TU Darmstadt / ULB / TUbiblio

Computational Approaches to Examine Cellular Signalling Networks

Jentsch, Marcel (2020)
Computational Approaches to Examine Cellular Signalling Networks.
Technische Universität Darmstadt
doi: 10.25534/tuprints-00011498
Dissertation, Erstveröffentlichung

Kurzbeschreibung (Abstract)

Complex biological systems can only be analysed by utilizing computational and mathematical methods. They are essential for studying the interactions between the components of biological systems and generating an understanding how these interactions give rise to biological functions and mechanisms of cellular signalling networks. In this work, I provide three examples on how the analysis of single cell data derived from live-cell time-lapse microscopy of fluorescent reporter systems benefits from the use of several approaches that originate from computer sciences. The analysis of single cell data faces several challenges ranging from extracting single cell time series from the raw imaging data, identifying signalling classes to the identification of distinct patterns in single cell trajectories. Several methods were introduced in the course of this work to handle the experimental data appropriately. For the extraction of single cell time series, a novel method to track cells in the imaging data based on Coherent Point Drift was introduced. The tracking benefits from the features of the Coherent Point Drift method that correspond to cellular motility patterns. The motion coherence constrain of the Coherent Point Drift mimics the observation that cells do not move independently; they are embedded in a neighbourhood that constrains their freedom of movement. The Dynamic Time Warping framework was established as a useful approach to tackle several issues in the analysis of biological data. The opportunity to quantify the similarity of dynamics granted a new view on single cell data. While calculating the optimal alignment between two single cell trajectories their similarity can be quantified. Dynamic Time Warping was modified so that it constrains the flexibility of the alignment making the alignment more biological relevant. Based on Dynamic Time Warping estimated similarities among individual signalling dynamics distinct signalling classes could be identified in the datasets analysed. Dynamic Time Warping was as well utilized for multivariate time series. This allowed the comparison of single cells while taking the dependence of dynamics of several signalling components within a pathway into account. This gives a new way on the comparison of pathway activity among individual cells. Different signalling pathways exhibit different signalling dynamics. Therefore, two feature detection methods were proposed that aim to quantify signalling dynamics from different angles. The Dynamic Time Warping framework was used to develop a feature detection method that identifies patterns in the time series flexible in the time domain and independent of the scaling. If dynamics lack repetitive patterns dynamics have to be quantified in a different way. Therefore, to identify global dynamics a supervised learning method was developed that reduces the dimensionality of the time series data and identifies fundamental dynamics that compose the observed individual dynamics. To understand how cells, encode the extracellular input and transmit its information to elicit appropriate responses, quantitative time-resolved measurements of pathway activation at the single-cell level was acquired for all three scenarios. The application of the introduced set of tools provided new insight into fundamental biological questions. On the level of the raw imaging data the cell tracking step does only differ slightly between the three biological examples. On the single cell level the three signalling pathways studied exhibit different dynamics and demand therefore different requirements on the analysis. The TGFb pathway is a multi-functional signalling system regulating cellular processes ranging from proliferation and migration to differentiation and cell death. Alterations in the cellular response to TGFb are involved in severe human diseases. It was revealed that the response to a given dose of TGFb is determined cell specifically by the levels of defined signalling proteins and that the observed heterogeneity in signalling protein expression leads to decomposition of cells into classes with qualitatively distinct signalling dynamic. How the dynamics differ among the signalling classes could be quantified using the supervised learning approach. Studies have shown the beneficial effects of hyperthermic treatment during radiation- or chemotherapy of cancers. I aimed to understand how p53 dynamics after genotoxic stress are modulated by temperature across a physiological relevant range. In the range of 33°C to 39°C, pulsatile p53 accumulation dynamics are modulated in frequency. Above 40°C, a temperature that corresponds to mild hyperthermia in the clinical setting, a reversible phase transition towards sustained hyperaccumulation was observed. This disrupts the canonical p53 response to DNA double strand breaks. Above 40°C mild hyperthermia alone was sufficient to induce a p53 response. The view onto the p53 signalling was extended by simultaneously measurement of an additional pathway component. p21 as an inhibitor of cyclin-dependent kinases is the mediator of p53 in growth suppression and a marker of cellular senescence. p53 signalling encodes information about signal intensity, duration and identity in complex dynamics. I studied how these p53 dynamics are related to p21 dynamics in the same cell. It could be shown that p53 and p21 dynamics were not independent and that distinct signalling dynamic shape population response dynamics after application of genotoxic stress. This was shown by using clustering based on multivariate Dynamic Time Warping similarity estimates. Signalling classes and dynamics were connected to cell cycle state.

