🧬 biology

Navigation driven by bidirectional information transmission between sensing and actuation

Dit artikel introduceert "Behavioral Equations of State" (BESTs), een theoretisch kader dat aantoont dat navigatieprestaties in zowel ruimtelijke als temporele sensorische biologische systemen universeel worden bepaald door de sterkte en de tijdschalen van bidirectionele informatieoverdracht tussen waarneming en actie, een voorspelling die experimenteel is gevalideerd via stochastische simulaties van *E. coli*-chemotaxis.

Oorspronkelijke auteurs: Avishek Das, Pieter Rein ten Wolde

Gepubliceerd 2026-07-30

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Avishek Das, Pieter Rein ten Wolde

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Stel je voor dat je probeert te navigeren op een drukke, mistige dansvloer waar de muziek plotseling van tempo verandert. Je kunt de DJ niet zien, maar je voelt de beat door de vloer. Om goed te kunnen dansen, heb je twee dingen nodig: eerst moet je aandachtig naar de muziek luisteren (waarneming), en ten tweede moet je je voeten bewegen om dat ritme te matchen (actuatie). Maar hier komt het lastige deel bij: jouw dansen verandert waar je staat, wat weer bepaalt hoe je de muziek daarna hoort. Dit creëert een lus waarbij luisteren en bewegen constant met elkaar in gesprek zijn. Dit gaat niet alleen over dansen; dit is hoe je immuunsysteem tegen bacteriën vecht, hoe je brein reageert op stress, en hoe minuscule levende cellen voedsel vinden in een enorme oceaan. Wetenschappers weten al lang dat deze "feedbackloop" cruciaal is, maar ze worstelen met het meten van de exacte mate waarin de informatie die heen en weer stroomt, daadwerkelijk bepaalt hoe goed het systeem functioneert. Gaat het puur om het hebben van sterke spieren of scherpe oren, of is er een diepere regel die de stroom van informatie verbindt met het succes van de dans?

Dit artikel duikt in dat mysterie door te kijken naar hoe cellen navigeren, waarbij specifiek wordt gefocust op twee soorten "dansers": grote cellen die de omgeving aan hun linker- en rechterkant vergelijken (ruimtelijke waarneming), en piepkleine, snelle bacteriën die de omgeving van nu vergelijken met die van een fractie van een seconde geleden (temporele waarneming). De onderzoekers, Avishek Das en Pieter Rein ten Wolde, wilden zien of ze een universele regel konden vinden—een "Behavioral Equation of State" of BEST—die de hoeveelheid informatie die tussen waarneming en beweging stroomt direct koppelt aan hoe goed de cel navigeert. Ze gokten niet alleen; ze bouwden wiskundige modellen om dit puzzelstukje op te lossen en testten vervolgens hun ideeën met computersimulaties van Escherichia coli-bacteriën.

Dit is wat ze vonden: in de wereld van ondiepe, zachte gradiënten (zoals een zeer milde helling van voedsel) wordt het succes van de navigatie niet bepaald door de specifieke details van de onderdelen van de cel, zoals hoe sterk de sensoren zijn of hoe snel de motoren draaien. In plaats daarvan wordt de prestatie volledig beheerst door twee specifieke "informatiestromen". De eerste is de feedforward-stroom: hoe goed de cel de buitenwereld vertaalt naar een intern signaal. De tweede is de feedback-stroom: hoe goed de beweging van de cel de toekomstige signalen die het ontvangt, beïnvloedt. De auteurs ontdekten dat als je de kracht van deze twee informatiestromen kent, je precies kunt voorspellen hoe goed de cel navigeert, ongeacht de specifieke hardware van de cel. Het is alsof de "valuta" van navigatie informatie zelf is, en niet de fysieke tandwielen van de machine.

Echter, het verhaal heeft een wending. Het artikel suggereert dat het hebben van te veel feedbackinformatie eigenlijk slecht kan zijn. Stel je een danser voor die zo gevoelig is voor de muziek dat hij begint te struikelen over zijn eigen voeten omdat hij reageert op elke kleine, willekeurige ruis in de kamer in plaats van op de werkelijke beat. De simulaties toonden aan dat als de feedbackloop te sterk is, de cel overweldigd raakt door ruis en de prestaties van de navigatie dalen. Er is een "sweet spot" voor feedbackinformatie waar de prestaties worden gemaximaliseerd.

