Les feuilles des plantes à fleurs présentent une grande diversité de tailles et de formes, mais la plupart possèdent des faces supérieure (adaxiale) et inférieure (abaxiale) distinctes, composées de cellules de types et d'agencements différents. Cette innovation majeure dans l'évolution des feuilles optimise la photosynthèse, fonction essentielle de la plante. Sur la face supérieure, les cellules captent la lumière, tandis que sur la face inférieure, elles permettent les échanges gazeux et la transpiration.

Curieusement, les feuilles ne commencent pas à plat mais émergent plutôt de la niche des cellules souches sous forme de renflements à symétrie radiale. Ces les renflements s'aplatissent ensuite en entraînant la croissance le long de deux de ses axes pour créer des structures finales longues et larges, mais seulement quelques couches de cellules épaisses. Malgré la complexité de ce processus, les plantes forment systématiquement des feuilles avec des surfaces adaxiales et abaxiales.

Une nouvelle étude publiée dans in silico Plantes par Aman Husbands et ses collègues de l'Ohio State University décrit comment la structuration adaxiale-abaxiale des feuilles est générée et maintenue au cours du développement.

Les auteurs ont créé un modèle spatial unidimensionnel des déterminants et des interactions qui modèlent l'axe adaxial-abaxial à travers la feuille. Le modèle comprenait des réseaux de facteurs de transcription et des miARN associés.

"La structuration adaxiale-abaxiale a été étudiée par un certain nombre de groupes utilisant des approches allant de la génétique classique à l'imagerie en direct. Collectivement, ces études ont révélé que la structuration adaxiale-abaxiale est régie par un réseau complexe de facteurs de transcription et de petits ARN. Le réseau est caractérisé par de nombreuses propriétés intéressantes, notamment les interactions mutuellement antagonistes et la mobilité de cellule à cellule. La partie la plus difficile consistait à sélectionner les facteurs à inclure, car il n'est pas possible d'intégrer toutes les interactions dans un modèle. Pour hiérarchiser, nous avons utilisé des critères tels que la sévérité phénotypique des mutants, la conservation à travers l'évolution et si des facteurs similaires jouent des rôles de structuration démesurés dans d'autres organismes », explique le Dr Husbands, professeur adjoint de génétique moléculaire.

Surtout, plutôt que de simplement supposer les paramètres du modèle, ce qui est une pratique courante lorsque les données sont rares, la plupart des paramètres de cette étude ont été estimés directement à partir de données expérimentales.

Le modèle a reproduit avec succès les observations de la structuration adaxiale-abaxiale et des petites interactions ARN-cible.

Les auteurs montrent que la modélisation des interactions connues entre les facteurs de transcription et les ARNm récapitule les schémas adaxial-abaxial connus de ces facteurs dans la feuille. De plus, ce système est relativement robuste aux changements de valeurs de paramètres et au bruit. Selon Husbands, « la biologie est incroyablement bruyante mais toujours capable de produire des résultats complexes de manière reproductible. Pour tester si notre modèle reflète fidèlement cette robustesse, nous avons introduit du bruit dans les fonctions au cœur du modèle. Ces fonctions décrivent à la fois les quantités de gènes ainsi que ce qui se passe lorsqu'ils interagissent. Pour ce faire, nous avons permis aux valeurs de la fonction de fluctuer de manière aléatoire à chaque étape du modèle. Même face à un bruit important, notre modèle pourrait produire de manière fiable les résultats attendus, compatibles avec la nature robuste de la structuration adaxiale-abaxiale.

Ce travail informera la modélisation future des nombreuses structures complexes générées par la structuration adaxiale-abaxiale.

Un fichier MATLAB contenant la mise en œuvre du modèle et un fichier Excel contenant les calculs utilisés pour déterminer les valeurs du gène TPM par cellule à l'aide des données de (Cortijo et al. 2019/XNUMX/XNUMX) sont inclus en tant qu'informations complémentaires et peuvent être consultés à l'adresse https://github.com/LukeAndrejek/RobustMathematicalModel.