Prédictibilité de l'évolution

Abstract

L’évolution a traditionnellement été une science historique et descriptive, et la prédiction des processus évolutionnistes futurs a longtemps été considérée comme impossible. Cependant, les prédictions évolutionnistes sont de plus en plus développées et utilisées en médecine, en agriculture, en biotechnologie et en biologie de la conservation. Les prédictions évolutionnistes peuvent être utilisées à différentes fins, telles que se préparer pour l’avenir, essayer de changer le cours de l’évolution ou déterminer dans quelle mesure nous comprenons les processus évolutionnistes. De même, le type de prédiction sur une population peut différer. Par exemple, prédire quel sera son génotype adaptatif dominant ou sa probabilité d’extinction. De plus, ces nombreuses prédictions ne sont souvent pas reconnues comme telles. L’objectif principal de cette revue est de sensibiliser aux méthodes et aux données dans différents domaines de recherche en montrant l’étendue des situations dans lesquelles les prédictions évolutionnistes sont faites. Nous décrivons comment diverses prédictions évolutionnistes partagent une structure commune décrite par la portée prédictive, l’échelle de temps et la précision. Ensuite, à l’aide d’exemples allant du SRAS-CoV2 et de la grippe au forçage génétique basé sur CRISPR et à la formation de produits durables en biotechnologie, nous discutons des méthodes de prédiction de l’évolution, des facteurs qui affectent la prévisibilité et de la manière dont les prédictions peuvent être utilisées pour prévenir l’évolution dans des directions indésirables ou pour promouvoir une évolution bénéfique (c’est-à-dire le contrôle évolutionniste). Nous espérons que cette revue stimulera la collaboration entre les domaines en établissant un langage commun pour les prédictions évolutionnistes.

 

1 PRÉSENTATION

Voici des questions importantes pour la lutte contre les maladies, l’amélioration de la biotechnologie et la protection de la biodiversité : « Quelles souches d’agents pathogènes seront les plus répandues dans un mois ? », « Quand et où les mutants pathogènes qui échappent à l’immunité conférée par le vaccin apparaîtront-ils ? », « Quel patient sera guéri du cancer et quel patient verra la tumeur réapparaître ? », « Pouvons-nous utiliser les systèmes de forçage génétique pour nous débarrasser de maladies dangereuses ou développeront-elle une résistance à ce forçage ? », « À quelle vitesse une souche conçue pour la production d’éthanol évoluera-t-elle et perdra-t-elle son efficacité lors d’une fermentation prolongée ? » ou « Quelles espèces menacées disparaîtront et lesquelles s’adapteront avec succès aux changements environnementaux ? ».

Pour répondre à ces questions, il faut être capable de prédire, voire d’influencer le cours de l’évolution. Prédire et essayer d’influencer l’évolution est plus courant qu’on ne le pense, mais ce n’est pas toujours facile à reconnaître car le jargon utilisé dans différents domaines est varié. L’objectif principal de cette revue est de montrer l’étendue des situations dans lesquelles des prédictions évolutionnistes sont faites. De plus, nous visons à fournir un langage commun pour améliorer le transfert d’information entre les communautés de recherche. Nous discutons de l’étude de la prévisibilité de l’évolution, nous décrivons différentes méthodes de prévision évolutionniste et nous discutons de situations où le but est d’influencer l’évolution (contrôle évolutionniste).

Notez que tout au long de cet article, nous nous concentrons sur les prédictions de l’évolution des populations, c’est-à-dire sur la façon dont la composition génétique et phénotypique des populations sera différente à l’avenir, plutôt que sur les prédictions de l’évolution de nouvelles espèces, ou de conjectures sur leur passé.

 

1.1 La base scientifique des prédictions évolutionnistes

Sur quelle base pouvons-nous faire des prédictions solides sur l’évolution ? Les populations en évolution sont des systèmes dynamiques complexes et il faut prendre en compte différentes forces (par exemple, la sélection directionnelle), y compris les effets stochastiques (mutation, environnement) et les dynamiques non linéaires (par exemple, en raison des boucles de rétroaction éco-évolutionniste). Les prédictions évolutionnistes sont souvent basées sur la théorie de l’évolution par sélection naturelle de Darwin, qui stipule que si les populations d’entités manifestent une variance héréditaire dans des traits qui contribuent à la valeur adaptative, alors ces populations s’adapteront à leur environnement. Par exemple, nous pouvons prédire que si nous traitons les bactéries avec des antibiotiques, et si ces bactéries acquièrent une variation génétique pour la sensibilité aux antibiotiques, la population bactérienne s’adaptera à ce défi et deviendra résistante. Nous pouvons également recréer ce scénario sous forme d’expérience en laboratoire et voir si notre prédiction se vérifie.

Certaines extensions de la théorie de Darwin rendent ces déclarations plus précises et quantitatives. Par exemple, notre compréhension de la nature polygénique des caractères quantitatifs a permis de développer des outils tels que « l’équation de l’éleveur » et la « sélection génomique », facilitant les stratégies de reproduction sélective afin d’obtenir des résultats particuliers prédits dans l’élevage et l’agriculture. Pour d’autres situations, nous avons besoin de modèles génétiques de population plus explicites pour inclure les forces stochastiques qui peuvent fausser l’impact attendu de la sélection, telles que la dérive génétique aléatoire, la migration, la recombinaison et la mutation.

Un autre facteur de complication est l’impact des populations sur leur environnement. Dans de nombreuses situations, nous devons donc tenir compte à la fois des dynamiques évolutionnistes et écologiques, et celles-ci peuvent se répercuter l’une sur l’autre (boucles de rétroaction éco-évolutionnistes). Par exemple, le sort des espèces en voie de disparition peut dépendre de manière critique de l’abondance de prédateurs, de proies et d’autres membres de leur communauté écologique, tandis que ces populations sont à leur tour affectées par les espèces en voie de disparition en question.

Prédire l’évolution a longtemps été considéré comme un défi, voire impossible. Les difficultés fondamentales de la prédiction de l’évolution comprennent la stochasticité inhérente à la mutation, à la reproduction et à l’environnement, ainsi que les inconnues des cartes génotype-phénotype et phénotype-fitness qui, ensemble, déterminent le paysage de la fitness. De plus, les boucles de rétroaction éco-évolutionnistes rendent les prédictions à long terme difficiles. Ces aspects de l’évolution des populations limiteront la précision ; les prédictions seront donc toujours probabilistes et provisoires, en particulier pour les prédictions à plus long terme. Ainsi, les prédictions à court terme ou micro-évolutionnistes sont plus faciles et plus réalisables.

 

1.2 Pourquoi prédire l’évolution ?

Nous avons classé en trois catégories les raisons pour lesquelles nous nous intéressons à la prédiction de l’évolution. Dans la première catégorie, bien que ce ne soit pas l’objet de cet article, on trouve les prédictions qui sont utilisées pour les systèmes expérimentaux afin de développer des connaissances fondamentales, tester les hypothèses et les modèles qui sont utilisés pour prédire l’évolution future. La plupart des travaux sur l’évolution expérimentale entrent dans cette catégorie. Ces expériences peuvent se concentrer sur la vitesse d’adaptation, la distribution des effets de fitness des mutations nouvelles et existantes, la répétabilité des résultats évolutionnistes et les causes de cette répétabilité. Plusieurs études utilisant l’évolution expérimentale avec E. coli ont révélé des règles générales d’adaptation microbienne. Par exemple, (i) l’amélioration de fitness est plus rapide pour les génotypes inadaptés, (ii) l’apport de mutations bénéfiques est important, de sorte que souvent plusieurs mutations bénéfiques coexistent et entrent en compétition dans une population, (iii) dans la plupart des environnements, les mutations présentant de grands avantages en matière de fitness ne sont trouvées que dans quelques gènes, ce qui conduit à une forte convergence évolutionniste au niveau des gènes, (iv) les mutations présentant d’importants avantages en matière de fitness se produisent généralement à un faible taux, et (v) un changement du taux de mutation peut facilement être sélectionné au cours de l’adaptation.