Typ des Eintrags: Dissertation
Erschienen: 2020
Autor(en): Jentsch, Marcel
Art des Eintrags: Erstveröffentlichung
Titel: Computational Approaches to Examine Cellular Signalling Networks
Sprache: Englisch
Referenten: Löwer, Prof. Dr. Alexander ; Hamacher, Prof. Dr. Kay
Publikationsjahr: 2 März 2020
Ort: Darmstadt
Datum der mündlichen Prüfung: 24 Oktober 2019
DOI: 10.25534/tuprints-00011498
URL / URN: https://tuprints.ulb.tu-darmstadt.de/11498
Kurzbeschreibung (Abstract):

Complex biological systems can only be analysed by utilizing computational and mathematical methods. They are essential for studying the interactions between the components of biological systems and generating an understanding how these interactions give rise to biological functions and mechanisms of cellular signalling networks. In this work, I provide three examples on how the analysis of single cell data derived from live-cell time-lapse microscopy of fluorescent reporter systems benefits from the use of several approaches that originate from computer sciences. The analysis of single cell data faces several challenges ranging from extracting single cell time series from the raw imaging data, identifying signalling classes to the identification of distinct patterns in single cell trajectories. Several methods were introduced in the course of this work to handle the experimental data appropriately. For the extraction of single cell time series, a novel method to track cells in the imaging data based on Coherent Point Drift was introduced. The tracking benefits from the features of the Coherent Point Drift method that correspond to cellular motility patterns. The motion coherence constrain of the Coherent Point Drift mimics the observation that cells do not move independently; they are embedded in a neighbourhood that constrains their freedom of movement. The Dynamic Time Warping framework was established as a useful approach to tackle several issues in the analysis of biological data. The opportunity to quantify the similarity of dynamics granted a new view on single cell data. While calculating the optimal alignment between two single cell trajectories their similarity can be quantified. Dynamic Time Warping was modified so that it constrains the flexibility of the alignment making the alignment more biological relevant. Based on Dynamic Time Warping estimated similarities among individual signalling dynamics distinct signalling classes could be identified in the datasets analysed. Dynamic Time Warping was as well utilized for multivariate time series. This allowed the comparison of single cells while taking the dependence of dynamics of several signalling components within a pathway into account. This gives a new way on the comparison of pathway activity among individual cells. Different signalling pathways exhibit different signalling dynamics. Therefore, two feature detection methods were proposed that aim to quantify signalling dynamics from different angles. The Dynamic Time Warping framework was used to develop a feature detection method that identifies patterns in the time series flexible in the time domain and independent of the scaling. If dynamics lack repetitive patterns dynamics have to be quantified in a different way. Therefore, to identify global dynamics a supervised learning method was developed that reduces the dimensionality of the time series data and identifies fundamental dynamics that compose the observed individual dynamics. To understand how cells, encode the extracellular input and transmit its information to elicit appropriate responses, quantitative time-resolved measurements of pathway activation at the single-cell level was acquired for all three scenarios. The application of the introduced set of tools provided new insight into fundamental biological questions. On the level of the raw imaging data the cell tracking step does only differ slightly between the three biological examples. On the single cell level the three signalling pathways studied exhibit different dynamics and demand therefore different requirements on the analysis. The TGFb pathway is a multi-functional signalling system regulating cellular processes ranging from proliferation and migration to differentiation and cell death. Alterations in the cellular response to TGFb are involved in severe human diseases. It was revealed that the response to a given dose of TGFb is determined cell specifically by the levels of defined signalling proteins and that the observed heterogeneity in signalling protein expression leads to decomposition of cells into classes with qualitatively distinct signalling dynamic. How the dynamics differ among the signalling classes could be quantified using the supervised learning approach. Studies have shown the beneficial effects of hyperthermic treatment during radiation- or chemotherapy of cancers. I aimed to understand how p53 dynamics after genotoxic stress are modulated by temperature across a physiological relevant range. In the range of 33°C to 39°C, pulsatile p53 accumulation dynamics are modulated in frequency. Above 40°C, a temperature that corresponds to mild hyperthermia in the clinical setting, a reversible phase transition towards sustained hyperaccumulation was observed. This disrupts the canonical p53 response to DNA double strand breaks. Above 40°C mild hyperthermia alone was sufficient to induce a p53 response. The view onto the p53 signalling was extended by simultaneously measurement of an additional pathway component. p21 as an inhibitor of cyclin-dependent kinases is the mediator of p53 in growth suppression and a marker of cellular senescence. p53 signalling encodes information about signal intensity, duration and identity in complex dynamics. I studied how these p53 dynamics are related to p21 dynamics in the same cell. It could be shown that p53 and p21 dynamics were not independent and that distinct signalling dynamic shape population response dynamics after application of genotoxic stress. This was shown by using clustering based on multivariate Dynamic Time Warping similarity estimates. Signalling classes and dynamics were connected to cell cycle state.

