Interactions between epistasis and pleiotropy in generic models of complex traits

L'évolution est souvent imaginée comme une ligne droite de progrès, où un changement bénéfique unique mène une espèce vers un avenir meilleur. En réalité, le chemin est bien plus emmêlé. L'effet d'un nouveau changement génétique, ou mutation, dépend rarement de la mutation seule. Au contraire, il dépend fortement du contexte génétique dans lequel elle apparaît — les milliers d'autres variations génétiques déjà présentes dans l'organisme. Ce phénomène, connu sous le nom d'épistasie, signifie qu'un changement qui aide une bactérie dans un contexte génétique donné pourrait être inutile, voire nocif, dans un autre. De plus, la plupart des mutations n'affectent pas qu'un seul trait ; elles se propagent à travers l'organisme, influençant plusieurs caractéristiques à la fois. C'est ce qu'on appelle la pléiotropie. Lorsque les environnements changent, comme c'est constamment le cas dans la nature, ces deux forces interagissent de manières complexes. Une mutation qui aide un organisme à survivre à une vague de chaleur pourrait lui nuire lors d'une vague de froid, et la présence d'autres mutations peut amplifier ou atténuer ces effets. Comprendre comment ces interactions façonnent l'évolution est crucial pour prédire comment la vie s'adapte à un monde changeant, pourtant les règles régissant ces effets inter-environnements sont restées largement mystérieuses.

Une équipe de chercheurs s'est donné pour mission de démêler ce réseau en étudiant un système simple mais puissant : la levure de boulanger. Ils voulaient savoir si les interactions désordonnées et imprévisibles entre les mutations et les environnements suivaient des règles cachées et simples. Pour ce faire, ils ont créé une vaste bibliothèque de souches de levure. Ils sont partis de 87 contextes génétiques différents, chacun représentant un mélange unique de variations génétiques dérivées du croisement d'une souche de laboratoire avec une souche de vin sauvage. Dans chacun de ces 87 contextes, ils ont introduit 91 disruptions géniques spécifiques, créant ainsi une grille de milliers de génotypes de levure uniques. Ils ont ensuite fait croître ces souches dans cinq environnements différents, allant d'une nourriture riche en nutriments standard à des conditions plus rudes comme des températures élevées ou des sources de sucre différentes. En mesurant la vitesse de croissance de chaque souche dans chaque condition, ils ont pu calculer précisément à quel point chaque mutation aidait ou nuisait à la levure, selon son contexte génétique et l'environnement dans lequel elle se trouvait.

Les chercheurs cherchaient un motif dans le bruit. Ils ont émis l'hypothèse que si les mutations interagissent entre elles de manière aléatoire mais étendue, une structure prévisible pourrait émerger. Ils ont proposé deux scénarios principaux. Dans le premier, ils imaginaient que le contexte génétique agit comme un brouillard aléatoire, où l'effet d'une mutation est simplement la somme de nombreuses interactions infimes et aléatoires. Dans ce cas, la relation entre l'effet d'une mutation et la fitness du contexte suivrait une courbe spécifique et prévisible. Dans le second scénario, ils ont considéré que, bien que les interactions puissent être aléatoires, la façon dont elles affectent les différents environnements pourrait être liée. Peut-être que les mêmes « modules » ou voies génétiques sous-jacents sont ajustés dans tous les environnements, mais avec des poids différents. Si cela était vrai, connaître le comportement d'une mutation dans un environnement devrait permettre aux scientifiques de prédire son comportement dans un autre, même sans la mesurer directement.

Lorsqu'ils ont analysé les données, ils ont découvert que la réalité était un mélange d'ordre et de chaos. Pour environ la moitié des mutations étudiées, le premier scénario se vérifiait : les mutations se comportaient comme si elles naviguaient dans un paysage d'interactions aléatoires et étendues. Pour un sous-ensemble plus restreint, environ un quart des mutations, le second scénario était encore plus précis. Ces mutations spécifiques montraient un motif structuré où leurs effets dans un environnement étaient étroitement liés à leurs effets dans les autres, suggérant qu'elles puisaient effectivement dans une machinerie génétique partagée et sous-jacente. Cependant, pour la majorité des mutations, aucun des deux modèles simples ne s'ajustait parfaitement. Cela nous indique que, si des règles simples peuvent expliquer une partie significative du comportement évolutif, le monde biologique est souvent trop complexe pour qu'une loi universelle unique puisse couvrir tous les cas.

