La caract\u00e9risation des d\u00e9terminants de la variation ph\u00e9notypique au sein des populations naturelles, agricoles et humaines constitue l’un des piliers les plus fondamentaux et les plus disput\u00e9s de la biologie contemporaine. Depuis l’\u00e9mergence de la g\u00e9n\u00e9tique quantitative au d\u00e9but du XXe si\u00e8cle, la mod\u00e9lisation statistique s’est efforc\u00e9e de r\u00e9soudre l’antique aporie philosophique opposant l’inn\u00e9 et l’acquis en traduisant les intuitions naturalistes en formalismes math\u00e9matiques rigoureux. Au c\u0153ur de cet \u00e9difice th\u00e9orique r\u00e9side une dualit\u00e9 conceptuelle fondamentale : l’estimation de l’h\u00e9ritabilit\u00e9 d’une part, et la variance environnementale d’autre part. Loin d’\u00eatre de simples param\u00e8tres descriptifs interchangeables ou des mesures absolues grav\u00e9es dans le marbre du g\u00e9nome, ces deux grandeurs repr\u00e9sentent des composantes dynamiques, interd\u00e9pendantes et profond\u00e9ment contextualis\u00e9es de la variance ph\u00e9notypique globale.<\/p>\n
L’estimation de l’h\u00e9ritabilit\u00e9, qu’elle soit envisag\u00e9e au sens large ou au sens strict, est un ratio adimensionnel qui quantifie la proportion de la variabilit\u00e9 observ\u00e9e d’un trait attribuable aux diff\u00e9rences g\u00e9n\u00e9tiques entre individus au sein d’un \u00e9chantillon donn\u00e9. \u00c0 l’inverse, la variance environnementale constitue une mesure dimensionnelle de la dispersion ph\u00e9notypique induite par les facteurs non g\u00e9n\u00e9tiques, englobant les expositions \u00e9cologiques, les disparit\u00e9s socio-\u00e9conomiques, les micro-environnements intra-ut\u00e9rins, le bruit d\u00e9veloppemental stochastique et les impr\u00e9cisions inh\u00e9rentes aux instruments de mesure. Confondre la nature relative de l’h\u00e9ritabilit\u00e9 avec une mesure absolue de pr\u00e9d\u00e9termination biologique, ou r\u00e9duire la variance environnementale \u00e0 un simple r\u00e9sidu statistique n\u00e9gligeable, m\u00e8ne in\u00e9vitablement \u00e0 des contresens scientifiques majeurs, dont les retomb\u00e9es d\u00e9passent largement le cadre des laboratoires pour nourrir des controverses soci\u00e9tales, biom\u00e9dicales et \u00e9thiques d\u00e9l\u00e9t\u00e8res.<\/p>\n
Comprendre la tension dialectique et l’interd\u00e9pendance math\u00e9matique entre l’estimation de l’h\u00e9ritabilit\u00e9 et la variance environnementale est un imp\u00e9ratif m\u00e9thodologique pour quiconque s’int\u00e9resse \u00e0 la s\u00e9lection agronomique, \u00e0 l’architecture g\u00e9n\u00e9tique des maladies complexes, \u00e0 l’\u00e9volution adaptative ou aux politiques de sant\u00e9 publique. Le pr\u00e9sent trait\u00e9 propose une exploration exhaustive de ces deux m\u00e9triques. En examinant successivement leurs fondements historiques, leurs d\u00e9rivations math\u00e9matiques, leurs protocoles d’estimation modernes \u2014 des dispositifs g\u00e9mellaires classiques \u00e0 la g\u00e9nomique post-GWAS \u2014, leurs points de convergence et leurs divergences fondamentales, cette analyse entend dissiper les malentendus persistants et fournir une grille de lecture robuste pour appr\u00e9hender la complexit\u00e9 du vivant au prisme de la g\u00e9n\u00e9tique quantitative.<\/p>\n
L’histoire de la g\u00e9n\u00e9tique quantitative s’enracine dans la confrontation \u00e9pist\u00e9mologique qui a marqu\u00e9 le tournant du XXe si\u00e8cle entre deux \u00e9coles de pens\u00e9e en apparence irr\u00e9conciliables : les biom\u00e9triciens, men\u00e9s par Francis Galton et Karl Pearson, et les mend\u00e9liens, repr\u00e9sent\u00e9s par William Bateson. Les travaux fondateurs de Francis Galton<\/a> (1869), notamment consign\u00e9s dans son ouvrage Hereditary Genius<\/em>, puis formalis\u00e9s dans son article s\u00e9minal de 1875 sur l’\u00e9tude des jumeaux, visaient \u00e0 quantifier la transmission des caract\u00e8res continus humains, tels que la stature ou les aptitudes cognitives, par des m\u00e9thodes statistiques de r\u00e9gression et de corr\u00e9lation. Cependant, Galton et ses continuateurs biom\u00e9triciens postulaient une h\u00e9r\u00e9dit\u00e9 par m\u00e9lange continu, rejetant initialement les lois de Gregor Mendel red\u00e9couvertes en 1900, lesquelles stipulaient une transmission particulaire, discr\u00e8te et s\u00e9gr\u00e9guante des unit\u00e9s de l’h\u00e9r\u00e9dit\u00e9.