Univ., Diss.--Paris, 2005. / Zsfassung in dt. und engl. Sprache.

Universiẗat, Diss., 2004--München.

Techn. University, Diss., 2002--Berlin.

Universiẗat, Diss., 2005--Kiel.

Mammalian embryonic development is subject to complex biological relationships that need to be understood. However, before the whole structure of development can be put together, the individual building blocks must first be understood in more detail. One of these building blocks is the second cell fate decision and describes the differentiation of cells of the inner cell mass of the embryo into epiblast and primitive endoderm cells. These cells then spatially segregate and form the subsequent bases for the embryo and yolk sac, respectively. In organoids of the inner cell mass, these two types of progenitor cells are also observed to form, and to some extent to spatially separate. This work has been devoted to these phenomena over the past three years. Plenty of studies already provide some insights into the basic mechanics of this cell differentiation, such that the first signs of epiblast and primitive endoderm differentiation, are the expression levels of transcription factors NANOG and GATA6. Here, cells with low expression of GATA6 and high expression of NANOG adopt the epiblast fate. If the expressions are reversed, a primitive endoderm cell is formed. Regarding the spatial segregation of the two cell types, it is not yet clear what mechanism leads to this. A common hypothesis suggests the differential adhesion of cell as the cause for the spatial rearrangement of cells. In this thesis however, the possibility of a global cell-cell communication is investigated. The approach chosen to study these phenomena follows the motto "mathematics is biology's next microscope". Mathematical modeling is used to transform the central gene regulatory network at the heart of this work into a system of equations that allows us to describe the temporal evolution of NANOG and GATA6 under the influence of an external signal. Special attention is paid to the derivation of new models using methods of statistical mechanics, as well as the comparison with existing models. After a detailed stability analysis the advantages of the derived model become clear by the fact that an exact relationship of the model parameters and the formation of heterogeneous mixtures of two cell types was found. Thus, the model can be easily controlled and the proportions of the resulting cell types can be estimated in advance. This mathematical model is also combined with a mechanism for global cell-cell communication, as well as a model for the growth of an organoid. It is shown that the global cell-cell communication is able to unify the formation of checkerboard patterns as well as engulfing patterns based on differently propagating signals. In addition, the influence of cell division and thus organoid growth on pattern formation is studied in detail. It is shown that this is able to contribute to the formation of clusters and, as a consequence, to breathe some randomness into otherwise perfectly sorted patterns. / Die embryonale Entwicklung von Säugetieren unterliegt komplexen biologischen Zusammenhängen, die es zu verstehen gilt. Bevor jedoch das gesamte Gebilde der Entwicklung zusammengesetzt werden kann, müssen zunächst die einzelnen Bausteine genauer verstanden werden. Einer dieser Bausteine ist die zweite Zellschicksalsentscheidung und beschreibt die Differenzierung von Zellen der inneren Zellmasse des Embryos hin zu Epiblast- und primitiven Endodermzellen. Diese Zellen teilen sich daraufhin räumlich auf und bilden die anschließend die Grundlagen für den Embryo und den Dottersack. In Organoiden der inneren Zellmasse wird ebenfalls beobachtet, wie sich diese zwei Typen von Vorläuferzellen bilden, und sich in gewissem Maße räumlich voneinander trennen. Diesem Phänomenen widmete sich diese Arbeit im Verlaufe der letzten drei Jahre. Über diese Zelldifferenzierung ist bereits bekannt, dass die ersten Anzeichen für Epiblast- und primitive Endodermdifferenzierung jeweils die Expressionslevel der Transkriptionsfaktoren NANOG und GATA6 sind. Dabei nehmen Zellen mit niedriger Expression an GATA6 und hoher Expression an NANOG das Epiblastschicksal an. Sind die Expressionen umgekehrt, so entsteht eine primitive Endodermzelle. Bei der räumlichen Aufteilung der beiden Zelltypen ist noch nicht eindeutig geklärt, welcher Mechanismus dazu führt. Eine gängige Hypothese besagt, dass die Ursache für die räumliche Umlagerung der Zellen in der unterschiedlichen Adhäsion der Zellen liegt. In dieser Arbeit wird jedoch die Möglichkeit einer globalen Zell-Zell-Kommunikation untersucht. Die gewählte Vorgehensweise bei der Untersuchung dieser Phänomene folgt dem Motto "Die Mathematik ist das nächste Mikroskop der Biologie". Mit Hilfe mathematischer Modellierung wird das zentrale genregulierende Netzwerk im Mittelpunkt dieser Arbeit in ein Gleichungssystem umgewandelt, welches es ermöglicht, die zeitliche Entwicklung von NANOG und GATA6 unter Einfluss eines externen Signals zu beschreiben. Ein besonderes Augenmerk liegt dabei auf der Herleitung neuer Modelle mit Hilfe von Methoden der statistischen Mechanik, sowie dem Vergleich mit bestehenden Modellen. Nach einer ausführlichen Stabilitätsanalyse werden die Vorteile des hergeleiteten Modells dadurch deutlich, dass ein exakter Zusammenhang der Modellparameter und der Formierung von heterogenen Mischungen zweier Zelltypen gefunden wurde. Dadurch lässt sich das Modell einfach kontrollieren und die Proportionen der resultierenden Zelltypen bereits im Voraus abschätzen. Dieses mathematische Modell wird außerdem kombiniert mit einem Mechanismus zur globalen Zell-Zell Kommunikation, sowie einem Modell zum Wachstum eines Organoiden. Dabei wird gezeigt dass die globale Zell-Zell Kommunikation dazu in der Lage ist die Bildung von Schachbrettmustern, sowie auch umrandenden Muster anhand unterschiedlich ausbreitender Signale zu vereinen. Zusätzlich wird der Einfluss der Zellteilung und somit des Organoidwachstums auf die Musterbildung genauestens untersucht. Es wird gezeigt, dass dies zur Bildung von Clustern beiträgt und infolgedessen eine gewisse Zufälligkeit in ansonsten perfekt sortierte Muster einbringt.

