Memoria no lineal en la dinámica de división celular entre especies

Área de la Ciencia:

• Biología cuantitativa
• Biología celular
• Sistemas dinámicos

Sus antecedentes:

• La homeostasis del tamaño celular es crucial para la función celular y se basa en el crecimiento y la división regulados.
• Las imágenes avanzadas (por ejemplo, máquinas madre) permiten rastrear la dinámica del tamaño celular a través de generaciones.
• La comprensión actual de los mecanismos de control del tamaño de la célula dentro de un marco de sistemas dinámicos es limitada.

Objetivo del estudio:

• Desarrollar y aplicar un nuevo marco para inferir modelos de ecuaciones diferenciales estocásticas de crecimiento y división celular.
• Investigar el papel de los efectos de la memoria no lineal en el tiempo de división celular.
• Para evaluar cuantitativamente los modelos de homeostasis celular prevalecientes (medidor, agregador y temporizador).

Principales métodos:

• Inferencia de modelos de ecuaciones diferenciales estocásticas con ruido de Poisson a partir de datos de series temporales experimentales.
• Parametrización de la intensidad de Poisson que incorpora el tamaño de la célula y la historia ancestral para capturar la memoria no lineal.
• Aplicación del marco a las trayectorias de tamaño celular de Escherichia coli, Bacillus subtilis, Schizosaccharomyces pombe y Dictyostelium discoideum.

Principales resultados:

• El marco desarrollado deduce con éxito modelos cuantitativos de crecimiento y división celular estocástica.
• El análisis reveló que el tiempo de división celular en múltiples organismos a menudo implica componentes de memoria no lineales significativos.
• Se encontró que los populares modelos de memoria lineal (medidor, agregador, temporizador) eran insuficientes en muchos casos.

Conclusiones:

• Los paradigmas de memoria lineal existentes para la homeostasis celular pueden necesitar reevaluación y generalización.
• La memoria no lineal juega un papel sustancial en la regulación de la división celular en diversas especies.
• El marco de inferencia es ampliamente aplicable para modelar procesos de salto estocástico en varios campos científicos.