De onderzoekers zorgden er ook voor om te verduidelijken wat niet werkt. Ze ontdekten dat het kijken naar slechts één enkel moment in de tijd (een "single-step" perspectief) niet genoeg is om navigatie te begrijpen. Je moet naar de hele geschiedenis van het signaal kijken, de volledige trajectorie van de dans, om het volledige plaatje te zien. Bovendien, terwijl hun theorie perfect werkt voor milde hellingen, ontdekten ze dat in steilere, chaotischere omgevingen de snelheid waarmee de cel informatie verwerkt een extra, cruciale factor wordt.

Om te bewijzen dat hun theorie geen wiskundige fantasie was, voerden ze gedetailleerde computersimulaties uit van E. coli, een bacterie die beroemd is om haar vermogen om naar voedsel te zwemmen. Hoewel het echte bacteriële systeem uiterst complex en niet-lineair is (wat betekent dat het geen eenvoudige, rechte regels volgt), kwamen de resultaten van de simulaties perfect overeen met de voorspelde curve van de auteurs. Zonder de cijfers aan te passen of de data te dwingen om in het model te passen, voorspelde de "Behavioral Equation of State" nauwkeurig hoe goed de bacteriën zwommen, gebaseerd op enkel de gemeten informatiestromen. Dit suggereert dat bidirectionele informatieoverdracht een fundamenteel organiserend principe is voor navigatie, dat fungeert als een universeel regelboek dat de natuur volgt, zelfs in de lawaaierige, chaotische wereld van microscopisch leven.

Technische Samenvatting: Navigatie Gedreven door Bidirectionele Informatieoverdracht

Probleemstelling
Biologische navigatie, zoals cellulaire chemotaxis, steunt op een feedbacklus waarbij een sensorisch systeem omgevingsinputs in kaart brengt naar een interne output, die een actuatie-respons aanstuurt, wat vervolgens toekomstige sensorische inputs verandert. Terwijl het vakgebied uitgebreid de informatieoverdracht van input naar output heeft gekarakteriseerd in de afwezigheid van feedback, ontbreekt een kwantitatief begrip van hoe bidirectionele informatiestroom (sensorimotorische feedback) navigatie controleert in aanwezigheid van stochastische ruis. Specifiek is het onduidelijk hoe de nauwkeurigheid van deze gesloten-lus informatieoverdracht de navigatieprestaties beperkt of mogelijk maakt, en of systeem-specifieke microscopische parameters (bijv. sensorische gain, ruis-magnitudes) kunnen worden geabstraheerd naar universele informatie-theoretische variabelen.

Methodologie
De auteurs maken gebruik van een combinatie van analytische theorie en stochastische simulaties om twee generieke modellen te onderzoeken die de twee belangrijkste klassen van biologische navigatoren vertegenwoordigen:

Ruimtelijke Sensormodel (Spatial-Sensing Model): Een lineair stochastisch model dat cellen beschrijft (bijv. eukaryoten) die ruimtelijke gradiënten inschatten door concentraties over hun lengte te vergelijken. Het model bevat sensorische en actuatie-gains, relaxatiesnelheden en Gaussische witte ruis.
Temporeel Sensormodel (Temporal-Sensing Model): Een zwak niet-lineair stochastisch model dat cellen beschrijft (bijv. E. coli) die gradiënten afleiden uit temporele veranderingen in concentratie tijdens het zwemmen. Dit model incorporeert bilaterale koppeling tussen sensorische output en snelheid.

Om de informatiestroom te kwantificeren, maken de auteurs gebruik van transfer entropie-snelheden, waarbij specifiek onderscheid wordt gemaakt tussen:

Feedforward Transfer Entropie ( $\dot{T}_{FF}$ ): Informatie die wordt overgedragen van sensorische input naar sensorische output.
Feedback Transfer Entropie ( $\dot{T}_{FB}$ ): Informatie die wordt overgedragen van sensorische output, via actuatie, terug naar de toekomstige sensorische input.

