Culture bactérienne avec des modules de traducteur de signalisation cellulaire et de contrôleur de croissance pour une composition de culture régulée de manière autonome

Taux de croissance cellulaire contrôlé par le signalAI-1

Nous avons d’abord testé le contrôle du taux de croissance cellulaire d’E. coli par la régulation transcriptionnelle de ptsH, un gène impliqué dans le transport du sucre. HPr (codée par ptsH) est largement reconnue comme l’une des séries de protéines (par exemple, E1, HPr, EII) qui transfèrent séquentiellement un groupe phosphoryle du phosphoénolpyruvate (PEP) au glucose (ou autre glucide PTS)34. HPr est hautement conservée37. Nous avons récemment découvert que HPr interagit avec la kinase AI-2 LsrK, influençant l’absorption de l’AI-235. Nous avons exploité la fonctionnalité de modulation de l’AI-2 lors de la construction de la cellule de détection de l’AI-2. Ici, nous avons démontré que les souches mutantes ptsH croissent plus lentement que les souches de type sauvage dans un milieu minimal contenant du glucose (figure supplémentaire 1a). Lorsque ptsH a été placé sous un promoteur inductible par l’IPTG dans un mutant ptsH, le taux de croissance a pu être contrôlé en fonction de l’ajout d’IPTG (figure supplémentaire 1b). Fait important, nous avons démontré que l’induction de l’expression de ptsH entraîne une augmentation du taux de croissance cellulaire. De manière tout aussi importante, ce comportement est indépendant du fait que le milieu contient ou non du glucose comme principale source de carbone (figure supplémentaire 1c).

Sur la base de cette preuve de concept, nous avons ensuite conçu un signal QS contrôlant le taux de croissance. Pour construire la souche contrôleur, ptsH a été placé sous le contrôle du promoteur QS AI-1 lasI sur le plasmide pAHL-HPr (Fig. 2a) dans une souche mutante ptsH PH04. Ailleurs sur le plasmide, dsRedExpress2, pour la visualisation des cellules, et LasR, nécessaire à l’activation du promoteur lasI, ont été exprimés sous un promoteur T5 constitutif. L’ajout d’AI-1 à la souche contrôleur a augmenté le taux de croissance des cellules jusqu’à 1,8 fois le taux de croissance de base de manière dose-dépendante (Fig. 2b). Le taux de croissance spécifique mesuré (entre 1 et 4 h après l’ajout d’AI-1) a servi de base à un modèle de type Monod du taux de croissance basé sur le niveau d’AI-1 (Fig. 2c).

L’AI-1 module la composition dans les cocultures de cellules contrôleuses

Les cellules contrôleuses régulées par l’AI-1 ont ensuite été mises en coculture avec d’autres souches pour vérifier que l’ajout d’AI-1 modifiait la composition de la coculture. Des cellules de contrôleur de croissance exprimant une protéine fluorescente rouge (PH04 pAHL-ptsH) ont été co-cultivées avec soit PH04 pCT6 soit TOP10 pT5G7. La PH04 pCT6 a un taux de croissance de base similaire à la PH04 pAHL-ptsH, tandis que la TOP10 pT5G croît significativement plus vite. Les cultures ont été inoculées à des densités cellulaires approximativement égales et supplémentées avec des niveaux variés d’AI-1. Après 8 h, des échantillons ont été prélevés pour être analysés par microscopie à fluorescence et quantifiés à l’aide d’ImageJ. Comme prévu, lorsque les cellules contrôleuses ont été cultivées avec PH04, la composition de la culture des cellules contrôleuses a augmenté avec la concentration d’AI-1 (Fig. 3a). Une tendance similaire a été observée lorsque les cellules ont été cultivées avec TOP10, malgré le taux de croissance plus rapide de TOP10 (Fig. 3b). En d’autres termes, dans les co-cultures sans AI-1, la fraction des cellules contrôleuses dans les co-cultures TOP10 a en fait chuté de manière significative, passant de ~0,5 à ~0,09 au cours des 8 heures suivantes. L’ajout d’AI-1 a contrebalancé cette différence de taux de croissance et a entraîné un niveau plus élevé de cellules contrôleuses au cours de la même période de 8 heures. Ces résultats démontrent qu’indépendamment des autres souches dans la culture et de leurs taux de croissance respectifs, l’AI-1 (qui n’est pas une molécule de signalisation QS d’E. coli) module le taux de croissance de la souche de contrôleur conçue et le changement s’est produit suffisamment rapidement pour permettre un changement observable dans la composition de la culture – notamment même dans des conditions de lot à relativement court terme (par opposition aux lots alimentés, aux lots répétés ou aux cultures continues).

