Le bulletin d’Épidémiosurveillance en Santé Végétale est une revue des actualités concernant la santé du végétal en Europe et à l’International. Il contribue à faciliter l’accès aux informations concernant la santé des végétaux et leur diffusion. Le bulletin est validé au préalable par une cellule éditoriale composée d’experts scientifiques et de collaborateurs partenaires ayant un rôle de conseillers.



Attribution - Pas d’Utilisation Commerciale - Pas de modification
CC BY-NC-ND
Code juridique
Conformément aux productions réalisées par la Plateforme d’Épidémiosurveillance en Santé Végétale (ESV), celle-ci donne son droit d’accès à une utilisation partielle ou entière par les médias, à condition de ne pas apporter de modification, de respecter un cadre d’usage bienveillant et de mentionner la source © https://www.plateforme-esv.fr/


Le bulletin est enregistrable dans son format html sur votre ordinateur. Toutes les cartes du bulletins sont interactives (zoom/dézoom, informations cliquables directement sur la carte).

Sommaire
Sujet phytosanitaire Zone géographique Cultures Nature de l’information
Xylella fastidiosa Portugal Multi-espèces Évolution de l’état sanitaire
Xylella fastidiosa France Multi-espèces Jeu de données
Bursaphelenchus xylophilus Corée du sud Pins 2 Articles scientifiques
Bursaphelenchus xylophilus Chine Pins Article scientifique
Candidatus Liberibacter et ses vecteurs France Agrumes Article scientifique

Bursaphelenchus xylophilus

Corée du Sud / Pins / Analyse de risque – estimation du risque pour une surveillance adaptée
Les modèles de distribution d’espèces ou modèles de niche (SDM pour Species Distribution Modeling) visent à estimer la distribution potentielle d’une espèce en partant des données d’occurrence de l’espèce et des variables environnementales et climatiques associées. Ce sont des modèles statiques qui utilisent la plupart du temps des moyennes climatiques annuelles. Dans le cadre de la maladie du flétrissement du pin causée par le nématode du pin (Bursaphelenchus xylophilus) les occurrences de la maladie varient selon les saisons, principalement dû au fait que le nématode est transmis par un insecte vecteur du genre Monochamus. Dans cette étude, les auteurs ont réalisé une approche semi-dynamique en utilisant un modèle SDM Maxent pour estimer le risque mensuel d’occurrence de la maladie en Corée du Sud.

Cette étude a utilisé les données d’occurrence de la maladie entre 2016 à 2022 (représentant au final 29 331 points de données géolocalisées) issues du Korea Forestry Promotion Institute (institut coréen de gestion des forêts). Les données climatiques mensuelles (températures moyennes, maximum et minimum, et précipitations) ont été récupérées au niveau de 635 stations de l’administration météorologique coréenne. Différentes variables environnementales dont le rôle a été démontré dans la dispersion de la maladie ont été considérées : l’altitude, les distances à différentes voies de communication (routes, chaussées, sentiers). Pour chaque mois de l’année, un modèle Maxent a été testé et sélectionné en utilisant les 8 co-variables climatiques et environnementales, différentes relations statistiques (notamment linéaires ou quadratiques) et une validation croisée. In fine, pour estimer les zones à haut risque d’occurrence de la maladie, deux indicateurs ont été choisis : une moyenne pondérée mensuellement de la True Skill Statistic (TSS) et une carte résultante de la superposition des zones d’occurrence prédites pour les 12 mois (Emap). Au final 84 modèles Maxent (7 ans * 12 mois) ont été réalisés et agrégés mensuellement pour obtenir les probabilités d’occurrence de la maladie par mois. Ces probabilités d’occurrence peuvent être classées en 5 niveaux de risque national (sévère, fort, modéré, faible et très faible) permettant à partir du nombre actuel d’arbres touchés par la maladie, de créer une carte de surveillance. De plus, le critère annuel d’évaluation des risques a été calculé et la carte annuelle de notation des risques nationaux a été produite. En prenant en compte un rayon de 2 km autour des zones à risque (zone de restriction de l’import et de l’export des pins) et la présence des hôtes, les zones à risque de dispersion de la maladie ont pu être mises en évidence.

