassica napus
Seed Oil Accumulation by Inhibition of Photosynthesis and BnWRI1 Pathway. Plant Cell Physiol. 60, 1457–1470.
Hundal, S., Singh, H., Kaur, P., and Dhaliwal, L. (2003). Agroclimatic models for growth and yield of soybean
(Glycine max L) using agroclimatic models. Indian J. Agric. Sci. 73, 668–670.
IPCC (2021). Intergovernmental Panel on Climate Change Climate Change 2021: The Physical Science Basis.
Summary for Policymakers.
Iwasaki, M., and Paszkowski, J. (2014). Epigenetic memory in plants. EMBO J. 33, 1987–1998.
Jagadish, S.V.K., Pal, M., Sukumaran, S., Parani, M., and Siddique, K.H.M. (2020). Heat stress resilient crops for
future hotter environments. Plant Physiol. Reports 25, 529–532.
Janni, M., Gullì, M., Maestri, E., Marmiroli, M., Valliyodan, B., Nguyen, H.T., Marmiroli, N., and Foyer, C. (2020).
Molecular and genetic bases of heat stress responses in crop plants and breeding for increased resilience and
productivity. J. Exp. Bot. 71, 3780–3802.
Jeuffroy, M.H., Valantin-Morison, M., Saulas, L., and Champolivier, L. (2003). Azodyn-Rape: a simple model for
decision support in rapeseed nitrogen fertilisation. GCIRC 11eme Congr. Internatioanl Du Colza 2001–2003.
Jha, U.C., Bohra, A., and Singh, N.P. (2014). Heat stress in crop plants: Its nature, impacts and integrated breeding
strategies to improve heat tolerance. Plant Breed. 133, 679–701.
Jones, J.W., Antle, J.M., Basso, B., Boote, K.J., Conant, R.T., Foster, I., Godfray, H.C.J., Herrero, M., Howitt, R.E.,
Janssen, S., et al. (2017). Brief history of agricultural systems modeling. Agric. Syst. 155, 240–254.
Jullien, A., Mathieu, A., Allirand, J.M., Pinet, A., De Reffye, P., Cournède, P.H., and Ney, B. (2011). Characterization
of the interactions between architecture and sourcesink relationships in winter oilseed rape (Brassica napus) using
the GreenLab model. Ann. Bot. 107, 765–779.
Juniarta, N. (2019). Fouille de données complexes et biclustering avec l’analyse formelle de concepts. Thèse de
doctorat, 131p.
Kakoulidou, I., Avramidou, E. V., Baránek, M., Brunel‐muguet, S., Farrona, S., Johannes, F., Kaiserli, E., Lieberman‐
lazarovich, M., Martinelli, F., Mladenov, V., et al. (2021). Epigenetics for crop improvement in times of global change.
Biology (Basel). 10, 1–46.
Kambhampati, S., Aznar-Moreno, J.A., Hostetler, C., Caso, T., Bailey, S.R., Hubbard, A.H., Durrett, T.P., and Allen,
D.K. (2020). On the inverse correlation of protein and oil: Examining the effects of altered central carbon
metabolism on seed composition using soybean fast neutron mutants. Metabolites 10, 1–15.
Kim, Y.K., Chae, S., Oh, N.I., Nguyen, N.H., and Cheong, J.J. (2020). Recurrent Drought Conditions Enhance the
Induction of Drought Stress Memory Genes in Glycine max L. Front. Genet. 11, 1–9.
Kinoshita, T., and Seki, M. (2014). Epigenetic memory for stress response and adaptation in plants. Plant Cell
Physiol. 55, 1859–1863.
Kopriva, S., Talukdar, D., Takahashi, H., Hell, R., Sirko, A., D’Souza, S.F., and Talukdar, T. (2016). Editorial:
Frontiers of Sulfur Metabolism in Plant Growth, Development, and Stress Response. Front. Plant Sci. 6, 1220.
Koscielny, C.B., Gardner, S.W., and Duncan, R.W. (2018). Impact of high temperature on heterosis and general
combining ability in spring canola (Brassica napus L.). F. Crop. Res. 221, 61–70.
Kotak, S., Larkindale, J., Lee, U., von Koskull-Döring, P., Vierling, E., and Scharf, K.D. (2007). Complexity of the
heat stress response in plants. Curr. Opin. Plant Biol. 10, 310–316.
Kourani, M., Mohareb, F., Rezwan, F.I., Anastasiadi, M., and Hammond, J.P. (2022). Genetic and Physiological
Responses to Heat Stress in Brassica napus. Front. Plant Sci. 13, 1–20.
Krishnan, H.B., Kim, W.S., Oehrle, N.W., Smith, J.R., and Gillman, J.D. (2020). Effect of heat stress on seed protein
composition and ultrastructure of protein storage vacuoles in the cotyledonary parenchyma cells of soybean
genotypes that are either tolerant or sensitive to elevated temperatures. Int. J. Mol. Sci. 21, 1–16.
Kumar, M. (2016). Impact of climate change on crop yield and role of model for achieving food security. Environ.
Monit. Assess. 188.
Kumar, S. (2018a). Epigenomics of Plant Responses to Environmental Stress. Epigenomes 2, 6.
Kumar, S. (2018b). Epigenetic memory of stress responses in plants. J. Phytochem. Biochem 2, e102.
Kumar, N., Jeena, N., and Singh, H. (2019). Elevated temperature modulates rice pollen structure: a study from
foothill of Himalayan agro-ecosystem in India. 3 Biotech 9.
Kutcher, H.R., Warland, J.S., and Brandt, S.A. (2010). Temperature and precipitation effects on canola yields in
296
Références
Saskatchewan, Canada. Agric. For. Meteorol. 150, 161–165.

