Los patrones de alimentación de Caenorhabditis elegans siguen una simple regla general
Biología de las comunicaciones volumen 6, número de artículo: 841 (2023) Citar este artículo
906 Accesos
3 altmétrico
Detalles de métricas
Las reglas generales son algoritmos de comportamiento que se aproximan al comportamiento óptimo y al mismo tiempo reducen los costos cognitivos y sensoriales. Una forma de reducir estos costos es simplificar la representación del entorno: si bien el comportamiento teóricamente óptimo puede depender de muchas variables ambientales, una regla general puede utilizar un conjunto más pequeño de variables que funcione razonablemente bien. La prueba experimental de esta simplificación requiere un mapeo exhaustivo de todas las combinaciones relevantes de varios parámetros ambientales, que realizamos para el forrajeo de Caenorhabditis elegans cubriendo sistemáticamente combinaciones de densidad de alimentos (en 4 órdenes de magnitud) y tipo de alimento (en 12 cepas bacterianas). Descubrimos que la respuesta de los gusanos está dominada por una única variable ambiental: la densidad del alimento medida como número de bacterias por unidad de superficie. No tienen en cuenta otros factores como el contenido de biomasa o la cepa bacteriana. También medimos experimentalmente el impacto en la aptitud de cada tipo de alimento, determinando que la regla es casi óptima y, por lo tanto, constituye una regla general que aprovecha la variable ambiental más informativa. Estos resultados sientan las bases para futuras investigaciones sobre los mecanismos genéticos y neuronales subyacentes que gobiernan este proceso de simplificación y su papel en la evolución de las estrategias de toma de decisiones.
Los resultados sofisticados y altamente óptimos del comportamiento animal a menudo surgen de reglas simples, llamadas reglas generales1,2,3,4,5,6,7,8. Por ejemplo, dejar parches en avispas parasitoides parece ser adaptativo con respecto a múltiples indicadores de la calidad del parche y del ambiente7, pero esta decisión puede ser impulsada por un mecanismo simple: una variable interna que disminuye linealmente con el tiempo y aumenta bruscamente cada vez que la avispa encuentra un huésped. . La avispa deja una mancha cuando esta variable alcanza un umbral8. Si bien es fácil de implementar, esta regla produce respuestas casi óptimas7,8. Identificar estas reglas generales es clave para vincular la implementación neuronal y mecanicista del comportamiento animal con las presiones selectivas que lo moldean9.
La mayoría de las reglas generales se basan en una representación interna simplificada del entorno. Por ejemplo, la elección óptima de alimentos puede requerir considerar simultáneamente muchas variables, como la distribución espacial de las fuentes de alimentos, su densidad, su composición en términos de numerosos nutrientes, etc. Procesar todas estas variables por separado es costoso, por lo que una regla general puede ignorar las variables menos informativas y combinar el resto en una o varias cantidades, que constituirán la representación interna del entorno y determinarán la decisión. Si bien numerosos estudios identifican variables que dominan el comportamiento10, demostrar una representación interna simplificada requiere demostrar que cualquier combinación de variables ambientales que conduzca a la misma representación interna produce la misma respuesta. Esto supone un desafío, en primer lugar porque los experimentos conductuales tienden a tener una gran variabilidad que puede ocultar efectos pequeños y, en segundo lugar, porque una prueba convincente debe probar sistemáticamente un gran número de combinaciones equivalentes. Alcanzar al mismo tiempo un gran número de combinaciones y un número suficiente de réplicas para obtener un comportamiento promedio altamente preciso está más allá del rendimiento experimental en la mayoría de los experimentos de comportamiento.
Para abordar estos desafíos, desarrollamos un proceso de alto rendimiento para estudiar el comportamiento de búsqueda de alimento del nematodo Caenorhabditis elegans. Nos centramos en la búsqueda de alimento (es decir, la búsqueda y explotación de alimentos) porque tiene un impacto claro en la aptitud física, el grado de éxito es relativamente fácil de medir (en términos de tasa de consumo de alimentos) y se estudia exhaustivamente desde un punto de vista teórico. vista11. Gracias al elevado número de crías y al pequeño tamaño de C. elegans, pudimos realizar experimentos con más de 20.000 individuos de edad sincronizada en más de 2.000 escenarios experimentales. Además de permitir un alto rendimiento experimental, el pequeño sistema nervioso de C. elegans (~ 300 neuronas) lo convierte en un candidato ideal para implementar reglas generales simples, mientras que su comportamiento de búsqueda de alimento es lo suficientemente complejo como para implementar los elementos básicos de una búsqueda de alimento óptima, que puede observarse por ejemplo en su exploración12,13,14,15,16,17,18,19, aprendizaje20,21,22,23 y alimentación24,25,26,27,28,29,30,31,32,33 ,34,35 conductas.
Caracterizamos sistemáticamente la respuesta de C. elegans a los alimentos, cubriendo todas las combinaciones relevantes de densidad de alimentos (en 4 órdenes de magnitud, desde inanición hasta un ambiente rico) y composición de alimentos (en 12 cepas bacterianas diferentes, de 11 especies diversas). Las diferentes cepas bacterianas difieren en su composición en términos de muchas moléculas diferentes, así como en su tamaño, forma y características mecánicas, abarcando un elevado número de variables. A pesar de este alto grado de complejidad, la respuesta de C. elegans a todas nuestras cepas bacterianas siguió una tendencia universal simple.
Nuestra configuración experimental consistió en placas de agar redondas con 5 parches de comida de diferentes densidades, dispuestos como un pentágono regular (Fig. 1a). C. elegans come bacterias, y cada parche de comida era una gota de cultivo bacteriano cuya densidad se había ajustado cuidadosamente midiendo su densidad óptica (OD). Los parches de comida se colocaron el día anterior al experimento y nos aseguramos de que la densidad bacteriana se mantuviera sin cambios preparando las placas de agar sin nutrientes y con una dosis baja de antibióticos bacteriostáticos. El día del experimento, se colocaron gusanos adultos jóvenes (48 h de edad) en el centro del plato, equidistantes de todos los parches de comida, y exploraron libremente el entorno durante 2 h, un tiempo que fue lo suficientemente corto como para evitar que se produjera una cantidad significativa de comida. agotamiento, pero el tiempo suficiente para que la ocupación del parche sea aproximadamente constante al final del experimento (Figura complementaria 1). Colocamos ~10 gusanos por plato y descartamos los platos con más de 20 gusanos. Mantuvimos este número bajo de individuos por plato para evitar el agotamiento de los alimentos y también para evitar efectos colectivos como la formación de grupos36,37 o redes38, que requieren mayores densidades de gusanos. Para garantizar la repetibilidad y un rendimiento suficiente, un robot de pipeteo colocó tanto los parches de comida como los gusanos en la placa (consulte Métodos para obtener más detalles).
a Esquema experimental: Se colocan lombrices en el centro de un pentágono regular formado por 5 parches de alimento de diferentes densidades. Después de 2 h de exploración, se cuentan los gusanos ubicados en cada parche de alimento. b Número relativo de gusanos encontrados en cada parche de comida, como función de la densidad bacteriana en el parche de comida (D). Cuadrados: datos experimentales para E. coli OP50. Línea: Sigmoide ajustada, siguiendo la ecuación. 1 en Métodos. c Parámetros sigmoideos: \(H\) es la relación entre el número de gusanos en los extremos de alta y baja densidad, \(k\) es la pendiente en el punto medio del sigmoide y \({D}_{{{\mbox {atraer}}}}\) es la densidad a la que el número de gusanos alcanza 5 veces la línea base de baja densidad. d Igual que (b), pero para todas las cepas bacterianas y sin barras de error (consulte la Fig. 4 complementaria para gráficos separados para cada cepa y la Fig. 5 complementaria para los parámetros de todos los sigmoides) e Proporción medida de lombrices en cada parche de alimento, versus proporción predicha por el sigmoide, ajustada a cada cepa (ecuaciones 1 y 2). f Número relativo de gusanos encontrados en cada parche de comida, como función de la densidad efectiva (\({D/D}_{{atraer}}\)). Línea negra: Sigmoide con \(H=146\), \(k=1.4\). g Igual que (e), pero con predicciones realizadas utilizando densidad efectiva y el mismo sigmoide para todas las deformaciones. Todas las barras de error muestran el intervalo de confianza del 95 %, calculado mediante arranque; consulte la Tabla complementaria 1 para conocer los tamaños de muestra.
Un desafío clave fue estudiar un rango suficientemente amplio de densidades bacterianas, porque colocar parches de densidades muy diferentes en la misma placa produce datos ruidosos: los gusanos se acumulan en los parches de alta densidad, dejando a muy pocos individuos para evaluar el rango de baja densidad. . Resolvimos este desafío realizando varios experimentos que cubrían rangos de densidad más pequeños y superpuestos. Para fines de visualización, normalizamos el número de gusanos en cada experimento con respecto a una referencia virtual para obtener un número relativo de gusanos comparable entre condiciones (Figuras complementarias 2, 3 y Métodos).
Descubrimos que el número relativo de gusanos en un parche de comida aumenta con su densidad bacteriana siguiendo una tendencia sigmoidal, que se visualiza mejor en un gráfico logarítmico doble (Fig. 1b). Si bien nuestros resultados son cualitativamente comparables con estudios anteriores19,30,32,34, nuestro alto rendimiento permitió una descripción cuantitativa y reveló que la preferencia de C. elegans está bien descrita mediante una fórmula matemática con tres parámetros (Fig. 1c; Ec. 1 en Métodos): La altura del sigmoide (llamada \(H\) y definida como la relación entre el número de gusanos en los extremos de alta y baja densidad), la velocidad a la que el número de gusanos aumenta con la densidad bacteriana (llamada \( k\) y definida como la pendiente en el punto medio del sigmoide), y la densidad bacteriana a la que el sigmoide comienza a crecer (llamada \({D}_{{{\mbox{attract}}}}\) y definida como la densidad en la que el número de gusanos alcanza 5 veces el número de gusanos encontrados en parches con densidad bacteriana cero). Este último parámetro lo podemos entender como la densidad bacteriana mínima necesaria para atraer significativamente a los gusanos, por eso lo llamamos Densidad de Atracción. Después de ajustar estos tres parámetros, nuestro sigmoide describe los datos experimentales (Fig. 1b, línea negra).
Para investigar si nuestros resultados son aplicables a diferentes tipos de alimentos, realizamos nuestros experimentos con 12 cepas diferentes, distribuidas en 11 especies y 7 familias. Cinco de estas cepas son comunes en los estudios de C. elegans, mientras que las siete cepas restantes son bacterias que aislamos del intestino de gusanos C. elegans cultivados en el laboratorio con diferentes tipos de abono natural (ver Métodos).
Descubrimos que las respuestas de C. elegans a todas las cepas bacterianas pueden describirse mediante nuestra ecuación sigmoidea, después de ajustar sus tres parámetros de forma independiente para cada cepa (Fig. 1d y Figuras complementarias 4, 5). Para cuantificar la bondad general de este ajuste, comparamos la proporción de gusanos en cada parche de alimento para cada condición experimental con las predicciones de nuestro modelo sigmoidal (Figura complementaria 2b). Obtuvimos un acuerdo excelente, ya que nuestro modelo describe el 93% de toda la varianza experimental (Fig. 1e).