Ces observations, bien qu’elles aient été faites principalement in vitro, ont été récupérées dans des conditions plus naturelles telles que l’intestin des mammifères. Les expériences pour tester les connaissances fondamentales et les hypothèses nous obligent à définir les informations nécessaires pour prédire l’évolution, déterminer les raisons de l’échec, et tester les limites de la généralisation des prédictions.

 

Pourquoi avons-nous besoin de prédictions ?

(1) Tester les hypothèses de l’évolution pour une meilleure compréhension fondamentale des systèmes en évolution. Sur la base de leur histoire phylogénétique, nous pouvons prédire comment les espèces évoluent lorsqu’elles sont exposées à un traitement donné. Ces prédictions peuvent être testées avec des approches d’évolution expérimentales.

(2) Pour nous préparer à de futures épidémies, nous visons à faire correspondre les vaccins avec les souches de grippe les plus courantes chaque année.

(3) Avoir le contrôle sur les résultats évolutionnistes et concevoir des stratégies de traitement qui empêchent l’évolution de la résistance chez les agents pathogènes.

Dans cette revue, nous nous concentrons sur la prédiction de l’évolution des objectifs (2) et (3), tandis que (1) joue un rôle dans l’obtention d’informations sur la base de ces prédictions.

Une autre raison de faire des prédictions évolutionnistes est d’être prêt pour l’avenir. La grippe saisonnière en est un exemple clé. Au printemps de n’importe quelle année, les vaccins sont produits pour l’automne suivant. Pour s’assurer que le vaccin est aussi efficace que possible, il est nécessaire de prédire quelles souches seront les plus courantes au cours de la prochaine saison grippale.

Enfin, une dernière raison de prédire le cours de l’évolution est de choisir des actions qui influencent sa direction ou sa vitesse de l’évolution, également appelée contrôle évolutionniste. Le contrôle évolutionniste est la modification d’un processus évolutif dans un but spécifique. Le contrôle peut soit supprimer l’évolution, par exemple, empêcher les agents pathogènes d’évoluer vers une résistance aux médicaments, soit faciliter l’évolution, par exemple, augmenter l’aire de répartition écologique d’une espèce pour éviter l’extinction. À titre d’exemple du premier, les régimes de traitement peuvent être choisis avec différentes combinaisons d’antibiotiques qui, ensemble, réduisent le risque d’évolution de la résistance ou qui guident l’évolution vers des types de faible fitness qui sont moins susceptibles de se propager dans des environnements sans antibiotiques. Il existe des mesures générales pour atteindre ces objectifs, mais les mesures peuvent être plus ciblées si nous pouvons prédire leurs effets sur l’évolution. Nous consacrons une section de cette revue au contrôle de l’évolution.

Pour les prédictions des deuxième et troisième catégories ci-dessus, il peut suffire de prédire l’avenir sans savoir pourquoi une prédiction est correcte, par exemple, en utilisant l’apprentissage automatique ou d’autres méthodes statistiques. En d’autres termes, une prédiction utile ne provient pas toujours d’une compréhension des mécanismes sous-jacents. Cependant, les prédictions précises se font souvent au détriment de la généralisation, ce qui signifie que les prédictions ne peuvent pas être appliquées dans des conditions même légèrement différentes. Selon le « triangle de Levins », dans son article de 1966, les modèles ne peuvent pas atteindre simultanément le réalisme, la précision et la généralité.

 

1.3 Que voulons-nous prédire ?

Lorsque nous faisons des prédictions évolutionnistes, nous pouvons nous concentrer sur de nombreux aspects différents de l’état futur d’une population. Il peut être utile de comparer brièvement les prédictions évolutionnistes aux prévisions météorologiques et climatiques, qui ont également de nombreuses dimensions. Parfois, nous nous soucions de savoir s’il pleuvra demain ou non ; alors qu’en cas d’inondations, nous nous soucions de la quantité exacte de pluie qui tombera dans les prochaines 24 heures. Ou la vitesse du vent, souvent non mentionnée, devient cruciale en cas d’ouragan pour mieux se préparer à l’impact. Les prédictions évolutionnistes sont tout aussi diverses ; elles peuvent porter sur différentes variables de population (par exemple, phénotype ou génotype majoritaire, valeur adaptative moyenne, identité des mutations fixes, fréquences des allèles, taille de la population) et inclure une composante temporelle (de quelques heures à plusieurs années).

Dans cet article, nous nous concentrons sur les prédictions prospectives dans le sens où elles concernent des événements futurs. Les prédictions peuvent être axées soit sur le niveau génotypique, soit sur le niveau phénotypique. Par exemple, au niveau génotypique, nous pouvons prédire la fréquence des variants de la grippe au cours de la prochaine saison grippale et quelles souches seront les plus courantes, ou nous pouvons prédire les cibles mutationnelles d’E.coli répondant à diverses pressions environnementales. Au niveau phénotypique, nous pouvons prédire la forme du bec des pinsons de Darwin après une sécheresse. D’autres fois, nous voulons prédire si ou après combien de temps la résistance aux médicaments évoluera chez un patient. Dans l’évolution expérimentale, l’objectif peut être de prédire un certain phénotype (par exemple, la taille des cellules) ou la valeur adaptative moyenne d’une population après un certain laps de temps, ou nous pouvons vouloir prédire quels gènes acquerront de nouvelles mutations ou conféreront une valeur adaptative accrue. Avec l’intérêt croissant pour l’ingénierie des communautés microbiennes, l’intérêt se tourne vers la prédiction de l’évolution des populations en interaction. En biologie de la conservation, l’accent peut être mis sur la prédiction de la taille future des populations. Dans tous ces cas, outre la prédiction de l’issue la plus probable, la probabilité d’une certaine issue (par exemple, l’extinction) est parfois la plus importante.

 

1.4 Un modèle conceptuel des prédictions évolutionnistes

Bien que les objets des prédictions soient très divers, à un niveau abstrait, ils partagent néanmoins une structure commune (Figure S1). Toutes les prédictions évolutionnistes résultent d’un modèle, y compris des modèles conceptuels, verbaux, mécanistes, statistiques, computationnels ou mathématiques, qui permet une projection de l’état du système en évolution au-delà de l’entrée fournie.

Le modèle de toutes les prédictions évolutionnistes commence par la description de l’état actuel du système en évolution et intègre les connaissances scientifiques préalables pertinentes (faits,  mécanismes ou processus). Il s’agit de l’entrée du modèle. Les hypothèses qui sont faites et qui n’ont pas (encore) été prouvées comme étant vraies peuvent également constituer des entrées ou des contraintes pour le modèle. Le résultat du modèle décrit l’avenir du système en évolution.

Lorsque nous décrivons des prédictions, nous pouvons prendre en compte divers attributs. Tout d’abord, nous devons considérer les attributs d’une population ou la portée prédictive : la prédiction concerne-t-elle les génotypes, les phénotypes, la valeur adaptative ou la taille de la population ? Essayons-nous de prédire la caractéristique moyenne d’une population ou la distribution d’un trait ? Prédisons-nous le chemin de l’évolution ou le résultat ?