Alternatives oder übersetztes Abstract:
Alternatives AbstractSprache

Komplexe biologische Systeme können nur mit rechnerischen und mathematischen Methoden analysiert werden. Sie sind unerlässlich, um die Wechselwirkungen zwischen den Komponenten biologischer Systeme zu untersuchen. Sie erzeugen ein Verständnis dafür, wie die Wechselwirkungen zwischen zellulären Signalnetzwerken bestimmte biologische Funktionen und Verhaltensweisen hervorrufen und steuern. In dieser Arbeit stelle ich drei Beispiele vor, wie die Analyse von Einzelzelldaten aus der Zeitraffermikroskopie fluoreszierender Reporterzelllinien, von der Verwendung verschiedener Ansätze aus den Computerwissenschaften profitiert. Die Analyse von Einzelzelldaten ist eine Herausforderung, die von der Extraktion von Einzelzell-Zeitreihen aus den rohen Bilddaten, über die Identifizierung von Signalklassen, bis hin zur Identifizierung unterschiedlicher Muster in Einzelzell-Trajektorien reicht. Es wurden verschiedene Methoden eingeführt, um die entsprechenden experimentellen Daten zu verarbeiten. Zur Extraktion von Einzelzell-Zeitreihen wurde ein neuartiges Tracking, basierend auf der Coherent Point Drift Methode, entwickelt. Die Eigenschaften der Coherent Point Drift Methode entsprechen den Charakteristiken der Zellbewegung. Der Motion Coherence Constrain der Coherent Point Drift Methode spiegelt die Beobachtung das Zellen sich nicht unabhängig voneinander bewegen; sie sind eingebunden in einen Zellverbund welcher ihre Bewegungsfreiheit beschneidet. Das Dynamic Time Warping Framework ist ein nützlicher Ansatz, um mehrere biologische Prozesse zu untersuchen. Durch die Möglichkeit die Ähnlichkeit von Dynamiken zu quantifizieren wird ein neuer Blick auf Einzelzelldaten gewährt. Mittels der Berechnung eines optimalen Alignements zwischen zwei Einzelzelltrajektorien kann deren Ähnlichkeit quantifiziert werden. Dynamic Time Warping wurde so verändert, dass es die Flexibilität des Alignments eingeschränkt wird, wodurch dieses biologisch relevanter wird. Basierend auf den berechneten Ähnlichkeiten zwischen einzelnen Signaldynamiken konnten Signalklassen in den untersuchten Daten identifiziert werden. Dynamic Time Warping wurde des Weiteren für multivariate Zeitreihen verwendet, was es erlaubt, die Ähnlichkeit zweier Zellen in Abhängigkeit gleichzeitiger Dynamiken verschiedener Signalwegkomponenten zu quantifizieren. Dies erlaubt den Ver\-gleich der Signalwegenaktivität zwischen Zellen unter Berücksichtigung der gleich\-zeitigen Dynamiken verschiedener Komponenten des untersuchten Signalweges. Unterschiedliche Signalwege weisen eine unterschiedliche Signaldynamik auf. Daher wurden zwei Methoden zur Erkennung vorgeschlagen, die darauf abzielen, die Signaldynamik aus verschiedenen Blickwinkeln zu quantifizieren. Das Dynamic Time Warping Framework wurde genutzt, um eine Feature Detection Methode zu entwickeln, welches Muster in der Zeitreihe flexibel im Zeitbereich und unabhängig von der Skalierung identifiziert. Um globale Dynamiken zu identifizieren, wird ein überwachtes Lernverfahren eingeführt, dass die Dimensionalität der Zeitreihendaten reduzieren und grundlegende Dynamiken identifizieren kann, aus denen sich die beobachtete individuelle Dynamik zusammensetzt. Um zu verstehen, wie Zellen den extrazellulären Input kodieren und Informationen übertragen, um angemessene Antworten zu erhalten, wurden