Les résultats montrent que selon les mois, le facteur principal qui influe le plus dans le modèle diffère. Au printemps, la température moyenne est le facteur limitant pouvant s’expliquer par l’émergence de l’insecte vecteur nécessitant des températures adaptées. Les précipitations sont limitantes au début de l’été (juin) : elles optimisent la croissance des arbres facilitant le repas de maturation des insectes vecteurs mais en cas de forte intensité, elles limitent également le vol des insectes vecteurs. Puis, les températures minimum et maximum sont les facteurs limitant sur la suite de l’été (juillet-août) pour permettre une bonne croissance et reproduction du nématode du pin dans l’arbre. En septembre, les précipitations redeviennent le facteur limitant diminuant les vols du vecteur et ainsi la dispersion de la maladie. A l’automne, ce sont les températures maximales qui sont limitantes pouvant être expliquées par la baisse d’activité du vecteur s’il ne fait plus assez chaud. Enfin en hiver, ce sont les températures maximales qui sont également limitantes mais qui concernent l’activité du nématode car en dessous de 10°C celle-ci est grandement réduite. Globalement, les fortes probabilités d’occurrence sont prédites dans les régions sud-est et centre de la Corée du sud avec les plus faibles probabilités en juillet et les plus fortes probabilités d’octobre à mars. Le plus fort risque d’occurrence de la maladie est ciblé sur l’intérieur du sud-est et les régions côtières là où sont observés les occurrences actuelles.

A travers ce travail, les auteurs donnent des outils pour surveiller les zones les plus à risque de présence et de dispersion de la maladie en fonction de la période de l’année, permettant ainsi une gestion plus précoce et ciblée. Les auteurs soulignent néanmoins la limite de ces modèles SDM au niveau de la mise en évidence des environnements potentiellement favorables à la maladie dans les zones où aucune occurrence n’a encore été signalée. En effet, ces modèles se basent sur des données observées mais dans les zones sans observations, aucune prédiction ne peut être réalisée.

Source : Sunchee Yoon et al., 2025.


Corée du Sud / Pins / Analyse de risque – estimation du risque dans les zones touchées par les incendies de forêt
Il est communément admis que les feux de forêt attirent les insectes vecteurs du nématode du pin (Monochamus galloprovincialis par exemple pour la France) et comme le souligne l’étude de Jung et al. 2020. Néanmoins, peu d’études montrent réellement cette causalité. Les objectifs de cette étude sont d’analyser les changements dans la distribution spatiale de la maladie du flétrissement du pin avant et après des incendies en utilisant les données d’inspections de terrain et en évaluant le risque relatif des taux de détection d’infection dans les zones touchées par les incendies de forêt.

L’étude est réalisée en Corée du Sud dans la région de Goryeong-gun sur des données de surveillance d’occurrences de la maladie de janvier 2016 à septembre 2023 séparées en 7 périodes de mai année n à avril année n+1. Pour déterminer les zones touchées par des feux de forêts, les auteurs ont utilisé la télédétection à partir d’images satellites Landsat-8 OLI a une résolution spatiale de 30m et ont calculé les indicateurs NBR (Normalized Burn Ratio) et dNBR (Differenced Normalized Burn Ratio). Tout d’abord, une carte de risque de la maladie a été estimée pour chaque période de temps en tenant compte du taux de détection des arbres infectés (nombre d’arbres infectés / nombre total d’arbres surveillés) et d’un ratio de densité d’arbres infectés par rapport aux arbres surveillés basé sur les résultats de l’estimation d’un kernel/noyau de densité. Plus ce ratio de densité est élevé plus la probabilité que des infections inattendues se produisent dans ces zones est élevée, présentant un risque de dispersion de la maladie supplémentaire. Pour examiner les changements temporels dans le patron spatial de dispersion de la maladie, l’indice Global de Moran I a été calculé. Un indice de 1 signifie que le risque de dispersion est local, un indice de 0 signifie que la dispersion est spatialement répartie de manière aléatoire sur toute la zone d’étude. L’indice Local de Moran I a également été calculé avec la méthode LISA (Local Indicators of Spatial Association) en utilisant GeoDa et classé en 4 catégories (HH, HL, LH, LL avec H = high/grand et L = low/faible) permettant de distinguer les zones avec un risque croissant et comment la maladie se disperse à travers le paysage et le temps. Les auteurs ont par la suite utilisé le logiciel SaTScan pour vérifier et comparer les clusters de zones infectées à une échelle spatiale plus fine et sur la période suivant des feux de forêts. Enfin pour calculer le risque de dispersion de la maladie à partir de sites touchés par un feu de forêt, les auteurs ont calculé l’ISRR (Indirectly Standardized Relative Risk) correspondant aux valeurs observées dans une zone divisées par les valeurs attendues dans cette zone. Un ISRR > à 1 signifie que le risque de la zone est supérieur au risque moyen régional. La Figure 8 de l’article synthétise bien les différentes méthodes d’analyses réalisées dans cette étude.