Deuxièmement, nous devons considérer l’intervalle temporel d’une prédiction, l’horizon prédictif. Généralement, les prédictions de la trajectoire d’un système sont plus précises dans un avenir proche et perdent en fiabilité sur une échelle caractéristique. Cela est particulièrement pertinent lorsque des prédictions sont nécessaires pour décider d’actions, telles que le vaccin à fabriquer. Par exemple, lorsqu’il s’agit de prédire la fréquence des souches de grippe, les prévisions sont utiles jusqu’à environ un an, mais pas pour de plus longues périodes.

Troisièmement, nous pouvons considérer le niveau de détail d’une prédiction ou la précision prédictive. Une prédiction sur la direction d’un effet est moins détaillée qu’une prédiction qui inclut également son ampleur, son taux ou sa trajectoire. Par exemple, prédire que les microbes évolueront pour consommer une nouvelle source de nourriture est moins détaillé que de prédire que l’évolution se produira via une séquence donnée de mutations (trajectoire). Dans un sens, les prédictions sont un type d’hypothèse, et si elles sont trop générales, elles ne peuvent pas être falsifiées.

Le quatrième attribut d’une prédiction peut être la vraisemblance a priori ou l’absence de « surprise » de la prédiction. Toutes choses étant égales par ailleurs, prédire quelque chose qui est a priori improbable, dans l’état actuel des connaissances, est plus difficile à prévoir, mais peut-être plus intéressant.

 

2 QU’EST-CE QUI REND L’ÉVOLUTION PLUS OU MOINS PRÉVISIBLE ?

Pour prédire l’évolution, il faut tour d’abord qu’elle ait un caractère prévisible. L’étude de la prévisibilité et de la répétabilité de l’évolution est d’un grand intérêt et nous fournirons ici une brève discussion des principaux problèmes. De nombreux facteurs influencent la prévisibilité de l’évolution. Dans un scénario hautement prévisible, l’efficacité de la sélection est élevée par rapport à la stochasticité de la dérive génétique, de la mutation, de la recombinaison et des changements environnementaux imprévisibles. Dans une telle situation, l’augmentation de la valeur adaptative de la population et éventuellement l’augmentation de la taille de la population, ainsi que les principaux traits liés à la valeur adaptative peuvent être prédits avec précision à l’aide de modèles déterministes. Un exemple montre que chez 19 des 20 patients infectés par le VIH et traités avec un seul médicament (3TC), la résistance virale aux médicaments a été fixée en 3 mois par exactement la même mutation (M184V) dans le gène de la transcriptase inverse. Dans ce cas exceptionnel, le génotype, le phénotype et le moment de l’évolution sont prévisibles.

Il existe de nombreuses raisons pour lesquelles la prévisibilité d’un ou plusieurs aspects de l’évolution est généralement beaucoup plus faible : si l’apport de mutations est faible, le temps d’attente pour une mutation bénéfique réussie est imprévisible. Les effets de la valeur adaptative peuvent être influencés par des interactions avec d’autres mutations (liaison, épistasie et effets pléiotropiques) et l’environnement (donc les coefficients de sélection) peut changer de manière imprévisible. La prévisibilité peut également être affectée par le système d’accouplement, la recombinaison (ou l’absence de recombinaison), les interactions entre les espèces, les boucles de rétroaction et les contingences historiques. Nous n’aborderons pas tous ces facteurs en détail, mais nous aborderons quelques facteurs génétiques et écologiques qui affectent la prévisibilité de l’évolution.

 

2.1 Facteurs génétiques

De nombreux facteurs génétiques peuvent influencer la prévisibilité de l’évolution, et ici, nous en abordons trois, à savoir le biais de mutation, l’approvisionnement mutationnel et l’épistasie.

Nous considérons d’abord l’influence du biais de mutation et la distribution des effets de la valeur adaptative sur la prévisibilité de l’évolution. Le biais de mutation décrit la variabilité des taux de mutation de différentes classes de mutations (par exemple, transitions vs transversions) ou sites génomiques. La distribution des effets de fitness (DFE) des nouvelles mutations nous indique quel pourcentage de mutations ont quel effet de fitness. La variation du taux de mutation (biais de mutation) et les effets de la valeur adaptative des mutations (biais de sélection, DFE) peuvent tous deux améliorer l’évolution parallèle (et donc la prévisibilité) en réduisant le nombre de mutations « réussies » qui atteignent une fixation ou une fréquence élevée. Ces mutations réussies sont soit favorisées par le biais de mutation existant (c’est-à-dire qu’elles se produisent à un taux plus élevé que les autres classes mutationnelles), soit elles offrent les avantages les plus importants.

La théorie prédit qu’en l’absence de sélection (c’est-à-dire sous la neutralité), le biais de mutation est le seul moteur de l’évolution parallèle. Mais même lorsque la sélection se produit, un fort biais mutationnel réduit le spectre des mutations disponibles pour la sélection et devrait donc augmenter la prévisibilité. De manière quelque peu contre-intuitive, lorsque la sélection est très forte pour plusieurs mutations possibles, le biais de mutation est à nouveau aussi important qu’il l’est sous la neutralité. Dans un large éventail de taxons, le biais de mutation explique une proportion non négligeable de cas d’évolution génétique parallèle. Par exemple, une élégante étude sur l’adaptation aux hautes altitudes chez les oiseaux a révélé une évolution parallèle, en partie due au biais de mutation sur les sites CpG. Lorsque des mutations très bénéfiques sont sous-échantillonnées en raison du biais mutationnel existant, d’autres mutations à effet plus faible mais plus fréquentes peuvent se corriger à la place. Une telle tendance a été observée dans des populations de bactériophages répliquées où la mutation ayant la meilleure valeur n’était pas celle qui se fixait le plus souvent, car son taux de mutation était inférieur à celui d’autres mutations ayant une valeur adaptative plus faible.

L’impact du biais de sélection (c’est-à-dire l’effet de valeur adaptative des différentes mutations) peut être analysé via la distribution des effets de fitness (DFE). L’étude sur les bactériophages mentionnée ci-dessus a quantifié expérimentalement les effets de fitness de nouvelles mutations, puis a utilisé la DFE quantifiée et le nombre de mutations bénéfiques pour prédire la probabilité d’évolution parallèle, en comparant ces estimations aux mesures observées d’évolution parallèle au sein du même système. Les auteurs ont constaté que l’inclusion des paramètres de la DFE dans un modèle améliorait les estimations de la probabilité d’une évolution parallèle, ce qui étayait l’idée que les DFE sont des facteurs importants de prévisibilité évolutionniste. D’autre part, des travaux théoriques utilisant la théorie des valeurs extrêmes ont montré que, quelle que soit la forme spécifique de l’ensemble des DFE (c’est-à-dire incluant les mutations délétères, neutres et bénéfiques), il y aura toujours beaucoup plus de petites mutations que de mutations à grand effet. Cela peut réduire la prévisibilité de la mutation qui se corrigera ou de l’augmentation de la valeur adaptative, car les mutations à petit effet les plus nombreuses peuvent collectivement avoir une probabilité de fixation similaire à celle du petit ensemble de mutations à grand effet.

L’offre mutationnelle est le nombre total de mutations qui se produisent au cours d’une génération (ou d’une autre unité de temps) au sein d’une population, est déterminée par la taille de la population et le taux de mutation. Lorsque l’apport mutationnel est faible (par exemple dans de petites populations), le fait de n’avoir que quelques mutations bénéfiques à effet important signifie que le temps d’attente pour l’une de ces mutations peut être long, ce qui rend le moment de leur apparition imprévisible. Avec une augmentation du taux d’approvisionnement en mutations, le biais de sélection devient le moteur dominant des trajectoires adaptatives, bien que le biais de mutation ait toujours un impact sur l’identité des mutations réussies. Par exemple, dans les populations plus importantes où l’approvisionnement mutationnel est élevé, plusieurs allèles bénéfiques sont présents simultanément (interférence clonale). Ici, on s’attend à ce que le biais de sélection l’emporte sur le biais de mutation et la dérive génétique, et qu’il fixe les mutations les plus bénéfiques en grande partie indépendamment de leur taux de mutation.