für alle drei Szenarien quantitative, zeitaufgelöste Messungen der Signalwegaktivität auf Einzelzellebene erfasst. Die Anwendung der vorgestellten Tools bot einen neuen Einblick in grundlegende biologische Fragen. Auf der Ebene der rohen Bilddaten unterscheidet sich das Zelltracking zwischen den drei biologischen Beispielen kaum. Auf Einzelzellebene weisen die drei untersuchten Signalwege eine unterschiedliche Dynamik auf und stellen daher unterschiedliche Anforderungen an die Analyse. Der TGFb-Signalweg ist ein multifunktionales Signalsystem, das zelluläre Prozesse im Bereich von Proliferation und Migration bis hin zu Differenzierung und Zelltod reguliert. Störungen der Zellantwort auf TGFb sind an schweren Erkrankungen des Menschen beteiligt. Es wurde gezeigt, dass die Reaktion auf eine gegebene Dosis von TGFb zellspezifisch durch die Konzentration der relevanten Signalproteine bestimmt wird und dass die beobachtete Heterogenität bei der Signalproteinexpression zur Aufspaltung der Zellen in Klassen mit qualitativ unterschiedlicher Signaldynamik führt. Wie sich die Dynamik zwischen den Signalklassen unterscheidet, ließ sich mithilfe des Ansatzes des überwachten Lernverfahrens quantifizieren. Studien haben die positive Wirkung einer hyperthermischen Behandlung in Kombination mit Bestrahlung oder Chemotherapie bei Krebs gezeigt. Ich wollte verstehen, wie die Dynamik von p53 nach genotoxischem Stress durch die Temperatur über einen physiologisch relevanten Bereich moduliert wird. Im Bereich von 33°C bis 39°C wird die pulsierende p53-Akkumulationsdynamik in der Frequenz moduliert. Die in einem klinischen Umfeld eingesetzte leichte Hyperthermie oberhalb von 40°C wurde simuliert und dabei konnte ein reversibler Phasenübergang in Richtung einer anhaltenden Hyperakkumulation beobachtet werden. Dies stört die kanonische p53-Antwort auf DNA-Doppelstrangbrüche. Der Blick auf p53 wurde erweiterte um die gleichzeitige Betrachtung einer weiteren Komponente des Signalweges. p21, ein Inhibitor von Cyclin-abhängigen Kinasen, ist der Mediator von p53 in der Wachstumssuppression und ein Marker der zellulären Seneszenz. Das p53 Signal kodiert Informationen über Signalintensität, -dauer und -identität in komplexer Dynamik. Ich habe untersucht, wie diese Dynamik mit der Dynamik von p21 in derselben Zelle zusammenhängt. Es konnte gezeigt werden, dass die p53- und p21-Dynamik nicht unabhängig voneinander sind und dass bestimmte dynamische Muster die dynamische Antwort auf genotoxischen Stress die Populationsdynamik bestimmen. Dies wurde durch die Klassifikation der Dynamiken basierend auf multivariaten Dynamic Time Warping gezeigt. Signalklassen und -dynamik waren mit dem Zellzyklusstatus verbunden.

Deutsch
URN: urn:nbn:de:tuda-tuprints-114989
Sachgruppe der Dewey Dezimalklassifikatin (DDC): 500 Naturwissenschaften und Mathematik > 570 Biowissenschaften, Biologie
Fachbereich(e)/-gebiet(e): 10 Fachbereich Biologie
10 Fachbereich Biologie > Systems Biology of the Stress Response
Hinterlegungsdatum: 05 Apr 2020 19:56
Letzte Änderung: 05 Apr 2020 19:56
PPN:
Referenten: Löwer, Prof. Dr. Alexander ; Hamacher, Prof. Dr. Kay
Datum der mündlichen Prüfung / Verteidigung / mdl. Prüfung: 24 Oktober 2019
Export:
Suche nach Titel in: TUfind oder in Google
Frage zum Eintrag Frage zum Eintrag

Optionen (nur für Redakteure)
Redaktionelle Details anzeigen Redaktionelle Details anzeigen