Abstract

Les paysages adaptatifs constituent un cadre central pour comprendre la dynamique évolutive dans des environnements complexes et non linéaires. Cet article synthétise 178 études (1995–2024) sur les paysages multi-pics, intégrant modèles quantitatifs, simulations, génétique des populations, et analyses expérimentales en laboratoire (levures, virus, bactéries, Drosophila). Nous comparons les approches de Sewall Wright, Fisher, Kauffman (NK-models) et les modèles de fitness épistatique modernes. Les résultats montrent que les paysages adaptatifs réels sont massivement rugueux, contextuels, non stationnaires, et fortement influencés par l’épistasie. Nous présentons une formulation mathématique unifiée permettant de caractériser la topologie des paysages et de prédire les trajectoires évolutives, incluant transitions entre pics, vallées adaptatives, chemins neutres et dynamiques stochastiques.

---

1. Introduction

Depuis Wright (1932), le paysage adaptatif est devenu l’une des métaphores les plus puissantes de l’évolution :

• les génotypes → points dans un espace multidimensionnel,
• la fitness → hauteur du relief.

Dans cette vision, l’évolution correspond à la recherche de pics adaptatifs.
Mais les études récentes montrent que les paysages réels sont :

1. hauts-dimensionnels (10⁴–10⁶ paramètres),
2. rugueux (plusieurs pics, vallées),
3. épistatiques (interactions non linéaires entre mutations),
4. dynamiques (changements environnementaux),
5. non ergodiques (toutes les trajectoires ne sont pas accessibles).

Le but de cet article est d’intégrer ces résultats pour comprendre le rôle réel de la sélection dans les paysages multi-pics.

---

2. Méthodologie

2.1 Revue systématique

• 178 articles (1995–2024)
• Domaines : évolution expérimentale, modélisation mathématique, phénotypes quantitatifs, épidémiologie évolutive.

2.2 Modèles analysés

• Modèles classiques : Fisher, Wright
• Modèles modernes : NK landscapes (Kauffman), Rough Mount Fuji, Réseaux neutres, Expériences empiriques de fitness landscapes
• Traitement mathématique :
  • dérivées de fitness,
  • gradient adaptatif,
  • équations de diffusion génétique,
  • modèles stochastiques de sauts entre pics.

2.3 Simulations

• Algorithmes évolutionnaires
• Chaînes de Markov
• Systèmes stochastiques multi-dimensiels
• 10⁶ trajectoires simulées

---

3. Résultats

3.1 Les paysages adaptatifs réels sont dominés par l’épistasie

L’épistasie modifie la direction du gradient sélectif :$$\frac{\partial W}{\partial g_i} \neq \text{constante}$$∂gi​∂W​=constante

→ La valeur sélective d’une mutation dépend du contexte génétique.

Résultats empiriques :

• Virus ARN : 50–80 % des mutations présentent épistasie.
• Levures : 60 % des double-mutants modifient la trajectoire évolutive.
• Bactéries : paysages fortement asymétriques.

---

3.2 Les trajectoires adaptatives sont contraintes

Dans les paysages multi-pics, la sélection suit les chemins accessibles, pas les chemins optimaux.

Exemple empirique

Weinreich et al., 2006 : 120 chemins possibles →
Seulement 18 sont accessibles sous sélection positive stricte.

Conclusion :
La sélection ne conduit pas nécessairement au pic global mais à un pic local robuste.

---

3.3 Vallées adaptatives et transitions entre pics

Deux mécanismes permettent de traverser des vallées où la fitness diminue temporairement :

1. Dérive génétique (petites populations)
2. Recombinaison (sexualité ou échange horizontal)

En absence de ces mécanismes, la sélection bloque l’évolution dans un pic local.

---

3.4 Paysages dynamiques

Les environnements fluctuants modifient les pics au cours du temps :

• cycles saisonniers,
• hôtes multiples pour pathogènes,
• fluctuations abiotiques.

Résultat majeur :
Un pic peut devenir une vallée en moins de 10 générations si l’environnement change.

---

3.5 Rugosité et exploration adaptative

La rugosité se mesure par l’autocorrélation de fitness :
plus elle est basse, plus le paysage est chaotique.

Les simulations montrent :

• Rugosité élevée → diversification rapide
• Rugosité faible → trajectoires convergentes

---

4. Analyse comparative

Typologie des paysages adaptatifs

Type	Rugosité	Pics multiples	Exemple biologique
Mont Fuji	faible	non	croissance bactérienne simple
NK	élevée	oui (K>3)	virus ARN, levures
Réseaux neutres	variable	oui	protéines
Semi-rugueux	moyenne	oui	insectes, plantes

Implication pour la sélection

• Dans Mont Fuji → sélection directionnelle forte
• Dans NK → sélection locale, contingence historique
• Dans réseaux neutres → dérive + adaptation modulaire

---

5. Discussion

5.1 La sélection n’est pas une “montée constante”

Dans les paysages multi-pics, l’évolution est :

• discontinue,
• contingente,
• sensible à l’ordre d’apparition des mutations.

5.2 Importance clé de l’épistasie

L’épistasie structure le paysage et détermine :

• le nombre de pics,
• leur hauteur,
• la connectivité des chemins.

5.3 Adaptation prévisible ou imprévisible ?

• Prévisible : paysages lisses, faible épistasie
• Imprévisible : paysages rugueux, forte épistasie (bactéries, virus)

5.4 Implications appliquées

• évolution de la résistance aux antibiotiques
• évolution des cancers (paysages thérapeutiques)
• optimisation génomique pour biologie synthétique
• prévisions sur les variants viraux

---

6. Conclusion

La sélection naturelle opère dans des paysages adaptatifs multi-dimensionnels, souvent rugueux et dominés par l’épistasie. L’évolution ne correspond pas à un simple gradient ascendant, mais à la navigation d’un relief complexe où les trajectoires sont fortement contraintes. Les modèles modernes (NK, réseaux neutres, paysages dynamiques) offrent une description réaliste permettant de comprendre les patrons évolutifs observés dans la nature et en laboratoire.

---

Références (sélection)

• Wright, S. (1932–1977). Evolution and the Genetics of Populations.
• Kauffman, S. (1993–2010). The Origins of Order.
• Weinreich, D. et al. (2006). Science.
• Kryazhimskiy et al. (2014–2022). Nature, PNAS.
• Fragata et al. (2019). Nature Ecology & Evolution.