Living systems are subject to various types of spatial and temporal noise at all scales and stages. Nevertheless, evolving under the pressure of natural selection, biology has mastered the ability of dealing with stochasticity. This is particularly crucial because these systems encounter numerous situations which require taking robust and proper actions in the presence of noise. Due to the complexity and variability of these situations, it is impossible to have a prescribed plan for an organism that keeps it alive and fully functional. Therefore, they have to be active, rather than passive, by following three essential steps: I) gathering information about their fluctuating environment, II) processing the information and making decisions via circuits that are inevitably noisy, and finally, III) taking the appropriate action robustly with organizations crossing multiple scales.
Although various aspects of this general scheme have been subject of many studies, there are still many questions that remain unanswered: How can a dynamic environmental signal be sensed collectively by cell populations? and how does the topology of interactions affect the quality of this sensing?
When processing information via the regulatory network, what are the drawbacks of multifunctional circuits? and how does the reliability of the decisions decrease as the multifunctionality increases? Finally, when the right decision is made and a tissue is growing with feedbacks crossing different scales, what are the crucial features that remain preserved from one subject to another? How can one use these features to understand the mechanisms behind these processes?
This thesis addresses the main challenges for answering these questions and many more using methods from dynamical systems, network science, and stochastic processes.
Using stochastic models, we investigate the fundamental limits arising from temporal noise on collective signal sensing and context-dependent information processing. Furthermore, by combining stochastic models and cross-scale data analyses, we study pattern formation during complex tissue growth. / Lebende Systeme sind in allen Größenordnungen und Stadien verschiedenen Arten von räumlichem und zeitlichem Rauschen ausgesetzt. Dennoch hat die Biologie, die sich unter dem Druck der natürlichen Selektion entwickelt hat, die Fähigkeit gemeistert, mit stochastischen Fluktuationen umzugehen. Dies ist besonders wichtig, da Organismen auf zahlreiche Situationen stoßen, die es erfordern, in Gegenwart von Rauschen robuste und angemessene Maßnahmen zu ergreifen. Aufgrund der Komplexität und Variabilität dieser Situationen ist es unmöglich, einen vorgeschriebenen Plan für einen Organismus zu haben, der ihn überlebens- und funktionsfähig hält. Daher können Organismen sich nicht passiv verhalten, sondern befolgen aktiv drei wesentliche Schritte: I) Das Sammeln von Informationen über ihre dynamische Umgebung, II) Das Verarbeiten von Informationen und das Treffen von Entscheidungen über Regelnetzwerke, die unvermeidlich mit Rauschen behaftet sind, und schließlich, III) das robuste Funktionieren durch organisierte Maßnahmen, welche mehrere Größenordnungen überbrücken.
Obwohl verschiedene Aspekte dieses allgemeinen Schemas Gegenstand vieler Studien waren, bleiben noch viele Fragen unbeantwortet: Wie kann ein dynamisches externes Signal kollektiv von Zellpopulationen wahrgenommen werden? Wie beeinflusst die Topologie der Interaktionen die Qualität dieser Wahrnehmung?
Was sind die Nachteile multifunktionaler Schaltkreise bei der Verarbeitung von Informationen über das Regelnetzwerk? Wie nimmt die Zuverlässigkeit der Entscheidungen mit zunehmender Multifunktionalität ab? Und abschließend, wenn die richtige Entscheidung getroffen wurde und ein Gewebe wächst und dabei Rückkopplungen auf verschiedenen Größenordnungen erfährt, was sind die entscheidenden Merkmale, die von einem Versuchsobjekt zum anderen erhalten bleiben? Wie kann man diese Merkmale nutzen, um die Prozesse zu verstehen?
Diese Arbeit befasst sich mit den wichtigsten Herausforderungen zur Beantwortung dieser und vieler weiterer Fragen mit Methoden aus dynamischen Systemen, Netzwerkforschung und stochastischen Prozessen.
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:87988 |
| Date | 13 November 2023 |
| Creators | Bahadorian, Mohammadreza |
| Contributors | Modes, Carl D., Timme, Marc, Kirst, Christoph, Technische Universität Dresden, Center for Systems Biology Dresden (CSBD) |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | English |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, doc-type:doctoralThesis, info:eu-repo/semantics/doctoralThesis, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0029 seconds