Puis, la souche de contrôleur régulée par l’AI-1 a été cocultivée avec des cellules qui produisent de l’AI-1 lorsqu’elles sont induites. PH04 pSox-LasI et PH04 pAHL-HPr ont été co-cultivés ensemble. Le plasmide pSox-LasI contient lasI, qui synthétise l’AI-1, sous le promoteur soxS inductible par la pyocyanine7. Dans cette expérience, la souche contrôleur reçoit un signal d’une souche traducteur qui, à son tour, a produit AI-1 en réponse à la pyocyanine. De cette façon, le schéma de contrôle de la co-culture est montré pour répondre à un indice moléculaire particulier. Ici, chaque culture a été inoculée à des densités de départ approximativement égales et les co-cultures ont été exposées ou non à la pyocyanine. Les cultures exposées ont montré une production accrue d’AI-1 et une augmentation correspondante de la composition de PH04 pAHL-HPr dans les 5 heures (Fig. 3c). Ces résultats démontrent que l’AI-1 produite à partir d’une souche alternative peut moduler le taux de croissance de la souche contrôleur, et que cela peut se produire sur des échelles de temps nécessaires pour affecter le changement dans un processus discontinu. De plus, cela démontre la faisabilité potentielle d’une co-culture régulée par l’utilisateur, basée sur l’application spécifique d’une molécule ou d’un inducteur, dans ce cas la pyocyanine. Nous avons ensuite conçu la souche translator pour créer une coculture régulée de manière autonome basée sur la molécule de signalisation omniprésente AI-2.

Conception de cellules translator détectant AI-2

Pour construire des lignées cellulaires qui détectent AI-2 et produisent AI-1, nous avons conçu des souches pour activer l’expression de LasI, qui synthétise AI-1, lorsque le promoteur AI-2 lsr est activé. Nous avons utilisé un système à deux plasmides pour amplifier l’expression du faible promoteur lsr25 (Fig. 4a). En bref, l’AI-2 est phosphorylée par LsrK et l’AI-2 phosphorylée relâche la répression du promoteur par LsrR, augmentant la transcription des gènes du transporteur lsr et accélérant l’absorption de l’AI-2. En même temps, l’activation du promoteur lsr médiée par l’AI-2 entraîne la transcription de l’ARN polymérase T7 à partir du plasmide pCT6 et la transcription ultérieure de lasI à partir du plasmide pET-LasI.

Le système a d’abord été construit dans la souche hôte E. coli CT104, qui est un mutant luxS (c’est-à-dire incapable de produire de l’AI-2). CT104 est également dépourvue de lsrFG, responsable de la dégradation du signal AI-2 phosphorylé, ce qui augmente la sensibilité de la cellule à l’AI-238. Nous avons vérifié que cette lignée cellulaire, CT104 pCT6 pET-LasI, produisait de l’AI-1 lorsqu’elle était cultivée dans un milieu conditionné (CM) provenant de BL21 produisant de l’AI-2 (figure supplémentaire 2). Les cellules BL21 ont été cultivées à différentes densités cellulaires, le milieu conditionné a été recueilli et les cellules CT104 ont été cultivées dans le milieu conditionné recueilli. Il est important de noter que l’AI-1 produit par les cellules CT104 est en corrélation avec la densité des cellules BL21 productrices d’AI-2 (figure supplémentaire 2a). Nous avons également vérifié si les cellules du traducteur ajoutées à des consortiums contenant des fractions variables de cellules productrices d’AI-2 pouvaient produire le signal AI-1 en fonction de la composition du consortium. Des cellules CT104 ont été ajoutées à des cultures présentant des rapports variables entre BL21 (luxS+) et BL21 ΔluxS. Après 6 h, le niveau du signal AI-1 dans le milieu extracellulaire était indicatif de la composition de la culture, qui, à son tour, est basée principalement sur la fraction initiale de cellules luxS+25 (figure supplémentaire 2b).