<\/p>\n La r\u00e9solution de cette impasse conceptuelle a \u00e9t\u00e9 accomplie par Ronald A. Fisher<\/a> dans son m\u00e9moire magistral de 1918, intitul\u00e9 The Correlation between Relatives on the Supposition of Mendelian Inheritance<\/em>. Fisher y d\u00e9montra avec une rigueur math\u00e9matique sans pr\u00e9c\u00e9dent que les traits ph\u00e9notypiques continus \u00e0 distribution gaussienne ne contredisent nullement les principes mend\u00e9liens ; ils r\u00e9sultent en r\u00e9alit\u00e9 de l’action conjointe, cumulative et s\u00e9gr\u00e9guante d’un tr\u00e8s grand nombre de loci g\u00e9n\u00e9tiques individuels \u00e0 effets discrets minimes \u2014 posant ainsi les bases du mod\u00e8le infinit\u00e9simal ou polyg\u00e9nique \u2014, modul\u00e9s par les influences du milieu ext\u00e9rieur. Parall\u00e8lement, Sewall Wright (1921) d\u00e9veloppait la m\u00e9thode de l’analyse de piste (path analysis<\/em>), permettant d’introduire des coefficients de corr\u00e9lation standardis\u00e9s dans des r\u00e9seaux causaux complexes et d’isoler les liens de parent\u00e9 g\u00e9n\u00e9alogique.<\/p>\n Cette unification th\u00e9orique a permis de d\u00e9passer l’opposition na\u00efve entre la \u00ab nature \u00bb et la \u00ab culture \u00bb (l’adage galtonien nature versus nurture<\/em>) en fournissant un appareil analytique capable de d\u00e9composer la variabilit\u00e9 globale observ\u00e9e au sein d’une population. Au lieu de rechercher st\u00e9rilement la cause exclusive d’un ph\u00e9notype chez un individu isol\u00e9, la g\u00e9n\u00e9tique quantitative a r\u00e9orient\u00e9 la question biologique vers la d\u00e9composition de la variance : quelle fraction de la dispersion des mesures d’un trait au sein d’une population donn\u00e9e peut \u00eatre attribu\u00e9e aux diff\u00e9rences g\u00e9nomiques sous-jacentes, et quelle part rel\u00e8ve de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des contextes environnementaux v\u00e9cus ? Cette bascule conceptuelle a donn\u00e9 naissance au concept d’h\u00e9ritabilit\u00e9 et a fond\u00e9 la th\u00e9orie statistique de la variance ph\u00e9notypique.<\/p>\n D’un point de vue statistique rigoureux, l’estimation de l’h\u00e9ritabilit\u00e9 est un param\u00e8tre de population adimensionnel, born\u00e9 th\u00e9oriquement sur le continuum de l’intervalle ferm\u00e9 [0, 1]. Elle repr\u00e9sente le quotient de la variance attribuable \u00e0 des facteurs g\u00e9n\u00e9tiques par la variance ph\u00e9notypique totale observ\u00e9e. Parce qu’elle est un ratio normalis\u00e9, l’h\u00e9ritabilit\u00e9 ne renseigne en rien sur la magnitude absolue de la variabilit\u00e9 biologique, mais uniquement sur sa composition relative dans un cadre \u00e9cologique et d\u00e9mographique pr\u00e9cis. Elle ne mesure pas le degr\u00e9 de fixation g\u00e9n\u00e9tique d’un trait \u2014 un caract\u00e8re universellement partag\u00e9 comme la possession de cinq doigts chez l’humain pr\u00e9sente une h\u00e9ritabilit\u00e9 nulle au sein d’une population si la seule variance observ\u00e9e d\u00e9coule d’accidents t\u00e9ratog\u00e8nes ou environnementaux \u2014 mais quantifie la part g\u00e9n\u00e9tique de la variance interindividuelle.<\/p>\n \u00c0 l’inverse, la variance environnementale constitue une mesure absolue de dispersion, pourvue de dimensions physiques pr\u00e9cises qui correspondent au carr\u00e9 de l’unit\u00e9 de mesure du ph\u00e9notype analys\u00e9 (par exemple, des centim\u00e8tres carr\u00e9s pour la taille, des kilogrammes carr\u00e9s pour la masse corporelle, ou des unit\u00e9s arbitraires au carr\u00e9 pour des scores psychom\u00e9triques). Elle capture la somme de toutes les d\u00e9viations non g\u00e9n\u00e9tiques qui poussent la trajectoire de d\u00e9veloppement d’un organisme \u00e0 diverger de celle prescrite par son architecture all\u00e9lique. Ces influences non g\u00e9n\u00e9tiques comprennent tant les macro-environnements (nutrition, climat, \u00e9ducation, stress toxique) que les micro-environnements (effets de position intra-ut\u00e9rine, stochasticit\u00e9 mol\u00e9culaire de l’expression g\u00e9nique) et int\u00e8grent in\u00e9vitablement l’erreur technique d’\u00e9chantillonnage et de mesure.