Les résultats montrent des zones à haut-risque concentrées dans la région nord-est pour les périodes pré-feux et des zones à haut-risque dans la région nord-est mais également dans la région sud-ouest pour la période post-feux. Ce résultat est confirmé par l’indice de Moran I passant de 0.737 et 0.5 pour les périodes pré-feux à 0.172 pour la période post-feux ; ainsi que par l’analyse des clusters LISA avec deux clusters de zone infectée : une dans le nord-est et l’autre dans le sud-ouest se superposant à la zone brûlée. La Figure 13 et le Tableau 3 de l’article montrent les résultats de l’analyse ISRR mettant en évidence plusieurs zones à haut-risque de dispersion de la maladie. Les deux zones les plus à risque sont Sinchon-ri et Ssangnim-myeon directement touchées par les feux de forêt. La zone Unsu-myeon ne montre pas de différence avec le risque moyen régional alors qu’historiquement c’est une zone fortement infectée, démontrant une surveillance et une gestion efficace pour limiter la dispersion de la maladie à partir de celle-ci.

A travers ces résultats, les auteurs mettent en évidence que la maladie du flétrissement du pin se disperse fortement à partir d’une zone ayant subi un feu de forêt vers les zones adjacentes. Cette dispersion est plus importante spatialement que la distance de vol moyenne du vecteur (Monochamus alternatus) démontrant que les feux de forêt altèrent les patrons de dispersion naturels de la maladie. Les auteurs expliquent ces résultats par une densité de vecteur augmentée dans les zones touchées par les feux de forêt. En effet, les Monochamus pondent préférentiellement dans les zones brûlées où les hôtes sont affaiblis ou morts. Puis, ils dispersent la maladie en allant se nourrir sur des arbres sains dans les zones adjacentes non brûlées. Cette étude montre l’importance de considérer les feux de forêts dans les stratégies de gestion et de contrôle de la maladie. Une surveillance renforcée pourrait être mise en place dans les zones adjacentes des zones brûlées pour limiter la propagation de la maladie et permettre une détection précoce et une gestion rapide et adaptée.

Source : Taehoon Lee & Jeeyoung Kim, 2025.


Chine / Pins / Analyse de risque – aspect méthodes de modélisation
A travers cet article les auteurs visent à tester un modèle LightGBM (Light Gradient Boosting Machine ; basé sur un traditionnel GBDT (Gradient Boosting Decision Tree)) pour prédire les zones à risque d’occurrence du nématode du pin en Chine en se basant sur le modèle de niche Maxent et de nombreuses variables environnementales et climatiques. Pour cela, ils ont utilisé les données bdpc (National Forestry and Grassland Administration’s Bio-disaster Prevention and Control Center) représentant 11 241 données ponctuelles d’occurrence de la maladie avec 8 808 échantillons négatifs et 2 433 échantillons positifs. Les données climatiques sont les températures, précipitations et vitesse du vent mensuelle à une résolution de 1km en Chine de 1901 à 2022. Le transport de grumes, la densité des routes/chemins de fer classés par importance et la localisation des usines de transformation du bois ont été utilisés. Le tableau 1 de l’article liste les 17 facteurs d’impact naturels et le tableau 2 liste les 12 facteurs d’impact anthropiques. De par la grande différence du nombre de données positives par rapport aux négatives, les auteurs ont utilisé l’algorithme SMOTE (Synthetic Minority Over-sampling Technique) pour ré-échantillonner et augmenter les données négatives. En effet, le modèle de classification est très sensible à une bonne répartition des classes pour la phase d’apprentissage. Après ré-échantillonnage, les données représentent un total de 9 220 positifs et 8 808 négatifs. Une étape de sélection des 29 variables a été réalisée sur la base de coefficient de corrélation de Pearson pour éviter les variables redondantes et diminuer le temps d’analyse. La contribution de chaque variable dans la prédiction de la présence ou absence de la maladie a été calculée avec deux méthodes implémentées dans le LightGBM que les auteurs détaillent dans l’article. En aucun cas cette étape ne permet d’inférer une relation causale entre les variables et les données. La Figure 2 montre les résultats de cette étape pour chaque variable. Les auteurs ont in fine sélectionné 9 variables anthropiques et 8 variables naturelles décrites dans le tableau 3. Après une analyse plus fine sur certaines données (2002 et 2023) les auteurs peuvent mettre en évidence que l’influence des routes et la présence d’une zone infectée l’année précédente dans un rayon de 2km sont deux facteurs très importants pour prédire les nouveaux cas. Pour optimiser les hyperparamètres du modèle, les auteurs ont testé 3 méthodes : Bayésienne, SSA (Sparrow search algorithm) et HPO (Hunter-Prey Optimization). Les résultats montrent que le modèle Bayésien-LGBM est le meilleur et améliore le modèle LGBM non optimisé. La Figure 8 montre les prédictions de ce modèle. Elles indiquent une dispersion de la maladie qui diminue et se disperse par patch dans les nouvelles zones vers les régions nord-est et sud de la Chine. Pour finir, les auteurs mettent en évidence certaines limites de cette approche tant au niveau des biais liés directement aux données qu’au niveau des interprétations par les connaissances biologiques et mécaniques du pathosystème.