Les expériences ci-dessus ont démontré qu’une lignée cellulaire pouvait être construite pour produire de l’AI-1 en réponse à l’AI-2 à partir de cellules productrices d’AI-2. Ces expériences ont été réalisées en milieu LB et non en milieu avec du glucose. La présence de glucose inhibe l’absorption de l’AI-2 et l’activité du promoteur lsr39 et l’utilisation des cellules CT104 pourrait potentiellement être limitée aux milieux sans glucose (voir la figure 3 supplémentaire pour le schéma de la voie QS de l’AI-2). Sur la base de la connaissance du système QS AI-2, nous avons tenté de créer une souche capable d’absorber l’AI-2 et d’activer le promoteur lsr dans des milieux contenant du glucose. De cette façon, nos résultats pourraient être appliqués de manière plus générale. Nous avons précédemment démontré que HPr (codé par ptsH) interagit avec LsrK, inhibant l’activité kinase de LsrK, et qu’il a été démontré que les mutants ptsH absorbent l’AI-2 même dans des milieux contenant du glucose35. Nous avons donc émis l’hypothèse que l’utilisation de PH04 (ΔptsH ΔluxS) comme souche hôte permettrait la production d’AI-1 à partir d’AI-2 dans des milieux contenant du glucose. Nous avons testé les cellules traductrices en utilisant les deux souches hôtes dans des milieux LB et M9 contenant du glucose avec et sans AI-2. La quantité d’AI-1 produite dépendait de l’ajout d’AI-2, mais aussi de la souche hôte et du milieu (Fig. 4b). Les deux souches ont produit de l’AI-1 lorsque les cellules ont été ajoutées au milieu LB avec AI-2. Comme prévu, dans le milieu M9, l’utilisation de la souche hôte CT104 a entraîné une variation faible ou insignifiante de l’activité AI-1 en comparant les cultures avec et sans AI-2. Il est important de noter que les cellules traductrices PH04 ont cependant montré une production d’AI-1 activée par l’AI-2 dans le milieu M9 + glucose. Ainsi, le système conçu pourrait être utilisé dans des milieux contenant du glucose.

Caractérisation des cellules translatrices PH04

Les cellules translatrices PH04 absorbent la molécule signal AI-2, transduisent le signal en activant l’expression de LasI et synthétisent et sécrètent l’AI-1. La sortie AI-1 souhaitée est alors fonction de l’entrée AI-2. Nous avons caractérisé la production d’AI-1 signalée par l’AI-2 dans la souche translatrice PH04 au fil du temps et pour une gamme de concentrations d’AI-2 biologiquement pertinentes. Le taux de production d’AI-1 par les cellules du translateur PH04 s’est avéré dépendant de la dose d’AI-2 (Fig. 5a). Nous notons que dans ces conditions et dans des conditions similaires, l’AI-2 est principalement consommé dans les 4 heures (Fig. 5b). L’ajout d’AI-2 ou la production d’AI-1 à partir d’AI-2 dans ces cultures discontinues n’a entraîné aucune diminution observable de la croissance cellulaire (Fig. 5c). Nous avons ensuite caractérisé le taux de production d’AI-1 par cellule au fil du temps pour chaque concentration d’AI-2 testée en traçant une fonction logistique à travers les données sur l’AI-1, en déterminant la dérivée de cette équation au fil du temps et en divisant la dérivée par la densité cellulaire au fil du temps (Tableau supplémentaire 1), ce qui a donné un taux de production spécifique dépendant du temps. Les graphiques résultants (Fig. 5d) montrent le taux estimé de production d’AI-1 par cellule en fonction de l’ajout d’AI-2 et du temps écoulé depuis l’ajout d’AI-2. Comme nous le montrerons plus tard, cela s’aligne sur une observation sous-jacente que nous avons observée, à savoir que la trajectoire de l’expression génique en réponse à un indice initial est assez robuste21,38,40.

Puis, l’effet de l’AI-1 produit par les cellules translatrices PH04 sur le taux de croissance des cellules contrôleuses sensibles à l’AI-1 a été testé. En d’autres termes, les cellules sensibles à la croissance ont été ajoutées au CM contenant de l’AI-1 provenant de cellules traductrices qui avaient été exposées à des niveaux variables d’AI-2 et cultivées pendant ~3 h (Fig. 4a supplémentaire). Au-delà de ce qui a été montré dans la Fig. 5 où l’AI-1 est généré à partir d’une exposition directe à l’AI-2, cette expérience démontre que la traduction cellulaire de l’AI-2 en AI-1 peut se faire avec l’expression et la dynamique de culture cellulaire nécessaires de manière à influencer le taux de croissance de la seconde population (Fig. 4b supplémentaire). Nous notons également, que le taux de croissance dynamique des cellules contrôleuses s’est avéré diminuer dans le temps au cours des 3 h suivantes. Cette observation a été rendue plus dramatique dans les expériences de co-culture ultérieures.

