Comment les formes de la vie sont-elles façonnées ? À partir d’un seul ovule fécondé, une cellule à symétrie sphérique, comment les membres s’allongent-ils, comment les organes internes se forment-ils et comment de magnifiques motifs de rayures ou de taches sont-ils dessinés sur la peau ? Face à cette énigme de la « morphogenèse » (Morphogenesis), à laquelle de nombreux biologistes et philosophes s’attaquent depuis l’Antiquité, un génie issu d’un domaine complètement différent a apporté une réponse décisive en utilisant uniquement des intuitions mathématiques pures. Il s’agit d’Alan Mathison Turing, le père de l’informatique moderne, également connu pour son rôle majeur dans le décryptage du code Enigma.
L’article de Turing publié en 1952, intitulé « Les bases chimiques de la morphogenèse » (The Chemical Basis of Morphogenesis), a proposé le concept du « modèle de Turing » (Turing pattern) selon lequel des substances chimiques dans un organisme vivant, en répétant la diffusion et la réaction, créent spontanément un motif spatial à partir d’un état uniforme. Dans cet article, nous allons déchiffrer cette théorie, véritable monument de la biologie mathématique et de la physique non linéaire, d’un point de vue extrêmement détaillé et rigoureux, depuis son squelette mathématique jusqu’à l’analyse des équations aux dérivées partielles, en passant par les simulations numériques et les vérifications expérimentales en biologie moléculaire de pointe. Plus précisément, cet article explore avec une profondeur sans précédent la déduction mathématique complète de l’analyse de stabilité linéaire pour les équations de réaction-diffusion, les diagrammes de phase de l’espace des paramètres des modèles de Gierer-Meinhardt et de Gray-Scott, l’implémentation de simulations numériques bidimensionnelles en Python, la formation de motifs dans un espace tridimensionnel, ainsi que les mathématiques du bruit et de la robustesse.
Chapitre 1 : Le testament du décrypteur ― Rupture spontanée de symétrie depuis un état d’équilibre uniforme
Turing, qui a grandement contribué à la victoire des Alliés en décryptant la machine à chiffrer allemande « Enigma » pendant la Seconde Guerre mondiale, a détourné son intellect exceptionnel de la théorie de la conception des ordinateurs (machine de Turing) après la guerre, pour se tourner vers les mystères de la vie. La question fondamentale qu’il s’est posée était la suivante : « Pourquoi des structures complexes émergent-elles spontanément d’un milieu uniforme ? »
Selon la deuxième loi de la thermodynamique en physique (la loi de l’augmentation de l’entropie), tout comme une goutte d’encre versée dans un verre d’eau se propage uniformément dans toute l’eau pour donner une couleur pâle et homogène, le phénomène physique de la diffusion agit toujours dans le sens d’uniformiser la distribution de concentration de la matière, détruisant ainsi la structure. Cependant, Turing a compris qu’en y ajoutant une interaction non linéaire appelée « réaction chimique » (Chemical reaction), un paradoxe étonnant apparaissait. Autrement dit, contrairement à l’intuition selon laquelle « la diffusion détruit la structure », il s’agit du phénomène où « la présence même de la diffusion déstabilise l’état uniforme et forme spontanément une structure spatiale (un motif) ».
En termes physiques, on appelle cela une « rupture spontanée de symétrie » (Spontaneous Symmetry Breaking). Un état complètement uniforme et isotrope (possédant une symétrie de translation) passe à une structure spatiale périodique macroscopique à la suite d’une infime fluctuation (bruit). Cette idée de Turing était trop en avance sur son temps pour la communauté biologique de l’époque et a été ignorée, mais elle a plus tard conduit à la théorie des structures dissipatives d’Ilya Prigogine (thermodynamique hors équilibre) et a été la pionnière de l’ouverture du vaste domaine académique qu’est la science non linéaire.
Chapitre 2 : Squelette mathématique des équations de réaction-diffusion ― Autocatalyse locale et inhibition latérale à longue portée
Pour comprendre l’essence des modèles de Turing, il est nécessaire de démêler la structure mathématique de son langage de description, les « équations de réaction-diffusion » (Reaction-Diffusion Equation). Considérons ici deux types de substances chimiques hypothétiques (morphogènes) distribuées spatialement. L’une est un facteur activateur (Activator) $u(x, t)$ et l’autre un facteur inhibiteur (Inhibitor) $v(x, t)$.