Source : Hongwei Zhou et al., 2025.


Xylella fastidiosa

France métropolitaine / Multi-espèces / Jeu de données environnementales et climatiques pour évaluer et cartographier le risque de présence de Xylella fastidiosa
Jusqu’à présent en France, la bactérie Xylella fastidiosa a été détectée dans 3 régions méditerranéennes : en Occitanie, en Corse et en Provence-Alpes-Côte d’Azur. Cinq sous espèces de X. fastidiosa ont été identifiée : pauca, sandyi, morus, fastidiosa et multiplex. En France, la sous-espèce multiplex a été retrouvée dominante dans les échantillons testés positifs. Pour aider à mieux comprendre l’épidémie de X. fastidiosa, principalement l’adéquation de l’environnement et du climat à la propagation de la bactérie, plusieurs types de variables ont été collectées, transformées et combinées avant d’être mises à disposition en accès libre. Plus précisément, les auteurs ont constitué un ensemble de données spécifiques aux trois régions du sud de la France (citées supra) : données climatiques et bioclimatiques, données sur la composition du sol, le type de paysage, l’exposition du terrain, le vent et l’altitude. Toutes les données ont été traitées pour une mise à l’échelle, un nettoyage et la suppression de variables incomplètes. Au final, les auteurs fournissent un ensemble de données spatiales sur une grille de résolution de 500 m x 500 m couvrant les trois régions françaises, qui peuvent être utiles pour identifier les facteurs de risque, former des modèles d’apprentissage automatique et fournir des indices supplémentaires pour modéliser les épidémies de X. fastidiosa.

Il est possible d’accéder à l’ensemble des données ici et au code ici après en avoir demandé l’accès à partir de « la Plateforme ESV » à l’adresse https://doi.org/10.15454/RWBIWD, et d’utiliser le script dans le référentiel Gitlab pour faciliter la manipulation des données et établir la correspondance avec les données fournies par les auteurs.

Source : Camille Portes et al., 2025.


Portugal / Multi-espèces / Évolution de l’état sanitaire et réglementaire
Depuis la publication du BM N°63 (septembre 2024), la Direction générale de l’alimentation et de la médecine vétérinaire (DGAV) du Portugal a mis à jour plusieurs zones délimitées (ZD) des régions Nord et Centre du pays.

