The heart and its mechanical components, especially the heart valves and leaflets, are under enormous strain during lifetime. Like all highly stressed materials, also these biological components undergo fatigue and signs of wear, which impinge upon cardiac output and in the end on health and living comfort of affected patients. Thereby pathophysiological changes of the aortic valve leading to calcific aortic valve stenosis (AVS) as most frequent heart valve disease in humans are of particular interest. The knowledge about changes of the dynamic behavior during the course of this disease and the possibility of early stage diagnosis could lead to the development of new treatment strategies and drug-based options of prevention or therapy. ApoE-/- mice as established model of AVS versus wildtype mice were introduced in an ex vivo artificially stimulated heart model. 4D optical coherence tomography (OCT) in combination with high-speed video microscopy were applied to characterize dynamic behavior of the murine aortic valve and to characterize dynamic properties during artificial stimulation. OCT and high-speed video microscopy with high spatial and temporal resolution represent promising tools for the investigation of dynamic behavior and their changes in calcific aortic stenosis disease models in mice.

L'identité des organes floraux est définie par l’expression de gènes homéotiques appartenant à la famille des MADS-box au début du développement floral. Un de ces gènes, AGAMOUS (AG), est responsable de l’identité des étamines et des carpelles chez Arabidopsis thaliana. Dans ce manuscrit, je tente de comprendre les propriétés spatiales et temporelles de l’expression d’AG en cherchant à connaître les mécanismes impliqués dans le bon établissement de la dynamique d’expression d’AG pendant les jeunes stades du développement floral.Je débute par développer un modèle de réaction-diffusion qui prend en compte la croissance de la fleur pendant les stades d’intérêt, ainsi que quelques facteurs de transcriptions clefs impliqués dans la régulation d’AG. Ensuite j’ai imagé en direct et en 4D la croissance des fleurs pour quantifier l’activation de l’expression d’AG de son initiation à son patron d’expression stable. Je montre que son expression se déroule en deux phases: une phase de faible expression, et une phase de forte expression. Bien que toutes les cellules du dôme central de la fleur présentent un profil d’activation d’AG similaire, le temps précis au cours du développement où AG est activé est différent pour chacunes d’entre elles et est à l’origine de la stochasticité du patron d’expression. Avec l’aide du modèle, je propose quatres nouvelles hypothèses relatives à la régulation d’AG :AG est capable de maintenir sa propre activation en se liant directement à son second intron au travers d’un complexe protéique contenant au moins deux molécule d'AG, créant ainsi un seuil d'auto-activation.AP2 influence la valeur de ce seuil, restreint l’expression d’AG dans le dôme central de la fleur et produit un retard dans l’activation complète d’AG.LFY et WUS sont nécessaire à l’accumulation des protéines d’AG dans les cellules pour pouvoir atteindre le seuil d’auto-activation et obtenir une expression complète d’AG.Le mouvement d’AG est nécessaire pour obtenir l’expression d’AG dans toutes les cellules du dôme central. Pour prouver ces hypothèses, j’ai réalisé différentes expériences. En premier, utilisant une expérience de FRET-FLIM dans les protoplastes, nous proposons qu’AG est capable de s’associer en homodimer dans les cellules végétales. Néanmoins, sur-exprimer AG pour aider les cellules à atteindre le seuil d’auto-activation plus tôt que dans la plante sauvage ne semble pas modifier la dynamique d’expression de l’AG endogène. En deuxième, j’ai testé le rôle précis de LFY au cours des différentes phases et transitions de la dynamique d’expression d’AG en mutant les sites d'interactions spécifiques pour LFY au sein des séquences de régulation d’AG. Ces mutations retardent l’expression l’expression d’AG et modifient légèrement son patron d’expression. Je montre que seulement d’important retards dans l’activation d’AG induit des modifications phénotypiques. Ensuite, pour tester le rôle de la répression par AP2 dans la dynamique d’expression d’AG, j’analyse le rapporteur d’AG dans le contexte d’un mutant fort d’ap2. Dans ce mutant, l’expression d’AG s’étend à une région plus large et le retard entre l’initiation de l’expression d’AG et la transition entre les phases de faible et forte expressions est diminué. Ces résultats correspondent aux simulations du modèle. Finalement, pour comprendre l’importance du mouvement d’AG d’une cellule à l’autre dans sa propre dynamique, je bloque cette capacité de bouger en utilisant un tag de localisation nucléaire. Bien que cela induit un retard dans l’activation de quelques cellules au stade 3 au moment où toutes les cellules du dôme centrale de la fleur expriment AG dans la plante sauvage, ce retard n’a pas d’effets visible sur le phénotype. / The identity of flower organs is defined by the expression of homeotic genes during early development that belongs to the MADS-box family. One of these genes, AGAMOUS (AG), is responsible for the identity of the stamens and the carpels in Arabidopsis thaliana. In this manuscript, I attempt to fully understand the spatial and temporal properties of AG expression by investigating the mechanisms underlying the proper establishment of AG expression dynamics during the early stages of flower development. I start by developing a reaction-diffusion model that takes into account the growth of the flower at the relevant stages, as well as