Les changements de concentration de ces deux substances sont décrits par le système d’équations aux dérivées partielles non linéaires suivant.
$$ \frac{\partial u}{\partial t} = D_u \nabla^2 u + f(u, v) $$$$ \frac{\partial v}{\partial t} = D_v \nabla^2 v + g(u, v) $$Où $D_u$ et $D_v$ sont respectivement les coefficients de diffusion (Diffusion coefficient) de $u$ et $v$, et $\nabla^2$ est le Laplacien (dérivée spatiale seconde, opérateur de Laplace). Le premier terme du membre de droite représente la « diffusion (l’étalement spatial) », et les deuxièmes termes $f(u, v)$ et $g(u, v)$ représentent la « réaction (création et destruction locales des substances chimiques) ».
La condition nécessaire pour qu’il y ait formation de motifs est d’avoir une structure de rétroaction appelée « autocatalyse locale et inhibition latérale à longue portée » (Local Auto-activation and Lateral Inhibition; LALI). Concrètement, $f(u, v)$ et $g(u, v)$ doivent satisfaire aux propriétés suivantes :
- Auto-activation (Auto-activation) : Le facteur activateur $u$ favorise sa propre production.
- Inhibition croisée (Cross-inhibition) : Le facteur activateur $u$ favorise la production du facteur inhibiteur $v$.
- Auto-inhibition (Self-inhibition) : Le facteur inhibiteur $v$ inhibe sa propre production (ou se désintègre naturellement).
- Rétroaction par inhibition croisée : Le facteur inhibiteur $v$ inhibe la production du facteur activateur $u$.
En outre, la différence de vitesse de diffusion est d’une importance cruciale. Le facteur inhibiteur $v$ doit se diffuser plus rapidement que le facteur activateur $u$ ($D_v > D_u$). Supposons qu’il y ait une fluctuation locale augmentant la concentration de $u$. Par une réaction autocatalytique, $u$ se multiplie, mais crée $v$ en même temps. Le $v$ produit se propage aux alentours plus rapidement que $u$ (inhibition latérale à longue portée) et réprime fortement l’apparition de nouveaux $u$ dans les environs. Par conséquent, une structure d’ondes stationnaires composée de « crêtes et de creux » se fixe, où $u$ est élevé au centre, mais maintenu bas autour car $v$ y est élevé. C’est le mécanisme intuitif des modèles de Turing.
Chapitre 3 : Déduction complète de l’analyse de stabilité linéaire pour les équations de réaction-diffusion
Prouvons la discussion intuitive du chapitre précédent par une analyse mathématique rigoureuse. Pour prouver « l’instabilité de Turing (déstabilisation due à la diffusion) » dans les équations de réaction-diffusion, nous utilisons l’analyse de stabilité linéaire (Linear Stability Analysis). Il s’agit d’une méthode pour étudier comment d’infimes fluctuations autour d’un point d’équilibre se comportent avec le temps.
$$ f(u_0, v_0) = 0, \quad g(u_0, v_0) = 0 $$$$ u(x,t) = u_0 + \delta u(x,t), \quad v(x,t) = v_0 + \delta v(x,t) $$En substituant cela dans les équations de réaction-diffusion originales, en effectuant un développement de Taylor autour de $(u_0, v_0)$ et en linéarisant en ignorant les termes d’ordre 2 et plus des quantités infinitésimales, nous obtenons l’équation matricielle suivante.
$$ \frac{\partial}{\partial t} \begin{pmatrix} \delta u \\ \delta v \end{pmatrix} = \begin{pmatrix} D_u \nabla^2 & 0 \\ 0 & D_v \nabla^2 \end{pmatrix} \begin{pmatrix} \delta u \\ \delta v \end{pmatrix} + J \begin{pmatrix} \delta u \\ \delta v \end{pmatrix} $$$$ J = \begin{pmatrix} f_u & f_v \\ g_u & g_v \end{pmatrix} = \begin{pmatrix} \frac{\partial f}{\partial u} & \frac{\partial f}{\partial v} \\ \frac{\partial g}{\partial u} & \frac{\partial g}{\partial v} \end{pmatrix} \Bigg|_{(u_0, v_0)} $$3.1 Conditions de stabilité sans diffusion
Le plus grand paradoxe de l’instabilité de Turing réside dans le fait que « bien que stable dans un état sans diffusion (spatialement uniforme), le système se déstabilise par l’ajout de la diffusion ». Ainsi, nous cherchons d’abord les conditions pour que le système sans diffusion (le terme de dérivée spatiale est nul) soit stable. La stabilité du système d’équations différentielles ordinaires $\frac{d}{dt}\mathbf{w} = J\mathbf{w}$ dépend du fait que les parties réelles des valeurs propres du Jacobien $J$ soient toutes négatives. Pour une matrice carrée d’ordre 2, les valeurs propres $\lambda$ sont les solutions de l’équation caractéristique $\det(\lambda I - J) = 0$, c’est-à-dire $\lambda^2 - \text{Tr}(J)\lambda + \text{Det}(J) = 0$. Les deux conditions nécessaires et suffisantes pour que la partie réelle soit négative sont les suivantes.