L’épistasie est l’interaction entre les gènes et les mutations, elle est un autre facteur important d’influence sur la prévisibilité, car même si les effets de la fitness sont mesurés dans un contexte génétique, nous ne connaissons pas les effets dans un autre contexte. De plus, la complexité et la redondance des cartes génotype-phénotype diminuent la prévisibilité de l’évolution : si de nombreux génotypes différents correspondent au même phénotype, l’observation d’un génotype particulier n’est qu’un des nombreux résultats évolutionnistes, tout aussi probables. Cependant, il y a des nuances intéressantes ; par exemple, lorsque les interactions épistatiques modifient le signe des effets mutationnels de bénéfique à délétère ou vice versa, une condition appelée épistasie de signe. L’épistasie de signe peut à la fois augmenter et diminuer la prévisibilité. Une étude fondamentale sur l’enzyme de résistance aux antibiotiques TEM-1 β-lactamase a montré que l’épistasie peut réduire considérablement le nombre de voies mutationnelles le long desquelles une population peut évoluer vers une meilleure valeur adaptative, ce qui augmente la prévisibilité des trajectoires évolutionnistes. D’autre part, l’épistasie des signes peut également conduire à des paysages de fitness avec plusieurs pics, ce qui signifie que les populations peuvent finir par se déplacer vers différents pics de fitness en fonction de la mutation qui se fixe en premier, diminuant ainsi la prévisibilité de l’évolution.

La prévisibilité des voies mutationnelles pour les phénotypes adaptatifs de Pseudomonas illustre comment les connaissances combinées sur ces facteurs génétiques nous aident à prévoir les réponses des organismes aux conditions changeantes. Les Pseudomonas peuvent évoluer pour développer des colonies aplaties ou ridées qui se disputent l’accès à l’oxygène. Trois voies mutationnelles sont généralement à la base de l’évolution convergente du phénotype de l’étalement ridé. Cependant, une étude qui a éliminé ces trois voies mutationnelles a révélé 13 autres voies qui ont également conduit au phénotype de l’étalement ridé. Ces autres voies avaient une valeur adaptative similaire, mais des taux de mutation beaucoup plus faibles, ce qui explique pourquoi elles n’ont pas été observées dans les premières études. La connaissance détaillée de la carte génotype-phénotype peut sembler superflue lorsque l’évolution phénotypique peut être prédite sans cette connaissance, comme dans le cas du phénotype de l’étalement ridé chez Pseudomonas. Cependant, la connaissance de la génétique qui contraint les réponses évolutionnistes est pertinente lorsque nous voulons utiliser la prévision évolutionniste pour contrôler les populations.

L’évolution génétique de nombreux caractères, en particulier des traits complexes chez les eucaryotes, est très polygénique, c’est-à-dire que de nombreux loci recombinants à travers le génome avec de petits effets phénotypiques contribuent conjointement à la réponse évolutionniste. L’évolution polygénique est moins prévisible en termes de mutation qui se fixeront en raison de la redondance génétique. Dans le cadre de la redondance génétique, des résultats similaires en matière de phénotype et de valeur adaptative peuvent être obtenus grâce à des changements génétiques différents ; cependant, ces changements peuvent être plus prévisibles lorsque les gènes causaux se regroupent dans des régions génomiques étroites ou lorsque la variation génétique ancestrale est utilisée à plusieurs reprises dans l’évolution. Les approches de prévision polygénique qui mettent l’accent sur les résultats phénotypiques utilisent des cadres de génétique quantitative qui prédisent la réponse à la sélection en fonction des variances et des covariances phénotypiques et génétiques, c’est-à-dire l’équation de l’éleveur, ou la covariance caractère-valeur adaptative, également connue sous le nom d’identité Robertson-Price. Malgré leurs hypothèses simplificatrices, les approches utilisant la génétique quantitative peuvent réussir à prévoir l’évolution sur de courtes périodes. Les limites de ces approches sont l’incapacité à rendre compte des effets de dérive et l’hypothèse d’une cartographie linéaire génotype-phénotype. Un formidable défi est donc d’intégrer la stochasticité et les non-linéarités dans des cadres qui se prêtent à la prévision de l’évolution polygénique.

 

2.2 Facteurs écologiques

Les études expérimentales de l’évolution sont généralement réalisées dans un environnement de laboratoire où la plupart des conditions environnementales et écologiques sont contrôlées. Cependant, la prévisibilité de l’évolution dans la nature dépendra des caractéristiques des populations et de leur habitat ainsi que des interactions avec l’environnement biotique et abiotique (ici conjointement appelés « facteurs écologiques »). Les facteurs écologiques affectent la prévisibilité de l’évolution à la fois par leur effet sur la quantité et la distribution de la variation génétique et sur les effets de valeur adaptative des variants. Pour illustrer cela, nous décrivons brièvement ci-dessous l’effet du taux de changement environnemental, des caractéristiques et de la complexité de l’habitat, ainsi que des interactions écologiques au sein d’une communauté sur la prévisibilité de l’évolution.

Premièrement, la vitesse des changements environnementaux peut affecter la prévisibilité en fixant la force et la variabilité des pressions de sélection. Dans l’ensemble, l’adaptation est plus probable dans des environnements changeant progressivement que dans des environnements rapides ou saltationnels. Des preuves empiriques de la prévisibilité plus élevée lors d’un changement progressif ont été fournies avec un système de laboratoire de levure exposé à différents gradients de stress salin. De plus, une étude récente a souligné que le changement climatique mondial actuel entraîne des réponses adaptatives imparfaites en raison de la vitesse élevée des changements environnementaux. Une exception est lorsque le changement est si rapide que les populations ne peuvent pas y faire face, auquel cas la prévisibilité du résultat évolutif – l’extinction locale – est élevée. Les changements environnementaux rapides imposent d’importantes pressions de sélection, ce qui peut augmenter la prévisibilité, mais lorsque les changements environnementaux dépassent les limites de la variation spatio-temporelle existante dans l’habitat, le nouveau paysage de la fitness devient largement inexploré. Cela indique que les environnements en évolution rapide peuvent limiter la capacité à prédire l’évolution. De plus, lorsque les changements environnementaux s’accompagnent d’occurrences erratiques de conditions extrêmes qui modifient considérablement le paysage de la fitness, que ce soit dans le temps ou dans l’espace, ils introduisent une stochasticité élevée, ce qui réduit encore la prévisibilité.

Deuxièmement, les caractéristiques de l’habitat d’une espèce peuvent également influer sur la prévisibilité, notamment la complexité ou l’hétérogénéité de l’habitat, la taille des parcelles et la connectivité. Plus un habitat est complexe, plus les pressions sélectives agissent, ce qui peut réduire la prévisibilité de l’évolution. Cela peut résulter de compromis entre les caractères pour l’adaptation à de multiples pressions de sélection, ainsi que par la diminution de la taille de la population. La taille des parcelles influe fortement sur la taille de la population, et la connectivité des parcelles d’habitat influencera le flux d’individus et, par conséquent, l’afflux de variations génétiques. La dispersion entre les populations exerce une double influence sur l’adaptation : (1) La dispersion locale peut produire un effet de source externe génétique et/ou démographique, en augmentant effectivement la taille de la population, ce qui entraîne moins de dérive et un apport absolu plus élevé de mutations. (2) Des taux de dispersion élevés peuvent toutefois induire une charge migratoire entre les populations s’adaptant à différents facteurs de stress.