Diese Arbeit gliedert sich in das Gebiet der manipulativen Modelle im Kontext der Mathematik ein. Derartige Modelle schaffen Lernvorteile durch die Vergegenständlichung abstrakter Sachverhalte und beinhalten mitunter zusätzliche Prozesse zur Unterstützung der Lösung mathematischer Problemstellungen. Aufbauend auf den bisher existierenden Modellen, wurde ein neues manipulatives Modell zur Manipulation und Lösung mathematischer Gleichungen entwickelt und evaluiert. Ein Forschungsziel bestand darin, dass das Modell durch eine höhere Modellmächtigkeit als seine Vorgängermodelle und eine intuitive Gestensteuerung den analogen Gleichungslösungsprozess weitestgehend nachbilden kann. Des Weiteren sollte das Modell in beliebige Webumgebungen integrierbar sein und umfangreiche Konfigurationsmöglichkeiten bieten. Zudem wurde angestrebt, dass Probleminstanzen innerhalb des Modells schneller und mit einer geringeren Fehleranfälligkeit als beim analogen Vorgehen gelöst werden können. Die Forschungsziele konnten durch die Entwicklung des Modells als JavaScript-Framework in Verbindung mit dem Einsatz praktikabler Programmbibliotheken und der Implementierung prozessunterstützender Algorithmen erreicht werden. Weiterentwicklungen des Modells, beispielsweise Vorteile für wenig erfahrene und fortgeschrittene Lernende betreffend, sind denkbar. Darüber hinaus sollten sich zukünftige Forschungen auf die kontinuierliche Verbesserung der Modellmächtigkeit und Gestensteuerung derartiger Modelle konzentrieren, um die Vorzüge der Digitalisierung des Gleichungslösungsprozesses nutzen zu können.:1 Einleitung 1.1 Motivation und Problemstellung 1.2 Methodik und Zielstellung 1.3 Aufbau der Arbeit 2 Grundbegriffe 2.1 Manipulatoren und manipulative Modelle 2.2 Gamification 2.3 Framework 3 Manipulative Modelle in der Mathematik 3.1 Hintergrund 3.2 Prinzipien und Vorgehensweisen zur Modellerstellung 3.3 Existierende Modelle 3.3.1 Bewertungsmatrix 3.3.2 Algebra-Kachel-Modell 3.3.3 EquationGuide 3.3.4 Maphi 3.4 Auswertung 4 Entwicklung und Evaluierung eines manipulativen Modells zur Gleichungsmanipulation 4.1 Zieldefinition 4.2 Anforderungsanalyse 4.2.1 Webbasiertes Framework 4.2.2 Gleichungsmanipulation und -lösung mittels Gestensteuerung 4.2.3 Generierung von Umformungsschritten 4.2.4 Lernstufen durch Modi 4.2.5 Modellmächtigkeit 4.2.6 Preview 4.2.7 Gleichungsvalidierung 4.2.8 Lösungsindikation 4.2.9 Protokollierung 4.3 Entwurf 4.3.1 Entwicklersicht 4.3.2 Benutzersicht 4.4 Implementierung 4.4.1 Webbasiertes Framework 4.4.2 Gleichungsmanipulation und -lösung mittels Gestensteuerung 4.4.3 Tokenisierung mathematischer Ausdrücke 4.4.4 Generierung von Umformungsschritten 4.4.5 Unterstützender und freier Modus 4.4.6 Simplifizierung 4.4.7 Darstellung von Brüchen 4.4.8 Preview 4.4.9 Gleichungsvalidierung 4.4.10 Lösungsindikation 4.4.11 Protokollierung 4.5 Evaluierung 4.5.1 Integration in eine Webapplikation 4.5.2 Integration in ein Jupyter Notebook 4.5.3 Einordnung 5 Fazit und Ausblick