- Condition 1 (Condition de la trace) : $$ \text{Tr}(J) = f_u + g_v < 0 $$
- Condition 2 (Condition du déterminant) : $$ \text{Det}(J) = f_u g_v - f_v g_u > 0 $$
3.2 Relation de dispersion entre la fluctuation spatiale et le nombre d’onde $k$
$$ \begin{pmatrix} \delta u \\ \delta v \end{pmatrix} = \begin{pmatrix} U_k \\ V_k \end{pmatrix} e^{\lambda t} e^{i \mathbf{k} \cdot \mathbf{x}} $$En substituant cela dans l’équation linéarisée, le Laplacien devient $\nabla^2 e^{i \mathbf{k} \cdot \mathbf{x}} = -k^2 e^{i \mathbf{k} \cdot \mathbf{x}}$ (où $k = |\mathbf{k}|$). Ainsi, le terme de la dérivée spatiale est converti en un terme algébrique, se réduisant au problème aux valeurs propres suivant.
$$ \lambda \begin{pmatrix} U_k \\ V_k \end{pmatrix} = (J - k^2 D) \begin{pmatrix} U_k \\ V_k \end{pmatrix}, \quad D = \begin{pmatrix} D_u & 0 \\ 0 & D_v \end{pmatrix} $$$$ \det(\lambda I - M(k)) = 0 $$$$ \lambda^2 - \text{Tr}(M(k))\lambda + \text{Det}(M(k)) = 0 $$$$ \text{Tr}(M(k)) = (f_u + g_v) - k^2 (D_u + D_v) $$$$ \text{Det}(M(k)) = (f_u - k^2 D_u)(g_v - k^2 D_v) - f_v g_u $$$$ = D_u D_v k^4 - (D_v f_u + D_u g_v) k^2 + (f_u g_v - f_v g_u) $$3.3 Conditions d’apparition de l’instabilité de Turing (4 inégalités)
Pour que le système se déstabilise et qu’un motif se forme, la partie réelle de la valeur propre $\lambda$ doit devenir positive pour un certain nombre d’onde $k \neq 0$. Bien que $\text{Tr}(M(k)) = \text{Tr}(J) - k^2(D_u + D_v)$, la condition 1 ($\text{Tr}(J) < 0$) et $D_u, D_v > 0$ font que $\text{Tr}(M(k)) < 0$ toujours. Par conséquent, la seule façon d’avoir une valeur propre avec une partie réelle positive est qu’il existe un nombre d’onde $k$ tel que $\text{Det}(M(k)) < 0$.
$$ H(k^2) \equiv D_u D_v (k^2)^2 - (D_v f_u + D_u g_v) k^2 + \text{Det}(J) $$Pour qu’il existe un intervalle où cette fonction quadratique prend des valeurs négatives, la coordonnée $k^2$ de son sommet doit être positive et la valeur minimale à ce sommet doit être négative.
La coordonnée $k^2$ du sommet est obtenue en dérivant et en posant égale à zéro : $k_{min}^2 = \frac{D_v f_u + D_u g_v}{2 D_u D_v}$. La condition pour que cela soit positif est déduite.
- Condition 3 (Asymétrie des coefficients de diffusion) : $$ D_v f_u + D_u g_v > 0 $$ Pour satisfaire simultanément la condition 1 ($f_u + g_v < 0$), $D_v$ et $D_u$ ne doivent jamais être égaux, et concrètement, $D_v$ doit être suffisamment plus grand que $D_u$ ($D_v > D_u$).
De plus, à partir de la condition où la valeur minimale est $H(k_{min}^2) < 0$, on déduit la condition où le discriminant est positif.
