1 |
Self-organization of Saccharomyces cerevisiae colonies / Auto-organisation des colonies de Saccharomyces cerevisiaeMarinkovic, Zoran 30 November 2017 (has links)
L’environnement naturel des levures est constitué d’une communauté de cellules. Les chercheurs, cependant, préfèrent étudier les levures dans des environnements plus simples et homogènes, comme des cultures en cellule unique ou en population, s’affranchissant ainsi de la complexité de la croissance spatiotemporelle, la différentiation, l’auto-organisation, ainsi que la façon dont ces caractéristiques sont formées et s’entrelacent à travers l’évolution et l’écologie. Nous avons mis en place un dispositif microfluidique multicouches permettant la croissance de colonie de levures dans des environnements dynamiques, spatialement structurés, contrôlés, partant d’une monocouche de levures à une colonie multicouches. La croissance des colonies, dans son ensemble comme à des positions spécifiques, est le résultat de la formation d’un gradient de nutriment au sein de celles-ci - gradient qui trouve son origine dans le différent taux de diffusion des nutriments, des taux d’absorption de ceux-ci par les cellules, ainsi que de leurs concentrations initiales. Lorsqu’un nutriment en quantité limitante (par exemple le glucose ou un acide aminé) est épuisé, à une distance spécifique de la source de nutriments, les cellules au sein de la colonie cessent de croitre. Nous avons été en mesure de moduler cette distance spécifique en variant la concentration initiale de nutriments ainsi que le taux d’absorption des cellules. Les motifs d’expression de gènes de la colonie nous ont donné des informations sur la formation de micro environnements spécifiques ainsi que sur le développement subséquent, la différentiation et l’auto-organisation. Nous avons quantifié les motifs d’expression de sept gènes de transport du glucose (HXT1-7), chacun exprimé spécifiquement suivant la concentration de glucose, ce qui nous a permis de reconstituer la formation de gradients de glucose au sein d’une colonie. En étudiant des gènes spécifiques de la fermentation et de la respiration, nous avons pu observer la différentiation en deux sous-populations. Nous avons de plus cartographié l’expression de gènes impliqués dans différentes parties du métabolisme des glucides, suivi et quantifié la dynamique spatio-temporelle de croissance et d’expression génétique et finalement modélisé la croissance de la colonie ainsi que la formation du gradient de nutriment. Pour la première fois, nous avons observé la croissance, la différentiation et l’auto-organisation des colonies de S. cerevisiae avec une résolution spatio-temporelle jusqu’à maintenant inégalée / The natural environment of yeast is often a community of cells but researchers prefer to study them in simpler homogeneous environments like single cell or bulk liquid cultures, losing insight into complex spatiotemporal growth, differentiation and self-organization and how those features are intertwined and shaped through evolution and ecology. I developed a multi-layered microfluidic device that allows us to grow yeast colonies in spatially controlled dynamically structured changing environments from a monolayer of single yeast cells to a multi-layered colony. Colony growth, as a whole and at specific locations, is a result of the nutrient gradient formation within a colony through interplay of nutrient diffusion rates, nutrient uptake rates by the cells and starting nutrient concentrations. Once a limiting nutrient (e.g. glucose or amino acids) is depleted at a specific distance from the nutrients source the cells within a colony stop to grow. I was able to modulate this specific distance by changing the starting nutrient concentrations and uptake rates of cells. Colony gene expression patterns gave us information on specific micro environments formation and consequential development, differentiation and self-organization. I quantified the patterns of expression of seven glucose transporter genes (HXT1-7), each of them specifically expressed depending on the glucose concentration. This enabled us to reconstruct glucose gradients formation in a colony. I further followed the expression of fermentation and respiration specific genes and observed differentiation between two subpopulations. We also mapped other genes specific for different parts of carbohydrate metabolism, followed and quantified the spatiotemporal dynamics of growth and gene expression, and finally modelled the colony growth and nutrient gradient formation. For the first time, we were able to observe growth, differentiation and self-organization of S. cerevisiae colony with such an unprecedented spatiotemporal resolution
|
2 |
Modélisation des dynamiques adaptatives de la levure de boulanger S. cerevisae dans un environnement saisonnier / Modeling of the adaptive dynamics of the yeast Saccharomyces cerevisiae in a seasonal environmentCollot, Dorian 19 June 2018 (has links)
L’adaptation des individus à un environnement dépend d’une combinaison de caractères adaptatifs, les traits d’histoire de vie, qui impactent la valeur sélective. Pour comprendre comment les organismes s’adaptent à leur environnement, on peut étudier quelles sont les traits composants la valeur sélective et comment ils dépendent de l’environnement biotique et abiotique. Au cours de cette thèse, je me suis intéressé aux composantes de la valeur sélective dans un environnement saisonnier et à ses conséquences sur la dynamique évolutive des traits quantitatifs.Pour cela, j’ai utilisé une approche de modélisation mathématique d’une évolution expérimentale de l’espèce modèle Saccharomyces cerevisiae en cultures successives en batch. La levure de boulanger S. cerevisiae ici étudiée présente un cycle de vie respiro-fermentaire : en présence de glucose, elle le consomme par fermentation tout en produisant de l’éthanol, qui sera consommé dans un deuxième temps par respiration. Les souches de levures évoluent au cours de cycles successifs de fermentation-respiration. A intervalles de temps réguliers, des cellules sont transférées dans un nouveau milieu contenant du glucose où elles effectuent un nouveau cycle. J’ai développé un modèle mathématique d’équations