C05: La socialité des mouches

La socialité des mouches

Vous êtes un(e) sociobiologiste qui étudie la base génétique de la sociabilité chez les mouches à fruits. Une étude de dépistage génétique a identifié plusieurs “gènes candidats” qui pourraient jouer un rôle dans la régulation du comportement social chez Drosophila melanogaster. Vous décidez d’étudier le gène candidat Sec5, en réalisant une expérience de knockdown. Des cohortes de mouches mâles et femelles ont été soumises à l’interférence par ARN, éliminant ainsi l’activité du gène Sec5 chez ces individus. Une autre cohorte non modifiée génétiquement de mâles et de femelles a été conservée comme témoin. Vous avez rassemblé des groupes de mouches du même sexe dans des arènes de sociabilité, et vous avez suivi leur comportement d’agrégation dans le temps. Un “indice de sociabilité” a été calculé pour chaque groupe, des scores plus élevés indiquant que les mouches étaient plus étroitement regroupées les unes avec les autres – un signal plus fort de regroupement social.

Analysez cet ensemble de données pour voir si les mâles et les femelles diffèrent dans leurs niveaux de sociabilité, et si le silence du gène Sec5 a affecté la sociabilité chez les mâles ou les femelles

1. Chargez les données et utilisez la commande head() pour prévisualiser le haut du dataframe.

2. Créez une nouvelle colonne appelée condition, qui représente les combinaisons factorielles de sexe et de traitement génique.

3. Dans GGplot, produisez un ensemble d’histogrammes d’indice de sociabilité pour les quatre combinaisons de conditions. Facettez le panneau par condition, de sorte que toutes les distributions des quatre conditions soient présentées sur le graphique en même temps.

4. En utilisant la fonction lmer() du package lme4, créez un modèle linéaire mixte pour déterminer si le sexe, le traitement, ou leur interaction ont un effet significatif sur les scores d’indice de sociabilité sur les mouches dans votre expérience. Utilisez une approche de somme des carrés de type III pour analyser votre modèle, en utilisant la fonction Anova() du package car en R. Après avoir construit votre modèle, vérifiez ses diagnostics en utilisant la fonction check_model() du package performance
   • Pour des informations sur la modélisation linéaire mixte, voir : Ce billet de blog
   • Voir aussi : Cette vidéo instructive
   • Indice : les variables ‘Arena’, ‘Time’, et ‘Day’ devraient être présentes dans vos effets aléatoires.
   • Pour une introduction aux analyses ANOVA de type I / II / III, voir : Ce billet de blog

5. En utilisant GGplot, produisez un graphique a pluie montrant les scores de sociabilité de chacune des quatre combinaisons de conditions.
   •  Pour une introduction aux graphiques de pluie, voir ce billet de blog/tutoriel
   • Utilisez une palette de couleurs qui intègre l’accessibilité pour les différents types de daltonisme . Pour plus d’informations sur les palettes GGplot accessibles, voir :  http://www.cookbook-r.com/Graphs/Colors_(ggplot2)/

Fichiers à télécharger :

Pour télécharger, cliquez avec le bouton droit de la souris et appuyez sur “Enregistrer le fichier sous” ou “Télécharger le fichier lié”.

1. FlySociality.csv

Laboratoire et Institution ou Investigateur Principal :

Cognitive Ecology Lab, Dr. Reuven Dukas, Département de psychologie, neurosciences et comportement de l’Université McMaster https://psych.mcmaster.ca/dukas/index.htm 

Références et lectures complémentaires :

Torabi-Marashi, A. (2023). Investigating the genetic basis of natural variation in sociability within Drosophila melanogaster (Doctoral dissertation)

Scott, A. M., Dworkin, I., & Dukas, R. (2022). Evolution of sociability by artificial selection. Evolution, 76(3), 541-553