- Condition 4 (Condition critique d’apparition de motif) : $$ (D_v f_u + D_u g_v)^2 - 4 D_u D_v (f_u g_v - f_v g_u) > 0 $$
Lorsque ces 4 inégalités (conditions 1 à 4) sont toutes satisfaites, le système provoque une instabilité de Turing et génère spontanément une structure spatiale périodique. La région des paramètres satisfaisant cette condition est appelée « espace de Turing ».
Chapitre 4 : Structure mathématique et diagrammes de phase des modèles célèbres
En tant que dynamiques de réaction concrètes satisfaisant les conditions d’instabilité de Turing, plusieurs modèles importants ont été proposés en biologie mathématique. Nous allons approfondir ici la structure mathématique de ses représentants les plus connus, le « modèle de Gierer-Meinhardt » et le « modèle de Gray-Scott ».
4.1 Modèle de Gierer-Meinhardt (Gierer-Meinhardt model)
Ce modèle, proposé en 1972 par Alfred Gierer et Hans Meinhardt, exprime de manière extrêmement naturelle la dynamique des morphogènes in vivo.
$$ \frac{\partial u}{\partial t} = D_u \nabla^2 u + c \frac{u^2}{v} - \mu_u u + \rho_u $$$$ \frac{\partial v}{\partial t} = D_v \nabla^2 v + c u^2 - \mu_v v + \rho_v $$La caractéristique principale de cette équation réside dans le terme de production $u^2 / v$ du facteur activateur $u$. Le $u$ agit comme une autocatalyse non linéaire par rapport à lui-même ($u^2$), mais sa vitesse de production est réprimée en proportion inverse de la concentration du facteur inhibiteur $v$. D’autre part, $v$ est produit proportionnellement à la quantité de $u$ ($c u^2$). Cette structure de rétroaction exquise est encore largement utilisée aujourd’hui comme théorie fondamentale pour une vaste gamme de formations morphologiques biologiques, telles que la formation de la tête de l’hydre ou les motifs des coquillages. Dans l’espace des paramètres, en fonction du ratio des taux de déclin $\mu_u$ et $\mu_v$, etc., un diagramme de phase (Phase diagram) est tracé montrant des transitions de phase claires de la région stable vers les régions de motifs de taches ou de rayures. En particulier, en raison de la forte non-linéarité de l’autocatalyse, il a la caractéristique de former très facilement des motifs de taches extrêmement stables.
4.2 Modèle de Gray-Scott (Gray-Scott model) et diagrammes de phase complexes
C’est un modèle conçu dans les années 1980 pour expliquer des réactions autocatalytiques en physico-chimie (par exemple, la réaction chlorite-iodure-acide malonique), et qui jouit d’une popularité écrasante dans les domaines de l’informatique et de l’infographie.
$$ \frac{\partial u}{\partial t} = D_u \nabla^2 u - u v^2 + F(1 - u) $$$$ \frac{\partial v}{\partial t} = D_v \nabla^2 v + u v^2 - (F + k)v $$Dans ce modèle, $u$ est considéré comme le réactif et $v$ comme le produit de l’autocatalyse. Le $u$ est fourni de l’extérieur à une vitesse constante $F$, et $v$ se désintègre et est éliminé à une vitesse $F+k$. Les termes de réaction $-u v^2$ et $+u v^2$ représentent la transformation reflétant la conservation de la masse. J.E. Pearson (1993) a balayé de manière exhaustive les paramètres $F$ (taux d’alimentation) et $k$ (taux de déclin) de cette équation de Gray-Scott et a découvert qu’une incroyable variété de motifs y était cachée. Selon le diagramme de phase des paramètres de Pearson, la classification suivante est possible :
- Région $\alpha$ : État complètement uniforme (aucun motif).
- Région $\lambda$ : Taches auto-réplicatives qui se divisent continuellement comme une division cellulaire (Cell division-like).
- Région $\kappa$ : Motifs vermiformes allongés (Worms) ou en forme de labyrinthe (Labyrinths).
- Région $\mu$ : Points statiques et stables (Spots). Ces motifs affichent une « apparence de vie » qu’il est difficile de croire émerger d’une simple équation différentielle. Le modèle de Gray-Scott est un excellent terrain de jeu pour la science de la complexité car il génère une dynamique diverse à partir de termes de réaction simples.