Enfin, les rétroactions entre les dynamiques écologiques et évolutionnistes (dynamique éco-evo) influenceront la prédictibilité. Nous savons qu’une plus grande complexité écologique (plus de diversité, plus d’interactions) favorise la stabilité écologique dans certains cas. Peut-on s’attendre à ce que la dynamique évolutive dans des communautés plus complexes soit également plus prévisible ? On pourrait s’attendre à ce qu’il soit plus simple de prédire les résultats évolutifs dans des communautés simples parce qu’il y a moins de paramètres à prendre en compte. Cependant, cet argument est basé sur des contraintes de données et non sur des contraintes fondamentales aux prédictions évolutionnistes dans des communautés complexes, où les rétroactions pourraient stabiliser les communautés, entraînant des dynamiques plus stables à court et à long terme. La rétroaction écologique peut conduire à une sélection dépendante de la fréquence dans diverses interactions écologiques. En particulier, la sélection négative dépendante de la fréquence (NFDS) peut conduire à des fluctuations de fréquence prévisibles et à des équilibres stables de polymorphismes au sein d’une population. La force de la NFDS et l'(im)prévisibilité des changements environnementaux déterminent ensuite si cela conduit à un chaos imprévisible ou si cela peut augmenter la prévisibilité. De plus, lorsque la variabilité environnementale affecte fortement la croissance de la population et la sélection naturelle, comme on l’observe couramment dans les systèmes naturels, ce « forçage environnemental » tend à rendre les réponses évolutionnistes et le suivi de l’environnement moins chaotiques et plus prévisibles. Par conséquent, bien que la complexité du monde réel et la nature stochastique inhérente à certains processus écologiques fondamentaux (tels que les effets prioritaires) suggèrent des limites à notre capacité à prédire les changements évolutifs, l’exploration de l’effet de la dynamique éco-evo sur la stabilité de la dynamique à travers les échelles de temps peut jeter un nouvel éclairage sur le potentiel de la prévision évolutionniste.

Il existe un soutien empirique à l’effet des facteurs écologiques sur la prévisibilité de l’évolution. Par exemple, dans une expérience en microcosme avec Escherichia coli, la propagation des génotypes bénéfiques était principalement stochastique dans les communautés de faible complexité, mais déterministe dans les communautés de haute complexité, ce qui suggère une relation positive entre la complexité de l’écosystème et la prévisibilité de l’évolution. De même, des communautés de bactéries qui ont évolué expérimentalement pendant plusieurs centaines de générations ont suivi des trajectoires reproductibles vers une structure de communauté finale et stable. Les « laboratoires » naturels offrent également un aperçu du rôle de l’écologie sur la prévisibilité évolutive, par exemple sous la forme d’une évolution parallèle dans des habitats répliqués où les organismes réagissent de manière similaire à des changements similaires dans leurs environnements. L’urbanisation offre un cadre unique où des changements environnementaux similaires sont reproduits entre les villes, tels que la sélection d’un gène comportemental chez le merle noir commun. D’autres exemples sont l’évolution convergente des formes de couleur chez les araignées hawaïennes causée par leur environnement et la réduction de l’armure lorsque les épinoches marines à trois épines ont colonisé l’eau douce, ce qui s’explique par des changements abiotiques et biotiques (différences de salinité et de pression de prédation, respectivement). Sur la base de ces modèles d’évolution répétée, nous pouvons potentiellement prévoir comment d’autres populations réagiraient à des facteurs écologiques ou environnementaux similaires.

 

3 MÉTHODES DE PRÉDICTION DE L’ÉVOLUTION

La question est de savoir comment nous pouvons prédire l’évolution. Les prédictions peuvent être basées sur des données, par exemple sur des observations de répétabilité que nous nous attendrions à observer à nouveau dans des conditions similaires, ou sur la base d’une théorie et d’une compréhension mécaniste des processus évolutifs que nous pouvons modéliser. Parfois, une combinaison des deux est utilisée. Il existe de nombreuses approches et méthodes différentes pour prédire l’évolution.

Nous en mentionnons ici quelques exemples.

1/ Le SRAS-CoV-2, le coronavirus qui a déclenché une pandémie fin 2019, fait l’objet de prédictions évolutionnistes aux niveaux phénotypique et génétique. La prévalence mondiale extrêmement élevée de ce virus ainsi que le changement récent d’hôte et de pressions sélectives (comme avec les vaccins) ainsi que l’ampleur sans précédent des données disponibles permettent de tester rapidement l’exactitude de nombreuses prédictions. Il est courant que les virus s’adaptent davantage après un changement d’hôte. Au départ, l’objectif principal des prédictions des agences de santé publique était de prédire le nombre total de cas à l’aide de modèles épidémiologiques ou statistiques sans dynamique évolutive. Ensuite, on s’est intéressé à la prédiction de la dynamique de différentes souches. Et lorsque les vaccins se sont généralisés, la grande question était de savoir si et quand l’échappement immunitaire se produirait.

En l’absence d’immunité collective (due à des infections ou à des vaccins), la sélection la plus forte devrait être sur la transmission accrue, tandis qu’une sélection plus faible est prédite sur d’autres traits de l’histoire de vie de la maladie, tels que l’allongement de la phase présymptomatique et la diminution de la virulence. Lorsqu’une grande partie de la population devient immunisée en raison d’une infection ou d’une vaccination, la sélection pour l’échappement immunitaire devrait devenir plus importante.

Il y a un fort intérêt à prédire les changements génétiques spécifiques qui se produiront dans le virus SARS-Cov 2. Différentes méthodes ont été utilisées pour prédire quelles mutations peuvent contribuer à l’évolution de l’échappement du virus à partir de l’immunité existante de la population. Ces méthodes utilisent les données de surveillance génomique existantes, le balayage mutationnel profond et les comparaisons avec différents coronavirus. Récemment, un modèle de fitness multi-souches a été développé pour prédire les fenêtres de sélection façonnant l’évolution antigénique du SARS-Cov 2.

Les mesures de santé publique comme la distanciation physique et la vaccination permettent non seulement de réduire le nombre d’infections, mais aussi de réduire le potentiel d’évolution du virus en raison de la réduction de la taille de la population, ce qui pourrait réduire le taux d’émergence de nouvelles souches. Dans le même temps, une vaccination généralisée augmentera la sélection des mutants d’échappement immunitaire. Cela signifie que les campagnes de vaccination et les règles de distanciation physique peuvent être considérées, du moins en partie, comme des mesures de contrôle évolutionnistes. Une discussion particulièrement intéressante sur les effets du déploiement de la vaccination sur l’évolution virale a été abordée dans le contexte des stratégies d’économie de doses (par exemple, administrer à plus de personnes une dose unique ou une demi-dose d’un vaccin par opposition à vacciner moins de personnes avec deux doses). Différents modèles épidémiologiques-évolutifs prédisent que les stratégies d’épargne doseuse pourraient accélérer ou ralentir l’évolution de l’échappement immunitaire.

2/ Formation durable d’un produit par des micro-organismes

L’industrie chimique représentant une charge environnementale élevée, une alternative durable est la production de composés (bio)chimiques par des micro-organismes. Le défi majeur pour la production biosourcée de produits chimiques est l’évolution de cette formation réduite. Cette évolution se produit parce que la production de composés détourne les ressources de la croissance, induisant ainsi un coût de fitness. Nous pouvons utiliser des modèles mathématiques du métabolisme microbien pour prédire la stabilité évolutionniste des souches de production. Par exemple, nous pouvons prédire que pour les mutants où la formation de produits est couplée à la production de biomasse, la sélection négative est la moins probable. Les techniques informatiques qui utilisent des modèles métaboliques à l’échelle du génome peuvent ensuite prédire quels gènes knock-out couplent la formation du produit à la biomasse, ce qui devrait conduire à une stabilité accrue de la formation du produit. Ces prédictions ont été appliquées pour la production de formiate par les cyanobactéries et la validation expérimentale a montré qu’avec le couplage de croissance, en effet, aucune diminution de la formation du produit ne s’est produite en un mois, alors que sans couplage de croissance, la production de formiate a diminué après quelques jours.