Labra, M.H., Struik, P.C., Evers, J.B., and Calderini, D.F. (2017). Plasticity of seed weight compensates reductions
in seed number of oilseed rape in response to shading at flowering. Eur. J. Agron. 84, 113–124.
Lämke, J., and Bäurle, I. (2017). Epigenetic and chromatin-based mechanisms in environmental stress adaptation
and stress memory in plants. Genome Biol. 18.
Lämke, J., Brzezinka, K., Altmann, S., and Bäurle, I. (2016). A hit‐and‐run heat shock factor governs sustained
histone methylation and transcriptional stress memory. EMBO J. 35, 162–175.
Lancashire, P.D., Bleiholder, H., Boom, T. V., Langeluddeke, P., Stauss, R., Weber, E., and Witzenberger, A. (1991).
A uniform decimal code for growth stages of crops and weeds. Ann. Appl. Biol. 119, 561–601.
Laperche, A. (2021). Analyse des déterminants génétiques et écophysiologiques des interactions génotype x
environnement abiotique et de leur valorisation pour des systèmes agroécologiques. Manuscrit d’Habilitation à
Diriger des Recherches (HDR).
Larkindale, J., and Huang, B. (2005). Effects of abscisic acid, salicylic acid, ethylene and hydrogen peroxide in
thermotolerance and recovery for creeping bentgrass. Plant Growth Regul. 47, 17–28.
Lee, S., and Park, C.-M. (2010). Modulation of reactive oxygen species by salicylic acid in arabidopsis seed
germination under high salinity. Plant Signal. Behav. 5, 1534.
Lemonsu, A., Beaulant, A.L., Somot, S., and Masson, V. (2014). Evolution of heat wave occurrence over the Paris
basin (France) in the 21st century. Clim. Res. 61, 75–91.
Leprince, O., Pellizzaro, A., Berriri, S., and Buitink, J. (2017). Late seed maturation: Drying without dying. J. Exp.
Bot. 68, 827–841.
Leterme (1985). Modélisation de la croissance et de la production des siliques chez le colza d’hiver. Thèse de
Docteur Ingénieur. Institut National Agronomique Paris-Grignon. 114.
Ling, L., Jiangang, L., Minchong, S., Chunlei, Z., and Yuanhua, D. (2015). Cold plasma treatment enhances oilseed
rape seed germination under drought stress. Sci. Rep. 5, 13033.
Liu, H., Able, A.J., and Able, J.A. (2021a). Priming crops for the future : rewiring stress memory. Trends Plant Sci.
xx, 1–18.
Liu, H., Able, A.J., and Able, J.A. (2021b). Small rna, transcriptome and degradome analysis of the transgenerational
heat stress response network in durum wheat. Int. J. Mol. Sci. 22.
Liu, H., Able, A.J., and Able, J.A. (2021c). Small RNAs and their targets are associated with the transgenerational
effects of water-deficit stress in durum wheat. Sci. Rep. 11, 1–17.
Liu, J., Feng, L., Gu, X., Deng, X., Qiu, Q., Li, Q., Zhang, Y., Wang, M., Deng, Y., Wang, E., et al. (2019a). An
H3K27me3 demethylase-HSFA2 regulatory loop orchestrates transgenerational thermomemory in Arabidopsis. Cell
Res. 29, 379–390.
Liu, L., Liu, F., Chu, J., Yi, X., Fan, W., Tang, T., Chen, G., Guo, Q., and Zhao, X. (2019b). A transcriptome analysis
reveals a role for the indole GLS-linked auxin biosynthesis in secondary dormancy in rapeseed (Brassica napus L.).
BMC Plant Biol. 19, 1–18.
Lobell, D.B., and Field, C.B. (2007). Global scale climate-crop yield relationships and the impacts of recent warming.
Environ. Res. Lett. 2.
Luo, Q., Bellotti, W., Hayman, P., Williams, M., and Devoil, P. (2010). Effects of changes in climatic variability on
agricultural production. Clim. Res. 42, 111–117.
Mácová, K., Prabhullachandran, U., Štefková, M., Spyroglou, I., Pěnčík, A., Endlová, L., Novák, O., and Robert, H.S.
(2022). Long-Term High-Temperature Stress Impacts on Embryo and Seed Development in Brassica napus. Front.
Plant Sci. 13.
Madeira, S.C., and Oliveira, A.L. (2004). Biclustering algorithms for biological data analysis: A survey. IEEE/ACM
Trans. Comput. Biol. Bioinforma. 1, 24–45.
Magno, L., Avice, J.C., Morvan-Bertrand, A., Wagner, M.H., González-Centeno, M.R., Teissedre, P.L., Bessoule, J.J.,
Le Guédard, M., Kim, T.H., Mollier, A., et al. (2021). High temperature patterns at the onset of seed maturation
determine seed yield and quality in oilseed rape (Brassica napus L.) in relation to sulphur nutrition. Environ. Exp.
Bot. 185.
Magno, L., Coulon, M., Avice, J.-C., Morvan-Bertrand, A., Bessoule, J.-J., Le Guédard, M., Kim, T.H., Niare, A.,
Mollier, A., Bertin, N., et al. (2022a). Effects of two-generational heat stress exposure at the onset of seed
maturation on seed yield and quality in Brassica napus L. Environ. Exp. Bot. 195, 104788.
297
Références
Magno, L., Corlouer, E., Laperche, A., Nesi, N., Mollier, A., and Brunel-muguet, S. (2022b). To what extent can
ecoclimatic indicators assist crop performance predictions in oilseed rape upon repeated heat stresses ? Eur. J.
Agron. 141, 126622.
Magno, L., Coquemont-Guyot, M., Elie, N., Morvan-Bertrand, A., Avice, J.-C., Mollier, A., and Brunel-Muguet, S.
(2022c). Repeated heat stress events during the reproductive phase impact the dynamic development of seeds in
Brassica napus L. Article soumis le 05 septembre 2022 dans Plant Science.
Marchand, L., Pelosi, C., González-Centeno, M.R., Maillard, A., Ourry, A., Galland, W., Teissedre, P.-L., Bessoule,
J.-J., Mongrand, S., Morvan-Bertrand, A., et al. (2016). Trace element bioavailability, yield and seed quality of
rapeseed (Brassica napus L.) modulated by biochar incorporation into a contaminated technosol. Chemosphere
156.
Mareri, L., and Cai, G. (2022). Pollen priming for more efficient reproduction in a heating world: what we know,
what we need to know. Plant Stress 3, 100060.
Marquez, V., and Beccaria, A. (2020). Application of Oil Red O staining in oleaginous microalgae: practical uses in
screening and lipid quantification of different species. J. Appl. Phycol. 32, 1755–1761.
Martre, P., Wallach, D., Asseng, S., Ewert, F., Jones, J.W., Rötter, R.P., Boote, K.J., Ruane, A.C., Thorburn, P.J.,
Cammarano, D., et al. (2015). Multimodel ensembles of wheat growth: Many models are better than one. Glob.
Chang. Biol. 21, 911–925.
Mathieu, J.A., and Aires, F. (2018). Assessment of the agro-climatic indices to improve crop yield forecasting. Agric.
For. Meteorol. 253–254, 15–30.
Mehlem, A., Hagberg, C.E., Muhl, L., Eriksson, U., and Falkevall, A. (2013). Imaging of neutral lipids by oil red O
for analyzing the metabolic status in health and disease. Nat. Protoc. 8, 1149–1154.
Menard, G.N., Moreno, J.M., Bryant, F.M., Munoz-Azcarate, O., Kelly, A.A., Hassani-Pak, K., Kurup, S., and
Eastmond, P.J. (2017). Genome wide analysis of fatty acid desaturation and its response to temperature. Plant
Physiol. 173, 1594–1605.
Meng, J., Wang, L., Wang, J., Zhao, X., Cheng, J., Yu, W., Jin, D., Li, Q., and Gong, Z. (2018). METHIONINE