Chapitre 5 : Simulation complète du modèle de Gray-Scott avec Python
Ici, nous présentons un code Python complet pour effectuer une simulation numérique bidimensionnelle du modèle de Gray-Scott et expliquons son algorithme. Pour le calcul numérique des équations aux dérivées partielles, la méthode de base consiste à diviser l’espace sous forme de grille (méthode des différences finies) et à faire avancer le temps par petites étapes (méthode d’Euler).
Approximation du Laplacien par différence à 5 points
$$ \nabla^2 u_{i,j} \approx \frac{u_{i+1,j} + u_{i-1,j} + u_{i,j+1} + u_{i,j-1} - 4u_{i,j}}{\Delta x^2} $$Pour réaliser les conditions aux limites périodiques (ce qui sort d’un bord rentre par le côté opposé), l’utilisation de np.roll dans la bibliothèque NumPy de Python permet un calcul matriciel rapide sans avoir à exécuter de boucles.
Code de simulation
| |
Lorsque vous exécutez ce code, vous pouvez observer en temps réel comment, à partir d’un petit bruit au centre, des motifs complexes de labyrinthes (ou de taches) s’auto-organisent lentement, comme si des cellules se divisaient et se multipliaient. Comme le processus est accéléré grâce aux manipulations de tableaux NumPy, même sur un PC ordinaire, il ne faut que de quelques secondes à quelques dizaines de secondes pour dessiner le processus de formation du motif.
Chapitre 6 : Modèles de Turing dans un espace tridimensionnel et formation des réseaux biologiques
Jusqu’à présent, nous nous sommes concentrés sur la formation de motifs sur un plan bidimensionnel (par exemple, la surface de la peau), mais de nombreux phénomènes de morphogenèse biologiques se déroulent dans un espace tridimensionnel. La théorie de Turing peut être étendue très naturellement aux espaces tridimensionnels et aux surfaces courbes, et de manière surprenante, elle explique aussi parfaitement les « structures de réseaux ramifiés complexes » au sein des organismes vivants.
6.1 Ramification bronchique des poumons et formation du réseau vasculaire
Les poumons humains partent de la trachée et se divisent en d’innombrables bronchioles fines de manière fractale (Branching morphogenesis). Selon des recherches récentes, il a été révélé que ce processus de ramification bronchique est également contrôlé par un mécanisme de Turing impliquant des facteurs activateurs tels que le FGF (facteur de croissance des fibroblastes) et des facteurs inhibiteurs tels que Sprouty. Lorsque l’on effectue une simulation de réaction-diffusion dans un espace tridimensionnel, on peut reproduire la dynamique où de nouvelles branches sont spontanément créées à intervalles réguliers grâce à la compétition entre la croissance apicale (Apical growth) des cellules épithéliales et l’inhibition latérale (Lateral inhibition) par des facteurs inhibiteurs.
6.2 Réseaux de nervures des feuilles et de myxomycètes
Le motif des nervures des feuilles des plantes est également compris comme une variante des systèmes de réaction-diffusion, combinant le gradient de concentration de l’auxine (hormone végétale) et le transport polaire par des protéines de transport (PIN). Le phénomène par lequel un myxomycète (Physarum polycephalum) forme un réseau de chemin le plus court et optimal pour trouver de la nourriture repose également sur le mécanisme LALI au sens large, avec l’expansion locale des tubes cellulaires (auto-activation) et le rétrécissement d’autres tubes en raison des contraintes de volume total (inhibition globale).
6.3 Modèle d’inhibition latérale dans la formation du squelette
La question de savoir pourquoi nos doigts sont au nombre de cinq (pourquoi un arrangement périodique des os se forme-t-il) se réduit également à la sélection de la longueur d’onde dans l’espace de Turing. Des molécules de signalisation telles que Sox9 (favorisant la chondrogenèse), Bmp et Wnt forment des ondes au sein des bourgeons des membres tridimensionnels (primordium des bras et des jambes), et les structures osseuses périodiques sont formées lorsque les parties “crêtes” des ondes stationnaires se différencient en cartilage et les parties “creux” meurent par apoptose ou subsistent sous forme de tissu mésenchymateux. Ce mécanisme d’inhibition latérale est un point de vue indispensable pour réfléchir à l’évolution de la complexité du squelette biologique.
Chapitre 7 : L’influence du bruit et des fluctuations initiales sur la sélection des motifs, et les mathématiques de la robustesse
Il existe un autre thème mathématique extrêmement important dans la formation des formes biologiques. Il s’agit du paradoxe du « rôle du bruit (fluctuation) » et de la « robustesse (solidité) des motifs ».