<\/p>\n Le socle formel qui sous-tend ces d\u00e9finitions repose sur le principe fondamental de d\u00e9composition lin\u00e9aire de la variance ph\u00e9notypique totale, formalis\u00e9 par Fisher :<\/p>\n $$V_P = V_G + V_E$$<\/span><\/p>\n Dans ce mod\u00e8le additif \u00e9l\u00e9mentaire, la variance ph\u00e9notypique totale ($V_P$<\/span>) est scind\u00e9e en une composante de variance g\u00e9n\u00e9tique totale ($V_G$<\/span>) et une composante de variance environnementale ($V_E$<\/span>). Lorsque le mod\u00e8le s’affine pour incorporer les d\u00e9pendances et non-lin\u00e9arit\u00e9s inh\u00e9rentes aux syst\u00e8mes biologiques complexes, l’\u00e9quation s’\u00e9tend selon le formalisme complet :<\/p>\n $$V_P = V_G + V_E + 2,\\mathrm{Cov}(G,E) + V_{G \\times E}$$<\/span><\/p>\n o\u00f9 $\\mathrm{Cov}(G,E)$<\/span> formalise la covariance g\u00e9notype-environnement \u2014 c’est-\u00e0-dire la non-ind\u00e9pendance de la distribution des g\u00e9notypes au sein des diff\u00e9rents milieux \u2014, et o\u00f9 $V_{G \\times E}$<\/span> repr\u00e9sente la variance issue de l’interaction g\u00e9notype-environnement, traduisant le fait que les r\u00e9ponses ph\u00e9notypiques d’all\u00e8les donn\u00e9s varient d’un contexte \u00e9cologique \u00e0 l’autre.<\/p>\n Malgr\u00e9 la clart\u00e9 apparente de ce formalisme statistique, le champ de la g\u00e9n\u00e9tique quantitative reste l’un des domaines les plus vuln\u00e9rables aux distorsions interpr\u00e9tatives dans le d\u00e9bat acad\u00e9mique et soci\u00e9tal. La premi\u00e8re et la plus pernicieuse de ces confusions r\u00e9side dans l’assimilation fallacieuse de l’h\u00e9ritabilit\u00e9 \u00e0 un d\u00e9terminisme biologique strict. D\u00e9clarer qu’un trait pr\u00e9sente une h\u00e9ritabilit\u00e9 de 0,80 (ou 80 %) ne signifie nullement que 80 % de la valeur du trait chez un individu donn\u00e9 est pr\u00e9d\u00e9termin\u00e9e par ses g\u00e8nes, ni que le trait est r\u00e9fractaire \u00e0 toute intervention ext\u00e9rieure. L’h\u00e9ritabilit\u00e9 est une propri\u00e9t\u00e9 purement populationnelle et statistique : elle ne s’applique jamais \u00e0 une \u00e9chelle individuelle.<\/p>\n La seconde pierre d’achoppement \u00e9pist\u00e9mologique d\u00e9coule de l’interd\u00e9pendance math\u00e9matique constitutive de la formule de l’h\u00e9ritabilit\u00e9. Puisque l’h\u00e9ritabilit\u00e9 est un ratio ($h^2 = V_G \/ V_P$<\/span>), sa valeur num\u00e9rique d\u00e9pend autant du d\u00e9nominateur que du num\u00e9rateur. En cons\u00e9quence, toute modification apport\u00e9e \u00e0 la variance environnementale ($V_E$<\/span>) alt\u00e8re m\u00e9caniquement la valeur calcul\u00e9e de l’h\u00e9ritabilit\u00e9 sans qu’aucune mutation ou modification des fr\u00e9quences all\u00e9liques ne soit intervenue dans le r\u00e9servoir g\u00e9n\u00e9tique de la population. Une standardisation socio-\u00e9conomique parfaite ou un milieu exp\u00e9rimental uniformis\u00e9 en laboratoire comprime $V_E$<\/span> vers z\u00e9ro, propulsant ainsi l’h\u00e9ritabilit\u00e9 vers 1 (100 %). Inversement, un milieu chaotique et hautement h\u00e9t\u00e9rog\u00e8ne dilate $V_E$<\/span>, provoquant l’effondrement arithm\u00e9tique de l’estimation de l’h\u00e9ritabilit\u00e9.<\/p>\n Ces glissements s\u00e9mantiques et ces incompr\u00e9hensions conceptuelles ont historiquement nourri des d\u00e9rives lourdes de cons\u00e9quences \u00e9thiques. De l’id\u00e9ologie eug\u00e9niste du d\u00e9but du XXe si\u00e8cle aux th\u00e8ses naturalisant les disparit\u00e9s socio-\u00e9conomiques ou scolaires entre groupes sociaux et ethniques, la confusion entre \u00ab h\u00e9ritable \u00bb et \u00ab immuable \u00bb a fr\u00e9quemment \u00e9t\u00e9 instrumentalis\u00e9e. Sur le plan de la recherche biom\u00e9dicale, sous-estimer la plasticit\u00e9 environnementale sous pr\u00e9texte d’une forte h\u00e9ritabilit\u00e9 statistique peut conduire au d\u00e9couragement d’interventions pr\u00e9ventives, nutritionnelles ou pharmacologiques pourtant hautement curatives. D\u00e9m\u00ealer rigoureusement l’estimation de l’h\u00e9ritabilit\u00e9 de la variance environnementale constitue donc autant un devoir de rigueur scientifique qu’une n\u00e9cessit\u00e9 soci\u00e9tale.