Los sigmoides que se muestran en la Fig. 1d se ven notablemente similares, su mayor diferencia es un desplazamiento horizontal, que está controlado por la densidad de atracción (\({D}_{{{\mbox{attract}}}}\)). De hecho, encontramos que las diferencias entre cepas bacterianas en los parámetros \(H\) y \(k\) son pequeñas, mientras que \({D}_{{{\mbox{attract}}}}\) difiere hasta 50- doblar a lo largo de las cepas (Figura complementaria 5).
Nuestra hipótesis es que C. elegans podría abordar las diferencias entre cepas bacterianas simplemente calculando una densidad efectiva y reaccionando a ella. Definimos la densidad efectiva como \(D/{D}_{{{\mbox{attract}}}}\), y descubrimos que este cambio de escala de la densidad bacteriana eliminó la mayoría de las diferencias entre las cepas bacterianas (Fig. 1f). . Por lo tanto, reajustamos todos nuestros datos con un solo sigmoide, para describir todas las cepas con los mismos parámetros (\(H=146\), \(k=1.4\), línea negra en la Fig. 1f). Este sigmoide común describe todos nuestros datos casi con tanta precisión como los ajustes separados (Fig. 1g).
Luego preguntamos si la respuesta de C. elegans estaba bien adaptada para elegir los parches de alimento que maximizaran su aptitud. Para estimar cómo un período de explotación de una zona de alimento determinada afecta la aptitud de C. elegans, contamos el número de huevos puestos por un gusano individual que se alimenta de una zona de alimento durante 5 h. Para eliminar el efecto de la preferencia alimentaria tanto como sea posible, rodeamos el parche de comida con un anillo de cobre que impidió que el gusano escapara, obligándolo a permanecer en el parche de comida independientemente de su preferencia (Fig. 2a). Descubrimos que incluso en ausencia de alimento, los gusanos ponen un promedio de 3 huevos, que probablemente se produjeron mientras los gusanos se alimentaban de OP50 de alta densidad antes del inicio del ensayo. El número de huevos aumentó más allá de esta línea de base en presencia de alimento, alcanzando un promedio de 20 huevos en altas densidades de alimento. Este elevado número de óvulos requiere una producción activa de óvulos durante el ensayo, ya que los hermafroditas adultos jóvenes bien alimentados suelen almacenar entre 10 y 15 óvulos en el útero, y sólo una fracción de ellos están maduros39. La cantidad de huevos aumentó drásticamente a una densidad de alimentos determinada que llamamos \({D}_{{{\mbox{fitness}}}}\), y se estabilizó en densidades más altas (Fig. 2b).
Esquema experimental para estimar el impacto en la aptitud física: se colocó un solo gusano en medio de un parche de comida y se lo rodeó por un anillo de cobre para evitar que escapara. Cinco horas más tarde, se contó el número de huevos. b Número de huevos puestos después de 5 h en una zona de alimento de DA1885, en función de la densidad de la zona de alimento (círculos abiertos). Línea horizontal punteada: número promedio de huevos cuando no había alimento presente. Línea horizontal discontinua: Umbral elegido para determinar cuándo aumenta el número de huevos con respecto a la línea base sin alimento. Punto sólido: Punto en el que el número de huevos cruza el umbral, que define \({D}_{{{\mbox{fitness}}}}\). c Igual que (b), pero para 11 cepas bacterianas y sin barras de error. d Densidad a la que los gusanos comienzan a poner más huevos (\({D}_{{{\mbox{fitness}}}}\)), versus densidad a la que los gusanos comienzan a ser atraídos a un parche de comida (\({D}_ {{{\mbox{atraer}}}}\)). La línea indica la proporcionalidad perfecta entre las dos variables (\({D}_{{{\mbox{fitness}}}}=0.2{D}_{{{\mbox{attract}}}}\); el valor de la La constante de proporcionalidad tiene pocas consecuencias, ya que depende de los umbrales elegidos para definir \({D}_{{{\mbox{attract}}}}\) y \({D}_{{{\mbox{fitness}} }}\)). El color y la forma de todos los marcadores identifican la cepa bacteriana, siguiendo la leyenda en la Fig. 1. Todas las barras de error muestran intervalos de confianza del 95%, calculados mediante arranque; consulte la Tabla complementaria 1 para conocer los tamaños de muestra y los Datos complementarios 1 para conocer los datos y el código de computadora que generan esta figura.
La puesta de huevos aumenta con la densidad bacteriana siguiendo una tendencia similar para todas las cepas, siendo la principal diferencia un cambio en la densidad en la que se produce el aumento (\({D}_{{{\mbox{fitness}}}}\) ) (Figura 2c). Por lo tanto, una respuesta de comportamiento óptima que maximice la producción de huevos también debería seguir la misma tendencia para todas las cepas con un cambio en la densidad, que es lo que encontramos para la ocupación del parche (Fig. 1). La pregunta es si los cambios de densidad en la preferencia de alimentos (caracterizados por la densidad de atracción \({D}_{{{\mbox{attract}}}}\)) corresponden a los que se encuentran en la puesta de huevos (caracterizados por \({ D}_{{{\mbox{fitness}}}}\)). Descubrimos que este es el caso: \({D}_{{{\mbox{fitness}}}}\) y \({D}_{{{\mbox{attract}}}}\) son proporcionales ( p = 0,03, regresión lineal), que en un gráfico log-log corresponde a una línea con pendiente 1 (línea negra en la Fig. 2d).
Tres valores atípicos se desvían de la tendencia general (Fig. 2d). Uno de estos valores atípicos es E. coli OP50, que también se utilizó para alimentar a los gusanos antes del experimento. Esta experiencia previa podría explicar la desviación, porque C. elegans puede aprender olores y sabores asociados con alimentos beneficiosos20,22, y este aprendizaje podría aumentar el atractivo de OP50 con respecto a cepas desconocidas. Los otros dos valores atípicos (Bacillus safensis CR164 y Pseudomonas viridiflava CR90) no pueden explicarse de esta manera. Estas desviaciones sugieren que el comportamiento de C. elegans es casi óptimo pero no perfectamente óptimo, aunque debemos tener en cuenta que sólo medimos un indicador de la aptitud (número de huevos puestos en 5 h), y una medición más precisa podría explicar parcialmente los valores atípicos. En cualquier caso, concluimos que C. elegans está utilizando una regla general, centrándose en señales que le permiten adaptar su comportamiento a la mayoría de las cepas, y probablemente descuidando otras que serían relevantes para los valores atípicos.
A continuación preguntamos qué propiedades de los alimentos determinan la regla general observada. Primero planteamos la hipótesis de que los gusanos elegirían las zonas de alimento con mayor densidad de biomasa, ya que la densidad de biomasa determina la cantidad real de alimento disponible. Hasta ahora hemos informado la densidad bacteriana utilizando la densidad óptica (OD), que mide la cantidad de luz absorbida por un cultivo bacteriano. La DO es proporcional a la densidad de biomasa de una cepa bacteriana determinada, pero diferentes cepas bacterianas tienen diferentes tamaños, formas y composiciones celulares, lo que afecta la transmisión de luz a través del cultivo. Por lo tanto, cultivos de diferentes cepas con la misma DO pueden tener diferente densidad de biomasa. Planteamos la hipótesis de que los diferentes valores de densidad de atracción (\({D}_{{{\mbox{attract}}}}\)) en términos de OD podrían de hecho reflejar el mismo umbral de densidad en términos de biomasa.
Para medir la densidad de biomasa de cada cepa bacteriana, determinamos la relación entre el contenido de biomasa y la DO. Lo hicimos midiendo el peso de la biomasa seca que queda después de evaporar toda el agua contenida en los cultivos bacterianos de todas nuestras cepas. Si las diferencias de biomasa explicaran nuestros resultados, deberíamos encontrar una relación inversa entre el contenido de biomasa y \({D}_{{{\mbox{attract}}}}\), porque las cepas con el doble de biomasa en OD = 1 debería tener una densidad efectiva dos veces mayor y, por lo tanto, su densidad de atracción (\({D}_{{{\mbox{attract}}}}\)) debería reducirse a la mitad.
Si bien encontramos una ligera correlación negativa (p = 0,05, regresión lineal) entre el contenido de biomasa y \({D}_{{{\mbox{attract}}}}\), esta correlación es demasiado débil para explicar las diferencias. entre cepas bacterianas: la densidad de biomasa cambia menos de 3 veces entre diferentes cepas, mientras que \({D}_{{{\mbox{attract}}}}\) cambia hasta 50 veces (Fig. 3a; si hay diferencias en densidad de biomasa explicaran las diferencias en \({D}_{{{\mbox{attract}}}}\), los puntos de datos deberían seguir la diagonal negra, que tiene pendiente -1 en este gráfico log-log). De hecho, el uso de densidad de biomasa en lugar de OD no mejora las predicciones de ocupación de parches (Figura complementaria 6). Por lo tanto, la densidad de biomasa no es el principal factor de elección de alimentos en C. elegans.
El color y la forma de los marcadores identifican cepas bacterianas (ver leyenda en la Fig. 1). a Densidad de biomasa para cada cepa con OD = 1 (medida en gramos de peso seco, gDW, por litro), versus su densidad de atracción (\({D}_{{{\mbox{attract}}}}\)). Línea negra: Relación inversa (proporcional a 1/\({D}_{{{\mbox{attract}}}}\)), que indicaría que la densidad de biomasa es responsable de las diferencias observadas en \({D}_ {{{\mbox{atraer}}}}\). b Número de células por microlitro con OD = 1 para cada cepa, frente a \({D}_{{{\mbox{attract}}}}\) para cada cepa. Línea negra: Relación inversa (proporcional a 1/\({D}_{{{\mbox{attract}}}}\)), que indica que el número de células es responsable de las diferencias observadas en \({D} _{{{\mbox{atraer}}}}\). c Número relativo de gusanos encontrados en cada parche de comida, como función de la densidad bacteriana (medida en células/mm2) en el parche de comida. Línea negra: Sigmoide, adaptada a todas las cepas. d Proporción medida de gusanos en cada parche de alimento, versus proporción predicha por el sigmoide en (c). Todas las barras de error muestran el intervalo de confianza del 95 %, calculado mediante arranque; consulte la Tabla complementaria 1 para conocer los tamaños de muestra y los Datos complementarios 1 para conocer los datos y el código de computadora que generan esta figura.
A continuación, planteamos la hipótesis de que la densidad celular podría estar impulsando la preferencia. Por las mismas razones analizadas en la sección anterior, diferentes cepas bacterianas tendrán diferente densidad celular (es decir, número de células por unidad de volumen) con la misma DO. Determinamos la densidad celular en nuestros cultivos mediante una combinación de placas y observaciones microscópicas (ver Métodos). En cuanto a la biomasa, esperábamos encontrar una relación inversa entre \({D}_{{{\mbox{attract}}}}\) y la densidad celular en OD = 1.
Encontramos una excelente correlación inversa entre \({D}_{{{\mbox{attract}}}}\) y la densidad celular en OD = 1 (p = 0,002, regresión lineal), y en este caso la correlación fue fuerte suficiente para explicar toda la variabilidad en \({D}_{{{\mbox{attract}}}}\) (Fig. 3b). Este resultado indica que la densidad efectiva que impulsa el comportamiento de C. elegans es simplemente densidad bacteriana, pero medida en número de células por unidad de volumen (o número de células por unidad de superficie, una vez que las bacterias se colocan en la superficie de la placa de agar). ). Confirmamos este hecho trazando nuestros datos originales con la densidad bacteriana medida en células/mm2 y comparándolos con un solo sigmoide (Fig. 3c).
