Interactions between epistasis and pleiotropy in generic models of complex traits

L'evoluzione è spesso immaginata come una linea retta di miglioramento, dove un singolo cambiamento benefico conduce una specie verso un futuro migliore. In realtà, il percorso è molto più intricato. L'effetto di un nuovo cambiamento genetico, o mutazione, raramente dipende dalla mutazione da sola. Al contrario, dipende fortemente dal contesto genetico in cui appare: le migliaia di altre variazioni genetiche già presenti nell'organismo. Questo fenomeno, noto come epistasi, significa che un cambiamento che aiuta un batterio in un determinato contesto genetico potrebbe essere inutile o addirittura dannoso in un altro. Inoltre, la maggior parte delle mutazioni non influenza un solo tratto; esse si propagano attraverso l'organismo, influenzando contemporaneamente molteplici caratteristiche. Questo è chiamato pleiotropia. Quando gli ambienti cambiano, come accade costantemente in natura, queste due forze interagiscono in modi complessi. Una mutazione che aiuta un organismo a sopravvivere a un'ondata di calore potrebbe danneggiarlo durante un calo di temperatura, e la presenza di altre mutazioni può amplificare o attenuare questi effetti. Comprendere come queste interazioni modellino l'evoluzione è cruciale per prevedere come la vita si adatti a un mondo che cambia, eppure le regole che governano questi effetti tra diversi ambienti sono rimaste in gran parte misteriose.

Un team di ricercatori ha cercato di districare questa rete studiando un sistema semplice ma potente: il lievito di birra. Volevano sapere se le interazioni disordinate e imprevedibili tra mutazioni e ambienti seguissero regole nascoste e semplici. Per farlo, hanno creato una vasta libreria di ceppi di lievito. Sono partiti da 87 diversi background genetici, ognuno dei quali rappresentava un mix unico di variazioni genetiche derivanti dall'incrocio tra un ceppo di laboratorio e un ceppo di vino selvatico. In ciascuno di questi 87 background, hanno introdotto 91 specifiche interruzioni geniche, creando di fatto una griglia di migliaia di genotipi unici di lievito. Hanno poi fatto crescere questi ceppi in cinque ambienti diversi, che spaziavano da un nutrimento standard ricco di nutrienti a condizioni più difficili, come alte temperature o diverse fonti di zucchero. Misurando la velocità di crescita di ciascun ceppo in ogni condizione, sono stati in grado di calcolare esattamente quanto ogni specifica mutazione aiutasse o danneggiasse il lievito, a seconda del suo background genetico e dell'ambiente in cui si trovava.

I ricercatori cercavano un modello nel rumore. Ipotizzarono che se le mutazioni interagiscono tra loro in modo casuale ma diffuso, potrebbe emergere una struttura prevedibile. Proposero due scenari principali. Nel primo, immaginarono che il background genetico agisse come una nebbia casuale, in cui l'effetto di una mutazione è semplicemente la somma di molte piccole interazioni casuali. In questo caso, la relazione tra l'effetto di una mutazione e il fitness del background dovrebbe seguire una curva specifica e prevedibile. Nel secondo scenario, considerarono che, sebbene le interazioni potessero essere casuali, il modo in cui esse influenzano diversi ambienti potrebbe essere collegato. Forse gli stessi "moduli" o percorsi genetici sottostanti vengono modificati in tutti gli ambienti, solo con pesi differenti. Se ciò fosse vero, conoscere il comportamento di una mutazione in un ambiente dovrebbe permettere agli scienziati di prevedere come si comporterà in un altro, anche senza misurarlo direttamente.

Quando hanno analizzato i dati, hanno scoperto che la realtà era un mix di ordine e caos. Per circa metà delle mutazioni studiate, il primo scenario si è rivelato corretto: le mutazioni si comportavano come se stessero navigando in un paesaggio di interazioni diffuse e casuali. Per un sottoinsieme più piccolo, circa un quarto delle mutazioni, il secondo scenario era ancora più accurato. Queste specifiche mutazioni mostravano un modello strutturato in cui i loro effetti in un ambiente erano strettamente legati ai loro effetti in altri, suggerendo che stavano effettivamente attingendo a macchinari genetici condivisi e sottostanti. Tuttavia, per la maggior parte delle mutazioni, nessuno dei due modelli semplici si adattava perfettamente. Ciò indica che, sebbene regole semplici possano spiegare una parte significativa del comportamento evolutivo, il mondo biologico è spesso troppo complesso per essere coperto da un'unica legge universale.