This doctoral thesis is concerned with the mathematical modeling of magnetoelastic materials and the analysis of PDE systems describing these materials and obtained from a variational approach. The purpose is to capture the behavior of elastic particles that are not only magnetic but exhibit a magnetic domain structure which is well described by the micromagnetic energy and the Landau-Lifshitz-Gilbert equation of the magnetization. The equation of motion for the material’s velocity is derived in a continuum mechanical setting from an energy ansatz. In the modeling process, the focus is on the interplay between Lagrangian and Eulerian coordinate systems to combine elasticity and magnetism in one model without the assumption of small deformations. The resulting general PDE system is simplified using special assumptions. Existence of weak solutions is proved for two variants of the PDE system, one including gradient flow dynamics on the magnetization, and the other featuring the Landau-Lifshitz-Gilbert equation. The proof is based on a Galerkin method and a fixed point argument. The analysis of the PDE system with the Landau-Lifshitz-Gilbert equation uses a more involved approach to obtain weak solutions based on G. Carbou and P. Fabrie 2001. / Die vorliegende Doktorarbeit beschäftigt sich mit der mathematischen Modellierung magnetoelastischer Materialien und der Analysis von Systemen partieller Differentialgleichungen für diese Materialien. Die Herleitung der partiellen Differentialgleichungen erfolgt mittels eines variationellen Zugangs. Ziel ist es, das Verhalten elastischer Teilchen zu beschreiben, welche nicht nur magnetisch sind, sondern sich durch eine magnetische Domänenstruktur auszeichnen. Diese Struktur wird beschrieben durch die mikromagnetische Energie und die Landau-Lifshitz-Gilbert Gleichung der Magnetisierung. Die Bewegungsgleichung für die Geschwindigkeit des Materials ist in einem kontinuumsmechanischen Setting von einer Energiegleichung abgeleitet. In der Modellierung liegt der Fokus auf dem Zusammenspiel von Lagrange’schen und Euler’schen Koordinaten, um Elastizität und Magnetismus in einem Modell zu kombinieren. Dies geschieht ohne die Annahme kleiner Deformationen. Das resultierende allgemeine System partieller Differentialgleichungen wird durch spezielle Annahmen vereinfacht und es wird die Existenz von schwachen Lösungen gezeigt. Der Beweis wird für zwei Varianten des Differentialgleichungssystems geführt. Das erste System enthält die Beschreibung der Dynamik der Magnetisierung mittels Gradientenfluss, im zweiten wird die Dynamik mittels Landau-Lifshitz-Gilbert Gleichung beschrieben. Schlüsselidee des Beweises ist ein Galerkin-Ansatz, kombiniert mit einem Fixpunkt-Argument. Zum Beweis der Existenz schwacher Lösungen des Systems mit Landau-Lifshitz-Gilbert Gleichung wird eine aufwändigere Methode herangezogen, welche auf einer Arbeit von G. Carbou und P. Fabrie aus 2001 beruht.