Por lo tanto, una regla que caracteriza una porción de alimento exclusivamente por su densidad en células/mm2 (sin hacer distinción entre cepas bacterianas), describe los resultados experimentales con alta precisión (Fig. 3d). Sin embargo, encontramos una ligera caída en la precisión: nuestro modelo anterior explicaba el 90% de toda la varianza experimental (\({R}^{2}=0.9\), Fig. 1g), mientras que el actual explica el 80%. (\({R}^{2}=0,8\), figura 3d). Esta caída en la precisión probablemente se deba a una combinación de dos cuestiones: en primer lugar, otros factores además de la densidad de las células bacterianas pueden contribuir a la densidad efectiva que impulsa el comportamiento de C. elegans, por lo que esta caída en la precisión puede reflejar la complejidad biológica real. En segundo lugar, nuestro modelo actual ha sustituido los \({D}_{{{\mbox{attract}}}}\) que se ajustaron a nuestros resultados de comportamiento por una medición independiente de la densidad celular de cada cepa bacteriana, y el experimento las imprecisiones de esta medición separada necesariamente deben reducir la precisión del ajuste general.
En cualquier caso, nuestros resultados indican de manera sólida que al menos el 90 % de la respuesta de C. elegans a las bacterias está impulsada por una densidad efectiva (Fig. 1g), y al menos el 80 % de la respuesta puede explicarse por una única variable ambiental ( densidad de células bacterianas, Fig. 3d), que es la más informativa en términos de beneficio de aptitud física (en comparación con alternativas, como la densidad de biomasa).
Todos los resultados anteriores corresponden a experimentos en los que los gusanos fueron expuestos a una única cepa bacteriana a la vez. A continuación, probamos si nuestra regla podía predecir la ocupación de parches en entornos que contenían parches de alimentos de varias especies diferentes. Para probar esto, utilizamos Escherichia coli OP50 más otras dos cepas, DA1880 y CR266, que elegimos con el único criterio de tener valores de \({D}_{{{\mbox{attract}}}}\) (como informado en la figura complementaria 5c) que cubre una amplia gama. Luego realizamos experimentos con cinco parches de diferentes especies y con diferentes densidades (Fig. 4a), registramos el número de gusanos en cada parche de alimento después de 2 h y comparamos estos resultados con los resultados predichos por nuestro modelo (usando los mismos parámetros que en la figura 1f). Realizamos este experimento para muchas combinaciones diferentes de densidades de las tres cepas bacterianas (Figura 7 complementaria), obteniendo una buena concordancia general entre las predicciones y los resultados experimentales (Figura 4b, c).
a Esquema de la configuración experimental: colocamos 5 parches de comida de diferentes densidades y diferentes especies bacterianas, y contamos el número de gusanos por parche después de 2 h. b Número relativo de gusanos encontrados en cada parche de comida, como función de la densidad efectiva (\({D/D}_{{atraer}}\)). Línea negra: Sigmoide con \(H=146\), \(k=1.4\). c Proporción medida de lombrices en cada parche de alimento, versus la proporción predicha por el sigmoide usando la densidad efectiva y los mismos parámetros que en el cuadro b. Consulte la Figura complementaria 7 para obtener resultados separados por condición, la Tabla complementaria 1 para conocer los tamaños de muestra y los Datos complementarios 1 para conocer los datos y el código de computadora que generan esta figura. Todas las barras de error son intervalos de confianza del 95%, calculados mediante arranque.
Nuestros resultados indican que C. elegans simplemente mide la cantidad de bacterias encontradas por unidad de superficie al decidir si seguir explotando un parche de comida o abandonarlo. Este resultado produce una predicción interesante, que a su vez proporciona una prueba más sólida de nuestras hipótesis. Consideremos una zona alimenticia en la que dos cepas bacterianas están bien mezcladas. Un gusano que explore este parche de alimento estará expuesto simultáneamente a ambas cepas, por lo que cualquier factor como la diferente composición celular, el diferente tamaño de las células o los diferentes metabolitos, se percibirá casi simultáneamente. No sabemos cómo se combinan estos estímulos en el sistema nervioso de C. elegans, por lo que si desempeñan un papel importante sería difícil predecir la respuesta de C. elegans a una zona de alimentos mixtos. Como referencia definimos un modelo nulo razonable, asumiendo que la respuesta a una parcela de alimentos mixtos sería un promedio de las respuestas a las correspondientes parcelas puras, ponderadas por sus proporciones relativas en la mezcla. Por lo tanto, definimos nuestro modelo nulo como cualquier resultado entre las medias aritmética y geométrica ponderada de las respuestas a cada cepa por separado (Fig. 5a).
a Número relativo de gusanos predicho por el modelo sigmoidal para parches de DA1885 (azul oscuro) y CR266 (azul claro), en función de la densidad bacteriana (medida en OD). Nuestro experimento se llevó a cabo en OD = 0,5 (línea discontinua negra), donde DA1885 es aproximadamente 10 veces más atractivo que CR266 (círculos). El modelo nulo para una mezcla 50:50 de ambas cepas va de la media geométrica a la media aritmética de los dos parches puros (barra de error negra). b Número relativo de gusanos en una parcela de alimento, en función de su densidad bacteriana efectiva (\({D/D}_{{{\mbox{atraer}}}}\)). Círculos: Densidad efectiva para CR266 y DA1885 con OD = 0,5. Cruz roja: Densidad bacteriana efectiva para una mezcla 50:50 de CR266 y DA1885 con OD = 0,5 (la densidad efectiva de la mezcla 50:50 es la media aritmética de ambas densidades efectivas, que en escala logarítmica se ubica más cerca de la más alta uno). c Esquema experimental: Se expusieron lombrices a 5 parches de alimento con diferentes fracciones de CR266 y 1885, siempre a OD = 0,5. Los gusanos en cada parche se contaron después de 2 h. d Número de gusanos en cada parche de alimento, en función de la fracción de DA1885 en el parche de alimento. Puntos: resultados experimentales (las barras de error muestran el intervalo de confianza del 95 %, calculado mediante arranque). Línea roja: Predicción del modelo sigmoidal. Parche gris: Predicción del modelo nulo. Consulte la Tabla complementaria 1 para conocer los tamaños de muestra y los Datos complementarios 1 para conocer los datos y el código de computadora que generan esta figura.
Por el contrario, si la respuesta de C. elegans está determinada por la densidad celular de la zona de alimento, podemos predecir la respuesta a cualquier zona mixta, calculando su densidad efectiva (que es el promedio de las densidades efectivas de ambas cepas, porque la densidad celular es aditivo), y usamos nuestro modelo sigmoidal para predecir la respuesta del gusano (Fig. 5b). Al elegir pares de cepas bacterianas con \({D}_{{{\mbox{attract}}}}\) muy diferentes, podemos tener casos en los que esta respuesta predicha es muy diferente del modelo nulo (compárese con la Fig. 5a). y figura 5b).
Para probar estas predicciones, realizamos experimentos con parches de comida que contienen mezclas de CR266, que tiene un alto \({D}_{{{\mbox{atraer}}}}\), y DA1885, que tiene un bajo \({ D}_{{{\mbox{atraer}}}}\). Preparamos cultivos a OD = 0,5 para ambas cepas y preparamos 5 mezclas con proporciones DA1885:CR266 de 0:1, 0,125:0,875, 0,25:0,75, 0,5:0,5 y 1:0. Dado que ambos cultivos puros tenían OD = 0,5, las 5 mezclas también tenían OD = 0,5 (rango 0,49–0,51). Luego realizamos nuestro experimento, dejando que los gusanos eligieran entre 5 parches de comida hechos a partir de estas 5 mezclas (Fig. 5c).
Los resultados experimentales siguen las predicciones del modelo sigmoidal y rechazan claramente el modelo nulo (Fig. 5d). Por construcción, nuestro modelo nulo coincide exactamente con los datos experimentales para los dos parches de una sola especie (fracciones 0 y 1), pero está muy lejos de los datos experimentales para los parches mixtos. Además del par de cepas presentadas aquí, medimos otros tres pares (un total de cuatro). Tres de los cuatro pares mostraron una excelente concordancia con nuestras predicciones y en todos los casos encontramos una mejor concordancia con nuestras predicciones que con el modelo nulo (Figura complementaria 8).
En nuestros experimentos, la respuesta de C. elegans a los alimentos en todas las especies bacterianas estuvo impulsada por una única variable: la densidad efectiva de los alimentos. Esta densidad efectiva parece corresponder a la densidad de células bacterianas (es decir, el número de células por unidad de superficie), teniendo otros factores que dependen de la cepa bacteriana, como el contenido de biomasa, efectos menores.
Nuestros resultados experimentales pueden parecer contradecir estudios anteriores, pero en realidad son consistentes con ellos. Estudios anteriores34,35 mostraron grandes diferencias en las preferencias entre ciertas cepas, como E. coli Hb101 y E. coli DA837, que es muy similar a OP50 y provoca la misma respuesta de comportamiento (Figura complementaria 9). Por el contrario, sólo encontramos diferencias moderadas entre Hb101 y OP50. Pero los estudios que mostraron diferencias mayores se realizaron en placas de agar nutritivo, en las que las bacterias podían crecer después de ser depositadas en la placa. OP50 es un auxótrofo de uracilo, lo que limita su crecimiento en medios sólidos, mientras que Hb101 no tiene esta limitación y crece a mayores densidades en placas de agar. Por lo tanto, las diferencias entre cepas observadas en estudios previos pueden atribuirse a diferencias en la densidad bacteriana. Otra aparente contradicción es la evidencia de que las bacterias menos preferidas son difíciles de comer para C. elegans34,40. No esperaríamos que aumentar la densidad de las bacterias difíciles de comer las hiciera tan rentables como las cepas más fáciles de comer, por lo que la regularidad de nuestros resultados desafía este hallazgo anterior. Sin embargo, la razón principal por la que se planteó la hipótesis de que algunas cepas bacterianas eran más difíciles de comer fue que tenían un tamaño celular mayor34,40, y las cepas con tamaños celulares más grandes tienden a tener densidades celulares más pequeñas en el momento de la saturación. Por tanto, las diferencias observadas en estudios anteriores también se correlacionaron con la densidad celular. Una última contradicción aparente proviene de estudios que han demostrado que S. marcescens (Db10) es un patógeno de C. elegans y los gusanos lo evitan activamente41,42. No encontramos tal comportamiento de evitación, pero tanto la fuerte patogenicidad como la respuesta de evitación requieren la producción activa de una toxina por parte de las bacterias, lo que no fue posible en nuestras condiciones experimentales debido a la falta de nutrientes en las placas. Como control, comprobamos que podíamos reproducir la evitación de S. marcescens por parte de C. elegans al realizar experimentos en placas NGM en lugar de en nuestras placas experimentales (Figura complementaria 10). En resumen, revelar la regla general de búsqueda de alimento de C. elegans requirió un control preciso de la densidad bacteriana y desacoplar el efecto de las toxinas y otros metabolitos.