3/ Adaptation des populations naturelles aux environnements changeants

Pour planifier les efforts de conservation le plus efficacement possible, nous devons prédire quelles espèces ou populations peuvent s’adapter aux conditions changeantes et lesquelles seront menacées d’extinction. Ce type de prédiction est difficile à faire, mais plusieurs approches sont adoptées pour permettre de prévoir les états futurs de la population. (1) Nous pouvons appliquer une certaine pression de sélection en laboratoire et observer le potentiel adaptatif (par exemple dans le cadre d’une récolte sélective en fonction de la taille ou de températures plus élevées. (2) De même, les espèces peuvent être transplantées dans différents habitats et leur adaptation peut être suivie. (3) Nous pouvons déterminer si l’évolution en cours a déjà conduit à un changement adaptatif, par exemple, une méta-analyse récente de l’adaptation phénologique des oiseaux au changement climatique a montré qu’il est peu probable que l’adaptation sauve les populations, bien qu’il soit difficile de faire la distinction entre l’adaptation évolutionniste et l’adaptation plastique. Ou contrairement aux prédictions, il ne semble pas que la morue se soit adaptée génétiquement à la pêche. (4) Nous pouvons utiliser des modèles de distribution d’espèces avec des informations génomiques. Des prédictions pour ce dernier type ont été faites pour le bouleau nain, les chênes et la paruline jaune.

L’approche (1) est difficile, voire impossible, et prend du temps pour de nombreuses espèces, et il reste à voir dans quelle mesure ces prédictions peuvent être extrapolées aux systèmes naturels. Ce dernier problème est réduit dans l’approche (2). L’approche (3) ne peut être appliquée qu’aux changements qui sont déjà en cours et qui nécessitent une grande quantité de données à long terme sur les individus. Enfin, l’approche (4) a généralement donné des corrélations très faibles. Par conséquent, prédire quelles espèces peuvent s’adapter à de nouvelles conditions environnementales (par exemple, un changement climatique rapide) reste un grand défi.

4/ Le développement d’un vaccin contre la grippe repose sur des prédictions évolutionnistes

L’un des exemples les plus connus de prédictions évolutionnistes est la prédiction des souches de grippe qui seront courantes la saison prochaine, comme base pour le développement d’un vaccin. Deux méthodes principales, qui peuvent également être combinées, sont utilisées pour faire ces prédictions : les propriétés moléculaires du virus et les arbres généalogiques. La première méthode utilise des phénotypes clés contribuant à la valeur adaptative virale : la stabilité des protéines et la liaison aux anticorps humains résument la valeur adaptative de la particule virale. La deuxième méthode utilise des données provenant d’échantillons cliniques récents et fait un arbre phylogénétique de ces souches. Les parties « buissonnantes » qui ont connu une grande diversification récente sont les génotypes qui devraient dominer l’année suivante. Ces méthodes sont utilisées pour la sélection des souches vaccinales. Cependant, les taux de réussite sont encore limités et une amélioration supplémentaire aurait un impact important sur l’efficacité des vaccins antigrippaux. Une telle amélioration peut provenir d’une meilleure compréhension de la carte génotype-phénotype pour les interactions virus-anticorps, de sorte que l’évolution antigénique peut être mieux prédite à partir des données de séquence.

 

3.1 Évolution expérimentale

Une méthode simple pour les prédictions évolutionnistes consiste à créer les conditions d’intérêt (en laboratoire ou dans un environnement naturel), à observer l’évolution ou son absence et à identifier quelles conditions mènent à quels résultats.

3.2 Utilisation du paysage mutationnel et de la fitness

Bien qu’actuellement hors de portée pour la plupart des systèmes, il peut devenir possible de prédire la prochaine étape de l’évolution d’une population en utilisant une connaissance détaillée des mutations et de leur valeur adaptative dans un environnement donné.

3.3 Modèles métaboliques et de croissance

Lorsque la sélection de micro-organismes est due à une croissance différentielle des populations d’autres génotypes, nous pouvons utiliser des modèles métaboliques et de croissance (à l’échelle du génome) pour prédire comment ces populations évolueront. Des modèles métaboliques ont été utilisés pour prédire des mutations de novo, jusqu’alors inconnues, qui induisent des mutations de résistance aux antibiotiques dépendantes du dosage chez E. coli.

3.4 Modèles génétiques de population

Les modèles génétiques de population permettent de suivre l’état génétique (souvent à un ou quelques loci) d’une population entière. Ces modèles sont soit de nature mathématique, soit utilisent des simulations informatiques et peuvent inclure les mutations, la valeur adaptative, la reproduction, la recombinaison et d’autres paramètres, avec des forces à la fois déterministes et stochastiques. Ils sont utilisés pour prédire le succès des systèmes de forçage génétique.

3.5 La génétique quantitative et l’équation de l’éleveur

Dans des situations où l’accent est mis sur la modification d’un ou de quelques phénotypes, sur de courtes échelles de temps et dans des environnements relativement contrôlés, la génétique quantitative a connu un grand succès dans la prédiction des changements phénotypiques. De tels modèles sont utilisés, par exemple, dans les programmes de sélection du maïs.

3.6 Modèles épidémiologiques (modèles SIR)

Les modèles SIR sont des modèles compartimentés où les individus peuvent passer d’un état sensible (S) à un état infectieux (I) et d’un état infectieux à un état rétabli (R). Lorsque les modèles SIR classiques sont combinés à la possibilité pour l’agent pathogène d’évoluer (par exemple, une virulence changeante ou des probabilités d’infection), nous pouvons prédire la propagation d’un agent infectieux en évolution ou l’évolution d’une population virale multi-souches.

3.7 Répartition des espèces dans l’espace et dans les conditions environnementales

La prévision des réponses de la biodiversité au changement climatique se fait généralement à l’aide de modèles de distribution des espèces. De tels modèles peuvent être combinés à des données génomiques et à des réponses évolutionnistes pour prédire l’adaptation et l’expansion de l’aire de répartition.

3.8 Modélisation évolutionniste multi-échelle

L’étude de l’évolution à long terme nécessite des modèles dans lesquels la carte génotype-phénotype elle-même peut évoluer. De tels modèles peuvent être utilisés pour étudier l’évolution du génome et l’évolution des communautés. Un exemple de modèle multi-échelle est la combinaison des niveaux intra-hôte et épidémiologiques dans un modèle pour étudier l’effet du réservoir latent du VIH.

3.9 Apprentissage automatique

Dans les cas où de grandes quantités de données sur des trajectoires évolutionnistes répétées dans le passé sont disponibles, les approches d’apprentissage automatique sont susceptibles de devenir de plus en plus importantes pour prédire l’évolution.

 

4 CONTRÔLE ÉVOLUTIONNISTE

4.1 Prédiction des besoins de contrôle évolutionniste

L’utilisation de prédictions pour le contrôle nécessite une extension de la portée de la prédiction : nous devons prédire non seulement le processus évolutionniste dans des conditions naturelles, mais aussi sa réponse à des interventions de contrôle spécifiques. Les applications importantes de la lutte évolutionniste sont les interventions contre les agents pathogènes humains en évolution et contre les insectes développant une résistance aux insecticides. Dans cette section, nous décrirons plusieurs exemples de contrôle évolutif, où des prédictions sont utilisées ou pourraient s’avérer bénéfiques pour améliorer les mesures de contrôle.