<\/p>\n L’\u00e9difice th\u00e9orique de l’estimation de l’h\u00e9ritabilit\u00e9 requiert une dissection minutieuse de la variance g\u00e9n\u00e9tique globale ($V_G$<\/span>). C’est principalement \u00e0 l’agronome et g\u00e9n\u00e9ticien am\u00e9ricain Jay L. Lush<\/a> (1940, 1949) que l’on doit la clarification fondamentale entre deux acceptions du concept d’h\u00e9ritabilit\u00e9 : l’h\u00e9ritabilit\u00e9 au sens large (broad-sense heritability<\/em>, symbolis\u00e9e par $H^2$<\/span>) et l’h\u00e9ritabilit\u00e9 au sens strict (narrow-sense heritability<\/em>, not\u00e9e $h^2$<\/span>). Pour expliciter cette distinction, la variance g\u00e9n\u00e9tique totale doit \u00eatre d\u00e9compos\u00e9e en ses composantes causales \u00e9l\u00e9mentaires :<\/p>\n $$V_G = V_A + V_D + V_I$$<\/span><\/p>\n Dans ce mod\u00e8le de partition orthogonale propos\u00e9 par Fisher, $V_A$<\/span> repr\u00e9sente la variance g\u00e9n\u00e9tique additive. Elle correspond \u00e0 la somme des effets all\u00e9liques marginaux pris individuellement, c’est-\u00e0-dire l’impact moyen qu’exerce le remplacement d’un all\u00e8le par un autre au sein de la population. $V_D$<\/span> formalise la variance de dominance, qui capture les interactions non lin\u00e9aires entre all\u00e8les alternatifs situ\u00e9s \u00e0 un m\u00eame locus g\u00e9nomique (effets intra-locus). Enfin, $V_I$<\/span> repr\u00e9sente la variance d’\u00e9pistasie (ou variance d’interaction inter-loci), qui englobe les d\u00e9viations statistiques g\u00e9n\u00e9r\u00e9es par les interactions physiologiques complexes entre all\u00e8les situ\u00e9s sur des loci distincts ($V_{AA}$<\/span>, $V_{AD}$<\/span>, $V_{DD}$<\/span>, etc.).<\/p>\n Sur cette base, l’h\u00e9ritabilit\u00e9 au sens large s’\u00e9nonce comme le rapport direct de l’ensemble des causes g\u00e9n\u00e9tiques de variation \u00e0 la variance ph\u00e9notypique totale :<\/p>\n $$H^2 = \\frac{V_G}{V_P} = \\frac{V_A + V_D + V_I}{V_P}$$<\/span><\/p>\n Ce ratio quantifie l’influence collective de la constitution g\u00e9n\u00e9tique sur le ph\u00e9notype. N\u00e9anmoins, lors de la m\u00e9iose et de la reproduction sexu\u00e9e, les combinaisons g\u00e9notypiques compl\u00e8tes sont disloqu\u00e9es par la s\u00e9gr\u00e9gation et la recombinaison chromosomique. Les descendants n’h\u00e9ritent pas des interactions g\u00e9notypiques sp\u00e9cifiques de leurs parents ($V_D$<\/span> et $V_I$<\/span>), mais re\u00e7oivent un ensemble d’all\u00e8les transmis individuellement par les gam\u00e8tes. D\u00e8s lors, seule la variance g\u00e9n\u00e9tique additive ($V_A$<\/span>) se transmet de mani\u00e8re lin\u00e9airement pr\u00e9visible de g\u00e9n\u00e9ration en g\u00e9n\u00e9ration. Cela fonde la d\u00e9finition de l’h\u00e9ritabilit\u00e9 au sens strict :<\/p>\n $$h^2 = \\frac{V_A}{V_P}$$<\/span><\/p>\n L’h\u00e9ritabilit\u00e9 au sens strict constitue le param\u00e8tre cardinal de la g\u00e9n\u00e9tique quantitative \u00e9volutionniste et appliqu\u00e9e. Elle gouverne de mani\u00e8re univoque la vitesse d’\u00e9volution d’un caract\u00e8re sous l’effet de la s\u00e9lection naturelle ou artificielle, selon la c\u00e9l\u00e8bre \u00e9quation des s\u00e9lectionneurs (Breeder’s Equation<\/em>) formalis\u00e9e par Lush :<\/p>\n $$R = h^2 S$$<\/span><\/p>\n o\u00f9 $R$<\/span> d\u00e9signe la r\u00e9ponse \u00e0 la s\u00e9lection (le changement de la moyenne ph\u00e9notypique entre la g\u00e9n\u00e9ration parentale et la g\u00e9n\u00e9ration filiale) et $S$<\/span> repr\u00e9sente le diff\u00e9rentiel de s\u00e9lection (l’\u00e9cart entre la moyenne ph\u00e9notypique des individus s\u00e9lectionn\u00e9s pour la reproduction et la moyenne de la population totale d’origine). Si $h^2$<\/span> est nul, aucune s\u00e9lection massale ne peut induire de d\u00e9calage adaptatif au sein de la population, quand bien m\u00eame l’h\u00e9ritabilit\u00e9 au sens large $H^2$<\/span> atteindrait des valeurs substantielles par l’action de configurations \u00e9pistatiques non transmissibles.