ADENOSYLTRANSFERASE 4 mediates DNA and histone methylation. Plant Physiol. 177, pp.00183.2018.
Migicovsky, Z., Yao, Y., and Kovalchuk, I. (2014). Transgenerational phenotypic and epigenetic changes in response
to heat stress in Arabidopsis thaliana. Plant Signal. Behav. 9.
Molinier, J., Ries, G., Zipfel, C., and Hohn, B. (2006). Transgeneration memory of stress in plants. Nature 442,
1046–1049.
Momoh, E.J.J., Zhou, W.J., and Kristiansson, B. (2002). Variation in the development of secondary dormancy in
oilseed rape genotypes under conditions of stress. Weed Res. 42, 446–455.
Morrison, M.J., and Stewart, D.W. (2002). Heat stress during flowering in summer Brassica. Crop Sci. 42, 797–803.
Mukwevho, E., Ferreira, Z., and Ayeleso, A. (2014). Potential Role of Sulfur-Containing Antioxidant Systems in
Highly Oxidative Environments. Mol. 2014, Vol. 19, Pages 19376-19389 19, 19376–19389.
Najafabadi, M.Y., and Ehsanzadeh, P. (2017). Salicylic acid effects on osmoregulation and seed yield in drought-
stressed sesame. Agron. J. 109, 1414–1422.
Nasrullah, M., Rizwanullah, M., Yu, X., Jo, H., Sohail, M.T., and Liang, L. (2021). Autoregressive distributed lag
(Ardl) approach to study the impact of climate change and other factors on rice production in South Korea. J. Water
Clim. Chang. 12, 2256–2270.
Nikiforova, V., Freitag, J., Kempa, S., Adamik, M., Hesse, H., and Hoefgen, R. (2003). Transcriptome analysis of
sulfur depletion in Arabidopsis thaliana: Interlacing of biosynthetic pathways provides response specificity. Plant J.
33, 633–650.
Nishizawa, A., Yabuta, Y., and Shigeoka, S. (2008). Galactinol and Raffinose Constitute a Novel Function to Protect
Plants from Oxidative Damage. Plant Physiol. 147, 1251–1263.
Niu, Y., Wu, G.-Z., Ye, R., Lin, W.-H., Shi, Q.-M., Xue, L.-J., Xu, X.-D., Li, Y., Du, Y.-G., and Xue, H.-W. (2009).
Global Analysis of Gene Expression Profiles in Brassica napus Developing Seeds Reveals a Conserved Lipid
Metabolism Regulation with Arabidopsis thaliana. Mol. Plant 2, 1107–1122.
Oenema, O., and Postma, R. (2003). Managing Sulphur in Agroecosystems BT - Sulphur in Plants. Y.P. Abrol, and
A. Ahmad, eds. (Dordrecht: Springer Netherlands), pp. 45–70.
Ohama, N., Sato, H., Shinozaki, K., Yamaguchi-Shinozaki, K., Lesk, C., al., et, Lobell, D.B., al., et, Hasanuzzaman,
M., al., et, et al. (2016). Transcriptional Regulatory Network of Plant Heat Stress Response. Trends Plant Sci. 0,
298
Références
84–87.
Olesen, J.E., Trnka, M., Kersebaum, K.C., Skjelvåg, A.O., Seguin, B., Peltonen-Sainio, P., Rossi, F., Kozyra, J., and
Micale, F. (2011). Impacts and adaptation of European crop production systems to climate change. Eur. J. Agron.
34, 96–112.
Ostmeyer, T., Parker, N., Jaenisch, B., Alkotami, L., Bustamante, C., and Jagadish, S.V.K. (2020). Impacts of heat,
drought, and their interaction with nutrients on physiology, grain yield, and quality in field crops. Plant Physiol.
Reports 25, 549–568.
Ou, X., Zhang, Y., Xu, C., Lin, X., Zang, Q., Zhuang, T., Jiang, L., von Wettstein, D., and Liu, B. (2012).
Transgenerational Inheritance of Modified DNA Methylation Patterns and Enhanced Tolerance Induced by Heavy
Metal Stress in Rice (Oryza sativa L.). PLoS One 7.
Ouzeau, G., Déqué, M., Jouini, M., Planton, S., and Vautard, R. (2014). Le climat de la France au XXIe siècle,
Volume 4. Rapp. La Dir. Générale l’Énergie Du Clim. 98, 127–128.
Pan, X., Welti, R., and Wang, X. (2010). Quantitative analysis of major plant hormones in crude plant extracts by
high-performance liquid chromatography–mass spectrometry. Nat. Protoc. 5, 986–992.
Pastor, V., Luna, E., Mauch-Mani, B., Ton, J., and Flors, V. (2013). Primed plants do not forget. Environ. Exp. Bot.
94, 46–56.
Peer, L.A., Dar, Z.A., Lone, A.A., Bhat, M.Y., and Ahamad, N. (2020). High temperature triggered plant responses
from whole plant to cellular level. Plant Physiol. Reports 25, 611–626.
Pekrun, C., Lutman, P.J.W., and Baeumer, K. (1997). Germination behaviour of dormant oilseed rape seeds in
relation to temperature. Weed Res. 37, 419–431.
Peltonen-Sainio, P., Jauhiainen, L., Trnka, M., Olesen, J.E., Calanca, P., Eckersten, H., Eitzinger, J., Gobin, A.,
Kersebaum, K.C., Kozyra, J., et al. (2010). Coincidence of variation in yield and climate in Europe. Agric. Ecosyst.
Environ. 139, 483–489.
Pereyra-Irujo, G.A., and Aguirrezábal, L.A.N. (2007). Sunflower yield and oil quality interactions and variability:
Analysis through a simple simulation model. Agric. For. Meteorol. 143, 252–265.
Perkins-Kirkpatrick, S.E., and Lewis, S.C. (2020). Increasing trends in regional heatwaves. Nat. Commun. 11, 1–8.
Piper, E.L., and Boote, K.J. (1999). Temperature and cultivar effects on soybean seed oil and protein concentrations.
JAOCS, J. Am. Oil Chem. Soc. 76, 1233–1241.
Poisson, E. (2018). Optimisation de la fertilisation soufrée pour améliorer le rendement et la qualité grainière du
cοlza : impacts des interactiοns Sοufre / Αzοte et du changement climatique , identificatiοns d’ idéοtypes. Thèse de
doctorat, 174p.
Poisson, E., Brunel-Muguet, S., Kauffmann, F., Trouverie, J., Avice, J.C., and Mollier, A. (2018). Sensitivity analyses
for improving sulfur management strategies in winter oilseed rape. PLoS One 13.
Poisson, E., Trouverie, J., Brunel-Muguet, S., Akmouche, Y., Pontet, C., Pinochet, X., and Avice, J.C. (2019). Seed
yield components and seed quality of oilseed rape are impacted by sulfur fertilization and its interactions with
nitrogen fertilization. Front. Plant Sci. 10.
Prerostova, S., Dobrev, P.I., Kramna, B., Gaudinova, A., Knirsch, V., Spichal, L., Zatloukal, M., and Vankova, R.
(2020). Heat Acclimation and Inhibition of Cytokinin Degradation Positively Affect Heat Stress Tolerance of
Arabidopsis. Front. Plant Sci. 11, 1–14.
Probst, A. V., and Mittelsten Scheid, O. (2015). Stress-induced structural changes in plant chromatin. Curr. Opin.
Plant Biol. 27, 8–16.
Puchtler, H., Meloan, S.N., and Brewton, B.R. (1975). On the history of basic fuchsin and aldehyde-schiff reactions
from 1862 to 1935. Histochemistry 41, 185–194.
Pullens, J.W.M., Sharif, B., Trnka, M., Balek, J., Semenov, M.A., and Olesen, J.E. (2019). Risk factors for European
winter oilseed rape production under climate change. Agric. For. Meteorol. 272–273, 30–39.
Pullens, J.W.M., Kersebaum, K.C., Böttcher, U., Kage, H., and Olesen, J.E. (2021). Model sensitivity of simulated
yield of winter oilseed rape to climate change scenarios in Europe. Eur. J. Agron. 129.