4.2 Prévention ou inversion de la résistance aux antibiotiques chez les agents pathogènes bactériens

L’augmentation des taux de résistance aux antibiotiques menace l’efficacité de ce pilier du traitement des maladies bactériennes. Étant donné que la découverte et la mise au point de nouveaux agents antimicrobiens accusent un retard par rapport au taux d’évolution de la résistance, de nouvelles approches axées sur la gestion des antimicrobiens ont vu le jour, dont l’objectif est de prévenir ou d’inverser l’évolution de la résistance aux médicaments existants. Ces idées, qui peuvent être mises en œuvre pour des individus ou à l’échelle de la population dans un milieu hospitalier ou agricole, reposent fondamentalement sur une compréhension précise et empirique de l’évolution et de la propagation de la résistance aux antimicrobiens. Deux grandes catégories de prédictions évolutionnistes pour éclairer les décisions thérapeutiques peuvent être envisagées : l’une pour éviter un résultat spécifique et l’autre pour en promouvoir un.

Le cas du VIH montre que les prédictions n’ont pas besoin d’être très précises pour permettre un certain contrôle. Lorsque la trithérapie est devenue disponible pour les patients atteints du VIH dans les années 1990, la prédiction, fondée sur un modèle mathématique, était qu’elle préviendrait ou, du moins, ralentirait l’évolution de la résistance aux médicaments, réduirait la progression vers le sida et sauverait des vies. Même si le modèle utilisé n’était pas tout à fait correct, les prédictions de haut niveau se sont maintenues et de nombreuses vies ont été sauvées.

Plusieurs modèles et expériences différents ont soutenu les prédictions intuitives selon lesquelles les thérapies combinées diminuent la probabilité d’évolution de la résistance par rapport à la monothérapie. Premièrement, les thérapies combinées augmentent le taux de déclin des agents pathogènes, limitant la fenêtre de temps pour que les mutations de résistance de novo se produisent. Deuxièmement, les thérapies combinées nécessitent des mutations de résistance chez plusieurs cibles, ce qui diminue la probabilité que des mutants complètement résistants apparaissent. Les thérapies combinées englobent un large éventail d’approches : utilisation simultanée de plusieurs agents antimicrobiens (p. ex., antibiotiques-antibiotiques, antibiotiques-adjuvants, antibiotiques-phages ou cocktails de phages) ; le mélange d’antibiotiques, c’est-à-dire l’attribution aléatoire de différents antibiotiques à différents patients dans le même service hospitalier ; et la mise en œuvre de thérapies alternées dans le temps, y compris le cycle des antibiotiques (au niveau de la population) et la thérapie séquentielle (au niveau individuel).

Les approches qui seraient utilisées pour obtenir un résultat particulier sont plus intéressantes. Ceux-ci sont basés en grande partie sur les effets épistatiques ou pléiotropiques connus des mutations de résistance. Les mutations de résistance sont généralement associées à des coûts de fitness, et plusieurs auteurs ont préconisé des stratégies de traitement conçues pour maximiser ces coûts, maximisant ainsi la probabilité que ces souches soient remplacées une fois que la sélection d’antibiotiques est relâchée. Les interactions entre les mutations de résistance peuvent également être utilisées pour exploiter les synergies médicamenteuses, entraînant ainsi des taux plus rapides de déclin de la population de l’agent pathogène. Enfin, une stratégie récente repose sur l’idée que la résistance à un médicament donné augmente la susceptibilité (c’est-à-dire provoque une sensibilité collatérale) à un deuxième médicament. La connaissance de la sensibilité collatérale pourrait aider à choisir les médicaments à utiliser de manière séquentielle : si la résistance à un médicament évolue, elle augmente concomitamment l’efficacité de l’autre. Notons toutefois que les effets épistatiques (lorsque l’effet d’une mutation dépend du patrimoine génétique) peuvent rendre plus difficile la prédiction, et donc l’utilisation, de la sensibilité collatérale.

4.3 Résistance des insectes aux plantes transgéniques

Les prédictions évolutionnistes ont été utilisées pour guider le déploiement des plantes transgéniques les meilleures conçues pour protéger les cultures contre les dommages causés par les insectes. Le coton, le maïs et d’autres cultures ont été transformés avec les gènes des toxines protéiques insecticides de la bactérie Bacillus thuringiensis (Bt) et ont connu un succès remarquable en tant qu’alternative aux pulvérisations d’insecticides chimiques. Dès le début, l’évolution de la résistance des insectes aux toxines Bt a été anticipée et des stratégies de déploiement ont été délibérément conçues pour minimiser sa propagation. Par exemple, on a choisi des toxines pour lesquelles la résistance était connue pour être récessive et pour lesquelles la variation génétique de la résistance s’est avérée faible. Cela a été fait parce que les modèles génétiques de population prédisent que l’évolution se déroulera plus lentement pour les allèles récessifs ou lorsque les allèles sont rares. Des modèles génétiques de population de sélection naturelle ont également été utilisés pour prédire dans quel délai la résistance évoluerait, en se fondant sur des hypothèses concernant la génétique de la résistance, la force de la sélection, la dispersion des ravageurs entre les cultures Bt et non Bt, et d’autres facteurs génétiques et écologiques. Des stratégies fondées sur ces prévisions, en particulier des stratégies à doses élevées ou refuges, ont été prescrites par des organismes de réglementation gouvernementaux. La stratégie à dose élevée/refuge signifie que (1) il existe un refuge (culture qui n’exprime pas la toxine Bt), ce qui signifie que même si la résistance évolue, très peu d’homozygotes pour l’allèle de résistance seront produits, tandis que (2) la dose de la toxine est si élevée que les hétérozygotes pour l’allèle de résistance mourront. Une analyse rétrospective de l’efficacité de ces stratégies a montré qu’elles étaient plus efficaces lorsque davantage d’hypothèses sous-jacentes étaient valides sur le terrain et lorsque l’observance des producteurs était élevée. C’est probablement le test le plus réussi de la performance des prédictions évolutionnistes dans l’agriculture moderne.

4.4 Prévention de la résistance au forçage génétique

Les systèmes de forçage génétique utilisent des constructions génétiques (actuellement souvent basées sur CRISPR/Cas9) pour forcer la propagation d’un trait dans une population. Ces systèmes sont développés pour pouvoir, un jour, changer les populations sauvages (par exemple, rendre les moustiques résistants au paludisme), cependant, l’espèce cible peut évoluer pour devenir résistante à l’allèle pulsionnel. La recherche est donc axée sur la prévention de l’évolution des résistances.

Le forçage génétique ou construction de forçage génétique est un type spécial de distorsion de ségrégation qui utilise la technologie d’édition de gènes CRISPR/Cas9. Selon les attentes mendéliennes, chaque gamète a 50 % de chances de porter l’allèle qui provient d’un parent et 50 % de chances de porter l’allèle qui provient de l’autre parent. Un type de forçage génétique est appelé forçage génétique à guidage. Il utilise une sorte de mécanisme de copier-coller qui déforme la règle des 50-50 et peut donc être présents dans beaucoup plus de gamètes, ce qui conduit ensuite à une progéniture qui hérite de l’allèle du forçage génétique à un taux bien supérieur à 50 %. Cela fonctionne comme suit : lorsque la construction du forçage génétique est initialement présente à l’état hétérozygote dans une cellule, elle peut cliver un site cible génomique dans le chromosome qui ne porte pas la construction. Cette coupe incite ensuite la cellule à réparer les dommages en copiant la séquence d’entraînement dans le chromosome endommagé. Le résultat est que la cellule a maintenant deux copies de l’allèle de forçage génétique. De cette façon, la construction du forçage génétique peut se propager rapidement dans la lignée germinale et donc dans la population. Lorsque le système de forçage génétique est lié à un allèle d’intérêt (la « charge utile »), le biais de transmission force la propagation de cet allèle. Bien que le forçage génétique CRISPR/Cas ne soit pas encore utilisé en dehors du laboratoire, il est prévu d’utiliser cette technologie chez les moustiques et d’autres espèces qui causent des dommages aux humains.