Région Nord

  • Dans la zone métropolitaine de Porto, Xylella fastidiosa jugée impossible à éradiquer, est soumise à des mesures d’enrayement via le règlement d’exécution (UE) 2024/2507 du 26 septembre. L’ordonnance N° 74/G/2024 du 19 novembre 2024 a mis à jour la ZD en tenant compte des dispositions de l’article 4 du règlement d’exécution (UE) n° 2020/1201 concernant l’application des mesures d’enrayement avec l’application de mesures phytosanitaires à l’intérieur et autour de la zone infestée afin de prévenir la dissémination de la bactérie. La ZD actualisée comprend une zone infectée (ZI) regroupant 191 foyers. Cette nouvelle ZI comprend une zone intérieure et une zone d’enrayement de 2 km comprise entre la ZI intérieure et la zone tampon (ZT) d’une largeur d’au moins 5 km autour la ZI. Les municipalités couvertes par la ZD sont Arouca, Castelo de Paiva, Espinho, Gondomar, Maia, Matosinhos, Oliveira de Azeméis, Ovar, Paredes, Porto, Santa Maria da Feira, São João da Madeira, Valongo et Vila Nova de Gaia. Les mesures afférentes s’appliquent aux hôtes végétaux spécifiés pour les sous-espèces fastidiosa et multiplex identifiées à ce jour dans la zone. Jusqu’alors, les mesures d’enrayement (définies à l’article 7 de la décision (UE) 2015/789) pour X. fastidiosa ne s’appliquaient que dans les Pouilles en Italie. Ces mesures prévoient pour la zone tampon l’application de l’ensemble des mesures d’éradication définies à l’article 6 de la décision (UE) 2015/789. Et dans la zone infectée relevant de la zone d’enrayement, des dispositions moins lourdes qui consistent en une surveillance intensive et en l’enlèvement immédiat des seuls végétaux dont l’infection a été constatée. Dans la zone d’enrayement, contrairement à la zone d’éradication, il est possible de planter des végétaux connus pour être les moins sensibles à la bactérie. De même, certaines pratiques agricoles, comme l’enlèvement des mauvaises herbes ou le labourage, doivent être mises en œuvre dans toute la zone d’enrayement afin de réduire la population de vecteurs.

  • La ZD de Baião établie pour les sous-espèces fastidiosa et multiplex de X. fastidiosa compte désormais 3 ZI (ordonnance N° 73/G/2024 du 9 décembre 2024 et avis 2/2025/XF/N) et couvre partiellement la municipalité de Baião (les 3 ZI et une grande partie de la ZT) et très partiellement celle de Marco de Canaveses (portion de la ZT).

  • La ZD de Bougado établie pour la sous-espèce multiplex, a été étendue et compte désormais 4 ZI (ordonnance N°8/G/2025 du 16 janvier 2025), elle couvre partiellement les municipalités de Trofa (3 ZI), Santo Tirso (1 nouvelle ZI) et Vila Nova de Famalicão.

Région Centre

  • La ZD de Castelo Branco établie pour la sous-espèce fastidiosa a été étendue, elle couvre partiellement la municipalité de Castelo Branco et contient 1 ZI (ordonnance N°78/G/2024 du 9 décembre 2024).

  • La ZD de Covilhã a été élargie pour fusionner avec celle de Fundão, ainsi, la ZD Covilhã/Fundão pour la sous-espèce fastidiosa couvre totalement la commune de Covilhã et partiellement celle de Fundão (ordonnance N°4/G/2025 du 10janvier 2025). La ZD compte au total 34 ZI au sein desquelles 4 nouveaux genres ou espèces végétales ont été identifiées comme infectées (Calluna vulgaris, Cistus sp., Quercus pyrenaica, Quercus suber).

  • Le ZD de Fundão pour la sous-espèce multiplex* a été mise à jour via l’ordonnance du N°77/G/2024 du 9 décembre 2024, Cette zone renommée ‘ZD Fundão II’ couvre partiellement les municipalités de Fundão et Penamacor, elle comprend 1 ZI située à Fundão mais à proximité de Penamacor. En consultant le lien source de la DGAV du Portugal vous pouvez accéder à la liste complète des espèces et genres de plantes infectées qui ont recensées dans chacune des ZD.

Sources : DGAV en date du 07-02-2025.

Figure 1 : Carte des zones délimitées de Xylella fastidiosa du Portugal. Sources : DGAV en date du 07-02-2025 .

Candidatus Liberibacter spp.

France (Réunion, Guadeloupe, Martinique) / Agrumes / Reconstitution des histoires épidémiques du HLB
Candidatus Liberibacter asiaticus (CLas), Ca. Liberibacter africanus (CLaf) et Ca. Liberibacter américanus (CLam), sont trois espèces de bactéries du phloème responsables de la maladie du Huanglongbing (HLB) causant de gros dégâts sur Citrus. Les impacts sont tels que ces bactéries transmises par des psylles ou par greffage font partie des 20 principaux ravageurs prioritaires de l’UE (UE 2019/1702). L’étude de Olivier Pruvost et al., 2024 s’est intéressée à cette maladie dans trois îles qualifiées de régions ultrapériphériques de l’UE : Réunion (première épidémie en 1968 mais officiellement reconnue présente depuis 2015), Guadeloupe (depuis 2012) et Martinique (depuis 2013), où plusieurs foyers ont été signalés. Dans cette étude, les auteurs, ont analysé pour les 3 îles, la structure génétique des populations de CLas et leurs proximités génétiques, et ont exploré la possibilité d’introductions indépendantes de souches génétiquement éloignées.