<\/p>\n L’estimation empirique de $h^2$<\/span> ou de $H^2$<\/span> a historiquement repos\u00e9 sur l’analyse de la ressemblance ph\u00e9notypique entre individus apparent\u00e9s pr\u00e9sentant des degr\u00e9s connus de proximit\u00e9 g\u00e9n\u00e9tique. L’arch\u00e9type exp\u00e9rimental chez l’\u00eatre humain demeure la m\u00e9thode classique des jumeaux, synth\u00e9tis\u00e9e et standardis\u00e9e par Douglas S. Falconer<\/a> (1960). En comparant les coefficients de corr\u00e9lation intraclasse de jumeaux monozygotes ($r_{MZ}$<\/span>), qui partagent 100 % de leur s\u00e9quence g\u00e9nomique nucl\u00e9aire, et de jumeaux dizygotes ($r_{DZ}$<\/span>), qui partagent en moyenne 50 % de leurs all\u00e8les s\u00e9gr\u00e9guants, la d\u00e9composition canonique de Falconer permet d’inf\u00e9rer l’h\u00e9ritabilit\u00e9 via la formule classique :<\/p>\n $$h^2 \\approx 2(r_{MZ} – r_{DZ})$$<\/span><\/p>\n Cette approche suppose l’hypoth\u00e8se des environnements \u00e9gaux (Equal Environments Assumption<\/em>, EEA), selon laquelle les paires de jumeaux monozygotes et dizygotes sont expos\u00e9es \u00e0 des degr\u00e9s similaires de covariance environnementale au sein de la famille. Dans le r\u00e8gne animal et v\u00e9g\u00e9tal, les mod\u00e8les de r\u00e9gression parents-descendants (offspring-parent regression<\/em>) et les plans d’accouplements contr\u00f4l\u00e9s (tels que le design hi\u00e9rarchique de North Carolina ou les dispositifs diall\u00e8les) permettent d’estimer $V_A$<\/span> en observant la covariance entre demi-fr\u00e8res et demi-s\u0153urs paternels, s’affranchissant ainsi de la variance environnementale commune transmise par la m\u00e8re.<\/p>\n La r\u00e9volution g\u00e9nomique du XXIe si\u00e8cle a transform\u00e9 cette discipline en introduisant des m\u00e9thodes d’estimation fond\u00e9es directement sur les variations du polymorphisme mononucl\u00e9otidique (SNP). La m\u00e9thodologie pionni\u00e8re dite GCTA (Genome-wide Complex Trait Analysis<\/em>), formalis\u00e9e par Jian Yang et al.<\/a> (2010), \u00e9galement d\u00e9sign\u00e9e sous le terme de mod\u00e8le GREML (Genomic-relatedness-matrix Restricted Maximum Likelihood<\/em>), utilise des mod\u00e8les mixtes lin\u00e9aires (LMM) pour calculer une matrice de parent\u00e9 g\u00e9nomique empirique entre des milliers d’individus non apparent\u00e9s \u00e0 l’\u00e9chelle g\u00e9n\u00e9alogique. En r\u00e9gressant la similarit\u00e9 ph\u00e9notypique sur la similarit\u00e9 g\u00e9n\u00e9tique globale captur\u00e9e par les puces \u00e0 ADN, le GCTA permet d’estimer la fraction de la variance ph\u00e9notypique imputable aux SNPs communs (l’h\u00e9ritabilit\u00e9 par les puces ou SNP-based heritability<\/em>, not\u00e9e $h^2_{SNP}$<\/span>).<\/p>\n Plus r\u00e9cemment, l’analyse par r\u00e9gression des scores de d\u00e9s\u00e9quilibre de liaison (LD Score Regression<\/em> ou LDSC), introduite par Bulik-Sullivan et al.<\/a> (2015), a permis d’estimer $h^2_{SNP}$<\/span> \u00e0 partir des statistiques sommaires d’\u00e9tudes d’association pang\u00e9nomique (GWAS) sur des cohortes colossales. La r\u00e9gression LDSC exploite le fait que, sous une architecture polyg\u00e9nique, un variant en fort d\u00e9s\u00e9quilibre de liaison (LD) avec de multiples autres polymorphismes environnants pr\u00e9sente m\u00e9caniquement une association statistique amplifi\u00e9e avec le ph\u00e9notype. Cette approche math\u00e9matique ing\u00e9nieuse permet de distinguer avec une grande fiabilit\u00e9 l’inflation statistique d’origine purement polyg\u00e9nique de celle induite par les biais confondants de stratification de population ou de cryptoconsanguinit\u00e9.<\/p>\n En d\u00e9pit de leur sophistication algorithmique croissante, les estimations de l’h\u00e9ritabilit\u00e9 demeurent frapp\u00e9es de limites \u00e9pist\u00e9mologiques intrins\u00e8ques qui proscrivent toute interpr\u00e9tation essentialiste. La premi\u00e8re de ces contraintes r\u00e9side dans la stricte sp\u00e9cificit\u00e9 spatio-temporelle du param\u00e8tre. Une estimation de $h^2$<\/span> n’est pas une constante biologique inh\u00e9rente \u00e0 un trait, \u00e0 l’image de la vitesse de la lumi\u00e8re ou de la charge de l’\u00e9lectron. Elle repr\u00e9sente la propri\u00e9t\u00e9 idiosyncratique d’un \u00e9chantillon donn\u00e9, \u00e9voluant dans un contexte \u00e9cologique, historique et culturel particulier, mesur\u00e9 \u00e0 un moment pr\u00e9cis de son ontogen\u00e8se. Ainsi, l’h\u00e9ritabilit\u00e9 de la taille corporelle humaine peut approcher 0,80 dans les pays industrialis\u00e9s contemporains dot\u00e9s de syst\u00e8mes de sant\u00e9 et de nutrition hautement standardis\u00e9s, tout en chutant drastiquement dans des populations confront\u00e9es \u00e0 des famines r\u00e9currentes, des guerres ou des parasitoses end\u00e9miques non r\u00e9gul\u00e9es.