La scoperta più sorprendente, tuttavia, è arrivata dalle mutazioni che si adattavano a questi modelli semplici. Per questi casi specifici, i ricercatori hanno dimostrato di poter prevedere l'effetto di una mutazione in un nuovo ambiente utilizzando solo i dati provenienti da un ambiente diverso. Hanno utilizzato un metodo che hanno chiamato previsione "cross-over" (a incrocio). Misurando come una mutazione cambiava il fitness di un ceppo di lievito in un ambiente e conoscendo come i ceppi di background si comportavano in due ambienti diversi, potevano calcolare accuratamente come quella stessa mutazione si sarebbe comportata nel secondo ambiente. Questo funzionava anche quando non avevano mai effettivamente misurato quella specifica mutazione in quel particolare ambiente. Ciò suggerisce che, per un sottoinsieme significativo di cambiamenti genetici, la storia dell'organismo e la struttura delle sue interazioni genetiche contengono informazioni sufficienti per prevedere le sue prestazioni future in diverse condizioni.

Per capire perché ciò accada, il team ha costruito un modello matematico in cui i tratti del lievito sono determinati da alcuni moduli nascosti. Immaginate questi moduli come unità funzionali distinte all'interno della cellula, come un insieme di ingranaggi o circuiti. Ogni mutazione modifica questi moduli in qualche modo, e il fitness finale dell'organismo è la somma pesata di come tali moduli performano in un dato ambiente. Nel loro modello, i diversi ambienti cambiano semplicemente i pesi, o l'importanza, di ciascun modulo. In un ambiente caldo, un modulo potrebbe essere più importante; in uno freddo, un altro potrebbe avere la precedenza. Quando hanno testato questo modello di "connettività" contro i loro dati reali, esso ha fornito un ottimo adattamento per le mutazioni che mostravano una pleiotropia strutturata. Ciò implica che il mondo complesso e ad alta dimensionalità della genetica del lievito può essere compresso in una mappa a bassa dimensionalità, dove pochi processi di interazione condivisi dettano la risposta dell'organismo al cambiamento.

Lo studio ha anche esplorato cosa significhi questo per l'evoluzione a lungo termine. Se una popolazione si sposta costantemente tra due ambienti diversi, troverà eventualmente uno stato stabile in cui è ben adattata a entrambi, o continuerà a inseguire un obiettivo mobile? I ricercatori hanno scoperto che la risposta dipende dall'architettura di questi moduli nascosti. Se gli ambienti spingono l'organismo in direzioni opposte riguardo allo stesso modulo, emerge un compromesso (trade-off). La popolazione si stabilizzerà eventualmente in uno stato stazionario in cui non è perfettamente adattata a nessuno dei due ambienti, ma è abbastanza stabile da sopravvivere a entrambi. Il punto di equilibrio specifico dipende da come gli ambienti pesano i diversi moduli. Ciò suggerisce che il destino a lungo termine di una specie in un mondo fluttuante non dipende solo dalla forza della selezione, ma dalla struttura geometrica di come i suoi geni interagiscono con l'ambiente.

In definitiva, questo lavoro rivela che, sebbene l'evoluzione sia guidata da innumerevoli interazioni individuali e apparentemente casuali, queste interazioni possono dare origine a modelli ampi e prevedibili. I ricercatori hanno dimostrato che, per un gruppo significativo di cambiamenti genetici, il caos del background genetico non è una barriera alla previsione, ma una fonte di essa. Identificando le mutazioni che seguono queste regole semplici, hanno trovato un modo per scrutare nel futuro dell'adattamento. Hanno dimostrato che la geometria delle interazioni genetiche condivise crea una sorta di memoria nel sistema, permettendo agli effetti dei cambiamenti passati di informare le possibilità future. Sebbene non tutte le mutazioni rientrino in questa descrizione precisa, il fatto che così tante lo facciano suggerisce che la complessità della vita, anche in un mondo fluttuante, sia costruita su una base di strutture condivise e latenti che possono essere comprese e mappate.