Abstract Organisms must acquire and use environmental information to guide their behaviors. However, it is unclear whether and how information quantitatively limits behavioral performance. Here, we relate information to behavioral performance in Escherichia coli chemotaxis. First, we derive a theoretical limit for the maximum achievable gradient-climbing speed given a cell’s information acquisition rate. Next, we measure cells’ gradient-climbing speeds and the rate of information acquisition by the chemotaxis pathway. We find that E. coli make behavioral decisions with much less than the 1 bit required to determine whether they are swimming up-gradient. However, they use this information efficiently, performing near the theoretical limit. Thus, information can limit organisms’ performance, and sensory-motor pathways may have evolved to efficiently use information from the environment.

Abstract Intensity-based live-cell fluorescence resonance energy transfer (FRET) imaging converts otherwise unobservable molecular interactions inside cells into fluorescence time-series signals. However, inferring the degree of molecular interactions from these observables is challenging, due to experimental complications such as spectral crosstalk, photobleaching, and measurement noise. Conventional methods solve this inverse problem through algebraic manipulations of the observables, but such manipulations inevitably accumulate measurement noise, limiting the scope of FRET analysis. Here, we introduce a Bayesian inference framework, B-FRET, which estimates molecular interactions from FRET data in a statistically optimal manner. B-FRET requires no additional measurements beyond those routinely conducted in standard 3-cube FRET imaging methods, and yet, by using the information contained in the data more efficiently, dramatically improves the signal-to-noise ratio (SNR). We validate B-FRET using simulated data, and then apply it to FRET data measured from single bacterial cells, a system with notoriously low SNR, to reveal signaling dynamics that are otherwise hidden in noise.

While navigating their environments, cells encounter many different signals at once. In the face of uncertain conditions, diversifying the sensitivity to different signals across the population can be useful. Previous studies established that one of the simplest sensory systems, the chemotaxis network of Escherichia coli , can switch between a high diversity bet-hedging strategy, and a low diversity tracking strategy for a ligand as that ligand becomes prevalent. Here, we combine mathematical modeling and single-cell experiments to show that populations of chemotactic bacteria make this transition for each ligand independently. That is, transitioning to tracking one ligand does not compromise the population’s ability to hedge its bets across other future ligands. Remarkably, we found that this independence holds even if those ligands compete for receptor binding sites with the background ligand being tracked. The independence of this transition between two diversity regimes is explained by a simple allosteric model of chemoreceptor clusters with negative integral feedback, which accurately predicts the observed diversity in sensitivity under various background stimulus conditions. Our mathematical analysis shows that similar transitions from bet-hedging to tracking also arise in feed-forward network architectures capable of precise adaptation, suggesting that environment-dependent modulation of diversity may occur in many cell types.

We present in vivo single-cell FRET measurements in the Escherichia coli chemotaxis system that reveal pervasive signaling variability, both across cells in isogenic populations and within individual cells over time. We quantify cell-to-cell variability of adaptation, ligand response, as well as steady-state output level, and analyze the role of network design in shaping this diversity from gene expression noise. In the absence of changes in gene expression, we find that single cells demonstrate strong temporal fluctuations. We provide evidence that such signaling noise can arise from at least two sources: (i) stochastic activities of adaptation enzymes, and (ii) receptor-kinase dynamics in the absence of adaptation. We demonstrate that under certain conditions, (ii) can generate giant fluctuations that drive signaling activity of the entire cell into a stochastic two-state switching regime. Our findings underscore the importance of molecular noise, arising not only in gene expression but also in protein networks.

Organisms must perform sensory-motor behaviors to survive. What bounds or constraints limit behavioral performance? Previously, we found that the gradient-climbing speed of a chemotaxing Escherichia coli is near a bound set by the limited information they acquire from their chemical environments. Here we ask what limits their sensory accuracy. Past theoretical analyses have shown that the stochasticity of single molecule arrivals sets a fundamental limit on the precision of chemical sensing. Although it has been argued that bacteria approach this limit, direct evidence is lacking. Here, using information theory and quantitative experiments, we find that E. coli's chemosensing is not limited by the physics of particle counting. First, we derive the physical limit on the behaviorally-relevant information that any sensor can get about a changing chemical concentration, assuming that every molecule arriving at the sensor is recorded. Then, we derive and measure how much information E. coli's signaling pathway encodes during chemotaxis. We find that E. coli encode two orders of magnitude less information than an ideal sensor limited only by shot noise in particle arrivals. These results strongly suggest that constraints other than particle arrival noise limit E. coli's sensory fidelity.