Régulation autonome de la composition de la co-culture

Nous avons ensuite ajouté les cellules traductrices (appelées population A) et les cellules contrôleuses sensibles à l’AI-1 (population B) à des solutions ayant une gamme de concentrations initiales d’AI-2. Dans les co-cultures de cellules traductrices et de cellules contrôleuses, les cellules traductrices régulent de manière autonome la composition des consortiums en fonction du niveau initial d’AI-2. Dans la figure supplémentaire 5, les co-cultures avec des niveaux initiaux accrus d’AI-2 ont entraîné une augmentation d’AI-1 (figure supplémentaire 5b) et une augmentation correspondante de l’abondance relative de la population B (figure supplémentaire 5a). Ces résultats ont démontré le concept de contrôle autonome de la population des consortia médié par les signaux. Il est important de noter que les estimations du taux de croissance de la population A et de la population B concordent avec les valeurs attendues du taux de croissance mesurées pendant les expériences de monoculture (figure supplémentaire 5c).

Après avoir démontré que les cellules traductrices pouvaient réguler la composition des consortia en fonction de l’exposition à l’AI-2, nous avons développé un modèle mathématique pour caractériser la dynamique du système. De cette façon, on peut prédire le comportement de la co-culture compte tenu de conditions initiales spécifiques, de modèles de taux de croissance, etc. afin de déterminer les paramètres nécessaires pour cibler un résultat souhaité. Ce modèle mathématique conceptuellement simple a été créé pour prédire le comportement de la co-culture en utilisant les données des souches individuelles. Le modèle se compose de quatre équations différentielles ordinaires, une pour chaque densité de population, concentration de substrat et concentration d’AI-1 (tableaux supplémentaires 2 et 3). La cinétique de croissance de Monod avec un coefficient de rendement constant a été utilisée pour modéliser la croissance cellulaire et la concentration en substrat, avec des fonctions supplémentaires représentant la production et/ou les effets des molécules QS. L’AI-1 produit par la population A est basé à la fois sur le niveau d’exposition à l’AI-2 et sur le temps (fAI1). Dans les travaux précédents38, nous avons constaté que les trajectoires du comportement cellulaire en fonction du temps étaient une conséquence de l’exposition initiale à l’autoinducteur, de sorte que les fonctions de production d’AI-1 en fonction du temps seraient plausibles ici. Le taux de croissance de la population B a été formulé en fonction du niveau dominant d’AI-1 (fHPr). Les taux de croissance spécifiques maximaux ont été mesurés à l’aide de données expérimentales, les rendements ont été estimés en fonction de la densité de la phase stationnaire observée expérimentalement et des concentrations initiales connues de substrat, et les valeurs K1 et K2 ont été choisies en fonction des valeurs de la littérature pour le glucose. Le solveur ode45 de MATLAB (version R2016a) a été utilisé pour résoudre le système d’ODE. Le modèle peut être utilisé pour montrer comment une population de coculture est prévue de changer avec le temps étant donné ces équations de taux phénoménologiques simples et les constantes de meilleur ajustement. Comme nous l’avons noté, cela permet de déterminer si l’on peut même prévoir l’évolution d’une coculture sur les temps limités disponibles dans une culture discontinue. Il est important de noter que nos résultats provenant des monocultures sont utilisés pour simuler les résultats expérimentaux des co-cultures.

