Caenorhabditis elegans의 수렵 패턴은 간단한 경험 법칙을 따릅니다.

커뮤니케이션 생물학 6권, 기사 번호: 841(2023) 이 기사 인용

906 액세스

3 알트메트릭

측정항목 세부정보

경험 법칙은 인지 및 감각 비용을 낮추면서 최적의 행동에 근접하는 행동 알고리즘입니다. 이러한 비용을 줄이는 한 가지 방법은 환경 표현을 단순화하는 것입니다. 이론적으로 최적의 동작은 많은 환경 변수에 따라 달라질 수 있지만 경험상으로는 합리적으로 잘 수행되는 더 작은 변수 집합을 사용할 수 있습니다. 이러한 단순화에 대한 실험적 증거를 위해서는 여러 환경 매개변수의 모든 관련 조합에 대한 철저한 매핑이 필요하며, 이는 음식 밀도(4차수 전체)와 음식 유형(12개 박테리아 균주 전체)을 체계적으로 조합하여 Caenorhabditis elegans 채집을 위해 수행되었습니다. 우리는 벌레의 반응이 단일 환경 변수, 즉 단위 표면당 박테리아 수로 측정된 식품 밀도에 의해 지배된다는 것을 발견했습니다. 그들은 바이오매스 함량이나 박테리아 균주와 같은 다른 요인을 무시합니다. 우리는 또한 각 유형의 음식이 건강에 미치는 영향을 실험적으로 측정하여 규칙이 거의 최적에 가깝고 따라서 가장 유익한 환경 변수를 활용하는 경험적 규칙을 구성한다는 것을 결정했습니다. 이러한 결과는 단순화 과정을 지배하는 기본 유전적 및 신경 메커니즘과 의사결정 전략의 진화에서의 역할에 대한 추가 조사를 위한 무대를 마련했습니다.

동물 행동의 정교하고 최적의 결과는 종종 경험 법칙1,2,3,4,5,6,7,8이라는 간단한 규칙에서 나타납니다. 예를 들어, 기생 말벌의 패치 이탈은 패치 및 환경 품질에 대한 여러 지표에 대해 적응력이 있는 것처럼 보이지만7, 이 결정은 간단한 메커니즘에 의해 주도될 수 있습니다. 즉, 시간에 따라 선형적으로 감소하고 말벌이 숙주를 찾을 때마다 급격하게 증가하는 하나의 내부 변수입니다. . 이 변수가 임계값에 도달하면 말벌은 패치를 남깁니다8. 구현하기 쉽지만 이 규칙은 거의 최적의 응답을 생성합니다7,8. 이러한 경험 법칙을 식별하는 것은 동물 행동의 신경적, 기계적 구현을 ​​그것을 형성하는 선택적인 압력과 연결하는 데 중요합니다9.

대부분의 경험 법칙은 환경의 단순화된 내부 표현에 의존합니다. 예를 들어, 최적의 식품 선택을 위해서는 식품 공급원의 공간적 분포, 밀도, 수많은 영양소의 구성 등과 같은 많은 변수를 동시에 고려해야 할 수 있습니다. 이러한 모든 변수를 개별적으로 처리하는 것은 비용이 많이 들기 때문에 경험상 무시할 수 있습니다. 정보가 적은 변수를 선택하고 나머지를 하나 또는 몇 가지 수량으로 결합하여 환경의 내부 표현을 구성하고 결정을 내리게 됩니다. 수많은 연구에서 행동을 지배하는 변수가 식별되었지만10 단순화된 내부 표현을 입증하려면 동일한 내부 표현으로 이어지는 환경 변수의 조합이 동일한 반응을 생성한다는 것을 보여야 합니다. 이것은 어려운 일입니다. 첫째, 행동 실험은 작은 효과를 숨길 수 있는 큰 변동성을 갖는 경향이 있고, 둘째, 설득력 있는 증거는 많은 수의 동등한 조합을 체계적으로 테스트해야 하기 때문입니다. 매우 정확한 평균 행동을 얻기 위해 동시에 많은 수의 조합과 충분한 수의 반복실험에 도달하는 것은 대부분의 행동 실험에서 실험 처리량을 넘어서는 것입니다.

이러한 과제를 해결하기 위해 우리는 선충류 Caenorhabditis elegans의 수렵 행동을 연구하기 위한 높은 처리량 파이프라인을 개발했습니다. 우리는 채집(즉, 먹이 탐색 및 활용)에 중점을 두었습니다. 왜냐하면 이는 체력에 분명한 영향을 미치고, 성공 정도는 상대적으로 측정하기 쉬우며(음식 소비율 측면에서), 이론적 관점에서 철저하게 연구되었기 때문입니다. view11. C. elegans의 높은 자손 수와 작은 크기 덕분에 우리는 2,000개 이상의 실험 분야에서 20,000명 이상의 연령 동기화 개체를 대상으로 실험을 수행할 수 있었습니다. 높은 실험 처리량을 허용하는 것 외에도 C. elegans의 작은 신경계(~300개 뉴런)는 간단한 경험 법칙을 구현하는 데 이상적인 후보가 되는 반면, 먹이를 찾는 행동은 최적의 먹이 찾기의 기본 요소를 구현하기에 충분히 복잡합니다. 예를 들어 탐색12,13,14,15,16,17,18,19, 학습20,21,22,23 및 먹이주기24,25,26,27,28,29,30,31,32,33에서 관찰됩니다. ,34,35 행동.