Das Kernstueck der vorliegenden Arbeit ist die Betonung von kleinen Modulen als Schluesselkomponenten von biologischen Netzwerken. Unter den zahlreichen moeglichen Modulen scheinen besondere diejenigen interessant zu sein, welche die Rueckkopplungen realisieren und in regulatorischen Einheiten auftreten. Prozesse wie Genregulation, Differentiation oder Homeostasis benoetigen haeufig Autoregulation. Auf Grund dessen ist die detaillierte Kenntnis der dynamischen Eigenschaften von kleinen Modulen von groesserem Interesse. Es werden zwei biologische Systeme analysiert. Das erste beschaftigt sich mit dem Zellzyklus, das zweite Beispiel kommt aus der Immunologie und betrifft die Aktivierung von T-Zellen. Beide Modelle, d.h. ihre zugrundeliegende Netzwerke, lassen sich in Untereinheiten mit wohldefinierten Funktionen zerlegen. Diese Module entscheiden ueber das Verhalten des gesamten Netzwerkes. Mit anderen Worten, die von den Modulen getroffenen Entscheidungen, werden von dem gesamten System uebernommen. Bei der Analyse des Modells zum Zellzyklus wurde eine interessante Eigenschaft von gekoppelten Modulen deutlich, die wir dann getrennt behandelt haben. Seriell geschaltete Module mit positiver Rueckkopplung liefern ueberraschende Konstruktionsmoeglichkeiten fuer Systeme mit mehreren stabilen Gleichgewichtslagen. Obwohl nicht alle hier aufgestellten Hypothesen derzeit experimentell ueberpruefbar sind, es kann eine wichtige Aussage getroffen werden. Uebereinstimmende Strukturen und Mechanismen, die in verschiedenen biologischen Systemen vorkommen, bieten uns die Moeglichkeit einer Klassifizierung von biologischen Systemen bezueglich ihrer strukturellen Aehnlichkeiten. / The thesis emphasizes the importance of small modules as key components of biological networks. Especially, those which perform positive feedbacks seem to be involved in a number of regulatory units. Processes like gene regulation, differentiation and homeostasis often require autoregulation. Therefore, detailed knowledge of dynamics of small modules becomes nowadays an important subject of study. We analyze two biological systems: one regarding cell cycle regulation and one immunological example related to T-cell activation. Their underlying networks can be dissected into subunits with well defined functions. These modules decide about the behavior of the global network. In other words, they have decision taking function, which is inherited by the whole system. Stimulated by the cell cycle model and its interesting dynamics resulting from coupled modules, we analyzed the switching issue separately. Serial coupling of positive feedback circuits provides astonishing possibilities to construct systems with multiple stable steady states. Even though, in current stage, no exact experimental proof of all hypotheses is possible, one important observation can be made. Common structures and mechanisms found in different biological systems allow to classify biological systems with respect to their structural similarities.

STAUFEN1 (STAU1) est une protéine de liaison à l’acide ribonucléique (ARN) double brin jouant un rôle important dans le contrôle post-transcriptionnel de nombreux ARN messager (ARNm). Sa déplétion diminue la prolifération des cellules non cancéreuses en altérant les transitions G1/S et G2/M. En revanche, Ceci n’a aucun impact sur la prolifération des cellules tumorales. La déplétion de STAU1 module le niveau d’expression des transcrits et/ou des protéines impliquées dans la régulation des points de contrôle des transitions de phase. Notamment, STAU1 module le niveau d’expression de la protéine CDK4 ainsi que l’abondance de l’ARNm E2F1, deux régulateurs indispensables de la transition G1/S. Le transcrit de ces deux gènes possède un site de liaison à STAU1 ou STAU1 binding site (SBS) dans la région codante ou coding sequence (CDS) et dans la région non codante en 3’ (3’UTR), respectivement. Cependant, l’importance de la liaison de STAU1 à ces transcrits n’a pas encore été étudiée. Étonnamment, la sensibilité des cellules non tumorales et tumorales à l’expression de STAU1 est inversée lors de la surexpression de STAU1. En effet, sa surexpression altère l’entrée en mitose des cellules cancéreuses et diminue leur prolifération, alors qu’elle n’a aucun effet sur la prolifération des cellules non tumorales. Lors de la mitose, STAU1 s’associe au fuseau mitotique (FM), ce qui lui permet de localiser des ARNm et de contrôler leur séquestration et/ou leur traduction locale. Cependant, le mécanisme qui permet à STAU1 de lier le FM est encore inconnu. Pour ce mémoire, nous avons donc poursuivi deux objectifs. Le premier but est de comprendre la régulation