Sigue siendo una cuestión abierta determinar qué mecanismos son responsables de la respuesta de C. elegans al número de células bacterianas. Una posible hipótesis sería que el número de bacterias es la forma más fácil para que C. elegans estime la densidad bacteriana. C. elegans parece estimar la disponibilidad de alimentos a partir de la cantidad de alimentos ingeridos a través de su molinillo por unidad de tiempo31,43, y esta medición podría estar determinada por la cantidad de cuerpos discretos deglutidos. Sin embargo, esta hipótesis no explicaría por qué C. elegans pone más huevos cuando se alimenta de parches de alimentos con alta densidad celular, independientemente de su densidad de biomasa. Dos hipótesis alternativas serían consistentes con este resultado: en primer lugar, podría ser que la bacteria produzca ciertos nutrientes clave célula por célula, y que tanto la atracción de C. elegans por los alimentos como su capacidad para poner huevos se correlacionen con su concentración. En segundo lugar, podría ser que un número elevado de células facilite que C. elegans encuentre y consuma bacterias. Esto podría ser especialmente importante en densidades bacterianas bajas: con una densidad de, por ejemplo, 104 células/mm2, sólo alrededor del 1% de la superficie de una zona de comida está realmente cubierta por bacterias. Por lo tanto, en esta densidad los gusanos deben encontrar células individuales o pequeños grupos de células, que están escasamente distribuidas. El éxito de esta búsqueda podría ser el factor clave que impulse la tasa de alimentación de C. elegans, y dependería del número de células más que de la densidad de biomasa total. Actualmente no tenemos evidencia suficiente para decidir entre estas dos hipótesis.
El papel de la concentración de oxígeno merece un comentario aparte, ya que nuestros resultados difieren de la mayoría de estudios previos a este respecto. C. elegans se siente atraído por bajas concentraciones de oxígeno, posiblemente como un medio para encontrar alimento (ya que las densas poblaciones bacterianas agotan el oxígeno en sus inmediaciones)32,44,45,46. La mayoría de los estudios previos sobre la búsqueda de alimento de C. elegans utilizaron parches bacterianos que crecían en medios ricos (generalmente NGM21,24,26,29,34,44,45,46 o NGM14,32 con bajo contenido de peptona, donde las bacterias aún pueden crecer), donde el metabolismo bacteriano está activo y, por lo tanto, las bacterias están agotando activamente el oxígeno. Por el contrario, nuestros experimentos se llevaron a cabo en placas que carecían de nutrientes para las bacterias y con pequeñas cantidades de antibióticos bacteriostáticos para asegurar que la densidad bacteriana se mantuviera constante durante las 24 h que transcurrieron entre la deposición de las gotas bacterianas y el experimento de comportamiento. Por esta razón, no esperamos que nuestros parches de comida agoten significativamente el oxígeno (al menos, el agotamiento de oxígeno debería ser mucho menor que en otros estudios). Por un lado, esta diferencia plantea la cuestión de si nuestros resultados seguirían siendo válidos en situaciones con agotamiento de oxígeno activo, una pregunta que no pudimos responder experimentalmente porque es difícil controlar con precisión la densidad de bacterias metabólicamente activas. Por otro lado, nuestros resultados muestran que C. elegans es capaz de buscar alimento de manera eficiente incluso sin la ayuda de señales de oxígeno.
Una limitación de nuestro estudio es que medimos un único resultado experimental (ocupación del parche). Las diferencias en este resultado surgen de cambios en parámetros elementales de comportamiento, como la velocidad, la velocidad de giro, la probabilidad de diferentes estados de comportamiento (como itinerancia, permanencia y quietud), etc.24,25,26,30. Un estudio más detallado de estos parámetros podría revelar diferencias que no fueron evidentes aquí. Este mayor grado de detalle no fue posible al nivel de rendimiento y cobertura necesarios para revelar la regla general, pero es el siguiente paso natural hacia la revelación de su implementación mecanicista y neuronal.
Una segunda limitación de nuestro estudio es que, si bien nuestra colección de cepas bacterianas es mayor y más diversa que las utilizadas en la mayoría de los estudios anteriores, no pudimos muestrear toda la diversidad de bacterias naturales. En particular, las limitaciones experimentales nos restringieron a bacterias que crecen aeróbicamente en medio LB. Además, la mayoría de nuestras cepas resultaron tener forma de varilla (dos de ellas formando cadenas o filamentos; Figura complementaria 11 y Tabla complementaria 2), por lo que no sabemos si diferentes formas cambiarían la respuesta de C. elegans. Sin embargo, nuestras cepas mostraron una gran variabilidad en muchas otras variables: cubren 7 familias bacterianas diferentes, muestran una diferencia de volumen de más de 30 veces entre las cepas más pequeñas y más grandes (Tabla complementaria 2) e incluyen tanto bacterias grampositivas como grampositivas. -bacterias negativas, especies con crecimiento anaeróbico facultativo, diferencias en la reducción de nitratos, etc. (Tablas complementarias 3 y 4). Esta variabilidad es suficiente para respaldar nuestras conclusiones principales: la amplia diversidad en el tamaño de las células muestra que C. elegans responde al número de células con más fuerza que a otras formas de medir la densidad bacteriana (como la biomasa), y que su respuesta es independiente de otras características de las cepas bacterianas (composición de la membrana, tipo de metabolismo, etc.).
Una tercera limitación de nuestro estudio es el uso de la puesta de huevos como indicador de la aptitud física. La aptitud física es una magnitud difícil de alcanzar y medirla directamente es difícil porque requiere mediciones a largo plazo a lo largo de varias generaciones47,48. Se pueden utilizar diferentes indicadores de aptitud física, y estudios previos en C. elegans utilizaron el número de crías49,50, la tasa de desarrollo34,49, el número de crías que alcanzan la edad adulta49,51, la longevidad49 y otros52. Si bien las mediciones a más largo plazo reflejan mejor el curso evolutivo real de la población, sólo tienen sentido cuando el medio ambiente sigue siendo relevante y estable durante un período de tiempo suficientemente largo. Este no fue nuestro caso, ya que nuestros experimentos de acondicionamiento físico se realizaron con una sola porción de alimento, en lugar de en un entorno más naturalista. Estas condiciones nos obligaron a utilizar la puesta de huevos como indicador a corto plazo de la aptitud física, con la limitación adicional de que no podíamos esperar a que los huevos eclosionaran, lo que podría reducir aún más la precisión de nuestras mediciones (ver Métodos). Sin embargo, vale la pena señalar que los factores que afectan la aptitud a largo plazo en un entorno naturalista (como la disponibilidad futura de alimentos, la temperatura futura, la depredación, etc.) son inciertos mientras un individuo explota una zona alimentaria. Por lo tanto, las decisiones de búsqueda de alimento probablemente estén impulsadas por el beneficio instantáneo del alimento sobre la capacidad del gusano para producir descendencia, lo cual está bien representado por el número de huevos medidos en nuestro experimento.
Una cuarta limitación de este estudio es la falta de crecimiento bacteriano, lo que limita la producción de metabolitos bacterianos. Estos metabolitos probablemente sean relevantes en condiciones naturales, como ciertamente es el caso de las bacterias patógenas41,42. Nuestras condiciones experimentales fueron necesarias para controlar adecuadamente la densidad bacteriana, y la buena correlación entre el comportamiento y el beneficio de aptitud física muestra la relevancia ecológica de nuestras observaciones. Estas condiciones experimentales controladas han revelado un mecanismo conductual central, que produce una respuesta adaptativa al centrarse en la variable ambiental más informativa.
Todos los experimentos se realizaron con Caenorhabditis elegans, cepa N2, obtenida del Caenorhabditis Genetics Center (Universidad de Minnesota, https://cgc.umn.edu/) y se mantuvieron utilizando prácticas estándar53. Los gusanos crecieron a 22 °C en medio de crecimiento de nematodos (NGM: 3 g/l de NaCl, 2,5 g/l de peptona, 20 g/l de agar, 25 ml/l de tampón de fosfato de potasio, pH 6, 1 mM de MgSO4, 5 mg/l de colesterol). , CaCl2 1 mM), en placas de Petri de 100 mm de diámetro sembradas con 200 μL de un cultivo saturado de bacterias E. coli OP50 (cultivadas durante la noche en LB a 22 °C). Los gusanos se transfirieron a un plato nuevo cada 1 a 3 días para evitar el agotamiento de los alimentos, de modo que los gusanos utilizados en cualquier experimento procedían de una población que no había experimentado un agotamiento de los alimentos durante al menos 5 generaciones. Para evitar la acumulación de mutaciones, nos aseguramos de que nuestra población nunca estuviera a más de 30 generaciones de los individuos recibidos del CGC. Realizamos todos los experimentos con gusanos de 48 h de edad, sincronizados mediante blanqueo y recolección de huevos (es decir, los experimentos se realizaron 48 h después de volver a alimentar las larvas L1 obtenidas mediante el procedimiento de blanqueo).
Escherichia coli (OP50), Escherichia coli (Hb101), Escherichia coli (DA837), Serratia marcescens (Db10), Bacillus megaterium (DA1880) y Bacillus simplex (DA1885) se obtuvieron del Centro de Genética de Caenorhabditis. Lysinibacillus boronitolerans (CR13), Bacillus flexus (CR87), Pseudomonas viridiflava (CR90), Ochrobactrum grignonense (CR155), Bacillus safensis (CR164), Corynebacterium variabile (CR181), Rhodococcus Globerulus (CR266), Pseudomonas veronii (CR220) y Raoultella terrigena (CR225) fueron aislados por nosotros del intestino de gusanos C. elegans N2 que se habían alimentado de abono orgánico (ver más abajo).
Las bacterias se sembraron en placas NGM a partir de una solución madre de glicerol a -80 °C, se almacenaron a 4 °C y se volvieron a sembrar en una placa nueva cada 2 semanas para garantizar la viabilidad. Para preparar cultivos líquidos, inoculamos una o dos colonias bacterianas en 5 ml de medio LB y las incubamos durante 24 h, a 22 °C, con agitación orbital a 300 rpm, en un tubo Falcon cerrado de 50 ml. Luego, se inoculó 1 μL de este cultivo en 5 o 10 ml de LB fresco y se incubó durante otras 24 h en las mismas condiciones. E. coli Hb101 fue una excepción, ya que tardó más de 24 h en alcanzar la saturación. En este caso omitimos la segunda inoculación, continuando la incubación del cultivo original por un total de 48 h.
Las cepas de microbiota natural de C. elegans se aislaron cultivando C. elegans en diferentes tipos de material orgánico podrido, seguido de lavar y esterilizar los gusanos en el exterior, molerlos y colocar la suspensión bacteriana resultante en placas de agar.
Primero preparamos E. coli OP50 muerta por calor cultivando OP50 durante 24 h en 200 ml de caldo de soja tríptico (Teknova, Hollister, CA, EE. UU.) a 37 °C, seguido de centrifugado y resuspensión en 4 ml de medio S (preparado como descrito en 53) e incubación a 80°C durante 24 h. Este procedimiento da como resultado 50x E. coli OP50 (50x en comparación con la densidad en saturación).
Se alimentaron a las lombrices con dos tipos de fuentes de alimento: diferentes tipos de (i) abono y (ii) frutas y verduras podridas. Algunas manzanas podridas se recogieron directamente del exterior. Otras frutas como manzanas, apio, almendras y chirivías se colocaron en suelo local de Boston, MA, en una caja de plástico doméstica (Sterilite) con tapa semiabierta y se incubaron en el laboratorio a temperatura ambiente hasta que las frutas estuvieron muy descompuestas (~3 semanas). ). Las muestras de abono se tomaron de dos pilas de abono locales en Boston, MA, que contenían principalmente desechos de cocina y jardín. Se añadió a las muestras una cierta cantidad de solución salina tamponada con fosfato y perlas de vidrio. Las muestras se homogeneizaron mediante agitación vorticial a altas velocidades. La solución resultante se filtró a través de un filtro de 5 µm (Millex-SV 5,0 µm, MerckMillipore, Darmstadt, Alemania) para eliminar las partículas más grandes. La emulsión resultante se extendió sobre placas de agar con medio S sin citrato.