Racette, K., Rowland, D., Tillman, B., Erickson, J., Munoz, P., and Vermerris, W. (2019). Transgenerational stress
memory in seed and seedling vigor of peanut (Arachis hypogaea L.) varies by genotype. Environ. Exp. Bot. 162,
541–549.
Rasmann, S., De Vos, M., Casteel, C.L., Tian, D., Halitschke, R., Sun, J.Y., Agrawal, A.A., Felton, G.W., and Jander,
G. (2012). Herbivory in the previous generation primes plants for enhanced insect resistance. Plant Physiol. 158,
299
Références
854–863.
Ray, D.K., Gerber, J.S., Macdonald, G.K., and West, P.C. (2015). Climate variation explains a third of global crop
yield variability. Nat. Commun. 6, 1–9.
Righetti, K., Vu, J.L., Pelletier, S., Vu, B.L., Glaab, E., Lalanne, D., Pasha, A., Patel, R. V, Provart, N.J., Verdier, J.,
et al. (2015). Inference of Longevity-Related Genes from a Robust Coexpression Network of Seed Maturation
Identifies Regulators Linking Seed Storability to Biotic Defense-Related Pathways. Plant Cell 27, 2692 LP – 2708.
Robertson, M.J., and Lilley, J.M. (2016). Simulation of growth, development and yield of canola (Brassica napus) in
APSIM. Crop Pasture Sci. 67, 332–344.
Rolletschek, H., Weber, H., and Borisjuk, L. (2003). Energy status and its control on embryogenesis of legumes.
Embryo photosynthesis contributes to oxygen supply and is coupled to biosynthetic fluxes. Plant Physiol. 132, 1196–
1206.
Rolletschek, H., Borisjuk, L., Sánchez-García, A., Gotor, C., Romero, L.C., Martínez-Rivas, J.M., and Mancha, M.
(2007). Temperature-dependent endogenous oxygen concentration regulates microsomal oleate desaturase in
developing sunflower seeds. J. Exp. Bot. 58, 3171–3181.
Rötter, R.P., Carter, T.R., Olesen, J.E., and Porter, J.R. (2011). Crop-climate models need an overhaul. Nat. Clim.
Chang. 1, 175–177.
Rötter, R.P., Höhn, J., Trnka, M., Fronzek, S., Carter, T.R., and Kahiluoto, H. (2013). Modelling shifts in agroclimate
and crop cultivar response under climate change. Ecol. Evol. 3, 4197–4214.
Ruuska, S.A., Girke, T., Benning, C., and Ohlrogge, J.B. (2002). Contrapuntal Networks of Gene Expression during
Arabidopsis Seed Filling. Plant Cell 14, 1191–1206.
Sage, T.L., Bagha, S., Lundsgaard-Nielsen, V., Branch, H.A., Sultmanis, S., and Sage, R.F. (2015). The effect of
high temperature stress on male and female reproduction in plants. F. Crop. Res. 182, 30–42.
Saidi, Y., Finka, A., and Goloubinoff, P. (2011). Heat perception and signalling in plants: A tortuous path to
thermotolerance. New Phytol. 190, 556–565.
Salvucci, M.E., and Crafts-Brandner, S. (2004). Inhibition of photosynthesis by heat stress: the activation state of
Rubisco as a limiting factor in photosynthesis. Physiol. Plant. 120 2, 179–186.
Saseendran, S.A., Nielsen, D.C., Ma, L., and Ahuja, L.R. (2010). Adapting CROPGRO for simulating spring canola
growth with both RZWQM2 and DSSAT 4.0. Agron. J. 102, 1606–1621.
Scherer, H.W. (2001). Sulphur in crop production - Invited paper. Eur. J. Agron. 14, 81–111.
Schiebold, S., Tschiersch, H., Borisjuk, L., Heinzel, N., Radchuk, R., and Rolletschek, H. (2011). A novel procedure
for the quantitative analysis of metabolites, storage products and transcripts of laser microdissected seed tissues
of Brassica napus. Plant Methods 7.
Schindelin, J., Arganda-Carreras, I., Frise, E., Kaynig, V., Longair, M., Pietzsch, T., Preibisch, S., Rueden, C.,
Saalfeld, S., Schmid, B., et al. (2012). Fiji: an open-source platform for biological-image analysis. Nat. Methods 9,
676–682.
Schulte, L.R., Ballard, T., Samarakoon, T., Yao, L., Vadlani, P., Staggenborg, S., and Rezac, M. (2013). Increased
growing temperature reduces content of polyunsaturated fatty acids in four oilseed crops. Ind. Crops Prod. 51,
212–219.
Seneviratne, S.I., Nicholls, N., Easterling, D., Goodess, C.M., Kanae, S., Kossin, J., Luo, Y., Marengo, J., Mc Innes,
K., Rahimi, M., et al. (2012). Changes in climate extremes and their impacts on the natural physical environment.
Manag. Risks Extrem. Events Disasters to Adv. Clim. Chang. Adapt. Spec. Rep. Intergov. Panel Clim. Chang.
9781107025, 109–230.
Serrano, N., Ling, Y., Bahieldin, A., and Mahfouz, M.M. (2019). Thermopriming reprograms metabolic homeostasis
to confer heat tolerance. Sci. Rep. 9, 1–15.
Sharma, M., and Laxmi, A. (2016). Jasmonates: Emerging Players in Controlling Temperature Stress Tolerance.
Front. Plant Sci. 6, 1129.
Sharma, D.K., Andersen, S.B., Ottosen, C.O., and Rosenqvist, E. (2015). Wheat cultivars selected for high Fv/Fm
under heat stress maintain high photosynthesis, total chlorophyll, stomatal conductance, transpiration and dry
matter. Physiol. Plant. 153, 284–298.
Shekhawat, K., Almeida-Trapp, M., García-Ramírez, G.X., and Hirt, H. (2022). Beat the heat: plant- and microbe-
mediated strategies for crop thermotolerance. Trends Plant Sci. 1–12.
Shi, W., Lawas, L.M.F., Raju, B.R., and Jagadish, S.V.K. (2016). Acquired Thermo-Tolerance and Trans-Generational
300
Références
Heat Stress Response at Flowering in Rice. J. Agron. Crop Sci. 202, 309–319.
Shu, K., Liu, X., Xie, Q., and He, Z. (2016). Two Faces of One Seed: Hormonal Regulation of Dormancy and
Germination. Mol. Plant 9, 34–45.
Si, P., Mailer, R.J., Galwey, N., and Turner, D.W. (2003). Influence of genotype and environment on oil and protein
concentrations of canola (Brassica napus L.) grown across southern Australia. Aust. J. Agric. Res. 54, 397–407.
Siddiqui, M.H., Al-Khaishany, M.Y., Al-Qutami, M.A., Al-Whaibi, M.H., Grover, A., Ali, H.M., and Al-Wahibi, M.S.
(2015). Morphological and physiological characterization of different genotypes of faba bean under heat stress.
Saudi J. Biol. Sci. 22, 656–663.
da Silva, P.M.F.R., Eastmond, P.J., Hill, L.M., Smith, A.M., and Rawsthorne, S. (1997). Starch metabolism in
developing embryos of oilseed rape. Planta 203, 480–487.
Simopoulos, A.P. (2006). Evolutionary aspects of diet, the omega-6/omega-3 ratio and genetic variation: nutritional
implications for chronic diseases. Biomed. Pharmacother. 60, 502–507.
Singh, A.K., Dhanapal, S., Finkelshtein, A., and Chamovitz, D.A. (2021). Csn5a subunit of cop9 signalosome is
required for resetting transcriptional stress memory after recurrent heat stress in arabidopsis. Biomolecules 11.
Sinsawat, V., Leipner, J., Stamp, P., and Fracheboud, Y. (2004). Effect of heat stress on the photosynthetic
apparatus in maize (Zea mays L.) grown at control or high temperature. Environ. Exp. Bot. 52, 123–129.
Slafer, G.A., Savin, R., and Sadras, V.O. (2014). Coarse and fine regulation of wheat yield components in response
to genotype and environment. F. Crop. Res. 157, 71–83.