C’est-à-dire que nous avons ensuite évalué le contrôle de la co-culture programmée de manière autonome via les prédictions du modèle. Des co-cultures des populations A et B ont été placées ensemble pour une gamme de populations cellulaires initiales et ont ensuite été ajoutées à des milieux avec des niveaux prescrits d’AI-2 afin de mettre en mouvement une trajectoire de population. Dans notre système, la composition initiale est sélectionnée en fonction du ratio de cellules fournies dans la co-culture, puis la composition de la culture est ajustée de manière autonome au fil du temps en fonction du niveau d’AI-2 dans le milieu. Nous avons comparé les résultats à notre modèle. Dans la figure 6, la composition de la co-culture et le niveau d’AI-1 après 5 h sont montrés pour une variété de conditions, y compris des ratios A:B initiaux et un niveau d’AI-2 variés. Dans ces tests, nous avons utilisé une seule densité cellulaire de la population initiale. Il est important de noter que notre modèle prédit bien les résultats expérimentaux du niveau d’AI-1 et de la composition de la co-culture. Nous notons également que le modèle peut être utilisé pour sélectionner les conditions initiales qui donnent un résultat souhaité. Par exemple, pour cibler une population B avec une densité cellulaire relative de 55% à 5 h, la co-culture pourrait être démarrée avec un rapport initial A:B de 60:40 et une concentration en AI-2 de 40 µM. D’autres scénarios ont été testés et validés, comme illustré. Ces résultats démontrent clairement que la condition initiale de la composition cellulaire (par exemple, le rapport A:B) et l’exposition à différents niveaux d’AI-2 influencent la trajectoire de la population de la co-culture. Cependant, il est tout aussi important de noter que la molécule signal orthogonale, AI-1, s’est comportée comme prévu. Nous prévoyons que, par extension, l’inclusion de ce signal et d’autres signaux traducteurs permettra de concevoir et/ou de contrôler d’autres consortiums variés ou plus compliqués.

C’est-à-dire que nous avons testé le système de contrôle de la coculture en l’exposant à une concentration d’AI-2, 80 µM, qui était plus élevée que les concentrations d’AI-2 utilisées pour caractériser les cellules traductrices, et pour lesquelles nous n’avions pas de modèle. Nous avons utilisé les résultats de la co-culture (Fig. 6) pour estimer le comportement des cellules traductrices dans une monoculture à cette concentration d’AI-2. Nous avons ensuite réalisé des expériences de monoculture en ajoutant 80 µM d’AI-2 aux cellules du traducteur et montré que nous étions en mesure de prédire le comportement de la monoculture à l’aide des données de la coculture et du modèle. La figure supplémentaire 6a montre le taux de production d’AI-1 prédit à partir des données de coculture et du modèle (ligne) et le taux réel de production d’AI-1 pendant l’expérience de monoculture (points de données). La figure supplémentaire 6b montre les niveaux d’AI-1 prédits dans la monoculture au fil du temps, comparés aux niveaux d’AI-1 réellement mesurés. Le niveau prédit d’AI-1 a été déterminé à l’aide du modèle, en entrant le taux de production estimé d’AI-1 et la densité cellulaire initiale de la monoculture.