7.1 Sélection de motifs due aux fluctuations (Spots or Stripes?)
Dans l’analyse de stabilité linéaire de Turing, il est possible de déterminer quel nombre d’onde $k$ croît le plus rapidement (la longueur d’onde dominante), mais on ne peut pas savoir quel motif géométrique (tache ou rayure) sera finalement sélectionné. Pour élucider cela, une analyse de la région non linéaire après que la perturbation est devenue grande (analyse faiblement non linéaire, équation d’amplitude, etc.) est nécessaire. En réalité, les fluctuations thermiques inhérentes au système et le bruit d’expression génique stochastique servent de « graines » pour la sélection initiale des motifs. Selon les caractéristiques spectrales spatiales du bruit, certains modes sont excités sélectivement. Dans certains cas, dans des régions de multistabilité (Bistability), une infime différence dans le bruit initial provoque une bifurcation du destin vers un motif de tache ou de rayure.
7.2 Robustesse de la morphogenèse
D’autre part, le processus d’ontogenèse (développement de l’individu) est étonnamment robuste (solide). Même si la température ambiante fluctue, même si l’état nutritionnel change, les humains auront toujours le cœur au même endroit et formeront cinq doigts. Dans un environnement cellulaire rempli de bruit stochastique, pourquoi une formation de motif si fiable est-elle possible ? Du point de vue mathématique, il a été démontré qu’en ajoutant des termes non linéaires tels que le « contrôle proactif (feedforward) » ou « l’effet de saturation des récepteurs » aux systèmes de réaction-diffusion, l’espace de Turing (la région des paramètres où des motifs émergent) s’élargit considérablement, améliorant ainsi la robustesse. De plus, en intégrant la croissance du domaine (l’expansion temporelle du tissu lui-même) dans l’équation, on découvre qu’une « induction mécanique de trajectoire » opère, dans laquelle les contraintes des conditions aux limites changent progressivement et convergent toujours vers un motif unique indépendamment du bruit. Dans les analyses utilisant des équations différentielles stochastiques (SDE), on a même signalé le phénomène paradoxal des « motifs induits par le bruit (Noise-induced patterns) », où le bruit démographique (fluctuation du nombre de molécules) ne détruit pas le motif, mais favorise plutôt sa formation. La robustesse est la caractéristique principale de la vie, et les tentatives de la prouver par des formules mathématiques sont toujours menées activement aujourd’hui.
Chapitre 8 : Vérification expérimentale par la biologie moléculaire ― Le modèle de Turing enfin découvert
Pendant des décennies après la mort de Turing, l’opinion critique selon laquelle « sa théorie n’est belle que mathématiquement et n’a probablement rien à voir avec les organismes réels » a prédominé. Cependant, en 1995, la recherche révolutionnaire du biologiste moléculaire japonais Shigeru Kondo (actuellement professeur à l’Université d’Osaka) a complètement changé la donne.
Kondo et ses collègues se sont intéressés au motif rayé sur le corps d’un grand poisson tropical marin appelé “Poisson-ange empereur” (Pomacanthus imperator). Alors que les motifs chez les mammifères s’étendent simplement avec la croissance (comme on gonfle un ballon), ils ont découvert que les rayures du poisson-ange empereur se « ramifient » de manière à maintenir un intervalle constant entre elles à mesure que le poisson grandit, et que l’ensemble du motif est dynamiquement déplacé et réorganisé. Lorsqu’on a comparé cela avec la simulation du système de Turing (un calcul où le domaine s’élargit dans le temps), le processus de ramification et le motif de bifurcation correspondaient de manière stupéfiante à la solution de l’équation aux dérivées partielles. Ce fut le moment où il a été prouvé pour la première fois au monde que le comportement au niveau cellulaire est sous la domination précise de mathématiques macroscopiques.
Par la suite, la clarification au niveau moléculaire a également progressé rapidement.
- Plis du palais de la souris (Palatal Rugae) : Il a été identifié que deux protéines, le FGF et Shh, forment un réseau de Turing dans la formation des plis périodiques sur le palais de la bouche de la souris.
- Motif rayé du poisson zèbre : Un « modèle de Turing cellulaire » a été démontré, dans lequel le mécanisme LALI est réalisé non seulement par la diffusion de protéines, mais aussi par une interaction intercellulaire directe (transmission de signaux à travers des protubérances) entre différents types de cellules pigmentaires (mélanophores et xanthophores).