La découverte la plus frappante, cependant, est venue des mutations qui correspondaient à ces modèles simples. Pour ces cas spécifiques, les chercheurs ont démontré qu'ils pouvaient prédire l'effet d'une mutation dans un nouvel environnement en utilisant uniquement des données provenant d'un autre environnement. Ils ont utilisé une méthode qu'ils ont appelée prédiction « en croix ». En mesurant comment une mutation changeait la fitness d'une souche de levure dans un environnement, et en connaissant la performance des souches de base dans deux environnements différents, ils pouvaient calculer avec précision comment cette même mutation se comporterait dans le second environnement. Cela fonctionnait même lorsqu'ils n'avaient jamais réellement mesuré cette mutation spécifique dans cet environnement spécifique. Cela suggère que, pour un sous-ensemble significatif de changements génétiques, l'histoire de l'organisme et la structure de ses interactions génétiques portent suffisamment d'informations pour prévoir sa performance future dans différentes conditions.

Pour comprendre pourquoi cela se produit, l'équipe a construit un modèle mathématique où les traits de la levure sont déterminés par quelques modules cachés. Imaginez ces modules comme des unités fonctionnelles distinctes au sein de la cellule, comme un ensemble d'engrenages ou de circuits. Chaque mutation ajuste ces modules d'une certaine manière, et la fitness finale de l'organisme est la somme pondérée de la performance de ces modules dans un environnement donné. Dans leur modèle, les différents environnements changent simplement les poids, ou l'importance, de chaque module. Dans un environnement chaud, un module pourrait être plus important ; dans un environnement froid, un autre prendrait le dessus. Lorsqu'ils ont testé ce modèle de « connectivité » face à leurs données réelles, celui-ci a parfaitement correspond à la description des mutations présentant une pléiotropie structurée. Cela implique que le monde complexe et de haute dimension de la génétique de la levure peut être compressé en une carte de dimension inférieure où quelques structures d'interaction partagées dictent la réponse de l'organisme au changement.

L'étude a également exploré ce que cela signifie pour l'évolution à long terme. Si une population change constamment entre deux environnements différents, finira-t-elle par trouver un état stable où elle est bien adaptée aux deux, ou continuera-t-elle à poursuivre une cible mouvante ? Les chercheurs ont découvert que la réponse dépend de l'architecture de ces modules cachés. Si les environnements tirent l'organisme dans des directions opposées concernant un même module, un compromis (trade-off) émerge. La population finira par se stabiliser dans un état stationnaire où elle n'est parfaitement adaptée à aucun des deux environnements, mais elle est assez stable pour survivre aux deux. Le point d'équilibre spécifique dépend de la façon dont les environnements pondèrent les différents modules. Cela suggère que le destin à long terme d'une espèce dans un monde fluctuant ne dépend pas seulement de la force de la sélection, mais de la structure géométrique de l'interaction de ses gènes avec l'environnement.

En fin de compte, ce travail révèle que si l'évolution est pilotée par d'innombrables interactions individuelles et apparemment aléatoires, ces interactions peuvent donner naissance à des motifs larges et prévisibles. Les chercheurs ont montré que, pour un sous-ensemble significatif de changements génétiques, le chaos du contexte génétique n'est pas une barrière à la prédiction, mais une source de prédiction. En identifiant les mutations qui suivent ces règles simples, ils ont trouvé un moyen de scruter l'avenir de l'adaptation. Ils ont démontré que la géométrie des interactions génétiques partagées crée une sorte de mémoire dans le système, permettant aux effets des changements passés d'informer les possibilités futures. Bien que toutes les mutations ne s'inscrivent pas dans cette description précise, le fait que tant d'entre elles le fassent suggère que la complexité de la vie, même dans un monde fluctuant, repose sur un fondement de structures partagées et latentes qui peuvent être comprises et cartographiées.