C. elegans N2 se cultivó por primera vez en césped de E. coli OP50 en placas NGM. Los gusanos se eliminaron de las placas por lavado con tampón de gusanos M9 con Triton X-100 al 0,1%. Se dejó que los gusanos se hundieran durante aproximadamente 1 minuto y se eliminó el sobrenadante. Los gusanos se resuspendieron en medio S que contenía 100 µg/ml de gentamicina y 5 veces OP50 muerto por calor (5 veces en comparación con la densidad tras la saturación). Las lombrices se incubaron en esa solución durante 24 h a temperatura ambiente con agitación suave (tubo de 50 ml, tapa semidesenroscada). Finalmente, los gusanos se lavaron dos veces con tampón de gusanos M9 + Triton X-100 al 0,1%.
Las lombrices libres de gérmenes se añadieron a las placas con material orgánico podrido durante aproximadamente 1 semana. Después de ese tiempo, los gusanos se lavaron de las placas con tampón de gusanos M9 con Triton X-100 al 0,1%. Los gusanos se lavaron dos veces con tampón de gusanos M9 con Triton X-100 al 0,1% (centrifugación a 2000 g, 10 s). Posteriormente, los gusanos se resuspendieron en 1 ml de tampón para gusanos M9 helado con Triton X-100 al 0,1% y se incubaron en hielo durante 10 minutos. Se agregaron 2 µL de lejía (Clorox) para matar las bacterias en el exterior del gusano y los gusanos se incubaron durante 6 minutos en hielo. Posteriormente, los gusanos se lavaron 3 veces con tampón de gusanos M9 enfriado con hielo con Triton X-100 al 0,1%. Los gusanos individuales se transfirieron a tubos de reacción de 0,6 ml (Eppendorf) y se trituraron con un mortero motorizado (Kimble Kontes Pellet Pestle, Fisher Scientific) durante al menos 1 minuto. La solución resultante se sembró en una placa de agar con caldo de soja tríptico (Teknova, Hollister, CA, EE. UU.) (agar al 2 %, placa de Petri de 150 mm de diámetro). De las colonias resultantes se seleccionaron colonias fisiológicamente únicas. Las colonias se sembraron nuevamente en agar caldo de soja tríptico y se comprobó la presencia de contaminaciones. Si se detectaban contaminaciones, las bacterias volvían a aparecer. Finalmente, las bacterias se cultivaron en caldo de soja tríptico a 30°C y se almacenaron como reservas de glicerol. La identidad de la especie se analizó mediante secuenciación 16 S Sanger (Genewiz, South Plainfield, Nueva Jersey).
La identidad filogenética se asignó a partir de la secuencia del gen 16 S rRNA mediante el paquete dada254 entrenado en el conjunto de datos del gen verde 16 S55. Las cepas están disponibles a través de los autores previa solicitud.
Los ensayos se realizaron en placas de forrajeo (3 g/L de NaCl, 20 g/L de agar, 25 mL/L de tampón de fosfato de potasio, pH 6, 1 mM MgSO4, 5 mg/L de colesterol, 1 mM CaCl2, 10 mg/L de cloranfenicol y 100 mg/L de novobiocina). La composición de estas placas fue diseñada para prevenir el crecimiento bacteriano, no contienen ningún nutriente para las bacterias y contienen dos antibióticos bacteriostáticos. Elegimos este cóctel de antibióticos después de medir la concentración mínima inhibidora (CIM) de 6 antibióticos bacteriostáticos diferentes y de todas nuestras cepas bacterianas. Nuestro objetivo era prevenir el crecimiento bacteriano mientras manteníamos las bacterias lo más saludables posible, y determinamos que 10 mg/L de cloranfenicol y 100 mg/L de novobiocina era la mejor combinación para prevenir el crecimiento de todas las cepas y al mismo tiempo mantener las concentraciones de antibióticos lo más bajas posible. . Comprobamos que todas las cepas bacterianas permanecían viables y con densidad óptica constante tras 24 h de exposición a este cóctel de antibióticos. Las placas se vertieron 1 semana antes de los ensayos y se almacenaron a temperatura ambiente.
Un día antes del experimento, los cultivos bacterianos se lavaron tres veces con tampón de forrajeo (3 g/L de NaCl, 25 mL/L de tampón de fosfato de potasio, pH 6, 1 mM MgSO4, 1 mM CaCl2, 10 mg/L de cloranfenicol y 100 mg/L). novobiocina). Después del último lavado, resuspendimos las bacterias en un tampón de alimentación, ajustando su DO con un espectrofotómetro (Jenway 7200, Cole-Parmer, Staffordshire, Reino Unido) a la DO máxima necesaria para nuestro experimento. Luego realizamos diluciones en serie en un tampón de alimentación para obtener todas las densidades necesarias.
Un robot de pipeteo (OT-2, Opentrons, Long Island City, NY, EUA, con modificaciones personalizadas para manejar placas de agar) colocó gotas de cultivo bacteriano en las placas de alimentación. En todos los casos utilizamos gotas de 40 μL, que se extendieron hasta un diámetro de 11,2 mm en promedio. Las gotas se dejaron secar durante la noche a 22 °C. Algunas de nuestras condiciones experimentales contenían un parche de comida con densidad bacteriana cero. En estos casos, simplemente dejamos una de las posiciones de caída vacía (no pipeteamos nada en esa posición), pero luego contamos la cantidad de gusanos en esa área como si hubiera un parche de comida.
Utilizamos placas de forrajeo de 55 mm de diámetro con cinco gotas de bacterias de 40 μL, formando un pentágono regular con los centros del parche a 13 mm de distancia del centro de la placa. Para cada condición experimental (que consta de cinco densidades de alimentos diferentes), preparamos al menos 4 versiones diferentes, permutando aleatoriamente la posición de las 5 densidades en los 5 parches de alimentos para minimizar los efectos debido a la posición relativa de los parches de alimentos. Luego preparamos al menos 8 réplicas de cada versión, por lo que teníamos un total de al menos 32 placas por condición. También aleatorizamos el orden en que se prepararon las diferentes condiciones. Los parches de comida se colocaron en las placas experimentales 1 día antes del experimento y se secaron durante la noche a 22 °C.
Se lavaron gusanos sincronizados de 48 h de sus placas de cultivo NGM con tampón de gusano M9 + Triton X-100 al 0,1 % (3 g/l de KH2PO4, 7,52 g/l de Na2HPO4.2H2O, 5 g/l de NaCl, 1 mM de MgSO4, 0,1 % Triton X-100; se añadió Triton X-100 para evitar que los gusanos se adhieran a las puntas de las pipetas). Para eliminar todas las bacterias, lavamos la suspensión de lombrices resultante 6 veces con M9 + Triton X-100 al 0,1% usando una centrífuga de mesa (~ 5 s de centrifugado fueron suficientes para sedimentar los gusanos y dejar las bacterias en suspensión). Luego, el robot de pipeteo colocó los gusanos en el medio de las placas experimentales, en gotas de 10 a 15 μL (ajustado para un promedio de 10 gusanos por placa). El procedimiento de lavado completo tomó entre 8 y 10 min y la colocación de las lombrices tomó como máximo 5 min, por lo que como máximo transcurrieron 15 min entre la placa de cría y la placa experimental.
Los gusanos se dejaron en las placas durante 2 h a 22 °C y luego tomamos imágenes de las placas a 1200 ppp utilizando un escáner (Epson Perfection V850 Pro). Protocolos anteriores que utilizan escáneres similares para cuantificar el comportamiento de los gusanos proponían modificaciones para aumentar la calidad de la imagen y controlar la temperatura56. Sin embargo, descubrimos que los escáneres no modificados proporcionaban una calidad de imagen suficientemente buena para nuestros propósitos, y el control de la temperatura no fue un problema para nosotros porque las placas se colocaron en los escáneres solo brevemente al final del experimento. Se debe tener mucho cuidado al colocar las placas en los escáneres, ya que incluso un golpe suave puede asustar a los gusanos y hacer que abandonen los parches de comida. Los gusanos se localizaron automáticamente en las imágenes utilizando un programa personalizado creado en Matlab R2019a.
Nuestro objetivo era tener 32 placas para cada condición experimental (8 placas para cada versión con posiciones permutadas), con 10 gusanos por placa. Sin embargo, el número real de placas y gusanos fue menor. Primero, eliminamos una pequeña fracción de placas que presentaban imperfecciones en la superficie del agar o parches de comida no redondos. En segundo lugar, dado que no pudimos controlar el número exacto de gusanos colocados en cada placa experimental (solo el volumen y la concentración de la suspensión de gusanos), tuvimos una variabilidad sustancial en el número de gusanos por placa. Para evitar efectos significativos por el agotamiento de los alimentos, eliminamos del análisis todas las placas que tenían más de 20 gusanos. Después de este filtrado, tuvimos 29 ± 4 placas por condición y 230 ± 110 gusanos por condición (media ± desviación estándar). Consulte la Tabla complementaria 1 para conocer los tamaños de muestra completos. Luego, para cada condición experimental, sumamos todos los gusanos encontrados en parches de una densidad determinada (en todas las réplicas) y agregamos un pseudorecuento para obtener una estimación menos sesgada57.
Suponemos que el número de gusanos que se encuentran en una parcela de alimento determinada es proporcional a su atractivo, \(A\), que definimos como
donde \(H\) es la relación entre sus puntos más alto y más bajo, \(k\) es la pendiente en el punto medio del sigmoide (en un gráfico logarítmico doble) y \({D}_{{{\mbox{ atracción}}}}\) es la densidad a la que el número relativo de gusanos alcanza 5 veces la línea base de baja densidad (Fig. 1c; la línea base de baja densidad es \(A\left(D=0\right)= 1/\sqrt{H}\), y \(A\left(D={D}_{{{\mbox{atraer}}}}\right)=5\sqrt{H}/\left(H+ 4\right)\approx 5/\sqrt{H}\) cuando \(H\gg 1\)).
Entonces, la proporción de lombrices presentes en cada parche de comida en un plato determinado será
donde \({P}_{i}\) es la proporción de gusanos en el \(i\)-ésimo parche alimentario, \({A}_{i}\) es el atractivo del \(i\) -ésimo parche de comida, y \(M\) es el número de parches presentes en el experimento. La ecuación 2 es una suposición sólida, que se cumple aproximadamente en nuestro sistema por razones que se explorarán en un artículo separado y que está validada por la excelente bondad de ajuste de nuestro modelo (Fig. 1e).
Para ajustar los parámetros del modelo a nuestros datos experimentales, maximizamos la probabilidad logarítmica del modelo. Para una placa experimental, la probabilidad logarítmica es
donde \({N}_{i}\) es el número de gusanos encontrados en el \(i\)-ésimo parche, \(M\) es el número de parches (en todos nuestros experimentos) y \({ P}_{i}\) se calcula usando las ecuaciones. 1 y 2. Luego, si tenemos varias placas cuyos resultados deben ser descritos por el mismo sigmoide, calculamos la probabilidad logarítmica total como \({L}_{{{\mbox{total}}}}={\sum }_{k=1}^{K}{L}_{k},\) donde \({L}_{k}\) es la probabilidad logarítmica de la k-ésima placa (calculada con la ecuación 3 ), y \(K\) es el número de placas. Tenga en cuenta que no es necesario que las condiciones de los platos sean idénticas (por ejemplo, cada plato puede tener parches de comida de diferentes densidades).