La résistance aux systèmes de forçage génétique à tête chercheuse peut évoluer lorsque la coupure faite par la construction du forçage génétique est réparée par la voie des extrémités non homologues. En effet, l’assemblage des extrémités entraîne souvent des changements dans la séquence cible, ce qui signifie qu’on ne peut plus cliver cette séquence. Lorsque la résistance a ainsi évolué, une construction d’entraînement ne peut plus se propager et peut diminuer en fréquence si elle s’accompagne d’un coût de fitness.

Les prédictions évolutionnistes à deux niveaux différents sont intéressantes ici : (1) à quelle vitesse l’allèle pulsionnel se propagera-t-il dans la population et (2) quand la résistance au forçage génétique évoluera-t-elle et se propagera-t-elle ? La première est une application assez simple des modèles existants de génétique et de dynamique des populations, avec un paramètre supplémentaire pour la ségrégation non mendélienne. Cependant, dans les premières expériences, les populations sont presque toujours devenues résistantes à l’élément de forçage génétique. Le deuxième niveau de prédiction est donc peut-être plus important : à quelle vitesse la résistance évoluera-t-elle ? La sensibilité d’une construction de forçage génétique à la résistance peut être réduite (a) en augmentant le nombre de sites où la construction de forçage génétique peut couper ou (b) en introduisant un coût pour la résistance en ciblant le forçage génétique sur un gène essentiel. Les prédictions ont été validées par des expériences en laboratoire : plusieurs groupes ont montré que les forçages génétiques avec plusieurs ARN guides (qui ciblent plusieurs sites), ou qui ciblent un gène essentiel, peuvent se propager dans une population beaucoup plus longtemps avant que la résistance n’évolue. Dans un exemple important de contrôle évolutif réussi – du moins en laboratoire – des chercheurs ont pu créer un système de forçage génétique qui ciblait un gène de fertilité important (doublesex). Avec ce système de forçage génétique, aucune résistance n’a évolué et les populations expérimentales de moustiques ont toutes disparu comme espéré et prédit.

4.5 Prévenir l’extinction en favorisant l’évolution

Un cas où nous voulons promouvoir l’évolution est pour sauver une espèce de l’extinction. On pense généralement qu’un manque de variation génétique augmente le risque d’extinction. Par exemple, le diable de Tasmanie avait une très faible variation génétique et la taille de sa population a été sévèrement réduite par un cancer infectieux. Dans le même temps, la perte d’habitat, la perte de possibilités de dispersion et la diminution de la taille de la population peuvent entraîner une diminution de la variation génétique d’une espèce, ce qui entraîne un « vortex d’extinction ». La principale méthode pour promouvoir l’adaptation à un environnement changeant est donc d’accroître la diversité génétique, car il a été démontré que la diversité génétique est bénéfique pour l’adaptation et le sauvetage. Le maintien de la variation génétique joue également un rôle lorsque des programmes de reproduction sont utilisés pour sauver une population. L’augmentation de la diversité génétique dans les populations menacées, appelée sauvetage génétique, souvent utilisée pour éviter la dépression de consanguinité, est une intervention prometteuse, mais il reste à voir si elle conduit de manière prévisible à une augmentation de la taille des populations suffisante pour prévenir l’extinction.

 

5 CONCLUSION ET PERSPECTIVES

Les prédictions évolutionnistes sont utilisées dans de nombreux domaines, notamment les maladies infectieuses, la biotechnologie et la biologie de la conservation. Dans certains cas, l’utilisation de modèles évolutifs qui incluent les mutations, la sélection et la dérive est très explicite (comme dans l’exemple du forçage génétique ou dans les prédictions du vaccin contre la grippe), tandis que dans d’autres cas, l’évolution peut n’être incluse qu’implicitement dans les prédictions de la taille de la population (par exemple pour prédire le risque d’extinction des espèces menacées). Dans cette revue, nous avons montré comment les prédictions évolutionnistes sont utilisées dans de nombreux sous-domaines biologiques. Parce que les chercheurs de différents sous-domaines utilisent des langages différents, il n’est pas toujours évident qu’ils font la même chose : prédire l’état futur d’une population en évolution. Les prédictions peuvent être améliorées lorsque les chercheurs peuvent apprendre et s’inspirer des résultats d’autres sous-domaines, mais pour que cela se produise, nous devons utiliser un langage commun. Cette revue se veut un point de départ pour faire le lien entre ces communautés de recherche. Nous pensons que ceux qui travaillent à prévenir l’évolution indésirable (en biotechnologie, en agriculture et en santé) et aussi ceux qui travaillent à promouvoir ou à orienter l’évolution (comme en biologie de la conservation et en biotechnologie) pourraient bénéficier d’une communication beaucoup plus étendue.

La plupart des théories que nous avons décrites dans cette revue ont été présentées dans les paragraphes sur la prévisibilité. Cela reflète le stade relativement précoce du domaine, où de nombreux chercheurs impliqués se concentrent sur la compréhension des conditions de prévisibilité de l’évolution et des facteurs déterminent cette prévisibilité. Bien que cela ait conduit à de nombreuses informations pertinentes, ces informations théoriques sont encore loin des applications où des prédictions sont nécessaires. Nous pensons donc que le domaine pourrait bénéficier d’un lien plus fort entre la théorie et les applications. Plus précisément, les efforts en cours dans le domaine de la recherche sur la grippe (utilisation de données et de théorie pour prédire les souches de grippe afin de concevoir le meilleur vaccin) pourraient être reproduits dans d’autres situations. Par exemple, des modèles pourraient être conçus pour prédire la résistance aux médicaments dans un hôpital au cours de la prochaine année, compte tenu de l’état actuel et de paramètres tels que l’utilisation d’antibiotiques. De plus, les modèles évolutifs pourraient être utilisés plus explicitement dans d’autres situations, par exemple pour prédire quelles tumeurs récidiveront avec une résistance. En appliquant des méthodes évolutionnistes à des situations réelles, nous découvrirons les lacunes de nos connaissances et contribuerons à rendre les prédictions évolutionnistes plus précises et plus utiles.

Enfin, nous nous attendons à ce que l’accès croissant à l’information génomique et l’utilisation de techniques statistiques modernes, y compris l’apprentissage automatique, améliorent les prédictions évolutionnistes chez les taxons sensibles au cours des prochaines années. Cependant, il sera toujours nécessaire de développer des modèles mécanistes de l’évolution pour divers systèmes, pour au moins deux raisons fondamentales : (i) extrapoler les prédictions à des conditions autres que celles utilisées pour paramétrer des modèles spécifiques et (ii) approfondir notre compréhension du fonctionnement de l’évolution. Bien que l’accès croissant aux données de phénotype et de génotype à haute résolution rende tentant d’inclure tous ces détails dans de tels modèles, des modèles mécanistes plus grossiers peuvent permettre des prédictions plus puissantes. Nous espérons qu’ensemble, une meilleure collaboration, un langage commun et de nouvelles combinaisons de méthodes conduiront à une maturation supplémentaire du domaine, conduisant à ce que les prédictions évolutionnistes deviennent courantes dans des domaines tels que les maladies infectieuses, la biologie de la conservation et la biotechnologie.