<\/p>\n Une d\u00e9rive conceptuelle fr\u00e9quente consiste \u00e0 commettre l’erreur d’extrapolation inter-populations \u00e0 partir d’estimations intra-populations. Richard Lewontin<\/a> (1974) a magistralement illustr\u00e9 ce sophisme par sa c\u00e9l\u00e8bre m\u00e9taphore des deux poign\u00e9es de graines de ma\u00efs. Soit un lot de semences pr\u00e9sentant une variabilit\u00e9 g\u00e9n\u00e9tique normale. Divisons ce lot al\u00e9atoirement en deux poign\u00e9es strictement identiques sur le plan de la distribution all\u00e9lique. Plantons la premi\u00e8re poign\u00e9e dans un milieu nutritif parfaitement contr\u00f4l\u00e9 et optimal : les diff\u00e9rences de taille entre les tiges au sein de cette parcelle d\u00e9couleront exclusivement de leurs variations g\u00e9n\u00e9tiques, conf\u00e9rant au caract\u00e8re une h\u00e9ritabilit\u00e9 de 100 % ($h^2 = 1,0$<\/span>). Plantons la seconde poign\u00e9e dans une terre pauvre et priv\u00e9e d’engrais min\u00e9raux essentiels : l\u00e0 encore, au sein de cette seconde parcelle homog\u00e8nement d\u00e9grad\u00e9e, toute la variation r\u00e9siduelle sera d’origine g\u00e9n\u00e9tique, affichant \u00e9galement une h\u00e9ritabilit\u00e9 de 100 %. Pourtant, la diff\u00e9rence massive de hauteur moyenne observ\u00e9e entre la premi\u00e8re et la seconde parcelle sera purement et int\u00e9gralement caus\u00e9e par un facteur environnemental (la richesse du substrat). Ainsi, une h\u00e9ritabilit\u00e9 intra-groupe maximale n’autorise aucune d\u00e9duction quant \u00e0 l’origine g\u00e9n\u00e9tique des disparit\u00e9s moyennes constat\u00e9es entre groupes ou environnements distincts.<\/p>\n Enfin, la g\u00e9n\u00e9tique quantitative contemporaine s’est heurt\u00e9e pendant plus d’une d\u00e9cennie au \u00ab paradoxe de l’h\u00e9ritabilit\u00e9 manquante \u00bb (missing heritability<\/em>), mis en exergue par Brendan Maher<\/a> (2008). Alors que les \u00e9tudes familiales et g\u00e9mellaires historiques imputaient classiquement une h\u00e9ritabilit\u00e9 comprise entre 60 % et 80 % \u00e0 des traits tels que la taille adulte ou le risque de diab\u00e8te de type 2, les premiers GWAS n’identifiaient qu’une multitude de variants individuels statistiquement significatifs dont les effets cumul\u00e9s n’expliquaient qu’une infime fraction (par exemple 5 % \u00e0 10 %) de la variance ph\u00e9notypique. Bien que la mise en \u0153uvre de mod\u00e8les LMM denses et le d\u00e9ploiement de cohortes comptant des millions d’individus aient permis de r\u00e9cup\u00e9rer une large partie de cette variance gr\u00e2ce \u00e0 la prise en compte de millions d’all\u00e8les rares ou d’effets ultra-faibles, l’\u00e9cart persistant t\u00e9moigne de la difficult\u00e9 \u00e0 appr\u00e9hender les variants structurels rares, les anomalies chromosomiques cryptiques et, surtout, les interactions \u00e9pistatiques non additives que les mod\u00e8les lin\u00e9aires simplificateurs rel\u00e8guent par construction dans les limbes des variances r\u00e9siduelles.<\/p>\n Loin de constituer une masse amorphe d’al\u00e9as indiff\u00e9renci\u00e9s, la variance environnementale ($V_E$<\/span>) est une structure plurielle qui requiert une anatomie pr\u00e9cise pour \u00eatre appr\u00e9hend\u00e9e scientifiquement. Dans le mod\u00e8le biom\u00e9trique classique d\u00e9velopp\u00e9 en g\u00e9n\u00e9tique du comportement et en psychom\u00e9trie (notamment formalis\u00e9 au sein du mod\u00e8le ACE), la variance environnementale est classiquement partitionn\u00e9e en deux composantes fondamentales : l’environnement partag\u00e9 ($V_C$<\/span> ou $c^2$<\/span>) et l’environnement non partag\u00e9 ($V_E^*$<\/span> ou $e^2$<\/span>), telles que :<\/p>\n $$V_E = V_C + V_E^*$$<\/span><\/p>\n L’environnement partag\u00e9 (ou commun) englobe l’ensemble des facteurs non g\u00e9n\u00e9tiques qui agissent de mani\u00e8re uniforme sur les membres d’une m\u00eame unit\u00e9 nucl\u00e9aire ou familiale, accroissant