Smith, N.G., and Dukes, J.S. (2013). Plant respiration and photosynthesis in global-scale models: Incorporating
acclimation to temperature and CO2. Glob. Chang. Biol. 19, 45–63.
Soares, C., Carvalho, M.E.A., Azevedo, R.A., and Fidalgo, F. (2019a). Plants facing oxidative challenges—A little
help from the antioxidant networks. Environ. Exp. Bot. 161, 4–25.
Soares, J.C., Santos, C.S., Carvalho, S.M.P., Pintado, M.M., and Vasconcelos, M.W. (2019b). Preserving the
nutritional quality of crop plants under a changing climate: importance and strategies. Plant Soil 443, 1–26.
Soengas, P., Rodríguez, V.M., Velasco, P., and Cartea, M.E. (2018). Effect of Temperature Stress on Antioxidant
Defenses in Brassica oleracea. ACS Omega 3, 5237–5243.
Song, Z.T., Zhang, L.L., Han, J.J., Zhou, M., and Liu, J.X. (2021). Histone H3K4 methyltransferases SDG25 and
ATX1 maintain heat-stress gene expression during recovery in Arabidopsis. Plant J. 105, 1326–1338.
Suarez, F.L., Springfield, J., Furne, J.K., Lohrmann, T.T., Kerr, P.S., and Levitt, M.D. (1999). Gas production in
humans ingesting a soybean flour derived from beans naturally low in oligosaccharides. Am. J. Clin. Nutr. 69, 135–
139.
Sun, M., Jiang, F., Zhou, R., Wen, J., Cui, S., Wang, W., and Wu, Z. (2019). Respiratory burst oxidase homologue‐
dependent H2O2 is essential during heat stress memory in heat sensitive tomato. Sci. Hortic. (Amsterdam). 258,
108777.
Sung, D.Y., Kaplan, F., Lee, K.J., and Guy, C.L. (2003). Acquired tolerance to temperature extremes. Trends Plant
Sci. 8, 179–187.
Suter, L., and Widmer, A. (2013). Environmental Heat and Salt Stress Induce Transgenerational Phenotypic Changes
in Arabidopsis thaliana. PLoS One 8.
Szydłowska‐Czerniak, A., Amarowicz, R., and Szłyk, E. (2010). Antioxidant capacity of rapeseed meal and rapeseed
oils enriched with meal extract. Eur. J. Lipid Sci. Technol. 112, 750–760.
Tankari, M., Wang, C., Ma, H., Li, X., Li, L., Soothar, R.K., Cui, N., Zaman-Allah, M., Hao, W., Liu, F., et al. (2021).
Drought priming improved water status, photosynthesis and water productivity of cowpea during post-anthesis
drought stress. Agric. Water Manag. 245.
Tao, F., Rötter, R.P., Palosuo, T., Gregorio Hernández Díaz-Ambrona, C., Mínguez, M.I., Semenov, M.A.,
Kersebaum, K.C., Nendel, C., Specka, X., Hoffmann, H., et al. (2018). Contribution of crop model structure,
parameters and climate projections to uncertainty in climate change impact assessments. Glob. Chang. Biol. 24,
1291–1307.
Toh, S., Kamiya, Y., Kawakami, N., Nambara, E., McCourt, P., and Tsuchiya, Y. (2012). Thermoinhibition uncovers
a role for strigolactones in arabidopsis seed germination. Plant Cell Physiol. 53, 107–117.
Trnka, M., Olesen, J.E., Kersebaum, K.C., Skjelvåg, A.O., Eitzinger, J., Seguin, B., Peltonen-Sainio, P., Rötter, R.,
Iglesias, A., Orlandini, S., et al. (2011). Agroclimatic conditions in Europe under climate change. Glob. Chang. Biol.
17, 2298–2318.
301
Références
Trnka, M., Rötter, R.P., Ruiz-Ramos, M., Kersebaum, K.C., Olesen, J.E., Žalud, Z., and Semenov, M.A. (2014).
Adverse weather conditions for European wheat production will become more frequent with climate change. Nat.
Clim. Chang. 4, 637–643.
Tschiersch, H., Borisjuk, L., Rutten, T., and Rolletschek, H. (2011). Gradients of seed photosynthesis and its role
for oxygen balancing. BioSystems 103, 302–308.
Tuan, P.A., Yamasaki, Y., Kanno, Y., Seo, M., and Ayele, B.T. (2019). Transcriptomics of cytokinin and auxin
metabolism and signaling genes during seed maturation in dormant and non-dormant wheat genotypes. Sci. Rep.
9, 1–7.
Vancostenoble, B., Blanchet, N., Langlade, N.B., and Bailly, C. (2022). Maternal drought stress induces abiotic stress
tolerance to the progeny at the germination stage in sunflower. Environ. Exp. Bot. 201, 104939.
Vanuytrecht, E., and Thorburn, P.J. (2017). Responses to atmospheric CO2 concentrations in crop simulation
models: a review of current simple and semicomplex representations and options for model development. Glob.
Chang. Biol. 23, 1806–1820.
Verma, S., Kumar, N., Verma, A., Singh, H., Siddique, K.H.M., and Singh, N.P. (2020). Novel approaches to mitigate
heat stress impacts on crop growth and development. Plant Physiol. Reports 25, 627–644.
Verslues, P.E., and Juenger, T.E. (2011). Drought, metabolites, and Arabidopsis natural variation: A promising
combination for understanding adaptation to water-limited environments. Curr. Opin. Plant Biol. 14, 240–245.
Vierling, E. (1991). The roles of heat shock proteins in plants. Annu. Rev. Plant Physiol. Plant Mol. Biol. 42, 579–
620.
Villegente, M., Marmey, P., Job, C., Galland, M., Cueff, G., Godin, B., Rajjou, L., Balliau, T., Zivy, M., Fogliani, B.,
et al. (2017). A combination of histological, physiological, and proteomic approaches shed light on seed desiccation
tolerance of the basal angiosperm Amborella trichopoda. Proteomes 5, 2–6.
Wahid, A., Gelani, S., Ashraf, M., and Foolad, M.R. (2007). Heat tolerance in plants: An overview. Environ. Exp.
Bot. 61, 199–223.
Wang, E., Martre, P., Zhao, Z., Ewert, F., Maiorano, A., Rötter, R.P., Kimball, B.A., Ottman, M.J., Wall, G.W., White,
J.W., et al. (2017a). The uncertainty of crop yield projections is reduced by improved temperature response
functions. Nat. Plants 3.
Wang, X., Cai, J., Jiang, D., Liu, F., Dai, T., and Cao, W. (2011). Pre-anthesis high-temperature acclimation alleviates
damage to the flag leaf caused by post-anthesis heat stress in wheat. J. Plant Physiol. 168, 585–593.
Wang, X., Cai, J., Liu, F., Dai, T., Cao, W., Wollenweber, B., and Jiang, D. (2014). Multiple heat priming enhances
thermo-tolerance to a later high temperature stress via improving subcellular antioxidant activities in wheat
seedlings. Plant Physiol. Biochem. 74, 185–192.
Wang, X., Xin, C., Cai, J., Zhou, Q., Dai, T., Cao, W., and Jiang, D. (2016). Heat Priming Induces Trans-generational
Tolerance to High Temperature Stress in Wheat. Front. Plant Sci. 7, 1–12.
Wang, X., Liu, F. lai, and Jiang, D. (2017b). Priming: A promising strategy for crop production in response to future
climate. J. Integr. Agric. 16, 2709–2716.
Wang, X., Zhang, X., Chen, J., Wang, X., Cai, J., Zhou, Q., Dai, T., Cao, W., and Jiang, D. (2018). Parental drought-
priming enhances tolerance to post-anthesis drought in offspring of wheat. Front. Plant Sci. 9, 1–13.
Wang, X., Mao, Z., Zhang, J., Hemat, M., Huang, M., Cai, J., Zhou, Q., Dai, T., and Jiang, D. (2019). Osmolyte
accumulation plays important roles in the drought priming induced tolerance to post-anthesis drought stress in