post-transcriptionnelle médiée par STAU1 des transcrits essentiels à la transition G1/S chez les cellules non tumorales. Notre hypothèse est que STAU1 par sa liaison directe à ses transcrits cibles via le SBS module leur expression. Pour ce faire, des cellules de type sauvage ou déplétées en STAU1 étaient transfectées par des plasmides exprimant les transcrits de CDK4 et d’E2F1 contenant un SBS endogène ou muté de telle sorte qu’il ne reconnait plus STAU1. L’expression des protéines CDK4 et E2F1 est dosée par un essai luciférase ou un immunobuvardage de type western ou western blot (WB). Nous avons observé que STAU1 régule négativement et positivement l’expression endogène de CDK4 et d’E2F1, respectivement, ce qui contribue au passage de la transition G1/S, donc à la prolifération cellulaire non tumorale. Les essais luciférases ont confirmé le rôle de STAU1 dans la régulation positive d’E2F1 lorsque liée au SBS dans le 3’UTR du transcrit E2F1. Malheureusement, les plasmides utilisés pour l’expression de CDK4 se sont avérés non fonctionnels, ce qui nous a forcés à mettre de côté cette expérience. Le deuxième but est d’étudier les déterminants qui régulent la localisation de STAU1 au FM chez les cellules tumorales. Pour ce faire, la localisation de STAU1 ou des mutants au FM est détectée par WB à partir de préparations des FM purifiés. Nos données montrent que le déterminant est composé de plusieurs acides aminés (aa) situés entre le 26ème et 37ème aa du côté N-terminal de la protéine STAU1. En somme, nos résultats montrent les différents rôles de STAU1 dans les cellules tumorales vs cellules non tumorales. De ce fait, STAU1 pourrait être une cible thérapeutique spécifique potentielle dans le traitement du cancer. / STAUFEN1 (STAU1) is a double stranded RNA binding protein that plays an important role in the post-transcriptional control of many mRNAs. Its depletion decreases the proliferation of non-cancer cells by altering G1/S and G2/M transitions. In contrast, this has no impact on the proliferation of tumor cells. The decrease of STAU1 expression modulates the level of transcripts/proteins of several genes involved in phase transition checkpoints, including CDK4 and E2F1, two essential regulators in G1/S transition. In addition, CDK4 and E2F1 transcripts have a STAU1 binding site (SBS) in the coding sequence (CDS) and the non-coding region in 3’ (3’UTR), respectively. However, the molecular consequence of STAU1 association with the SBS is not yet studied. Surprisingly, the sensibility of non-cancer and cancer cells to STAU1 expression is reversed following STAU1 overexpression. Indeed, its overexpression alters the entry into mitosis of cancer cells and decreases their proliferation, while it has no effect on non-cancer cells. During mitosis, STAU1 associates with the mitotic spindle, which allows it to localize mRNAs and other non-coding RNAs. STAU1 likely controls their sequestration and/or local translation during mitosis. However, the molecular determinant involved in STAU1-spindle association is still not known. Therefore, for this master thesis, we had two objectives. The first goal is to understand the post-transcriptional regulation mediated by STAU1 on transcripts that are essential for G1/S transition in non-tumor cells. Our hypothesis is that STAU1, by its direct binding to the SBS of its target transcripts, modulates their expression. To do this, plasmids coding for CDK4 and E2F1 containing a wild-type or mutated SBS that does not recognized STAU1 were transfected in wild-type and STAU1-depleted cells. Expression of CDK4 and E2F1 was detected by dual luciferase assay and western blot (WB). Our results first indicate that STAU1 negatively and positively regulates the endogenous expression of CDK4 and E2F1, respectively, which contributes to the passage of G1/S transition, and therefore to the proliferation non-tumor cells. Then, the luciferase assays confirm the role of STAU1 in E2F1 expression, depending on STAU1 binding to E2F1 SBS in its 3’UTR. Unfortunately, the plasmids used for CDK4 expression turned out to be non-functional. The second goal is to identify the molecular determinants responsible for the localization of STAU1 to the mitotic spindle in tumor cells. To this end, the localization of STAU1 or of several mutants was measured by WB using purified spindle preparations. Our data show that the determinant is composed of several amino acids (aa) located between the 26th and 37th aa at the N-terminal end of STAU1. In summary, our results show the different roles of STAU1 in tumor and non-tumor cells. Therefore, STAU1 could be a potential specific therapeutic target in cancer treatments.