différentielles pour étudier quels sont les traits sélectionnés dans les différentes saisons dans ce dispositif expérimental et comment l’environnement abiotique, l’environnement biotique et les relations entre les traits, impactent leur évolution.Dans un premier temps, j’ai développé et paramétré un modèle d’équations différentielles décrivant la dynamique d’une population multi-souches au cours d’un batch (chapitre 1). J’ai ensuite proposé une décomposition de la valeur sélective et étudié quels traits sont sous sélection, et comment les pressions de sélection changent avec la composition de la population (chapitre 2). Deux types de traits sélectionnés ont pu être mis en évidence : les traits d’histoire de vie, liés au taux de croissance et à la mortalité, et les traits de transition, qui correspondent à la façon dont les souches réagissent aux changements de l’environnement. J’ai également montré que l’importance de chacune des composantes de la valeur sélective est lié à ces traits et à des traits non sélectionnés, via la longueur des différentes saisons. Au cours de l’évolution, ces composantes sont modifiées ce qui modifie la force de la sélection sur chaque trait. Ce phénomène de boucles de rétroaction éco-évolutives permet de mieux comprendre pourquoi la valeur sélective est fréquence-dépendante.Dans un second temps, j’ai utilisé des simulations d’un modèle de dynamique adaptative pour montrer que l’existence d’un trade-off entre deux traits dans la population ancêtre pouvaient entraîner l’émergence d’autres relations entre un trait sélectionné et un trait non-sélectionné au cours de l’évolution (chapitre 3).Enfin, pour mettre en regard les prédictions issues de modèles théoriques et des observations expérimentales, j’ai analysé deux jeux de données à travers le prisme de mon modèle mathématique (chapitre 4). Le premier jeu de données concerne le phénotypage de souches évoluées en batch successifs et leurs ancêtres. L’estimation des paramètres du modèle pour chacune des souches du jeu de données et leur analyse montrent que les traits liés à l’éthanol, sa consommation et sa production ont été principalement sélectionnés. Le second jeu de données, obtenu à partir de compétitions entre plusieurs couples de souches aillant des traits d’histoire de vie contrastés, a permis de mettre en évidence des différences de valeur sélective entre souches et de les relier avec des différences de traits phénotypiques, en cohérence avec les prédictions théoriques. / Adaptation of species to their environment involves combinations of traits, and in particular life history traits, that influence an organism's selective value. To understand the complexity of adaptation, it is appropriate to decipher the contributions of traits to fitness in the presence of different biotic and abiotic environments. In this thesis, I have investigated fitness components when the environment is seasonal, revealing how such components drive the evolutionary dynamics of quantitative traits.My work is based on the mathematical modeling of experimental evolutions in successive batch cultures of Saccharomyces cerevisiae (baker's yeast). The life cycle of this yeast species is of the respiration-fermentation type: (i) in the presence of glucose, it grows by fermentation, transforming glucose into ethanol; (ii) once glucose has been consumed, it grows by respiration, consuming this time ethanol. This sequence corresponds to the two « seasons » in a batch culture and leads to a cycle of successive batches if cells are periodically transferred into fresh medium. By using differential equations for the time courses, my thesis work shows how growth dynamics and environmental features (abiotic or biotic) generate selection pressures on the different traits during these successive seasons, thereby determining evolutionary trajectories.To describe batch dynamics, I first developed and calibrated a set of differential equations describing the growth dynamics of a population of yeast cells throughout a batch, allowing for one or multiple strains to be present (Chapter 1). Based on this model where cells divide without changing genotype, I then showed that a strain's fitness can be understood in terms of just a few components that are easily specified mathematically. I was then able to determine which traits were under selection and how the corresponding selection pressures were affected by the abundances of each strain in the yeast population (Chapter 2). Selected traits were found to be of two types: life history traits associated with growth and mortality rates, and “transition” traits that correspond to the way a strain reacts to environmental change. I also showed that the contributions of the different fitness components are tied to both selected and non-selected traits via the lengths of seasons. Thus, during population dynamics arising across successive batches, these components change, modifying the selection pressure on each trait. One therefore has a feedback loop, revealing why fitness is frequency-dependent in this system.Next, using the fitness decomposition, I studied adaptive dynamics in successive batch cultures. In such a framework where genotypic changes were allowed, and assuming that there was a trade-off between two traits, I showed that adaptive evolutionary dynamics could lead to the emergence of new relations between selected and non-selected traits (Chapter 3).Furthermore, in order to compare my theoretical predictions to experimental results, I used mathematical and statistical models to analyze two datasets (Chapter 4). The first dataset provides trait measurements in “evolved” strains, i.e., strains obtained after evolution across successive batches, as well as of those same traits in the “ancestral” strains at the origin of the experimental evolution. Parameters inference for the different strains showed that selection had operated mainly on ethanol-related traits (production and consumption). A second dataset was obtained from batch experiments putting strains in competition with one another; the analysis showed that my theoretical modeling well predicted the roles of the different traits for determining the relative fitness of the strains.
|
Page generated in 0.34 seconds