En dernier lieu, nous avons testé notre système de coculture sur une période plus longue en utilisant une alimentation par lots répétée avec de multiples ajouts d’AI-2 (Fig. 7). Ici, notre objectif était d’étendre la trajectoire de la population au-delà de celle obtenue en faisant varier la composition initiale et l’exposition à un niveau fixe d’AI-2 dans une culture par lots simple. De cette façon, nous testons la robustesse du schéma de contrôle. Par exemple, dans la figure 6, pour des cultures initialement à ~40 % de population B, nous avons constaté que nous ne pouvions atteindre que des niveaux de population B approchant 60 % et uniquement par une exposition à des niveaux élevés (>80 μM) d’AI-2. En testant un système de lots répétés, nous pensions pouvoir conduire la population B à plus de 80% en remettant simplement en suspension et en prolongeant le système dans le temps. Nous avons ajouté notre coculture à des milieux contenant des niveaux variés d’AI-2 et, toutes les 3 heures, nous avons remis en suspension les cellules dans des milieux frais contenant de l’AI-2 supplémentaire. Immédiatement avant chaque remise en suspension, des échantillons ont été prélevés pour analyser la concentration en AI-1 et la composition de la culture cellulaire (Fig. 7a, b). La densité cellulaire et l’activité AI-2 ont également été mesurées (Fig. 7 supplémentaire). Nous avons constaté que dans ce dispositif expérimental plus complexe, le système a généralement fonctionné comme prévu. Nous avons constaté qu’en exposant des quantités moindres d’AI-2 (20 et 40 μM), nous pouvions atteindre près de 80 % de la population B. Au cours de ce test, cependant, nous avons constaté que nos résultats expérimentaux divergeaient des résultats prédits par notre modèle mathématique. Nous avons examiné de plus près l’AI-1 produit et le taux de croissance des cultures pendant chaque segment de 3 h afin de glaner une compréhension de la dynamique de la culture basée sur la divergence observée avec le modèle simple. Par exemple, l’AI-1 produit pendant les deuxième et troisième cycles de 3 heures était plus élevé que prévu par le modèle. En rétrospective, cela était logique car les cellules, après le premier cycle de lots, avaient déjà produit du LasI (qui synthétise l’AI-1), et l’AI-2 supplémentaire induisait probablement une production supplémentaire de LasI (nous n’avons pas inclus de marqueur de dégradation sur le LasI, donc son maintien aurait dû être anticipé). Nous avons ensuite ajusté le modèle de façon à ce que le taux de production d’AI-1 au début de chaque remise en suspension ultérieure dans un nouveau milieu soit le même qu’à la fin du cycle précédent (Fig. 7c, lignes pleines). L’incorporation de ces nouvelles fonctions de production d’AI-1 dans le modèle a permis d’obtenir des valeurs d’AI-1 qui correspondent étroitement aux données expérimentales d’AI-1 (Fig. 7a, modèle en traits pleins). De même, nous avons estimé le taux de croissance des cellules contrôleuses (voir la note supplémentaire 1) et nous avons constaté que le taux de croissance combiné aux concentrations d’AI-1 ne correspondait pas à notre fonction fAI1 précédente (Fig. 7d). Nous notons que pour calculer le taux de croissance des cellules contrôleuses, nous avons supposé que le taux de croissance des cellules traductrices est resté constant, bien qu’il ait pu diminuer légèrement à la suite d’ajouts répétés d’AI-2. Alors que le taux de croissance des cellules contrôleuses semblait initialement augmenter en fonction de l’AI-1, lors des resuspensions ultérieures dans des milieux frais, le taux de croissance global a diminué. Nous avions précédemment noté une diminution dynamique du taux de croissance lors de la surexpression de HPr et de LasI (Figures supplémentaires 4 et 5). Ici, nous soupçonnons qu’un fardeau métabolique imposé aux cellules par l’exposition répétée à des niveaux élevés d’AI-1 ou des niveaux réduits de substrat ou de nutriments pourraient être les causes de la diminution de la croissance au cours des derniers cycles. Il est important de noter qu’en ajustant notre modèle de sorte que l’effet de l’AI-1 sur le taux de croissance diminue avec le temps (voir la note supplémentaire 2), nous avons été en mesure de nous adapter à nos données expérimentales (Fig. 7b, modèle ajusté dans les lignes solides) sans ajouter de complexité au modèle.

En somme, notre système de coculture a répondu comme prévu, qu’il soit placé dans des milieux sans AI-2 ou avec un niveau élevé d’AI-2. De plus, nos résultats ont montré des densités de population contrôlables qui s’étendaient de 40 à 80% des cellules contrôleuses. De plus, la comparaison avec notre modèle original a donné un aperçu de la façon dont le système se comportait dans ce montage expérimental plus complexe ; les cellules traductrices semblaient produire des niveaux plus élevés d’AI-1 au fil du temps, tandis que les cellules contrôleuses semblaient avoir des changements de taux de croissance régulés par l’AI-1 réduits au fil du temps.

Enfin, le modèle pourrait fournir une base pour explorer in silico comment les stratégies utilisées ici pour les cultures régulées de façon autonome (marquées par un taux de croissance régulé par le signal et une signalisation cellule-cellule native) pourraient être étendues à d’autres systèmes, y compris les systèmes régulés par l’utilisateur ou programmables qui pourraient être contrôlés dynamiquement. Par exemple, les cultures en chemostat se distinguent du système autonome actuel en ce que leurs sorties sont dirigées par des entrées spécifiées par l’utilisateur, comme le taux de dilution. Dans un premier temps, nous avons effectué des simulations de co-cultures en chemostat en ajoutant les termes de flux standard au modèle par lots (figure 8 supplémentaire, tableaux 4 et 5 supplémentaires). Nous avons constaté que, dans certains cas, le taux de dilution définit une composition de culture à l’état d’équilibre qui, à son tour, peut ensuite être « réglée » dans une plage limitée par le taux de dilution. Ce « réglage » peut être obtenu en modulant de manière externe la signalisation cellule-cellule, par exemple par l’ajout exogène de molécules de signalisation. Ces cas illustrent comment l’interaction entre notre système autonome et d’autres systèmes contrôlés par l’utilisateur pourrait conduire à des trajectoires de population plus complexes. Les résultats de nos simulations servent ici de cadre conceptuel pour le contrôle de la composition des consortiums dans des systèmes plus complexes, contrôlés par l’utilisateur. D’autres discussions sur les simulations de chémostats sont dans la note supplémentaire 3.

.