Univ., Diss--Stuttgart, 2005.

Metabolic systems tend to exhibit steady states that can be measured in terms of their concentrations and fluxes. These measurements can be regarded as a phenotypic representation of all the complex interactions and regulatory mechanisms taking place in the underlying metabolic network. Such interactions determine the system's response to external perturbations and are responsible, for example, for its asymptotic stability or for oscillatory trajectories around the steady state. However, determining these perturbation responses in the absence of fully specified kinetic models remains an important challenge of computational systems biology. Structural kinetic modeling (SKM) is a framework to analyse whether a metabolic steady state remains stable under perturbation, without requiring detailed knowledge about individual rate equations. It provides a parameterised representation of the system's Jacobian matrix in which the model parameters encode information about the enzyme-metabolite interactions. Stability criteria can be derived by generating a large number of structural kinetic models (SK-models) with randomly sampled parameter sets and evaluating the resulting Jacobian matrices. The parameter space can be analysed statistically in order to detect network positions that contribute significantly to the perturbation response. Because the sampled parameters are equivalent to the elasticities used in metabolic control analysis (MCA), the results are easy to interpret biologically. In this project, the SKM framework was extended by several novel methodological improvements. These improvements were evaluated in a simulation study using a set of small example pathways with simple Michaelis Menten rate laws. Afterwards, a detailed analysis of the dynamic properties of the neuronal TCA cycle was performed in order to demonstrate how the new insights obtained in this work could be used for the study of complex metabolic systems. The first improvement was achieved by examining the biological feasibility of the elasticity combinations created during Monte Carlo sampling. Using a set of small example systems, the findings showed that the majority of sampled SK-models would yield negative kinetic parameters if they were translated back into kinetic models. To overcome this problem, a simple criterion was formulated that mitigates such infeasible models and the application of this criterion changed the conclusions of the SKM experiment. The second improvement of this work was the application of supervised machine-learning approaches in order to analyse SKM experiments. So far, SKM experiments have focused on the detection of individual enzymes to identify single reactions important for maintaining the stability or oscillatory trajectories. In this work, this approach was extended by demonstrating how SKM enables the detection of ensembles of enzymes or metabolites that act together in an orchestrated manner to coordinate the pathways response to perturbations. In doing so, stable and unstable states served as class labels, and classifiers were trained to detect elasticity regions associated with stability and instability. Classification was performed using decision trees and relevance vector machines (RVMs). The decision trees produced good classification accuracy in terms of model bias and generalizability. RVMs outperformed decision trees when applied to small models, but encountered severe problems when applied to larger systems because of their high runtime requirements. The decision tree rulesets were analysed statistically and individually in order to explore the role of individual enzymes or metabolites in controlling the system's trajectories around steady states. The third improvement of this work was the establishment of a relationship between the SKM framework and the related field of MCA. In particular, it was shown how the sampled elasticities could be converted to flux control coefficients, which were then investigated for their predictive information content in classifier training. After evaluation on the small example pathways, the methodology was used to study two steady states of the neuronal TCA cycle with respect to their intrinsic mechanisms responsible for stability or instability. The findings showed that several elasticities were jointly coordinated to control stability and that the main source for potential instabilities were mutations in the enzyme alpha-ketoglutarate dehydrogenase. / Metabolische