Luego encontramos el conjunto de parámetros que maximizaban \({L}_{{{\mbox{total}}}}\) usando la función 'fmincon' de Matlab (Matlab R2019a). Una vez que se encuentran los parámetros óptimos, las Ecs. 1 y 2 proporcionan una buena descripción de la proporción de gusanos que llegan a cada parche en cada experimento por separado (Figura complementaria 2A).
Estas dos ecuaciones también se utilizan para representar todos los gráficos que muestran resultados predichos frente a experimentales (Figura complementaria 2b), como se presenta en las Figs. 1e, 1g, 3d del texto principal.
Para mostrar juntos los datos experimentales provenientes de experimentos que cubren diferentes rangos de densidad para la misma cepa bacteriana (las tres columnas en la Figura complementaria 2), volvimos a normalizar los datos y calculamos un número relativo de gusanos, \({N }_{i}/{N}_{{{\mbox{ref}}}}\) (donde \({N}_{i}\) es el número de gusanos en el \(i\)-ésimo parche de comida, y \({N}_{{{\mbox{ref}}}}\) es el número de gusanos en un parche de referencia). Esta normalización sería trivial si tuviéramos una porción de alimento de referencia de alguna densidad común en cada experimento, pero esto no fue posible en la práctica: nuestro rango de densidades es muy amplio y las diferencias en la ocupación de la porción abarcan más de 2 órdenes de magnitud. Cuando se colocan en el mismo plato parches de alimentos de densidades muy diferentes, los gusanos se acumulan en los de alta densidad, dejando los de baja densidad casi completamente vacíos y generando conjuntos de datos muy ruidosos. Por esta razón, cada experimento individual cubrió un rango relativamente pequeño de densidades (Figura complementaria 2a). Por lo tanto, si bien los rangos vecinos se superponen con al menos dos puntos de datos, no tuvimos una densidad presente en todos ellos.
Para evitar este problema y poder representar todos los datos juntos, utilizamos nuestro ajuste sigmoidal para estimar la cantidad de gusanos que esperaríamos en un parche de referencia virtual, y usamos esta estimación para volver a normalizar nuestros datos experimentales. El procedimiento funciona de la siguiente manera: considere \(C\) diferentes condiciones que deben ser descritas por el mismo sigmoide (por ejemplo, las tres condiciones que cubren diferentes rangos de densidad que se muestran con diferentes colores en la figura complementaria 2). Sea \({M}_{c}\) el número de parches en la \(c\)-ésima condición y \({A}_{c,i}\) el atractivo de \(i\) -ésimo parche de la \(c\)-ésima condición. Sea \({N}_{c,i}\) el número total de gusanos en el \(i\)-ésimo parche de la \(c\)-ésima condición (agregados en todas las placas con la misma condición, como descrito al final de la sección “Ensayos de ocupación de parches”). Elegimos que nuestro parche de referencia virtual estuviera en el punto medio del sigmoide, y para la condición \(c\)-ésima, este parche virtual tendría la siguiente cantidad de gusanos:
Luego, para cada parche de alimento y cada condición, trazamos el número relativo de gusanos (\({N}_{c,i}/{N}_{c,{{\mbox{ref}}}}\) para el \(i\)-ésimo parche de la \(c\)-ésima condición). Este procedimiento realinea los datos experimentales de diferentes experimentos (Figura complementaria 2c), lo que nos permite presentarlos en un solo gráfico (Figura complementaria 2d). Sin embargo, esta alineación depende del ajuste en sí y, por lo tanto, no proporciona una indicación visual fiable de la bondad del ajuste. Esta indicación visual de la bondad del ajuste se encuentra en los gráficos que muestran los resultados previstos frente a los experimentales, que no se ven afectados por esta normalización (Figs. 1e, 1g, 3d y Fig. complementaria 2b).
Usamos placas de forrajeo de 35 mm con una gota de 40 μL de bacteria en el centro, colocadas en la placa el día antes del experimento y secadas a 22 °C. Se lavaron gusanos de 48 h de sus placas de reproducción de la misma manera que para los ensayos de ocupación de parches. Luego, se pescaron gusanos individuales usando una pipeta y se colocaron en el parche bacteriano (un gusano por placa). Luego se introdujo un anillo de cobre de 2 cm de diámetro en el agar, alrededor del parche, para evitar que el gusano se escapara. Las lombrices se dejaron en el césped durante 5 h y luego se pusieron a -20 °C durante 5 min. Este breve período aseguró una refrigeración rápida de las placas para inmovilizar a los gusanos y detener la puesta de huevos, sin congelar el agar. Luego, las placas se almacenaron a 4 °C. Los gusanos permanecieron inmóviles y los huevos no eclosionaron, por lo que se pudieron contar los huevos durante al menos 2 semanas después del experimento. Los huevos se contaron manualmente, excluyendo aquellas placas donde se colocó más de un gusano por error, o donde el gusano se escapó del área delimitada por el anillo de cobre. Todos los experimentos se realizaron el mismo día para minimizar la variabilidad experimental, pero los huevos se contaron durante las 2 semanas posteriores al experimento. Debido a complicaciones experimentales, no pudimos medir la aptitud de C. elegans en B. flexus (CR87), por lo que tenemos mediciones para 11 de nuestras 12 cepas. Consulte la Tabla complementaria 1 para conocer los tamaños de muestra.
Contamos los huevos no eclosionados (en lugar de esperar a que eclosionen, lo que también tendría en cuenta la viabilidad) debido a limitaciones experimentales. Nuestro experimento requirió más de 1500 placas, por lo que no habría sido práctico retirar manualmente a cada adulto después de 5 h para permitir más tiempo para que los huevos eclosionaran. Además, el anillo de cobre no fue 100% efectivo para evitar que los gusanos escaparan. Si bien fue fácil descartar todos los casos en los que el adulto había escapado, la falta de larvas habría disminuido la precisión de nuestras mediciones.
Otra limitación experimental surgió de la edad de los gusanos: nuestros experimentos de comportamiento se realizaron con gusanos de 48 horas de edad y los experimentos de aptitud física tuvieron que realizarse a la misma edad. Sin embargo, en esta etapa los gusanos recién comienzan a ser fértiles y es posible que algunos individuos aún no hayan comenzado a poner huevos al comienzo de nuestro experimento de acondicionamiento físico. Este factor probablemente reduce la precisión de nuestras mediciones de condición física, pero no cambia nuestras conclusiones. Aleatorizamos minuciosamente el orden en que se agregaron los gusanos a cada condición experimental, por lo que los efectos de la edad no deberían producir ningún sesgo sistemático. Además, todos nuestros resultados tienen intervalos de confianza del 95% calculados mediante bootstrapping, que tienen en cuenta esta variabilidad experimental.
Para determinar \({D}_{{{\mbox{fitness}}}}\), primero encontramos la densidad más alta para la cual el número promedio de huevos estaba por debajo del umbral. Luego, realizamos una interpolación lineal entre ese punto y el siguiente, con densidades bacterianas en escala logarítmica.
La densidad óptica (OD) se midió utilizando un espectrofotómetro (Jenway 7200, Cole-Parmer, Staffordshire, Reino Unido). Descubrimos que este espectrofotómetro es más preciso para DO entre 0,1 y 1, por lo que siempre diluimos los cultivos bacterianos para obtener mediciones en este rango. Las DO más bajas no se pudieron medir con precisión, por lo que se infieren a partir de los factores de dilución utilizados para prepararlas.
Para determinar la densidad en células por microlitro, combinamos el cultivo en placas para determinar la cantidad de unidades formadoras de colonias (UFC) con microscopía para investigar la naturaleza de cada UFC.
Determinamos la densidad de UFC de la siguiente manera. Después de determinar la DO del cultivo bacteriano, realizamos diluciones en serie de 10 veces en tampón de gusano M9 (3 g/L KH2PO4, 7,52 g/L Na2HPO4.2H2O, 5 g/L NaCl, 1 mM MgSO4) y sembraron cuatro placas de 10 -gotas de microlitros de cada dilución en una placa de NGM. Incubamos esta placa a temperatura ambiente durante 48 h, contamos el número de colonias en las gotas que tenían alrededor de 10 colonias y utilizamos estos recuentos para derivar la densidad de las unidades formadoras de colonias en nuestro cultivo original. Calculamos las barras de error arrancando las cuatro gotas para cada medición. Realizamos este procedimiento de siembra antes y después de lavar las bacterias con tampón de forrajeo para preparar nuestras placas experimentales (ver "Preparación de placas experimentales"), y no encontramos diferencias consistentes antes y después del lavado.
El número de UFC/μL no es idéntico al número de células/μL. En primer lugar, no todas las células que caen sobre la superficie de una placa de agar sobreviven y logran formar una colonia. Para controlar este efecto, realizamos un control utilizando placas LB en lugar de placas NGM, y no encontramos diferencias significativas en la viabilidad entre estos dos tipos de placas, lo que sugiere que la viabilidad fue alta para todas las cepas en ambos medios. En segundo lugar, cada UFC puede ser una sola célula, pero también puede ser un grupo de células que se agrupan y forman una sola colonia. Para controlar este efecto, estudiamos nuestros cultivos bacterianos bajo un microscopio (LEICA DM6000). Descubrimos que 10 de nuestras 12 cepas bacterianas estaban compuestas principalmente de células individuales, con pocos grupos, por lo que para estas 10 cepas UFC/μL es una buena estimación de células/μL. En cambio, B. megaterium (DA1880) y B. flexus (CR87), forman largos filamentos compuestos por varias células, y cada uno de estos filamentos formará una única colonia. Utilizando la tinción DAPI para visualizar células individuales en cada filamento, contamos el número de células individuales por filamento, obteniendo 9,6 y 8,7 células por filamento en promedio para B. megaterium (DA1880) y B. flexus (CR87), respectivamente. Usamos estos factores para transformar las UFC/μL determinadas a partir del cultivo en células/μL para estas dos cepas.
Para determinar la cantidad de biomasa presente en nuestros cultivos bacterianos, preparamos 200 ml de cultivo saturado para todas las cepas, lo lavamos 3 veces con tampón de gusanos M9 y lo resuspendimos a un volumen de 5 ml. Luego medimos la DO de estas suspensiones y las colocamos en tubos de vidrio que previamente habíamos pesado. También agregamos tres tubos con tampón de gusano M9 sin bacterias, para poder contabilizar el peso de las sales contenidas en el tampón. Evaporamos toda el agua incubando los tubos a 90 C durante 24 h y los pesamos nuevamente. Comprobamos que una incubación más prolongada no cambiaba el peso, es decir, 24 h fueron suficientes para que se evaporara toda el agua. A continuación calculamos la biomasa contenida en cada tubo restando el peso tras la incubación menos el peso del tubo vacío, y menos el peso correspondiente a las sales del buffer M9 (para calcular este peso seguimos el mismo procedimiento con los tubos que contenían únicamente tampón M9, obteniendo un peso seco de 15 g/L, que se acerca al peso teórico que podemos calcular a partir de la receta del tampón de gusano M9). Consulte el protocolo detallado en dx.https://doi.org/10.17504/protocols.io.kxygxzn44v8j/v1. Para calcular los intervalos de confianza, asumimos que todas las mediciones de peso tenían el mismo error proporcional observado en las 3 mediciones realizadas para estimar el peso de las sales M9, estimamos el error en las mediciones de OD realizando 10 mediciones del mismo cultivo y combinamos estas Dos fuentes de error al usar bootstrap.