winter wheat (Triticum aestivum L.). Environ. Exp. Bot. 166, 103804.
Wang, X., Chen, J., Ge, J., Huang, M., Cai, J., Zhou, Q., Dai, T., Mur, L.A.J., and Jiang, D. (2021a). The different
root apex zones contribute to drought priming induced tolerance to a reoccurring drought stress in wheat. Crop J.
9, 1088–1097.
Wang, X., Li, Q., Xie, J., Huang, M., Cai, J., Zhou, Q., Dai, T., and Jiang, D. (2021b). Abscisic acid and jasmonic
acid are involved in drought priming-induced tolerance to drought in wheat. Crop J. 9, 120–132.
Weymann, W., Böttcher, U., Sieling, K., and Kage, H. (2015). Effects of weather conditions during different growth
phases on yield formation of winter oilseed rape. F. Crop. Res. 173, 41–48.
Wheeler, T.R., Craufurd, P.Q., Ellis, R.H., Porter, J.R., and Vara Prasad, P. V. (2000). Temperature variability and
the yield of annual crops. Agric. Ecosyst. Environ. 82, 159–167.
Whittle, C.A., Otto, S.P., Johnston, M.O., and Krochko, J.E. (2009). Adaptive epigenetic memory of ancestral
temperature regime in Arabidopsis thaliana. Botany 87, 650–657.
302
Références
Wilcox, J., and Makowski, D. (2014). A meta-analysis of the predicted effects of climate change on wheat yields
using simulation studies. F. Crop. Res. 156, 180–190.
Wolkovich, E.M., Cook, B.I., Allen, J.M., Crimmins, T.M., Betancourt, J.L., Travers, S.E., Pau, S., Regetz, J., Davies,
T.J., Kraft, N.J.B., et al. (2012). Warming experiments underpredict plant phenological responses to climate change.
Nature 485, 494–497.
Woodfield, H.K., Sturtevant, D., Borisjuk, L., Munz, E., Guschina, I.A., Chapman, K., and Harwood, J.L. (2017).
Spatial and temporal mapping of key lipid species in Brassica napus seeds. Plant Physiol. 173, 1998–2009.
Wu, W., Shah, F., Duncan, R.W., and Ma, B.L. (2020). Grain yield, root growth habit and lodging of eight oilseed
rape genotypes in response to a short period of heat stress during flowering. Agric. For. Meteorol. 287, 107954.
Xia, X.J., Zhou, Y.H., Shi, K., Zhou, J., Foyer, C.H., and Yu, J.Q. (2015). Interplay between reactive oxygen species
and hormones in the control of plant development and stress tolerance. J. Exp. Bot. 66, 2839–2856.
Xie, Z., Zhang, Z.-L., Hanzlik, S., Cook, E., and Shen, Q.J. (2007). Salicylic acid inhibits gibberellin-induced alpha-
amylase expression and seed germination via a pathway involving an abscisic-acid-inducible WRKY gene. Plant Mol.
Biol. 64, 293–303.
Yadav, M.R., Choudhary, M., Singh, J., Lal, M.K., Jha, P.K., Udawat, P., Gupta, N.K., Rajput, V.D., Garg, N.K.,
Maheshwari, C., et al. (2022). Impacts, Tolerance, Adaptation, and Mitigation of Heat Stress on Wheat under
Changing Climates. Int. J. Mol. Sci. 23.
Yadav, N.S., Titov, V., Ayemere, I., Byeon, B., Ilnytskyy, Y., and Kovalchuk, I. (2020). Multigenerational exposure
to heat stress induces phenotypic resilience, and genetic and epigenetic variations in <em>Arabidopsis
thaliana</em> offspring. BioRxiv 2020.11.30.405365.
Young, L.W., Wilen, R.W., and Bonham-Smith, P.C. (2004). High temperature stress of Brassica napus during
flowering reduces micro- and megagametophyte fertility, induces fruit abortion, and disrupts seed production. J.
Exp. Bot. 55, 485–495.
Zhai, S., Song, G., Qin, Y., Ye, X., and Lee, J. (2017). Modeling the impacts of climate change and technical progress
on the wheat yield in inland China: An autoregressive distributed lag approach. PLoS One 12, 1–20.
Zhang, Z. (2016). Variable selection with stepwise and best subset approaches. Ann. Transl. Med. 4.
Zhang, X., Zhou, Q., Wang, X., Cai, J., Dai, T., Cao, W., and Jiang, D. (2016). Physiological and transcriptional
analyses of induced post-anthesis thermo-tolerance by heat-shock pretreatment on germinating seeds of winter
wheat. Environ. Exp. Bot. 131, 181–189.
Zhang, Z., Lu, J., Cong, R., Ren, T., and Li, X. (2017). Evaluating agroclimatic constraints and yield gaps for winter
oilseed rape (Brassica napus L.) - A case study. Sci. Rep. 7, 19–22.
Zhao, C., Liu, B., Piao, S., Wang, X., Lobell, D.B., Huang, Y., Huang, M., Yao, Y., Bassu, S., Ciais, P., et al. (2017).
Temperature increase reduces global yields of major crops in four independent estimates. Proc. Natl. Acad. Sci. U.
S. A. 114, 9326–9331.
Zhao, J., Lu, Z., Wang, L., and Jin, B. (2021). Plant responses to heat stress: Physiology, transcription, noncoding
rnas, and epigenetics. Int. J. Mol. Sci. 22, 1–14.
Zheng, M., Terzaghi, W., Wang, H., and Hua, W. (2022a). Integrated strategies for increasing rapeseed yield.
Trends Plant Sci. 27, 742–745.
Zheng, M., Terzaghi, W., and Wang, H. (2022b). Plant Science increasing rapeseed. Trends Plant Sci. xx, 1–4.
Zheng, X., Chen, L., Xia, H., Wei, H., Lou, Q., Li, M., Li, T., and Luo, L. (2017). Transgenerational epimutations
induced by multi-generation drought imposition mediate rice plant’s adaptation to drought condition. Sci. Rep. 7,
1–13.
Zhou, L., Yan, T., Chen, X., Li, Z., Wu, D., Hua, S., and Jiang, L. (2018). Effect of high night temperature on storage
lipids and transcriptome changes in developing seeds of oilseed rape. J. Exp. Bot. 69, 1721–1733.
Zhou, R., Yu, X., Li, X., Mendanha dos Santos, T., Rosenqvist, E., and Ottosen, C.O. (2020). Combined high light
and heat stress induced complex response in tomato with better leaf cooling after heat priming. Plant Physiol.
Biochem. 151, 1–9.
303
Références
Sites consultés
AGMIP. Disponible sur < https://agmip.org/ >, consulté le 07/09/2022.
Berkeley Earth (2022). France projections. Disponible sur < http://www.berkeleyearth.org/ >, consulté le
20/06/2022.
BicPAMS. Disponible sur < https://web.ist.utl.pt/rmch/bicpams/ >, consulté le 02/12/2021.
Canola Council of Canada (2022). Canola growth stages. Disponible sur < https://www.canolacouncil.org/canola-
encyclopedia/growth-stages/ >, consulté le 18/07/2022.
CLIMATIK. Disponible sur < https://agroclim.inrae.fr/climatik/ >, consulté le 17/04/2022.
FAO (2014). Appropriate seed varieties for small-scale farmers: key practices for DRR implementers. Disponible sur
< https://agris.fao.org/agris-search/search.do?recordID=XF2015001488 >, consulté le 06/08/2022.
FAO (2015). Do you know all 17 SDGs? Disponible sur < https://sdgs.un.org/goals >, consulté le 05/06/2022.
FOP (2016). Point d’huile et répartition de la valeur ajoutée. Disponible sur < http://www.fopoleopro.com/point-
dhuile-repartition-de-valeur-ajoutee/ >, consulté le 06/08/2022.
Freepik. Disponible sur < https://www.freepik.com/free-photos-vectors/canola >, consulté le 16/07/2022.
GEVES (2014). Les essais de germination. Disponible sur < https://www.geves.fr/wp-content/uploads/Les-essais-