the few key transcription factors involved in AG regulation. Next I used real-time 4D imaging on growing flowers to quantify the activation of AG expression from its onset to the stable pattern. I show that the AG expression occurs in two phases: a low-expression phase and a high-expression phase. Thus although all cells of the central dome of the flower present similar profiles of AG activation, the precise developmental time at which AG is activated is different in each case, and is the origin of the initial stochastic pattern. With the aid of the model, I also propose four new hypotheses to explain AG regulation: AG is able to maintain its own activation by directly binding its own second intron through a protein complex containing at least two molecules of AG leading to the creation of an auto-activation threshold.AP2 influences the value of this threshold, restraining AG expression to the central dome of the flower and producing a delay in complete AG activation.LFY and WUS are necessary to accumulate AG proteins in cells in order to reach the auto-activation threshold and obtain a full expression of AG.AG movement is necessary to obtain expression of AG in every cell of the central dome. To prove these hypotheses, I have carried out various experiments, using FRET-FLIM in protoplast cells, we suggest that AG is able to form homo-dimers in plant cells. However, overexpressing AG to help cells reach the auto-activation threshold earlier than in the wild-type does not appear to alter the endogenous AG dynamics of expression. Secondly, I test the precise role of LFY in the different phases and transitions in the AG expression dynamics by mutating specific interaction sites for LFY within AG regulatory sequences. These mutations appear to delay AG expression and slightly modify its pattern of expression. I show that only important delays in AG activation induce phenotypic differences. Then, to test the role of AP2 repression in AG expression dynamics, I analyse the AG reporter in the context of a strong ap2 mutant. In these mutants, AG expression spreads to a wider region and reduces the delay between the onset of AG expression and the transition from low- to high-expression. These results match with simulations of the model. Lastly, to understand the importance of AG cell-to-cell movement in AG dynamics, I block its ability to move using a nuclear localisation tag. Although this induces a delay in the activation of few cells at stage 3, when all cells of the central dome of the flower express AG in the WT. This delay has no visible effects on the phenotype.

4D Imaging Radar is increasingly becoming a critical component in various industries due to beamforming technology and hardware advancements. However, it does not replace visual data in the form of 2D images captured by an RGB camera. Instead, 4D radar point clouds are a complementary data source that captures spatial information and velocity in a Doppler dimension that cannot be easily captured by a camera's view alone. Some discriminative features of the scene captured by the two sensors are hypothesized to have a shared representation. Therefore, a more interpretable visualization of the radar output can be obtained by learning a mapping from the empirical distribution of the radar to the distribution of images captured by the camera. To this end, the application of deep generative models to generate images conditioned on 4D radar data is explored. Two approaches that have become state-of-the-art in recent years are tested, generative adversarial networks and diffusion models. They are compared qualitatively through visual inspection and by two quantitative metrics: mean squared error and object detection count. It is found that it is easier to control the generative adversarial network's generative process through conditioning than in a diffusion process. In contrast, the diffusion model produces samples of higher quality and is more stable to train. Furthermore, their combination results in a hybrid sampling method, achieving the best results while simultaneously speeding up the diffusion process. / 4D bildradar får en alltmer betydande roll i olika industrier tack vare utveckling inom strålformningsteknik och hårdvara. Det ersätter dock inte visuell data i form av 2D-bilder som fångats av en RGB-kamera. Istället utgör 4D radar-punktmoln en kompletterande datakälla som representerar spatial information och hastighet i form av en Doppler-dimension. Det antas att vissa beskrivande egenskaper i den observerade miljön har en abstrakt representation som de två sensorerna delar. Därmed kan radar-datan visualiseras mer intuitivt genom att lära en transformation från fördelningen över radar-datan till fördelningen över bilderna. I detta syfte utforskas tillämpningen av djupa generativa modeller för bilder som är betingade av 4D radar-data. Två metoder som har blivit state-of-the-art de senaste åren testas: generativa antagonistiska nätverk och diffusionsmodeller. De jämförs kvalitativt genom visuell inspektion och med kvantitativa metriker: medelkvadratfelet och antalet korrekt detekterade objekt i den genererade bilden. Det konstateras att det är lättare att styra den generativa processen i generativa antagonistiska nätverk genom betingning än i en diffusionsprocess. Å andra sidan är diffusionsmodellen stabil att träna och producerar generellt bilder av högre kvalité. De bästa resultaten erhålls genom en hybrid: båda metoderna kombineras för att dra nytta av deras respektive styrkor. de identifierade begränsningarna i de enskilda modellerna och kurera datan för att jämföra hur dessa modeller skalar med större datamängder och mer variation.