Saccharomyces cerevisiae ist ein bekanntester Modellorganismen in der Systembiologie, der häufig zur Untersuchung des mitotischen Zellzyklus eukaryotischer Zellen verwendet wird. Des Zellzyklus wird durch Cycline, Cyclin-abhängige Kinasen (CDK) und CDK-Inhibitoren (CKI) reguliert. Der wichtigste Kontrollpunkt innerhalb des Zellzyklus reguliert den Übergang von der G1 in die S Phase und wird START genannt. Im dieser Arbeit verwenden wir einen stochastischen Modellierungsansatz, um die Auswirkungen verschiedener Synchronisationsmethoden auf den Zellzyklus zu untersuchen. Um Modellparameter zu schätzen, kombinieren wir Phasen aufgelöste mRNA-Verteilungen unsynchronisierter Einzelzellen und Protein-Zeitreihen synchronisierter Zellpopulationen. Somit können wir mRNA-Dynamiken für ausgewählte Synchronisationsmethoden vorhersagen. In einem zweistufigen Optimierungsansatz unterscheiden wir zwischen mRNA- und Protein-Ebene. Die Parameterschätzung basiert auf der Maximum-Likelihood-Methode. Die Phasen aufgelösten mRNA-Verteilungen wurden mithilfe der smFISH-Technik für SIC1, CLN2 und CLB5 gemessen. Die Protein-Zeitreihen wurden mithilfe von Western Blots für entsprechenden Proteine gemessen. Die gemessenen Moleküle sind die Hauptregulatoren des G1-S Phasenübergangs, welche die Komponenten unseres Zellzyklusmodells darstellen. Durch die erfolgreiche Integration von qualitativ unterschiedlichen Datentypen in der Parameterschätzung konnten wir eine systematische Analyse von Synchronisationseffekten auf den Zellzyklus durchführen. Der zeitlicher Ablauf des Zellzyklus ist dabei maßgeblich beeinflusst. Die stärksten zeitlichen Veränderungen weist die Synchronisation mit alpha-Faktor auf. Elutrierte Zellen sind den unsynchronisierten Zellen trotz verlängerter G1 Phase am ähnlichsten. Wir zeigen in dieser Arbeit, dass synchronisierte Zellpopulationen unzureichend sind, um Rückschlüsse auf den Zellzyklus unsynchronisierter Zellen zu ziehen. / cell cycle, G1/S transition, stochastic modeling, parameter estimation, smFISH, singel cells, Western blotting, cell populations Saccharomyces cerevisiae is a famous model organism in systems biology to study the mitotic cell cycle in eukaryotic cells. The cell cycle is a highly controlled process which is regulated by cyclins, cycline-dependent kinases (CDK) and cyclin-dependent kinase inhibitors (CKI). The main kinase involved in cell cycle regulation is Cdc28. START is the most important check point and controls the G1 to S phase transition. At this point, cells decide if they enter a new cell division cycle or not. In this study, we analyze influences of different synchronization methods on the cell cycle and differences between unsynchronized and synchronized cells by using a stochastic modeling approach. We combine phase-resolved mRNA distributions of unsynchronized single cells and protein time courses of synchronized cell populations to estimate model parameters and to predict synchronization specific mRNA dynamics. Parameter estimation is based on a maximum likelihood approach and performed in a 2-step-optimization in which we differentiate between mRNA and protein level. We measured phase-resolved mRNA distributions of mRNA species SIC1, CLN2 and CLB5 by smFISH and protein time courses of protein species Sic1, Cln2 and Clb5 by Western blotting. These molecules are key regulators of the G1 to S phase transition and represent components of our cell cycle model. By integrating qualitatively different data types in parameter estimation, we come up with a systematic analysis of synchronization effects on the cell cycle. Cell cycle timing is mainly responsible for differences between unsynchronized and synchronized cells and is mostly affected in alpha-factor synchronized cells. Ignoring the prolongation of the G1 phase, elutriated cells are most similar to unsynchronized cells. We show that synchronized cell populations are insufficient to derive general cell cycle behavior of unsynchronized cells.