Se cultivaron bacterias a partir de colonias en 5 ml de LB, en un agitador a 300 rpm, a 22,5°C, durante 20-28 h. Luego se lavaron en M9 + Triton al 0,5 %, se incubaron durante 5-10 minutos en DAPI (dilución de 1:2 a 1:10 en M9 a partir de una solución madre de 1 mg/ml), se lavaron una vez y luego se resuspendieron en M9. Luego se tomaron imágenes de un microlitro de cada cultivo en almohadillas de agarosa al 1 % utilizando un microscopio óptico LEICA DM6000 con un aumento de x40 a x100 (consulte el protocolo completo en dx.https://doi.org/10.17504/protocols.io.n92ldpjr8l5b/v1).
Calculamos todas las barras de error usando bootstrap58: para una condición experimental dada para la cual tenemos P réplicas (es decir, P placas experimentales), elegimos P de estas réplicas al azar, con reemplazo (de modo que algunas réplicas se pueden elegir varias veces y otras no). elegido). Al hacer esto con todas nuestras condiciones experimentales, obtuvimos un conjunto de datos de arranque. De este modo generamos al menos 1000 conjuntos de datos de arranque. Estos conjuntos de datos de arranque son una estimación de lo que deberíamos esperar si repitiéramos todo nuestro proceso experimental 1000 veces, por lo que dan una estimación de la reproducibilidad de nuestros resultados58. Para cada barra de error que se muestra en el artículo, calculamos la cantidad correspondiente para cada uno de los conjuntos de datos de arranque, eliminamos el 2,5 % de los valores más extremos en cada lado y reportamos el intervalo restante como una barra de error. Por ejemplo, las barras de error en \({D}_{{{\mbox{attract}}}}\) se calcularon ajustando nuestro sigmoide a cada uno de los conjuntos de datos de arranque eliminando los valores más extremos del 2,5% de \({D}_{ {{\mbox{attract}}}}\) resultante de estos ajustes y reportando el intervalo restante.
La importancia de las correlaciones se evaluó ajustando modelos de regresión lineal, utilizando la función fitlm de Matlab (Matlab 2019a).
La reproducibilidad de los resultados entre mediciones tomadas en diferentes laboratorios se muestra en la Figura complementaria 4.
Considere mezclas de dos cepas, A y B, y sea \({N}_{{{\mbox{A}}}}\), \({N}_{{{\mbox{B}}}}\ ) sea el número de gusanos encontrados experimentalmente en los dos parches con cultivos bacterianos puros. Para cualquier otra mezcla, calcula la media aritmética ponderada como \({{P}_{A}N}_{{{\mbox{A}}}}+{(1-{P}_{A})N }_{{{\mbox{B}}}}\), y la media geométrica ponderada como \({N}_{A}^{{P}_{A}}{N}_{B}^{ \left(1-{P}_{A}\right)}\), donde \({P}_{A}\) es la proporción de la cepa A en la mezcla.
El modelo basado en la regla sigmoidea supone que la respuesta a ambas deformaciones sigue el mismo sigmoide, con \(H=146\), \(k=1.4\) y con diferentes densidades de atracción para cada deformación, \({D}_ {{{\mbox{atraer}}},{{\mbox{A}}}}\) y \({D}_{{{\mbox{atraer}}},{{\mbox{B}}} }\). Por lo tanto, si \({D}_{{{\mbox{A}}}}\) y \({D}_{{{\mbox{B}}}}\) son las densidades ópticas de ambas deformaciones puras (en todos nuestros experimentos \({D}_{{{\mbox{A}}}}={D}_{{{\mbox{B}}}}=0.5\)), sus densidades efectivas son \( {{D}_{{{\mbox{A}}}}/D}_{{{\mbox{atraer}}},{{\mbox{A}}}}\) y \({{D} _{{{\mbox{B}}}}/D}_{{{\mbox{atraer}}},{{\mbox{B}}}}\). La densidad efectiva de una mezcla con una proporción \({P}_{A}\) de cepa A y \((1-{P}_{A})\) de cepa B será \({{{P }_{A}D}_{{{\mbox{A}}}}/D}_{{{\mbox{atraer}}},{{\mbox{A}}}}+(1-{P }_{A}){{D}_{{{\mbox{B}}}}/D}_{{{\mbox{atraer}}},{{\mbox{B}}}}\). Usando esta densidad efectiva y las Ecs. 1 y 2, encontramos la proporción prevista de gusanos en cada parche de comida. Multiplicar estas proporciones por el número total de gusanos proporciona el número de gusanos en cada parcela de alimento.
Más información sobre el diseño de la investigación está disponible en el Resumen del informe de Nature Portfolio vinculado a este artículo.
Los datos utilizados en este estudio, junto con el código informático necesario para ejecutar todos los análisis y generar todas las cifras (excepto las Figuras complementarias 1 y 11), se pueden encontrar en los Datos complementarios 1.
Hutchinson, JMC & Gigerenzer, G. Heurísticas simples y reglas generales: donde los psicólogos y los biólogos del comportamiento pueden encontrarse. Comportamiento. Proceso. 69, 97-124 (2005).
Artículo de Google Scholar
Kacelnik, A. & Todd, IA Mecanismos psicológicos y teorema del valor marginal: efecto de la variabilidad en el tiempo de viaje en la explotación de parches. Animación. Comportamiento. 43, 313–322 (1992).
Artículo de Google Scholar
Todd, IA y Kacelnik, A. Mecanismos psicológicos y teorema del valor marginal: dinámica de la memoria escalar para el tiempo de viaje. Animación. Comportamiento. 46, 765–775 (1993).
Artículo de Google Scholar
Goulson, D. ¿Por qué los polinizadores visitan proporcionalmente menos flores en áreas grandes? Oikos 91, 485–492 (2000).
Artículo de Google Scholar
Wajnberg, E., Bernstein, C. y van Alphen, J. Ecología del comportamiento de insectos parasitoides: desde enfoques teóricos hasta aplicaciones de campo vol. 46 (Blackwell Publishing Ltd, 2008).
Wajnberg, E., Fauvergue, X. & Pons, O. Patch dejando reglas de decisión y el teorema del valor marginal: un análisis experimental y un modelo de simulación. Comportamiento. Ecológico. 11, 577–586 (2000).
Artículo de Google Scholar
Wajnberg, É. Estrategias de asignación de tiempo en insectos parasitoides: desde predicciones finales hasta mecanismos de comportamiento próximos. Comportamiento. Ecológico. Sociobiol. 60, 589–611 (2006).
Artículo de Google Scholar
Waage, JK Búsqueda de huéspedes distribuidos en parches por el parasitoide nemeritis canescens. J.Anim. Ecológico. 48, 353 (1979).
Artículo de Google Scholar
Fawcett, TW, Hamblin, S. & Giraldeau, LA Exponiendo el gambito conductual: la evolución de las reglas de aprendizaje y decisión. Comportamiento. Ecológico. 24, 2-11 (2013).
Artículo de Google Scholar
Alcock, J. Comportamiento animal, un enfoque evolutivo (Sinauer Associates, 2001).
Stephens, DW y Krebs, JR Teoría de la búsqueda de alimento. Teoría de la búsqueda de alimento (Princeton University Press, 1987).
Larsch, J. y col. Un circuito para escalada en gradiente en quimiotaxis de C. elegans. Representante de celda 12, 1748-1760 (2015).
Artículo CAS PubMed PubMed Central Google Scholar
Gray, JM, Hill, JJ & Bargmann, CI Un circuito para navegación en Caenorhabditis elegans. Proc. Acad. Nacional. Ciencia. Estados Unidos 102, 3184–3191 (2005).
Artículo CAS PubMed PubMed Central Google Scholar
Ahamed, T., Costa, AC y Stephens, GJ Capturando la complejidad continua del comportamiento en Caenorhabditis elegans. Nat. Física. 17, 275–283 (2021).
Artículo CAS Google Scholar
Gomez-marin, A., Stephens, GJ & Brown, AEX La compresión jerárquica de la locomoción de C. elegans revela diferencias fenotípicas en la organización del comportamiento. JR Soc. Interfaz 13, 20160466 (2016).
Artículo PubMed PubMed Central Google Scholar
Stephens, GJ, Johnson-Kerner, B., Bialek, W. & Ryu, WS Dimensionalidad y dinámica en el comportamiento de C. elegans. Computación PLoS. Biol. 4, e1000028 (2008).
Artículo PubMed PubMed Central Google Scholar
Salvador, LCM, Bartumeus, F., Levin, SA, Ryu, WS & Valle, C. Análisis mecanicista del comportamiento de búsqueda de Caenorhabditis elegans. JR Soc. Interfaz 11, 20131092 (2014).
Klein, M. y col. Búsqueda exploratoria durante la navegación dirigida en C. Elegans y larva de drosophila. Elife 6, 1-14 (2017).
Artículo de Google Scholar
Young, IM, Griffiths, BS, Robertson, WM y McNicol, JW El movimiento del nematodo (Caenorhabditis elegans) en la arena se ve afectado por el tamaño de las partículas, la humedad y la presencia de bacterias (Escherichia coli). EUR. J. Ciencia del suelo. 49, 237–241 (1998).
Artículo de Google Scholar
Ardiel, EL & Rankin, CH Una mente elegante: aprendizaje y memoria en Caenorhabditis elegans. Aprender. Memoria. 17, 191–201 (2010).
Artículo CAS PubMed Google Scholar
Sawin, ER, Ranganathan, R. & Horvitz, HRC elegans la frecuencia locomotora está modulada por el medio ambiente a través de una vía dopaminérgica y por la experiencia a través de una vía serotoninérgica. Neurona 26, 619–631 (2000).
Artículo CAS PubMed Google Scholar
Saeki, S., Yamamoto, M. & Iino, Y. Plasticidad de la quimiotaxis revelada por la presentación emparejada de un quimioatrayente y la inanición en el nematodo Caenorhabditis elegans. J. Exp. Biol. 204, 1757-1764 (2001).
Artículo CAS PubMed Google Scholar
Gourgou, E., Adiga, K., Goettemoeller, A., Chen, C. & Hsu, AL El aprendizaje de Caenorhabditis elegans en un laberinto estructurado es un comportamiento multisensorial. iCiencia 24, 102284 (2021).
Artículo CAS PubMed PubMed Central Google Scholar
Ben Arous, J., Laffont, S. y Chatenay, D. Bases moleculares y sensoriales de un comportamiento de dos estados relacionado con los alimentos en C. elegans. PLoS One 4, 1–8 (2009).
Google Académico
Flavell, SW y cols. La serotonina y el neuropéptido PDF inician y extienden estados de comportamiento opuestos en C. Elegans. Celda 154, 1023–1035 (2013).
Artículo CAS PubMed PubMed Central Google Scholar
Gallagher, T., Bjorness, T., Greene, R., You, YJ y Avery, L. La geometría de los estados de comportamiento locomotor en C. elegans. PLoS One 8, e59865 (2013).
Ding, SS, Schumacher, LJ, Javer, AE, Endres, RG y Brown, AE Los mecanismos de comportamiento compartidos subyacen a la agregación y el enjambre de C. elegans. Elife 8, e43318 (2019).
Ding, SS, Romenskyy, M., Sarkisyan, KS y Brown, AEX Medición de la caenorhabditis elegans en el forrajeo espacial y la ingesta de alimentos utilizando bacterias bioluminiscentes. Genética 214, 577–587 (2020).
Artículo CAS PubMed PubMed Central Google Scholar
Iwanir, S. y col. La serotonina promueve la explotación en entornos complejos al acelerar la toma de decisiones. BMC Biol. 14, 9 (2016).