ainsi leur ressemblance ph\u00e9notypique mutuelle. Chez l’\u00eatre humain, cela inclut le niveau de revenu des parents, la classe sociale, le quartier d’habitation, le climat intellectuel ou \u00e9motionnel du foyer, les pratiques alimentaires familiales, ou encore les caract\u00e9ristiques macro-climatiques r\u00e9gionales. De mani\u00e8re empirique, les recherches de Robert Plomin et Denise Daniels<\/a> (1987) ont r\u00e9v\u00e9l\u00e9 un constat surprenant pour une multitude de traits de personnalit\u00e9 et de dimensions psychopathologiques : l’impact de l’environnement partag\u00e9 ($c^2$<\/span>) est souvent tr\u00e8s faible, voire statistiquement ind\u00e9tectable \u00e0 l’\u00e2ge adulte, la similarit\u00e9 familiale \u00e9tant quasi int\u00e9gralement m\u00e9di\u00e9e par la communaut\u00e9 du g\u00e9nome.<\/p>\n En contrepartie, l’environnement non partag\u00e9 (ou unique, $e^2$<\/span>) capture l’ensemble des influences extrag\u00e9nomiques qui diff\u00e9rencient les individus au sein d’une m\u00eame cellule familiale. Cette composante comprend les exp\u00e9riences de vie idiosyncratiques (un accident corporel, une pathologie infectieuse pr\u00e9coce, des dynamiques relationnelles diff\u00e9renci\u00e9es avec les pairs ou les parents), mais aussi des micro-facteurs beaucoup plus t\u00e9nus. Parmi ceux-ci figurent le bruit d\u00e9veloppemental et les fluctuations stochastiques survenant durant l’organogen\u00e8se. Deux jumeaux monozygotes partageant la m\u00eame enveloppe g\u00e9nomique nucl\u00e9aire et grandissant dans la m\u00eame maison pr\u00e9senteront des motifs d’empreintes digitales distincts, une vascularisation c\u00e9r\u00e9brale dissemblable et des r\u00e9seaux neuronaux synaptiques asym\u00e9triques. Cette divergence \u00e9merge de la stochasticit\u00e9 de l’expression g\u00e9nique, de la r\u00e9plication de l’ADN, de la migration cellulaire et de la d\u00e9rive \u00e9pig\u00e9n\u00e9tique locale au sein de l’environnement intra-ut\u00e9rin et p\u00e9rinatal.<\/p>\n Il est fondamental de noter une contrainte m\u00e9thodologique majeure : dans la totalit\u00e9 des mod\u00e8les biom\u00e9triques d’\u00e9quations structurelles et des formulations fond\u00e9es sur Falconer, l’erreur de mesure al\u00e9atoire (unreliability of measurement<\/em>) est math\u00e9matiquement et obligatoirement subsum\u00e9e au sein de la variance d’environnement non partag\u00e9 ($e^2$<\/span>). D\u00e8s lors, toute impr\u00e9cision des instruments psychom\u00e9triques, tout bruit d’\u00e9chantillonnage d’un dosage sanguin ou tout biais de ph\u00e9notypage se traduit par une inflation m\u00e9canique artificielle de $e^2$<\/span>, faisant de ce param\u00e8tre une borne sup\u00e9rieure des v\u00e9ritables disparit\u00e9s environnementales idiosyncratiques.<\/p>\n L’isolation et la mesure directe de la variance environnementale soul\u00e8vent un d\u00e9fi m\u00e9thodologique consid\u00e9rable : comment \u00e9valuer l’impact du milieu sans que les variations observ\u00e9es ne soient parasit\u00e9es par la diversit\u00e9 g\u00e9n\u00e9tique des sujets analys\u00e9s ? Dans les sciences agronomiques et la biologie des mod\u00e8les de laboratoire (tels que Drosophila melanogaster<\/em>, Caenorhabditis elegans<\/em> ou Arabidopsis thaliana<\/em>), la solution th\u00e9orique optimale consiste \u00e0 annuler exp\u00e9rimentalement la composante g\u00e9n\u00e9tique ($V_G = 0$<\/span>).<\/p>\n Pour atteindre cet \u00e9tat d’invariance g\u00e9nomique, les chercheurs recourent \u00e0 l’obtention de lign\u00e9es pures isog\u00e9niques via des dizaines de g\u00e9n\u00e9rations de croisements consanguins syst\u00e9matiques (fr\u00e8re-s\u0153ur ou autof\u00e9condation), ou \u00e0 l’utilisation d’organismes issus de reproduction clonale ou de parth\u00e9nogen\u00e8se. Chez de telles cohortes, la variance g\u00e9n\u00e9tique est rigoureusement nulle ($V_G = 0$<\/span>). Selon l’\u00e9quation canonique $V_P = V_G + V_E$<\/span>, il s’ensuit que toute la variance ph\u00e9notypique mesur\u00e9e parmi ces cohortes isog\u00e9niques correspond directement et sans \u00e9quivoque \u00e0 la variance environnementale :<\/p>\n $$V_P = V_E \\quad (\\text{lorsque } V_G = 0)$$<\/span><\/p>\n Les biologistes peuvent alors manipuler m\u00e9thodiquement les param\u00e8tres externes : composition calorique et vitaminique du substrat, temp\u00e9rature d’incubation, hygrom\u00e9trie, exposition \u00e0 des polluants ou densit\u00e9 de peuplement. Les variations de $V_P$<\/span> qui \u00e9mergent sous ces diff\u00e9rentes conditions permettent de quantifier l’amplitude de $V_E$<\/span>, ainsi que la vuln\u00e9rabilit\u00e9 diff\u00e9rentielle des lign\u00e9es \u00e0 l’instabilit\u00e9 du milieu (ph\u00e9nom\u00e8ne d’hom\u00e9ostasie d\u00e9veloppementale ou de canalisation).