Les jonctions lacunaires désynchronisent un circuit neuronal pour stabiliser le vol des insectes

Nature volume 618, pages 118-125 (2023)Citer cet article

10 000 accès

159 Altmétrique

Détails des métriques

Le vol asynchrone des insectes est l’une des formes de locomotion animale les plus répandues, utilisée par plus de 600 000 espèces. Malgré des connaissances approfondies sur les modèles moteurs1, la biomécanique2,3 et l'aérodynamique sous-jacentes au vol asynchrone4,5, l'architecture et la fonction du réseau neuronal générateur de modèles centraux (CPG) restent floues. Ici, sur la base d'une approche expérience-théorie incluant l'électrophysiologie, l'optophysiologie, la génétique de la drosophile et la modélisation mathématique, nous identifions une solution de circuit miniaturisé aux propriétés inattendues. Le réseau CPG se compose de motoneurones interconnectés par des synapses électriques qui, contrairement à la doctrine, produisent une activité de réseau étalée dans le temps au lieu d'être synchronisée entre les neurones. Des preuves expérimentales et mathématiques soutiennent un mécanisme générique de désynchronisation des réseaux qui repose sur des synapses électriques faibles et une dynamique d'excitabilité spécifique des neurones couplés. Dans les petits réseaux, les synapses électriques peuvent synchroniser ou désynchroniser l’activité du réseau, en fonction de la dynamique intrinsèque des neurones et de la composition des canaux ioniques. Dans le CPG de vol asynchrone, ce mécanisme traduit une entrée prémotrice non structurée en un déclenchement neuronal stéréotypé avec des séquences fixes d'activation cellulaire qui garantissent une puissance de battement d'aile stable et, comme nous le montrons, est conservé chez plusieurs espèces. Nos résultats prouvent une plus grande polyvalence fonctionnelle des synapses électriques dans le contrôle dynamique des circuits neuronaux et soulignent la pertinence de la détection des synapses électriques en connectomique.

Avec plus d’un million d’espèces connues, les insectes constituent le plus grand groupe d’animaux sur Terre6. Leur succès évolutif considérable a été attribué à leur petite taille et à leur capacité à voler. Ces deux caractéristiques donnent accès à des niches inutilisées et à une translocation rapide, mais les contraintes aérodynamiques des petits avions nécessitent des fréquences de battement d'ailes élevées, et les contraintes d'espace exigent une miniaturisation des contrôleurs nerveux centraux pour le vol7. Chez 75 % de toutes les espèces d’insectes volants, des muscles de vol asynchrones, indirects et hautement spécialisés forment un système oscillatoire qui génère des fréquences de battement d’ailes de 100 à 1 000 Hz par activation par étirement réciproque des muscles antagonistes des ailes pour assurer la propulsion vers l’avant à de faibles nombres de Reynolds1,8. Les motoneurones de vol (MN) qui innervent les muscles de vol asynchrones se déclenchent à des fréquences beaucoup plus basses, n'activant donc pas les muscles cycle après cycle. Néanmoins, la puissance de sortie est régulée par un réseau CPG dans le système nerveux central qui contrôle les fréquences de déclenchement des MN pour ajuster les niveaux de calcium myoplasmique qui, à leur tour, régulent la fréquence et l'amplitude des battements d'ailes1. Bien que le vol asynchrone soit apparu indépendamment 7 à 10 fois au cours de l'évolution8, ni les principes de l'architecture CPG pour générer une sortie MN à partir du système nerveux central miniaturisé des pilotes asynchrones ni ses conséquences fonctionnelles n'ont été identifiés.

Pour quantifier les modèles de vol asynchrones et déchiffrer l'architecture CPG, nous avons utilisé la puissance de tir des cinq MN identifiés (MN1–5) innervant le muscle abaisseur de l'aile longitudinale dorsale (DLM) du système modèle génétique9,10,11 Drosophila melanogaster ainsi que d'autres espèces d'insectes (pour tester la généralité). Le DLM fournit la force nécessaire à la descente de l'aile et se compose de six fibres musculaires, chacune étant innervée par l'un des cinq MN identifiés9, 10, 11 (MN1–5; Fig. 1a). MN1–4 ciblent chacun l'une des quatre fibres DLM les plus ventrales ipsilatérales à leur soma, tandis que MN5 innerve les fibres DLM 5 et 6 du côté controlatéral au soma MN5 (Fig. 1a). Cette architecture neuromusculaire est conservée chez toutes les espèces d’insectes examinées (criquet12, papillon13, mouche14).