Artículo PubMed PubMed Central Google Scholar
McCloskey, RJ, Fouad, AD, Churgin, MA y Fang-Yen, C. La capacidad de respuesta a los alimentos regula los estados de comportamiento episódicos en Caenorhabditis elegans. J. Neurofisiol. 117, 1911-1934 (2017).
Artículo PubMed PubMed Central Google Scholar
Lee, KS y cols. La cinética de las ráfagas de alimentación dependiente de la serotonina subyace a una respuesta gradual a la disponibilidad de alimentos en C. elegans. Nat. Comunitario. 8, 14221 (2017).
Artículo CAS PubMed PubMed Central Google Scholar
Milward, K., Busch, KE, Murphy, RJ, de Bono, M. y Olofsson, B. Sustratos neuronales y moleculares para una búsqueda óptima de alimento en Caenorhabditis elegans. Proc. Acad. Nacional. Ciencia. EE.UU. 108, 20672–20677 (2011).
Artículo CAS PubMed PubMed Central Google Scholar
Dallière, N., Holden-Dye, L., Dillon, J., O'Connor, V. y Walker, RJ Caenorhabditis elegans conductas alimentarias. Oxford Res. Encíclica. Neurociencias. https://doi.org/10.1093/acrefore/9780190264086.013.190 (2017).
Shtonda, BB y Avery, L. Comportamiento de elección dietética en Caenorhabditis elegans. J. Exp. Biol. 209, 89-102 (2006).
Artículo PubMed Google Scholar
PA, A. & WL, N. Efecto de las bacterias sobre la dispersión de Caenorhabditis elegans (rhabditidae). Nematológica 22, 451–461 (1976).
Artículo de Google Scholar
Artyukhin, AB, Yim, JJ, Cheong Cheong, M. & Avery, L. Comportamiento colectivo inducido por el hambre en C. elegans. Ciencia. Representante 5, 1-10 (2015).
Artículo de Google Scholar
Demir, E., Yaman, YI, Basaran, M. y Kocabas, A. Dinámica de formación de patrones y aparición de enjambres en c. Elegans. Elife 9, 1–21 (2020).
Google Académico
Sugi, T., Ito, H., Nishimura, M. & Nagai, KHC elegans forma colectivamente redes dinámicas. Nat. Comunitario. 10, 1–9 (2019).
Artículo de Google Scholar
Schafer, WR Puesta de huevos. Libro de gusanos https://doi.org/10.1895/wormbook.1.38.1 (2005).
Avery, L. & Shtonda, BB Transporte de alimentos en la faringe de C. elegans. J. Exp. Biol. 206, 2441–2457 (2003).
Artículo PubMed Google Scholar
Pradel, E. y col. Detección y evitación de un producto natural de la bacteria patógena Serratia marcescens por Caenorhabditis elegans. Proc. Acad. Nacional. Ciencia. EE.UU. 104, 2295–2300 (2007).
Artículo CAS PubMed PubMed Central Google Scholar
Zhang, Y., Lu, H. & Bargmann, CI Las bacterias patógenas inducen un aprendizaje olfativo aversivo en Caenorhabditis elegans. Naturaleza 438, 179–184 (2005).
Artículo CAS PubMed Google Scholar
Scholz, M., Dinner, AR, Levine, E. & Biron, D. La dinámica de alimentación estocástica surge de la necesidad de información y energía. Proc. Nacional. Acad. Ciencia. Estados Unidos https://doi.org/10.1073/pnas.1703958114 (2017).
Rogers, C., Persson, A., Cheung, B. y de Bono, M. Motivos conductuales y vías neuronales que coordinan las respuestas de O2 y la agregación en C. elegans. actual. Biol. 16, 649–659 (2006).
Artículo CAS PubMed Google Scholar
Cheung, BHH, Cohen, M., Rogers, C., Albayram, O. y De Bono, M. Modulación dependiente de la experiencia del comportamiento de C. elegans por el oxígeno ambiental. actual. Biol. 15, 905–917 (2005).
Artículo CAS PubMed Google Scholar
Hums, I. et al. La regulación de dos patrones motores permite el ajuste gradual de la estrategia de locomoción en caenorhabditis elegans. Elife 5, 1–36 (2016).
Artículo de Google Scholar
Alif, Ž., Dunning, J., Chik, HYJ, Burke, T. y Schroeder, J. ¿Cuál es la mejor medida de aptitud en poblaciones silvestres? Un estudio de caso sobre el poder de los indicadores de aptitud a corto plazo para predecir el valor reproductivo. PLoS One 17, 1-12 (2022).
Artículo de Google Scholar
Orr, HA Fitness y su papel en la genética evolutiva. Nat. Rev. Genet. 10, 531–539 (2009).
Artículo CAS PubMed PubMed Central Google Scholar
Daigle, AT, Deiss, TC, Melde, RH, Bergthorsson, U. & Katju, V. Cepas Bergerac de Caenorhabditis elegans revisadas: la expansión de los elementos Tc1 impone un costo genómico y de aptitud física significativo. Genes G3, Genomas, Genet. 12, jkac214 (2022).
Penley, M. & Morran, L. Evaluación de la aptitud competitiva de Caenorhabditis elegans en presencia de un parásito bacteriano. Bio-Protocolo. 8, 1-14 (2018).
Google Académico
Walker, DW, McColl, G., Jenkins, NL, Harris, J. y Lithgow, GH Evolución de la vida útil en C. elegans. Naturaleza 405, 296–297 (2000).
Artículo CAS PubMed Google Scholar
Gloria-Soria, A. & Azevedo, RBR npr-1 regula las estrategias de búsqueda de alimento y dispersión en Caenorhabditis elegans. actual. Biol. 18, 1694-1699 (2008).
Artículo CAS PubMed Google Scholar
Stiernagle, T. Mantenimiento de C. elegans. Libro de gusanos https://doi.org/10.1895/wormbook.1.101.1 (2006).
Callahan, BJ y cols. DADA2: Inferencia de muestras de alta resolución a partir de datos de amplicones de Illumina. Nat. Métodos 13, 581–583 (2016).
Artículo CAS PubMed PubMed Central Google Scholar
McDonald, D. y col. Una taxonomía de Greengenes mejorada con rangos explícitos para análisis ecológicos y evolutivos de bacterias y arqueas. ISME J. 6, 610–618 (2012).
Artículo CAS PubMed Google Scholar
Stroustrup, N. y col. La máquina de vida útil de Caenorhabditis elegans. Nat. Métodos 10, 665–670 (2013).
Artículo CAS PubMed PubMed Central Google Scholar
Bien, I. Una prueba de significancia bayesiana para distribuciones multinomiales. Estadística JR. Soc. Ser. B 29, 399–431 (1967).
Google Académico
Efron, B. y Tibshirani, RJ Introducción al Bootstrap (Chapman y Hall/CRC, 1993).
Descargar referencias
Algunas cepas fueron proporcionadas por el CGC, que está financiado por la Oficina de Programas de Infraestructura de Investigación de los NIH (P40 OD010440). Agradecemos a Nic Vega por su capacitación en técnicas de C. elegans, a Céline Reyes por su capacitación y ayuda con la microscopía, a Anna Mattout por su capacitación y ayuda con la tinción DAPI, a Tommaso Biancalani, Jonathan Friedman y otros miembros del laboratorio de Jeff Gore por sus interesantes debates, y miembros del equipo IVEP del CRCA por sus comentarios sobre el manuscrito. AAA recibió financiación de la escuela de doctorado SEVAB de la Universidad Paul Sabatier, Toulouse, Francia. CR recibió financiación del Consejo Europeo de Investigación (ERC) en el marco del programa de investigación e innovación Horizonte 2020 de la Unión Europea (acuerdo de subvención n.° 948753), la Deutsche Forschungsgemeinschaft (DFG, Fundación Alemana de Investigación) – 468972576 y el Clúster de Excelencia EXC 2124 “Control de microbios para Luchar contra las Infecciones” (CMFI). JG recibió financiación de los Institutos Nacionales de Salud (P40 OD010440) y la Schmidt Family Foundation. APE recibió financiación del Programa Científico de la Frontera Humana (LT000537/2015), una subvención Momentum del CNRS, una subvención de investigación de la Fundación Fyssen, una subvención inicial de la Fundación Familia Gore y la subvención ANR-22-CE02-0002 (ForAnInstant) de la Agencia Nacional de la Investigación (ANR).
Los siguientes autores contribuyeron igualmente: Gabriel Madirolas, Alid Al-Asmar.
Centro de Investigación sobre Cognición Animal (UMR5169), Centro de Biología Integrativa, Universidad de Toulouse, CNRS, UPS, Toulouse, 31062, Francia
Gabriel Madirolas, Alid Al-Asmar, Lydia Gaouar, Leslie Marie-Louise, Andrea Garza-Enríquez, Valentina Rodríguez-Rada & Alfonso Pérez-Escudero
Grupo de Física de Sistemas Vivos, Departamento de Física, Instituto de Tecnología de Massachusetts, Cambridge, MA, EE. UU.
Mikail Khona, Martina Dal Bello, Christoph Ratzke, Jeff Gore y Alfonso Pérez-Escudero
Instituto Interfacultativo de Microbiología y Medicina de Infecciones de Tübingen (IMIT), Grupo de Excelencia EXC 2124 “Control de microbios para combatir infecciones” (CMFI), Universidad de Tübingen, Calwerstrasse 7/1, 72076, Tübingen, Alemania
Christoph Ratzke
También puedes buscar este autor en PubMed Google Scholar.
También puedes buscar este autor en PubMed Google Scholar.
También puedes buscar este autor en PubMed Google Scholar.
También puedes buscar este autor en PubMed Google Scholar.
También puedes buscar este autor en PubMed Google Scholar.
También puedes buscar este autor en PubMed Google Scholar.
También puedes buscar este autor en PubMed Google Scholar.
También puedes buscar este autor en PubMed Google Scholar.
También puedes buscar este autor en PubMed Google Scholar.
También puedes buscar este autor en PubMed Google Scholar.
También puedes buscar este autor en PubMed Google Scholar.
Conceptualización: GM, JG, APE. Curación de datos: AAA, GM, APE. Análisis formal: AAA, GM, APE. Adquisición de financiación: AAA, JG, APE. Investigación: GM, AAA, LG, LML, AGE, VRR, MK, MDB, CR, APE. Metodología: GM, CR, APE. Administración de proyectos: JG, APE. Recursos: CR, APE. Software: mono. Supervisión: GM, MDB, JG, APE. Validación: AAA, APE. Visualización: AAA, APE. Escritura – borrador original: APE. Redacción – revisión y edición: AAA, GM, CR, JG, APE.
Correspondence to Alfonso Pérez-Escudero.
Los autores declaran no tener conflictos de intereses.
Communications Biology agradece a los revisores anónimos por su contribución a la revisión por pares de este trabajo. Editores principales: Quan-Xing Liu y George Inglis. Un archivo de revisión por pares está disponible.
Nota del editor Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.
Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.
Reimpresiones y permisos
Madirolas, G., Al-Asmar, A., Gaouar, L. et al. Los patrones de alimentación de Caenorhabditis elegans siguen una simple regla general. Común Biol 6, 841 (2023). https://doi.org/10.1038/s42003-023-05220-3
Descargar cita
Recibido: 04 de agosto de 2022
Aceptado: 04 de agosto de 2023
Publicado: 14 de agosto de 2023
DOI: https://doi.org/10.1038/s42003-023-05220-3
Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:
Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.
Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt
Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.