de-germination.pdf >, consulté le 26/07/2022.
GEVES (2016). Les essais de vigueur. Disponible sur < https://www.geves.fr/wp-content/uploads/Les-essais-de-

vigueur.pdf >, consulté le 26/07/2022.
MACSUR. Disponible sur < https://macsur.eu/ >, consulté le 25/09/2022.
R Core Team (2022). R: A language and environment for statistical computing. R Foundation for Statistical
Computing, Vienna, Austria. Disponible sur < https://www.R-project.org/ >, consulté le 04/03/2022.
Rapsodyn (2022). Disponible sur < https://www.rapsodyn.fr/ >, consulté le 12/08/2022.
Saipol (2022). Mieux rémunérer les colzas riches en protéines dès 2022. Disponible sur <
https://www.saipol.com/actualites/comment-accroitre-la-production-de-proteines-vegetales-sans-mobiliser-plus-
de-surfaces-agricoles/ >, consulté le 06/08/2022.
Terres Inovia (2019). Date de semis colza : semer avant la pluie. Disponible sur < https://www.terresinovia.fr/-
/date-de-semis-colza-semer-avant-la-pluie >, consulté le 19/07/2022.
Terres Univia (2021). Chiffres clés oléagineux et plantes riches en protéines. Disponible sur <
https://www.terresunivia.fr/documentation-presse/chiffres-cles/chiffres-cles >, consulté le 12/08/2022.
304
Résumé
De nombreuses études font le constat des effets délétères du stress thermique pendant la phase reproductrice des
végétaux, ce qui est préjudiciable au rendement et à la qualité des produits récoltés chez les espèces de grandes cultures.
Cependant, dans un contexte de changement climatique caractérisé par une fréquence accrue des vagues de chaleur
printanières et estivales, la réponse des cultures à la répétition des stress thermiques reste encore peu étudiée et leur
interprétation ne prend pas souvent en compte la possibilité d’un effet mémoire du stress modifiant la réponse des cultures
à des stress ultérieurs. Cet effet mémoire peut être bénéfique, grâce à un effet priming atténuant, ou pénalisant par un
effet amplificateur des stress successifs. En effet, il a été démontré qu’il était possible de sensibiliser les plantes grâce à
une période de stress modéré précédant un stress plus intense par l’effet bénéfique de la mémoire du stress. Dans le
cadre de cette thèse, nous avons testé plusieurs protocoles de stress thermiques chez le colza, différant par leur intensité,
la période d’exposition, la durée et la fréquence en conditions contrôlées, dans l’objectif de caractériser les réponses des
plantes aux stress répétés pendant le cycle de la culture (effets intragénérationnels) et au cours de deux générations de
plantes stressées (effets intergénérationnels). Nos travaux de caractérisation écophysiologique montrent que les effets
des stress thermiques répétés ne sont pas significatifs sur le rendement total du fait des phénomènes de compensation
reflétant la plasticité du colza, à la différence des effets sur les critères de qualité grainière. Ces effets diminuent la teneur
en acides gras, modifient les proportions d’acides gras monoinsaturés au détriment des acides gras polyinsaturés,
augmentent le ratio ω6:ω3 et conduisent à une dégradation de la qualité physiologique des graines (i.e. perte de l'intégrité
membranaire, accélération de la germination et augmentation de la dormance). Nos résultats ont également indiqué qu’un
stress modéré précédant un stress tardif plus intense avait un effet bénéfique, mais uniquement sur la teneur en azote
des graines et le ratio d’oligosaccharides de la famille du raffinose, indicateur de la tolérance à la dessiccation. Dans des
perspectives d’amélioration des performances des cultures face au changement climatique, des protocoles thermo-
sensibilisants pourraient être proposés en ciblant des composés majeurs de la qualité grainière. Ainsi, les protocoles
thermo-sensibilisants envisageables doivent prendre en compte (i) la température optimale au processus de synthèse du
composé et (ii) la synchronisation entre l’événement thermique ayant un effet bénéfique et la période de
synthèse/maturation du composé ciblé. En parallèle à ce travail de caractérisation écophysiologique, nous avons testé
trois approches de modélisation (i.e. indicateurs écoclimatiques, un modèle de culture (semi-) mécaniste et deux méthodes
de fouille de données) qui ont mis en évidence (i) les effets non additifs des stress thermiques répétés et (ii) la nécessité
d’améliorer les fonctions de température au sein des modèles de culture mécanistes. Notre travail de modélisation est une
preuve de concept sur la nécessité de considérer la mémoire du stress dans les modèles prédictifs des performances
culturales, qui démontre le besoin de faire évoluer les modèles actuels pour mieux estimer les effets des stress thermiques
répétés et leurs conséquences sur le rendement et la qualité des produits récoltés.
Mots-clés : stress thermique, stress répétés, mémoire du stress, rendement, qualité grainière, modélisation, colza.
Abstract
Many studies have shown the deleterious effects of heat stress during the reproductive phase of plants, which are
particularly detrimental on the yield and quality of harvested products in field crops. However, in a context of climate
change characterised by the increased frequency of spring and summer heat waves, the response of crops to repeated
heat stresses remains poorly studied and the interpretation of their effects scarcely consider the possibility of stress
memory effects which modify crop responses to later stresses. These memory effects can be either beneficial, owing to a
priming effect, or penalizing because of amplified effects of successive stresses. Indeed, it has been shown that it is
possible to sensitise plants through a period of exposition to a moderate stress preceding a more intense stress by the
beneficial effect of stress memory. In this work, we tested several thermal stress protocols in oilseed rape differing in
intensity, period of exposure, duration and frequency under controlled conditions, with the aim of characterising the plant
responses to repeated stresses during the crop cycle (intragenerational effects) and over two generations of stressed
plants (intergenerational effects). Our ecophysiological characterisation works show that the effects of repeated heat
stresses are not significant on total yield due to compensation phenomena reflecting the plasticity of the oilseed rape, in
contrast to the effects on seed quality criteria. These effects decrease the fatty acid content, modify the proportion of
monounsaturated fatty acids at the expense of polyunsaturated fatty acids, increase the ω6:ω3 ratio and lead to a
degradation of the physiological quality of the seeds (i.e. loss of membrane integrity, acceleration of germination and
increase of dormancy). Our results also indicated that a moderate stress preceding a more intense late stress had a
beneficial effect only on seed nitrogen content and a ratio of oligosaccharides of the raffinose family, which is an indicator
of seed desiccation tolerance. With the aim of improving crop performances in the context of climate change,
thermopriming protocols could be proposed to target major seed quality compounds. Therefore, these protocols must
consider (i) the optimal temperature for the compound synthesis process and (ii) the synchronisation between the thermal
event which is expected to have a priming effect and the synthesis/maturation period of the targeted compound. In
parallel to this ecophysiological characterisation, we tested three modelling approaches (i.e. ecoclimatic indicators, a (semi-
) mechanistic crop model and two data mining methods) which highlighted (i) the non-additive effects of repeated thermal
stresses and (ii) the need to improve the temperature functions within mechanistic crop models. Our modelling study is a
proof of concept of the need to consider stress memory in predictive crop models, which demonstrates the need to
implement the current models to better estimate the effects of repeated thermal stresses and their consequences on the
yield and quality of harvested products.
Keywords: heat stress, repeated stress, stress memory, yield, seed quality, crop modelling, oilseed rape.