a, enregistrement représentatif de MN1-5 et de la fréquence des battements d'ailes (trace inférieure, agrandie dans la boîte noire) pendant le vol captif. Schéma à code couleur de MN1–5 dans le VNC et projections axonales vers les six fibres du DLM. b, Les fréquences moyennes de tir de MN sont similaires chez chaque animal. Le code couleur est le même qu'en a. n = 8 animaux. Les données sont moyennes ± sd c, la fréquence de tir MN et la fréquence des battements d'ailes (WB) (les barres rouges indiquent les plages de travail) sont liées linéairement au sein d'un animal (points gris ; coefficient de corrélation, r2 = 0,63 ; P < 0,0001, t- bilatéral test) et avec une plus grande variance également entre les animaux (points rouges ; n = 100 ; coefficient de corrélation, r2 = 0,31 ; P < 0,0001, test t bilatéral). d, Les réponses de déclenchement des MN (traces supérieures) à des injections de courant de différentes amplitudes (traces inférieures). e, la fréquence de réponse moyenne du MN (f) et l'amplitude du courant injecté (I) sont approximativement linéairement liées pour 2 à 30 Hz (n = 15 animaux), dépassant ainsi les fréquences normales de déclenchement du MN observées pendant le vol (encadré ; ~ 3–12 Hz, données de c). Les données sont moyennes ± sem (tracé principal) et médianes ± plage (encadré). f, Pendant le vol, les pointes MN1–4 sont dispersées dans le temps (en état d'évasement) avec des séquences caractéristiques. Chaque animal bascule entre différents états d'évasement pendant le vol, mais les mêmes états d'évasement sont préférés chez tous les individus (n = 8). Les diagrammes en boîte montrent la médiane (ligne centrale), les quartiles (limites de la boîte) et la plage (barres d'erreur). g, Synchronisation des pointes MN1–4 dans quatre états d'évasement ultérieurs (1423 (rouge); 1243 (turquoise); 1234 (vert); 1324 (bleu foncé)) pendant le vol.

