Une méthode de calcul pour quantifier l’activité circadienne mouche

L’horloge circadienne est un oscillateur endogène biochimique avec une période d’environ 24 heures et est presque omniprésent chez les animaux et plantes^1,2. L’horloge permet de synchroniser les processus internes de l’organisme et le comportement au cycle noir lumière externe. La structure génétique de l’horloge circadienne a été largement étudiée depuis les années 1960 à l’aide de la mouche à fruit, d. melanogaster. Chez cet insecte, le noyau de l’horloge circadienne est constitué de quatre protéines : période, TIMELESS, horloge et CYCLE. Ces éléments de base ainsi que d’autres molécules forment une boucle de rétroaction qui produit des oscillations sinusoïdales près horloge gènes^3,4. L’horloge circadienne chez les mouches est largement étudié en utilisant des enregistrements de locomotrices plusieurs jours où l’activité mouche est détectée avec un seul faisceau infrarouge traverse au milieu de chaque tube⁵. Une mouche typique d’enregistrement a un patron bimodal complexe avec deux pics bien distinctes : de pointe du matin (M) qui commence à la fin de la nuit et a un maximum lorsque les lumières s’allument ; et le pic de soir (E) qui commence à la fin de la journée et a un maximum lorsque lumières coupe⁶. Fait intéressant, la forme de cet enregistrement comportemental est très différente des oscillations sinusoïdales simples observées à l’échelle moléculaire, ce qui suggère l’action d’autres mécanismes qui contribuent aux tendances temporelles observées. Pour mieux comprendre ces mécanismes cachés, nous avons développé un outil de calcul qui fournit une description quantitative des tendances temporelles.

Dans notre travail, rythmes locomoteurs sont définis par une forme d’onde qui imite le modèle d’activité mouche. Étant donné que les ondes sinusoïdales simples ne peuvent servir à modéliser les changements rythmiques observés en activité, nous avons testé différentes formes de signaux pour sélectionner le plus simple qui capture toutes les caractéristiques saillantes dans les enregistrements. Mouche des fruits circadienne comportement est contrôlé par l’activité des neurones d’horloge qui ont souvent des modèles exponentiels de l’activation et la désactivation⁷. La dynamique exponentielle et l’analyse visuelle des données nous motivés pour construire un modèle avec des termes exponentiels consistant en quatre exposants avec neuf paramètres indépendants et ressemblant étroitement à l’activité fly modèle⁸. En plus des données locomotrices, nous analysons également son spectre de puissance. Spectre d’activité mouche typique montre plusieurs pics harmoniques T₀2, T₀3, etc., en plus du pic fondamentaux attendu à la période circadienne T₀. Selon le théorème de Fourier, seulement une onde sinusoïdale pure produit un seul pic dans les spectres de puissance, alors que les signaux plus complexes présentent plusieurs pics spectraux aux harmoniques de la période primaire (Figure 1). Par conséquent, étant donné le modèle temporel non sinusoïdale en activité mouche⁸, un spectre de puissance multi-pointe des données devrait mathématiquement et n’implique pas nécessairement la présence de multiples périodes d’oscillation. Ce qui est important, le spectre de puissance de l’onde du modèle proposé montre également pics à toutes les harmoniques de la période primaire, semblable aux mouches enregistrements locomotrices, soulignant ainsi la haute fidélité avec laquelle notre modèle décrit les données mouches en temps et en fréquence.

Avec des résolutions de temps de quelques minutes ou moins, l’activité mouche données semble bruyantes, rendant difficile d’extraire les paramètres directement à partir de données brutes. Binning données dans des intervalles de temps plus longs peuvent réduire le niveau de bruit, mais, peuvent modifier les données d’une manière qui peut influer sur l’estimation des paramètres du modèle. Nous obtenons donc les paramètres des spectres de puissance des relevés, à l’aide d’une expression analytique pour les spectres de puissance prévue, calculées à partir de la transformée de Fourier de la fonction modèle⁸ (voir fiche supplémentaire 1 de référence⁸). Cette approche d’obtenir paramètres à partir des spectres de puissance donne des valeurs de paramètre précise sans aucune manipulations supplémentaires, tels que binning ou de filtrage, des données brutes de l’activité. Des détails mathématiques du modèle et des applications aux données de type sauvage et les mutantes sont décrites dans référence⁸. Le protocole présenté ici se concentre sur les étapes à suivre pour utiliser l’outil informatique.