<\/p>\n Dans les populations humaines ou les populations sauvages non soumises \u00e0 la manipulation clonale, l’estimation de $V_E$<\/span> requiert des approches statistiques d’inf\u00e9rence r\u00e9siduelle au sein de mod\u00e8les lin\u00e9aires mixtes ou d’\u00e9quations structurelles. Dans ce cadre, $V_E$<\/span> n’est pas mesur\u00e9e directement \u00e0 partir d’un substrat physique, mais est d\u00e9finie n\u00e9gativement comme la variance r\u00e9siduelle qui persiste une fois que la structure de variance-covariance g\u00e9n\u00e9tique attendue (d\u00e9duite des pedigrees ou des matrices de proximit\u00e9 g\u00e9nomique) a \u00e9t\u00e9 enti\u00e8rement projet\u00e9e et soustraite de la dispersion ph\u00e9notypique totale :<\/p>\n $$V_E = V_P – V_G$$<\/span><\/p>\n Cette approche implique que tout facteur non g\u00e9n\u00e9tique non mod\u00e9lis\u00e9, tout biais d’\u00e9chantillonnage et tout bruit technique viennent automatiquement enrichir et gonfler l’estimation r\u00e9siduelle de $V_E$<\/span>.<\/p>\n L’un des postulats simplificateurs les plus probl\u00e9matiques de la g\u00e9n\u00e9tique quantitative \u00e9l\u00e9mentaire repose sur l’hypoth\u00e8se d’orthogonalit\u00e9 ou d’ind\u00e9pendance statistique stricte entre le g\u00e9nome et l’environnement. Dans les \u00e9cosyst\u00e8mes r\u00e9els, cette ind\u00e9pendance est constamment viol\u00e9e par deux m\u00e9canismes majeurs : l’interaction g\u00e8ne-environnement ($G \\times E$<\/span>) et la corr\u00e9lation (ou covariance) g\u00e8ne-environnement ($\\mathrm{Cov}(G,E)$<\/span> ou $rGE$<\/span>).<\/p>\n La variance d’interaction g\u00e9notype-environnement ($V_{G \\times E}$<\/span>) survient lorsque la sensibilit\u00e9 d’un ph\u00e9notype \u00e0 un stimulus environnemental d\u00e9pend structurellement de la constitution all\u00e9lique de l’organisme. En d’autres termes, les all\u00e8les n’agissent pas comme de simples modules additifs constants, mais modulent la plasticit\u00e9 de r\u00e9ponse du syst\u00e8me biologique. Ce ph\u00e9nom\u00e8ne est traditionnellement repr\u00e9sent\u00e9 par le concept de \u00ab norme de r\u00e9action \u00bb, formul\u00e9 \u00e0 l’origine par Richard Woltereck<\/a> (1909) : une norme de r\u00e9action d\u00e9crit la trajectoire math\u00e9matique suivie par le profil ph\u00e9notypique d’un g\u00e9notype particulier \u00e0 travers un gradient continu de contextes environnementaux. Lorsque les normes de r\u00e9action associ\u00e9es \u00e0 diff\u00e9rents g\u00e9notypes ne sont pas parall\u00e8les \u2014 c’est-\u00e0-dire qu’elles se croisent ou divergent selon la temp\u00e9rature, l’altitude ou le stress nutritionnel \u2014, l’existence d’une interaction $G \\times E$<\/span> est d\u00e9montr\u00e9e. Dans une telle configuration, il devient scientifiquement inexact d’affirmer qu’un g\u00e9notype est \u00ab sup\u00e9rieur \u00bb \u00e0 un autre de mani\u00e8re inconditionnelle : sa performance ph\u00e9notypique est intrins\u00e8quement contingente du vecteur \u00e9cologique d’exposition.<\/p>\n1.2 D\u00e9finition synth\u00e9tique des concepts fondamentaux<\/h3>\n
1.3 Origines de la confusion conceptuelle et enjeux m\u00e9thodologiques<\/h3>\n
2. Comprendre l’estimation de l’h\u00e9ritabilit\u00e9<\/h2>\n
2.1 Distinction math\u00e9matique : H\u00e9ritabilit\u00e9 au sens large vs au sens strict<\/h3>\n
2.2 M\u00e9thodologies contemporaines d’estimation<\/h3>\n
2.3 Limites intrins\u00e8ques et contraintes d’interpr\u00e9tation<\/h3>\n
3. Comprendre la variance environnementale<\/h2>\n
3.1 Taxonomie et composantes de la variance environnementale<\/h3>\n
3.2 Mod\u00e9lisation exp\u00e9rimentale et quantification<\/h3>\n
3.3 Complexit\u00e9 de l’interaction et de la corr\u00e9lation g\u00e8ne-environnement<\/h3>\n