Cruciaal is dat de theorie rekening houdt met informatie die is gecodeerd in volledige signaal-trajecten (multi-step transfer entropy) in plaats van enkelvoudige stappen-toestanden. Voor het niet-lineaire temporele sensormodel en de realistische E. coli-simulaties gebruiken de auteurs niet-lineaire perturbatietheorie gecombineerd met stochastische filteringtheorie en het TE-PWS algoritme om transfer entropieën exact te berekenen.

Belangrijkste Bijdragen en Resultaten

Afleiding van Behaviorale Toestandsvergelijkingen (BESTs):
Het primaire theoretische resultaat is de afleiding van "Behavioral Equations of State" (BESTs). Dit zijn gelijkheden die navigatieprestaties direct in kaart brengen met bidirectionele informatiestromen, onafhankelijk van de elementaire systeemparameters (gain, ruis, etc.).
- Ruimtelijke Sensing: In het lineaire responsregime van ondiepe gradiënten wordt de navigatieprestatie ( $P$ ) volledig bepaald door $\dot{T}_{FF}$ en $\dot{T}_{FB}$ :
  $\frac{P}{P_0} = \frac{\dot{T}_{FF}}{2} \left[ \sqrt{(2\dot{T}_{FB} + 1)^2 - 1} + \frac{1}{\sqrt{(2\dot{T}_{FB} + 1)^2 - 1}} \right]$
  Prestaties nemen monotoon toe met feedforward informatie, maar vertonen een niet-monotone afhankelijkheid van feedback informatie, met een piek bij een optimale $\dot{T}_{FB}^* = (\sqrt{2}-1)/2$ nats. Overmatige feedback informatie verslechtert de prestaties door sensorische ruis te versterken.
- Temporele Sensing: Voor zwakke niet-lineariteit en ondiepe gradiënten neemt de BEST de vorm aan:
  $\frac{P}{P_0} = 4 \frac{\rho}{1+\rho} \sqrt{\dot{T}_{FF}} \sqrt{\dot{T}_{FB}}$
  waarbij $\rho = F/H$ de ratio is van de sensorische verwerkingssnelheid tot de actuatiesnelheid. Hierbij schalen de prestaties met de vierkantswortel van beide informatiestromen.
Rol van Systeemparameters:
De analyse laat zien dat elementaire parameters (sensorische gain, actuatie-sterkte, ruis-magnitudes) de navigatie niet onafhankelijk controleren. In plaats daarvan beïnvloeden ze de prestaties alleen via hun effect op de magnitude en snelheid van de bidirectionele informatieoverdracht. Informatie fungeert als een "universele munteenheid" voor stochastische navigatie.
Noodzaak van Multi-Step Geschiedenis:
De auteurs demonstreren dat single-step transfer entropieën onvoldoende zijn om navigatieprestaties te voorspellen. De volledige geschiedenis van signaal-trajecten moet worden meegewogen, aangezien het verschil tussen single-step en full-history transfer entropie groot of zelfs divergent kan zijn.
Validatie in E. coli Chemotaxis:
De theorie werd getest tegen stochastische simulaties van een realistisch, niet-lineair model van E. coli chemotaxis (met run-and-tumble dynamica). Met behulp van het TE-PWS algoritme om transfer entropieën te berekenen, vonden de auteurs dat de geobserveerde navigatieprestaties de BEST-voorspelling volgen zonder enige fitting of schalingparameters. Bovendien bevestigden simulaties het bestaan van een optimaal feedback-informatieniveau (~4 nats) waarboven de prestaties afnemen, wat consistent is met de afweging tussen signaalversterking en ruisversterking.

Betekenis
Dit artikel vestigt de bidirectionele informatieoverdracht tussen sensing en actuatie als een organiserend principe voor stochastische navigatie. Door systeem-onafhankelijke relaties (BESTs) af te leiden, suggereert het werk dat navigatieprestaties voorspeld en begrepen kunnen worden via macroscopische informatiestromen in plaats van microscopische parametertuning. Dit biedt een kader voor het analyseren van diverse biologische feedbacksystemen waarbij input-sensing en actuatie stochastisch zijn, wat potentieel kan worden uitgebreid naar andere biologische functies zoals immuunrespons en homeostase. De bevindingen bieden een experimenteel toetsbare voorspelling: data van navigatoren met variërende sensing- en actuate-parameters zouden moeten samenvallen op een enkele curve gedefinieerd door de relatie tussen prestatie en bidirectionele informatie.

Meer zoals dit