Aevol

Un article de Wikipédia, l'encyclopédie libre.
Aevol

Description de cette image, également commentée ci-après
Génome d'un indivu, composé d'un seul chromosome. À gauche les gènes, à droite les ARN.
Informations
Créateur Guillaume Beslon, Carole Knibbe
Développé par Guillaume Beslon, Carole Knibbe, David Parsons, Bérénice Batut, Dusan Misevic, Antoine Frénoy, Stephan Fischer, Vincent Liard
Première version
Dernière version http://aevol.fr/download/ ()
Version avancée ()
Dépôt gitlab.inria.fr/aevol/aevolVoir et modifier les données sur Wikidata
État du projet en développement actif
Écrit en C++
Système d'exploitation Linux
Type vie artificielle
Politique de distribution gratuit
Licence GNU General Public License v3.0
Documentation http://aevol.fr/documentation/
Site web aevol.fr

Aevol est un logiciel libre de simulation de vie artificielle dont la première version a été publiée en 2006[1] par une équipe de recherche INRIA. Il permet d'étudier l'évolution d'organismes numériques dans différentes conditions et les mécanismes résponsales de la structuration des génomes[2].

Fonctionnement[modifier | modifier le code]

Aevol simule une population d'invidus, entièrement caractérisés par leur génome. Ces individus sont soumis à des processus de variation et de sélection, permettant une évolution. De nombreuses caractéristiques de la simulation sont modifiable (taille de la population, type d'environnement, taux de mutations, etc.), ipermettant d'étudier expérimentalement l'impact de ces paramètres sur l'évolution des génomes. En particulier, le modèle explicite de génome simulé permet d'étudier les variations structurelles des génomes (nombre de gènes, proportion de génome codant, etc.).

Le logiciel est fourni avec un ensemble d'outils permettant l'analyse des simulations grâce à des mesures des caractéristiques des individus au cours de leur évolution ainsi que de leur phylogénie.

Une version étendue, R-Aevol, intègre un modèle explicite de régulation de l'expression des gènes, permettant d'étudier l'évolution des réseaux de régulation des gènes.

Découvertes associées[modifier | modifier le code]

Aevol permet l'étude de pressions de sélection pour la robustesse, la variabilité et l'évolvabilité des individus[3]. En effet, la fitness des organismes ne dépend pas seulement de leur capacité à produire des descendants, mais aussi des propriétés de ces descendants (leur viabilité, fitness, etc.).

Aevol a permis de montrer que ces forces secondaires imposent de très fortes contraintes sur la structure des génomes[1], le réseau de régulation[4],[5] et le transcriptome[6] des individus. Par exemple, des expériences conduites avec R-Aevol ont prouvé que les liens entre gènes qui se régulent peuvent être très différents des liens fonctionnels entre les gènes[7].

Notes et références[modifier | modifier le code]

  1. a et b Carole Knibbe, Structuration des génomes par sélection indirecte de la variabilité mutationnelle : une approche de modélisation et de simulation, INSA de Lyon, (lire en ligne)
  2. (en) Carole Knibbe, Antoine Coulon, Olivier Mazet, Jean-Michel Fayard et Guillaume Beslon, « A Long-Term Evolutionary Pressure on the Amount of Noncoding DNA », Molecular Biology and Evolution,‎ , p. 2344–2353 (DOI 10.1093/molbev/msm165, lire en ligne Accès libre)
  3. David P. Parsons, « Aevol • Home », sur aevol.fr (consulté le )
  4. (en) G. Beslon, D. P. Parsons, Y. Sanchez-Dehesa et J. -M. Peña, « Scaling laws in bacterial genomes: A side-effect of selection of mutational robustness? », Biosystems, eighth International Workshop on Information Processing in Cells and Tissues: "From Small Scale Dynamics To Understanding Systems Behavior", vol. 102, no 1,‎ , p. 32–40 (ISSN 0303-2647, DOI 10.1016/j.biosystems.2010.07.009, lire en ligne, consulté le )
  5. Yolanda Sanchez-Dehesa, RÆvol : un modèle de génétique digitale pour étudier l'évolution des réseaux de régulation génétiques, (lire en ligne)
  6. David P. Parsons, Carole Knibbe et Guillaume Beslon, « Importance of the rearrangement rates on the organization of transcription. », Proceedings of Artificial Life XII,‎ , p. 479–486 (lire en ligne, consulté le )
  7. (en) Guillaume Beslon, David P. Parsons, Jose-María Peña et Christophe Rigotti, « From digital genetics to knowledge discovery: Perspectives in genetic network understanding », Intelligent Data Analysis, vol. 14, no 2,‎ , p. 173–191 (ISSN 1088-467X, DOI 10.3233/IDA-2010-0415, lire en ligne, consulté le )