Die Genexpression ist ein stochastischer Prozess, dessen strenge Regulation einen ungestörten Zellzyklusverlauf ermöglicht. Jeglicher Stress löst eine Neuprogrammierung der Expression und somit einen Stillstand des Zellzyklus aus. Um ein besseres Verständnis des eukaryotischen Zellzyklus zu erlangen, wurde in dieser Arbeit die Fluoreszenzmikroskopie einzelner Zellen (S.cerevisiae) mit stochastischer Modellierung der Hauptregulatorgene des G1/S-Übergangs (SIC1, CLN2, CLB5) kombiniert. Mithilfe des MS2-CP-Systems wurden mRNA-Level von SIC1 in lebenden Zellen bestimmt und verschiedene Transportwege von SIC1-mRNA visualisiert. RNA-FISH in Kombination mit genetischen und morphologischen Markierungen ermöglichte es, die absolute Quantifizierung von SIC1-, CLN2- und CLB5-mRNA in allen Zyklusphasen vorzunehmen. Die Auswirkung von Osmostress, in Hinblick auf eine transkriptionale Verzerrung, wurde untersucht. Basierend auf den experimentellen-Daten wurde ein stochastisches Model entwickelt, dass die Expression von SIC1, CLN2 und CLB5 mRNA und Proteinlevel in Abhängigkeit von Osmostress über den gesamten Zellzyklus hinweg abbildet. Die Modellierung ermöglichte eine in silico Synchronisation und somit die Extraktion kinetischer Parameter. Die Expression der beobachteten Gene wurde im Verlauf des Zellzyklus nicht ein- und ausgeschaltet, stattdessen kam es zu Phasen hoher oder niedriger Expression. Niedriger SIC1 Expression gewährleistete niedriger Sic1 Protein Verzerrung und robustes G1/S Timing. CLN2 und CLB5 zeigten ein maximales Expressionslevel in G1 und auch eine erhöhte Expression in der späten Mitose. Osmostress induzierte einen langanhaltenden Effekt auf die Transkription und die Dauer der Zellzyklusphasen. Der hier vorgestellte Ansatz ermöglichte quantitative Einblicke in die Genexpression und zeitliche Koordination des Zellzyklus von S.cerevisiae. Einige der hier beobachteten Regulationsmechanismen könnten allgemeine Gültigkeit im eukaryotischen Zellzyklus besitzen. / Gene expression is a stochastic process and its appropriate regulation is critical for cell cycle progression. Cellular stress response requires expression reprogramming and cell cycle arrest. Time-resolved quantitative methods on single cells are needed to understand eukaryotic cell cycle in context of noisy gene expression and external perturbations. We applied single-cell fluorescence microscopy and stochastic modeling to SIC1, CLN2 and CLB5, the main G1/S regulators in S. cerevisiae. Using MS2-CP system we estimated SIC1 mRNA levels and visualized different types of transport for SIC1 mRNA particles in living cells. With RNA-FISH combined to genetic and morphological markers we monitored absolute numbers of mRNA and transcriptional noise over cell cycle phases with and without osmostress. Stochastic modeling enabled in silico synchronization, the extraction of kinetic parameters as well as expanded the static mRNA data into time courses for mRNAs, proteins and their noise. Based on our experimental data we developed a stochastic model of G1/S timing centered on SIC1 and a second one for the entire cell cycle involving SIC1, CLN2 and CLB5 and the response to osmostress. All three genes exhibited basal expression throughout cell cycle enlightening that transcription is not divided in on and off but rather in high and low phases. A low SIC1 transcript level ensured a low protein noise and a robust timing of the G1/S transition. CLN2 and CLB5 showed main expression peaks in G1 as well as an expression upshift in late mitosis. Osmostress induced different periods of transcriptional inhibition for CLN2 and CLB5 and long-term impact on cell cycle phase duration. Our approach disclosed detailed quantitative insights into gene expression and cell cycle timing, not available from bulk experiments. Importantly some regulation mechanisms specific to SIC1, CLN2 and CLB5 might be generalized to other genes as well as to other organisms.