Jul 22, 2023
Les schémas d'alimentation de Caenorhabditis elegans suivent une règle empirique simple
Communications Biology volume 6, Numéro d'article : 841 (2023) Citer cet article 921 Accès 3 Détails des métriques Altmetric Les règles empiriques sont des algorithmes comportementaux qui se rapprochent du comportement optimal tout en
Biologie des communications volume 6, Numéro d'article : 841 (2023) Citer cet article
921 Accès
3 Altmétrique
Détails des métriques
Les règles empiriques sont des algorithmes comportementaux qui se rapprochent du comportement optimal tout en réduisant les coûts cognitifs et sensoriels. Une façon de réduire ces coûts consiste à simplifier la représentation de l'environnement : même si le comportement théoriquement optimal peut dépendre de nombreuses variables environnementales, une règle empirique peut utiliser un ensemble plus petit de variables qui fonctionnent raisonnablement bien. La preuve expérimentale de cette simplification nécessite une cartographie exhaustive de toutes les combinaisons pertinentes de plusieurs paramètres environnementaux, que nous avons réalisée pour la recherche de nourriture de Caenorhabditis elegans en couvrant systématiquement les combinaisons de densité alimentaire (sur 4 ordres de grandeur) et de type d'aliment (sur 12 souches bactériennes). Nous avons constaté que la réponse des vers est dominée par une seule variable environnementale : la densité alimentaire mesurée en nombre de bactéries par unité de surface. Ils ne tiennent pas compte d'autres facteurs tels que la teneur en biomasse ou la souche bactérienne. Nous avons également mesuré expérimentalement l'impact sur la condition physique de chaque type d'aliment, déterminant que la règle est presque optimale et constitue donc une règle empirique qui exploite la variable environnementale la plus informative. Ces résultats ouvrent la voie à des recherches plus approfondies sur les mécanismes génétiques et neuronaux sous-jacents régissant ce processus de simplification, ainsi que sur son rôle dans l'évolution des stratégies de prise de décision.
Les résultats sophistiqués et hautement optimaux du comportement animal émergent souvent de règles simples, appelées règles empiriques1,2,3,4,5,6,7,8. Par exemple, la création de parcelles chez les guêpes parasitoïdes semble s'adapter à de multiples indicateurs de la qualité des parcelles et de l'environnement7, mais cette décision peut être motivée par un mécanisme simple : une variable interne qui diminue linéairement avec le temps et augmente fortement chaque fois que la guêpe trouve un hôte. . La guêpe laisse une tache lorsque cette variable atteint un seuil8. Bien qu’elle soit facile à mettre en œuvre, cette règle donne des réponses presque optimales7,8. L’identification de ces règles empiriques est essentielle pour relier la mise en œuvre neuronale et mécaniste du comportement animal aux pressions sélectives qui le façonnent9.
La plupart des règles empiriques reposent sur une représentation interne simplifiée de l’environnement. Par exemple, un choix alimentaire optimal peut nécessiter de considérer simultanément de nombreuses variables telles que la répartition spatiale des sources de nourriture, leur densité, leur composition en termes de nombreux nutriments, etc. Traiter toutes ces variables séparément est coûteux, donc une règle empirique peut ignorer les variables les moins informatives et combiner le reste en une ou plusieurs quantités, qui constituent la représentation interne de l'environnement et détermineront la décision. Alors que de nombreuses études identifient des variables qui dominent le comportement10, démontrer une représentation interne simplifiée nécessite de montrer que toute combinaison de variables environnementales conduisant à la même représentation interne produit la même réponse. C’est un défi, d’abord parce que les expériences comportementales ont tendance à présenter une grande variabilité qui peut cacher de petits effets, et ensuite parce qu’une preuve convaincante doit tester systématiquement un grand nombre de combinaisons équivalentes. Atteindre en même temps un nombre élevé de combinaisons et un nombre suffisant de répétitions pour obtenir un comportement moyen très précis dépasse le débit expérimental dans la plupart des expériences comportementales.
Pour relever ces défis, nous avons développé un pipeline à haut débit pour étudier le comportement de recherche de nourriture du nématode Caenorhabditis elegans. Nous nous sommes concentrés sur la recherche de nourriture (c'est-à-dire la recherche et l'exploitation de nourriture) parce qu'elle a un impact évident sur la condition physique, que le degré de réussite est relativement facile à mesurer (en termes de taux de consommation alimentaire) et qu'elle est étudiée en profondeur d'un point de vue théorique. vue11. Grâce au nombre élevé de descendants et à la petite taille de C. elegans, nous avons pu réaliser des expériences avec plus de 20 000 individus synchronisés selon l'âge dans plus de 2 000 arènes expérimentales. En plus de permettre un débit expérimental élevé, le petit système nerveux de C. elegans (~ 300 neurones) en fait un candidat idéal pour mettre en œuvre des règles empiriques simples, tandis que son comportement de recherche de nourriture est suffisamment complexe pour mettre en œuvre les éléments de base d'une recherche de nourriture optimale, qui peuvent être observé par exemple dans son exploration12,13,14,15,16,17,18,19, son apprentissage20,21,22,23 et son alimentation24,25,26,27,28,29,30,31,32,33 ,34,35 comportements.