La prédiction de Turing a été entièrement prouvée plus d’un demi-siècle plus tard, dans le langage de l’ADN et des protéines.
Annexe : Abîmes supplémentaires de la biologie mathématique et des équations différentielles
A1. Analyse faiblement non linéaire et équations d’amplitude
$$ \tau_0 \frac{\partial A}{\partial t} = \epsilon A + \xi_0^2 \nabla^2 A - g |A|^2 A $$Où $A$ est l’amplitude complexe du motif et $\epsilon$ représente l’écart par rapport au paramètre de bifurcation. Cette équation est également mathématiquement équivalente à la formation de motifs dans la supraconductivité et la mécanique des fluides (comme la convection de Rayleigh-Bénard), et démontre de manière convaincante l’universalité (Universality) des phénomènes d’auto-organisation dans la nature.
A2. Mécanisme de détermination des longueurs d’onde biologiques
Bien que la longueur d’onde dominante $\lambda$ dans les modèles de Turing soit donnée par $2\pi/k_{max}$, dans les organismes réels, cette longueur d’onde dépend de la taille de la cellule et de la valeur absolue du coefficient de diffusion. Par exemple, le coefficient de diffusion des protéines est de l’ordre de $10^{-7} \sim 10^{-6} \text{ cm}^2/\text{s}$, et sur cette base, la longueur d’onde serait d’environ $0.1 \sim 1 \text{ mm}$. Cette échelle présente une concordance étonnante avec les valeurs mesurées dans de nombreux processus de morphogenèse, tels que la formation des segments corporels de l’embryon de la drosophile ou l’espacement des follicules pileux chez la souris.
A3. Modèles de Turing étendus
Dans les recherches récentes, au-delà des équations de réaction-diffusion à deux variables, des systèmes à trois variables ou plus, ainsi que des modèles prenant en compte des espaces de paramètres spatialement non uniformes (polarité cellulaire ou gradients de croissance tissulaire) sont activement étudiés. De plus, un « modèle mécano-chimique (Mechano-chemical model) » qui combine non seulement la diffusion, mais aussi le chimiotactisme (Chemotaxis) et la déformation mécanique des cellules (Mechanobiology), attire l’attention comme clé pour élucider des phénomènes biologiques plus complexes. La fusion des mathématiques et de la biologie a considérablement évolué depuis l’époque de Turing et brille de mille feux à l’avant-garde de la science moderne.
Chapitre final : L’avenir de la morphogenèse et son impact sur la science de la complexité
Le concept de modèle de Turing a maintenant largement dépassé le cadre de la biologie mathématique et s’est propagé à tous les domaines des sciences naturelles.
Dans le domaine du génie des matériaux, le mécanisme de Turing est appliqué à la nanotechnologie ascendante (bottom-up) utilisant l’auto-organisation. En contrôlant la séparation de phase de copolymères à blocs et des réactions chimiques spéciales (comme la réaction de Belousov-Zhabotinsky), des recherches sont en cours pour « former chimiquement d’elles-mêmes » des structures périodiques infimes qui dépassent les limites de la technologie de lithographie des semi-conducteurs.
Dans le contexte de la vie artificielle (Artificial Life) et de la science des systèmes complexes (Complex Systems), il est réévalué comme une approche à la question fondamentale « Qu’est-ce que la vie ? ». Le processus par lequel une structure globale et ordonnée émerge (Emergence) à partir de l’interaction de règles locales est un principe universel qui sous-tend également la formation de structures dans les automates cellulaires et le Deep Learning.
Alan Turing, dans un seul et unique article laissé pendant la courte période de la fin de sa vie, a révélé le secret de la formation des formes de la vie par des formules mathématiques. Son rêve des « bases chimiques de la morphogenèse » continue encore aujourd’hui de nous présenter de nouveaux mystères de la vie, en tant que nœud où se croisent l’informatique, la physique non linéaire et la biologie moléculaire de pointe.
Cet article a été rédigé en l’augmentant et en l’élargissant considérablement, en s’appuyant sur les connaissances les plus récentes en biologie mathématique et sur les descriptions mathématiques rigoureuses de la dynamique non linéaire. En rendant hommage aux grandes réalisations de Turing, nous espérons qu’il aidera nos lecteurs à toucher la beauté de la géométrie de la vie.