UAS-shakB-RNAi, middle) and overexpression of ShakB in MN1–5 (bottom). The black arrows mark MN4 and MN5 spikes, and the red arrows indicate simultaneous MN4–MN5 spikes. b, Phase histograms of the occurrence of MN5 spikes (y axis) in relation to consecutive MN4 spikes (phase φ = 0 corresponds to the MN4 spike) for control (top), shakB KD (middle) and ShakB overexpression (bottom) with a magnified view (inset) (n = 10 animals for each genotype). Data are mean (coloured bars) ± s.e.m. (grey). c, MN1–5 dye coupling in the dfmr1 RNAi KD background to increase dye uptake28. Scale bar, 20 μm. d–h, Intracellular recordings of MN pairs. d, Hyperpolarizations and depolarizations were conducted bidirectionally (from cell 1 to cell 2 and vice versa). e, Increasing current injection amplitude (top trace) increases response amplitudes in electrically coupled MNs (bottom trace). f, Plotting the mean presynaptic voltage (Vm) area against the mean postsynaptic voltage area (left) reveals linear relationships, but regression slopes differ between distinct MN pairs (5 animals with strong coupling between the MN1–MN2 and MN3–MN4 pairs; 10 animals with weak coupling between the MN1–MN3, MN1–MN4, MN2–MN3 and MN2–MN4 pairs). The mean CC (postsynaptic peak voltage divided by presynaptic peak voltage; right) differs significantly between MN1–MN2, MN3–MN4 (red, 6 pairs) and all other pairs (green, 10 pairs). Data are mean ± s.e.m. (left) and mean ± s.d. (right). g, RNAi KD of shakB eliminates detectable electrical coupling between MNs (3 animals). h, The CC for the spike AHP is higher than for the spike overshoot. i, Firing of a coupled MN ceases during the AHP of the presynaptic MN./p>0.21 yield network synchrony (splayness = 0; 200 simulations per CC, green dots; the black line shows the average). d, Quantification of 60 s simulations (green, 10 simulations per condition) with a weak CC (0.005) yields significantly lower MN4–MN5 synchronization indices (Methods; median = 0.54) compared with strong coupling (CC = 0.258; median = 1.0; two-sided Mann–Whitney U-test, P = 0.0002). Similarly, experimental (exp.; purple) synchronization indices are significantly lower in the controls (median = 0.56, 11 animals) compared with the ShakB-overexpression group (median = 0.84, 7 animals, P = 0.0008). e, Increasing Shab channel levels transforms the single-MN model dynamics from HOM near the SNL point through SNIC to Hopf types (Extended Data Fig. 9a), which vary in action potential waveform (top) and PRC (middle). Averaging theory (Methods and equation (4)) yields the odd part of the coupling function (bottom) for each phase distance ∆φ, of which the fixpoints (black dots) determine stable network states. Only the SNL type yields one stable fixpoint at phase 0.5, therefore favouring anti-phase firing. f–h, Shab overexpression in MN1–5 nearly doubles Shab current (f), which causes in-phase firing of the MN3–MN4 pair (g) and significantly (two-sided Mann–Whitney U-test, P = 0.0434) increased synchronization indices (median = 0.52, 10 animals) compared with the controls (median = 0.43, 8 animals) (h). Similarly, increasing Shab in models with weighted GJs (as in Fig. 3i) significantly increased MN3–MN4 synchronization (sync.) indices (median = 0.99, P = 0.0002). i,j, Network models with heterogenous CCs (i) as found in vivo (Fig. 2f) yield preferred splay states as in animals (j, right; 10 simulations per condition; 8 animals, the purple dots depict median values of in vivo data), whereas homogenous coupling does not (j, left). For the box plots in d, h and j, the median (centre line), quartiles (box limits) and range (whiskers) are shown./p>0.21, the network state is synchronized (Fig. 3c). To test these model predictions experimentally, we manipulated gap-junction strength genetically and quantified the synchrony of the MN4–MN5 pair from in vivo recordings during flight (Fig. 3d). In control animals with weak gap junctions, the synchronization index (Methods) is low, similar to model simulations with weak gap junctions. RNAi KD of electrical synapses increases synchronization in vivo (Fig. 3d), underscoring that gap junctions are required for desynchronization. Finally, the model predicts synchrony for strong electrical coupling. Indeed, strengthening of electrical coupling by ShakB overexpression significantly increases synchrony in vivo (Fig. 3d; see also Fig. 2b). Thus, weak electrical coupling is required for network desynchronization./p>5 GΩ; membrane potential of −70 mV was held with a holding current smaller than ±100 pA; series resistances of >15 MΩ were not accepted to ensure good control when applying current injections; only if these criteria were met for both MNs, the recordings were switched to current clamp mode. Resting membrane potential was around −60 mV without current injection. To determine coupling strength and rectification parameters of gap junctions between MNs, depolarizing and hyperpolarizing current was injected into one MN while the other was monitored simultaneously, and vice versa. Slow tonic firing was induced in one or both MNs at rates of between 3 and 8 Hz, as is observed during flight behaviour, by small somatic current injections while monitoring the respective other MN. For input–output relationships, firing was induced by 1,000 ms square pulse current injections up to 1 nA in 0.1 nA increments./p>2 electrically coupled neurons, this causes a frustrated state because antiphase locking at Δφ = 0.5 cannot be achieved for all units at the same time. In a small network, such as the MN1–5 network with its five coupled neurons, the splay state represents a low-frustration solution that determines the most likely network state60./p> 2. However, this is not observed in the CPG recordings (Fig. 1a). For the network to show frustration, pairs of neurons must be phase-repellent./p>

3.0.CO;2-S" data-track-action="article reference" href="https://doi.org/10.1002%2F%28SICI%291096-9861%2820000619%29422%3A1%3C1%3A%3AAID-CNE1%3E3.0.CO%3B2-S" aria-label="Article reference 13" data-doi="10.1002/(SICI)1096-9861(20000619)422:13.0.CO;2-S"Article CAS PubMed Google Scholar /p> P{UAS-GFP.VALIUM10}attP2), ShakB RNAi-kd (GMR23H06-ADZ attP49;GMR30A07-DBD attP2 > P{TRiP.HMC04895}attP2)). For the experimental data, a two-sided Pearson correlation determined a strong negative correlation (r = −0.94, p < 0.0001, n = 10). (e,f) Firing phase relationships between MN4 and MN5 in control animals (see also Fig. 2a,b, Extended Data Fig. 1) remain similar upon UAS-RNAi knockdown of receptors for inhibitory chemical synapses in MN1–5 (under the control of DLM-MN spilt-GAL4, GMR23H06-ADZ attP49; GMR30A07-DBD attP2), (e) the glutamate gated chloride channel (GluCl) and (f) Rdl GABA-ARs. GluCl-RNAi knockdown efficacy was confirmed by Western blotting and Rdl GABA-AR knockdown efficacy has previously been confirmed64. Coloured bars represent the average values from 10 animals for GluCl-RNAi, 8 animals for Rdl GABA-AR-RNAi, and grey bars the s.e.m./p>

Nouvelles

Les jonctions lacunaires désynchronisent un circuit neuronal pour stabiliser le vol des insectes