L’étude repose sur la caractérisation moléculaire/génotypage de 2330 échantillons d’agrumes collectés entre 2013 et 2022 : le typage MLVA (Analyse multilocus du nombre variable de répétitions en tandem) de 12 loci et le typage basé sur les prophages et les éléments transposables miniatures à répétition inversée (MITE). Les ADN génomiques testés positifs au HLB ont servis à l’analyse phylogénétique MLSA (analyse des séquences partielles de 7 gènes) pour caractériser la ou les espèce(s) présente(s) dans les 3 îles françaises. Une analyse phylogénomique comparant les génomes entiers de CLas provenant de 11 pays incluant les États-Unis d’Amériques (30 isolats) et la Réunion (1 isolat) a également été réalisée afin de mieux comprendre l’émergence de l’épidémie HLB à la réunion.

Les résultats montrent que le CLas est présent dans tous les échantillons positifs au HLB des Antilles françaises et la majorité de ceux de la Réunion. Le CLaf a été retrouvé dans 4 échantillons positifs de la Réunion, tous isolés d’un même site. L’analyse MLVA des 12 loci a permis de révéler une différenciation génétique significative entre les isolats de la Réunion et ceux des Antilles françaises et une faible différenciation entre les deux populations antillaises. Si l’arbre reconstruit à partir des données MLVA (haplotypes) montre que tous les échantillons de Guadeloupe et Martinique sont regroupés dans un même complexe clonal, les échantillons réunionnais eux sont répartis dans 22 complexes clonaux ou bien restent isolés indiquant l’absence de structure génétique claire de la population CLas de la Réunion. Ce constat est conforté par l’analyse des prophages et des séquences MITES. En effet, tous les échantillons de Guadeloupe et de Martinique partagent le même type de séquence (qui est 100 % identique à celui d’échantillons collectés en Chine, Californie, Floride, Texas et Mexique). Les échantillons de la Réunion partagent entre eux un autre type de séquence (qui est 100% identique à celui d’autres échantillons collectés en Floride et très similaire à celui collecté dans la province du Jiangxi en Chine).

Dans leur ensemble, les résultats de cette étude montrent une faible diversité génétique des CLas de Guadeloupe et de Martinique suggérant une introduction unique aux Antilles françaises ou plusieurs introductions de souches très similaires (et possiblement, des échanges entre les 2 îles). Ceci réfute l’hypothèse que l’établissement du CLas aux Antilles françaises aurait pu résulter du déplacement de matériel d’agrumes infecté de la Réunion vers la Martinique, une hypothèse qui s’est avérée vraie pour un autre pathogène bactérien des agrumes, Xanthomonas citri pv. citri (l’agent causal du chancre asiatique des agrumes). Concernant la Réunion, les résultats suggèrent que l’épidémie en cours serait principalement due à CLas, principalement parce que CLaf n’a été détecté par qPCR qu’à des taux très faibles et seulement dans une localité (4 échantillons sur 509). Les résultats montrent aussi une forte diversité génétique des isolats de CLas. L’absence de populations fortement différenciées réfute l’hypothèse d’établissement de populations distinctes résultant d’introductions multiples et indépendantes de la bactérie. L’épidémie actuelle à la Réunion pourrait résulter d’une réémergence expliquée en partie par la réduction des mesures de gestion de la maladie réalisées entre 1980 et 2015, l’année de détection officielle du HLB et au fait que les arbres infectés puissent être longtemps asymptomatiques et/ou difficiles à caractériser. Les résultats de l’analyse phylogénomique des CLas à l’échelle de 11 pays du monde (n’incluant pas les Antilles françaises) n’a pas permis d’identifier la source de la population responsable de l’épidémie de CLas à la Réunion, d’autres isolats CLas réunionnais seraient nécessaires pour cela.

Les auteurs soulignent l’importance d’un effort international massif de séquençage à réaliser pour améliorer les outils de diagnostic, la compréhension de l’épidémiologie, de l’écologie et de l’histoire évolutive des souches Ca. Liberibacter responsables du HLB. Les collections d’herbiers d’agrumes infectés pourraient représenter une autre source importante d’ADN daté et préservé, qui pourrait, avec les génomes modernes, faire la lumière sur l’histoire évolutive des espèces de Ca. Liberibacter responsables du HLB.

Source : Olivier Pruvost et al., 2024.