2022 Magno Massuia de Almeida Lethicia Cffe9e0d Voc

Transféré par

Informations du documentcliquez pour développer les informations du document

Informations du documentcliquez pour développer les informations du document

Droits d'auteur :

Formats disponibles

2022 Magno Massuia de Almeida Lethicia Cffe9e0d Voc

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

2022 Magno Massuia de Almeida Lethicia Cffe9e0d Voc

Transféré par

Droits d'auteur :

Formats disponibles

Effets des stress thermiques répétés sur le rendement

et la qualité grainière du colza :

En étant une thèse multidisciplinaire, je tiens également à remercier plusieurs personnes

Et merci à moi-même d’avoir gardé le cap.

Liste des abréviations

Table des matières

Chapitre 1 : Synthèse bibliographique 25

Chapitre 2 : Plan de recherche 72

Chapitre 3 : Effets des stress répétés au cours d’un cycle de culture 82

Chapitre 5 : Modélisation des effets des stress thermiques répétés 176

Chapitre 6 : Discussion générale et perspectives 234

Liste des activités scientifiques 250

Le phénomène de stress thermique résultant du réchauffement climatique est un problème

Dans ce contexte climatique fluctuant, plusieurs stratégies d’amélioration génétique des

et en optimisant son bilan agroenvironnemental (e.g. fertilisation raisonnée, réduction de

L’originalité de cette thèse repose sur la caractérisation et la modélisation des effets

Présentation du manuscrit de thèse

- Chapitre 2 : Explication de la problématique, des objectifs, des hypothèses, des stratégies

- Chapitre 5 : Présentation des résultats de modélisation, visant à prendre en compte les

- Chapitre 6 : Discussion générale, conclusion et perspectives à ces travaux.

- Annexes : Informations complémentaires, données supplémentaires, photos et posters.

- Références bibliographiques : L’ensemble des références bibliographiques sont

- Résumé en français et en anglais.

1.1. Contexte agroclimatique

1.1.1. Le réchauffement climatique

Le récent rapport du Groupe d’experts Intergouvernemental sur l’Evolution du Climat (GIEC,

En utilisant ces scénarios d’émissions de GES en entrée de modèles climatiques, il a été

Figure 1 : Changement mondial de la température moyenne annuelle (°C), par rapport à

Figure 2 : Changement de la température moyenne annuelle (°C) en France, par rapport à

Plusieurs conséquences environnementales sont attendues à cause de ce phénomène de

1.1.2. Définition des vagues de chaleur et du stress thermique

Le contexte de réchauffement climatique inclut plusieurs notions telles que la météorologie, la

Le réchauffement climatique entraîne à la fois une augmentation des moyennes de référence

Figure 3 : Schéma illustratif du changement de la probabilité d’occurrence des évènements

La variabilité climatique significative autour de la moyenne, notamment liée à la fréquence

1.1.3. Impacts du stress thermique sur les végétaux

spécifique de l’espèce voire de la variété ; et (iii) le moment d’exposition, puisque le cycle

Impacts sur la production agricole

Concernant la production agricole, le rendement est la première variable dont on cherche la

Impacts aux échelles morphologique et anatomique

Impacts à l’échelle physiologique

Impacts à l’échelle moléculaire

La compréhension des mécanismes moléculaires impliqués dans la réponse des plantes au

Conséquences sur la conduite des cultures

En plus des impacts morphologiques, physiologiques et moléculaires qui peuvent conduire à

1.1.4. Les stratégies de réponse des végétaux au stress thermique

La thermotolérance désigne la capacité des plantes à résister à des températures élevées en

Acclimatation, acclimatisation et adaptation

1.1.5. Réflexion : quels impacts des stress thermiques répétés ?

Contexte agroclimatique : Points à retenir

1.2. La mémoire du stress

1.2.1. Définition du concept

En biologie végétale, le concept de mémoire du stress bénéfique a été initialement développé

Cet effet mémoire met en jeu des modifications métaboliques, transcriptionnelles

Figure 7 : Illustration de l’acquisition de la mémoire du stress bénéfique suite à une période

1.2.2. Effets de la mémoire pendant le cycle de culture

Espèce Résultats sur la mémoire intragénérationnelle du stress thermique Références

1.2.3. Effets de la mémoire au cours des générations