Aevol est un logiciel libre de simulation de vie artificielle dont la première version a été publiée en 2006[1] par une équipe de recherche INRIA. Il permet d'étudier l'évolution d'organismes numériques dans différentes conditions et les mécanismes responsables de la structuration des génomes[2].
Fonctionnement
Aevol simule une population d'individus, entièrement caractérisés par leur génome. Ces individus sont soumis à des processus de variation et de sélection, permettant une évolution. De nombreuses caractéristiques de la simulation sont modifiables (taille de la population, type d'environnement, taux de mutations, etc.), permettant d'étudier expérimentalement l'impact de ces paramètres sur l'évolution des génomes. En particulier, le modèle explicite de génome simulé permet d'étudier les variations structurelles des génomes (nombre de gènes, proportion de génome codant, etc.).
Le logiciel est fourni avec un ensemble d'outils permettant l'analyse des simulations grâce à des mesures des caractéristiques des individus au cours de leur évolution ainsi que de leur phylogénie.
Une version étendue, R-Aevol, intègre un modèle explicite de régulation de l'expression des gènes, permettant d'étudier l'évolution des réseaux de régulation des gènes.
Découvertes associées
Aevol permet l'étude de pressions de sélection pour la robustesse, la variabilité et l'évolvabilité des individus[3]. En effet, la valeur sélective des organismes ne dépend pas seulement de leur capacité à produire des descendants, mais aussi des propriétés de ces descendants (leur viabilité, valeur sélective, etc.).
Aevol a permis de montrer que ces forces secondaires imposent de très fortes contraintes sur le réseau de régulation[4],[5] et le transcriptome[6] des individus. Par exemple, des expériences conduites avec R-Aevol ont prouvé que les liens entre gènes qui se régulent peuvent être très différents des liens fonctionnels entre les gènes[7].
L’utilisation du logiciel contribue également à la compréhension des conditions dans lesquelles des génomes sont sélectionnés, et les contraintes qui en résultent sur la structure des génomes[1]. Ainsi, il est connu qu’un génome est sélectionné s’il est adapté. Des expériences montrées avec Aevol contribuent à montrer que :
le voisinage[a] d’un génome contribue également à sa sélection. Ainsi, pour être sélectionné, un génome doit avoir seulement des voisins bénéfiques, neutres ou très délétères (qui seront donc supprimés), et peu de voisins peu délétère[9].
Notes et références
Notes
↑Le voisinage d’un génome est l’ensemble des génomes distants d’une mutation génétique.
Références
↑ a et bCarole Knibbe, Structuration des génomes par sélection indirecte de la variabilité mutationnelle : une approche de modélisation et de simulation, INSA de Lyon, (lire en ligne)
↑ a et b(en) Carole Knibbe, Antoine Coulon, Olivier Mazet, Jean-Michel Fayard et Guillaume Beslon, « A Long-Term Evolutionary Pressure on the Amount of Noncoding DNA », Molecular Biology and Evolution, , p. 2344–2353 (DOI10.1093/molbev/msm165, lire en ligne)
↑David P. Parsons, « Aevol • Home », sur aevol.fr (consulté le )
↑(en) G. Beslon, D. P. Parsons, Y. Sanchez-Dehesa et J. -M. Peña, « Scaling laws in bacterial genomes: A side-effect of selection of mutational robustness? », Biosystems, eighth International Workshop on Information Processing in Cells and Tissues: "From Small Scale Dynamics To Understanding Systems Behavior", vol. 102, no 1, , p. 32–40 (ISSN0303-2647, DOI10.1016/j.biosystems.2010.07.009, lire en ligne, consulté le )
↑Yolanda Sanchez-Dehesa, RÆvol : un modèle de génétique digitale pour étudier l'évolution des réseaux de régulation génétiques, (lire en ligne)
↑David P. Parsons, Carole Knibbe et Guillaume Beslon, « Importance of the rearrangement rates on the organization of transcription. », Proceedings of Artificial Life XII, , p. 479–486 (lire en ligne, consulté le )
↑(en) Guillaume Beslon, David P. Parsons, Jose-María Peña et Christophe Rigotti, « From digital genetics to knowledge discovery: Perspectives in genetic network understanding », Intelligent Data Analysis, vol. 14, no 2, , p. 173–191 (ISSN1088-467X, DOI10.3233/IDA-2010-0415, lire en ligne, consulté le )
↑(en) Thomas Hindré, Carole Knibbe, Guillaume Beslon et Dominique Schneider, « New insights into bacterial adaptations through in vivo and in silico experimental evolutions », Nature Reviews Microbiology, Springer, vol. 10, , p. 352-365 (DOIhttps://doi.org/10.1038/nrmicro2750) :
« In silico studies showed that the indirect selection of a specific variability level can shape the genome structures at the levels of gene numbers, genome size and amounts of non-coding DNA. »
(en) Guillaume Beslon, Vincent Liard, David Parsons et Jonathan Rouzaud-Cornabas, « Of Evolution, Systems and Complexity : Advances, Questions, and Opportunities », dans Anton Crombach, Evolutionary Systems Biology, Springer, , 2e éd. (ISBN978-3-030-71736-0, lire en ligne), p. 8-15
(en) Paulien Hogeweg et Dieter Stoker, Computational Biology Course : An overview of the lectures on bioinformatic processes, (lire en ligne), chap. V (« Genome evolution, gene regulatory networks and metabolism »), p. 141-144.