Systeme neigen zur Ausbildung von Fließgleichgewichten, deren Konzentrationen und Reaktionsflüsse experimentell charakterisierbar sind. Derartige Messungen bieten eine phänotypische Repräsentation der zahlreichen Interaktionen und regulatorischen Mechanismen des zugrundeliegenden metabolischen Netzwerks. Diese Interaktionen bestimmen die Reaktion des Systems auf externe Perturbationen, wie z.B. dessen asymptotische Stabilität und Oszillationen. Die Charakterisierung solcher Eigenschaften ist jedoch schwierig, wenn kein entsprechendes kinetisches Modell mit allen Ratengleichungen und kinetischen Parametern für das untersuchte System zur Verfügung steht. Die strukturelle kinetische Modellierung (SKM) ermöglicht die Untersuchung dynamischer Eigenschaften wie Stabilität oder Oszillationen, ohne die Ratengleichungen und zugehörigen Parameter im Detail zu kennen. Statt dessen liefert sie eine parametrisierte Repräsentation der Jacobimatrix, in welcher die einzelnen Parameter Informationen über die Sättigung der Enzyme des Systems mit ihren Substraten kodieren. Die Parameter entsprechen dabei den Elastizitäten aus der metabolischen Kontrollanalyse, was ihre biologische Interpretation vereinfacht. Stabilitätskriterien werden durch Monte Carlo Verfahren hergeleitet, wobei zunächst eine große Anzahl struktureller kinetische Modelle (SK-Modelle) mit zufällig gezogenen Parametermengen generiert, und anschließend die resultierenden Jacobimatrizen evaluiert werden. Im Anschluss kann der Parameterraum statistisch analysiert werden, um Enzyme und Metabolite mit signifikantem Einfluss auf die Stabilität zu detektieren. In der vorliegenden Arbeit wurde das bisherige SKM-Verfahren durch neue methodische Verbesserungen erweitert. Diese Verbesserungen wurden anhand einer Simulationsstudie evaluiert, welche auf kleinen Beispielsystemen mit einfachen Michaelis Menten Kinetiken basierte. Im Anschluss wurden sie für eine detaillierte Analyse der dynamischen Eigenschaften des Zitratzyklus verwendet. Die erste Erweiterung der bestehenden Methodik wurde durch Untersuchung der biologischen Machbarkeit der zufällig erzeugten Elastizitäten erreicht. Es konnte gezeigt werden, dass die Mehrheit der zufällig erzeugten SK-Modelle zu negativen Michaeliskonstanten führt. Um dieses Problem anzugehen, wurde ein einfaches Kriterium formuliert, welches das Auftreten solcher biologisch unrealistischer SK-Modelle verhindert. Es konnte gezeigt werden, dass die Anwendung des Kriteriums die Ergebnisse von SKM Experimenten stark beeinflussen kann. Der zweite Beitrag bezog sich auf die Analyse von SKM-Experimenten mit Hilfe überwachter maschineller Lernverfahren. Bisherige SKM-Studien konzentrierten sich meist auf die Detektion individueller Elastizitäten, um einzelne Reaktionen mit Einfluss auf das Stabilitäts- oder oszillatorische Verhalten zu identifizieren. In dieser Arbeit wurde demonstriert, wie SKM Experimente im Hinblick auf multivariate Muster analysiert werden können, um Elastizitäten zu entdecken, die gemeinsam auf orchestrierte und koordinierte Weise die Eigenschaften des Systems bestimmen. Sowohl Entscheidungsbäume als auch Relevanzvektormaschinen (RVMs) wurden als Klassifikatoren eingesetzt. Während Entscheidungsbäume im allgemeinen gute Klassifikationsergebnisse lieferten, scheiterten RVMs an ihren großen Laufzeitbedürfnissen bei Anwendung auf ein komplexes System wie den Zitratzyklus. Hergeleitete Entscheidungsbaumregeln wurden sowohl statistisch als auch individuell analysiert, um die Koordination von Enzymen und Metaboliten in der Kontrolle von Trajektorien des Systems zu untersuchen. Der dritte Beitrag, welcher in dieser Arbeit vorgestellt wurde, war die Etablierung der Beziehung zwischen SKM und der metabolischer Kontrollanalyse. Insbesondere wurde gezeigt, wie die zufällig generierten Elastizitäten in Flusskontrollkoeffizienten umgewandelt werden. Diese wurden im Anschluss bezüglich ihres Informationsgehaltes zum Klassifikationstraining untersucht. Nach der Evaluierung anhand einiger kleiner Beispielsysteme wurde die neue Methodik auf die Studie zweier Fließgleichgewichte des neuronalen Zitratzyklus angewandt, um intrinsische Mechanismen für Stabilität oder Instabilität zu finden. Die Ergebnisse identifizierten Mutationen im Enzym alpha-ketoglutarate dehydrogenase als wahrscheinlichste Quelle füur Instabilitäten.

Proefschrift Universiteit van Amsterdam. / Auteursnaam op omslag: Harry Garst. Met lit. opg. - Met samenvatting in het Nederlands.